تصور کنید صبح از خواب بیدار میشوید، اما بهجای اینکه خواب خود را برای کسی تعریف کنید، یک فایل ویدئویی از آن در اختیار دارید؛ درست مانند فیلمی که شب گذشته در ذهن شما پخش شده است.
در این فیلم، چهره افراد، مکانها، رنگها، حرکات، صداها و حتی بخشهایی از احساسات شما هنگام خواب قابل مشاهده است.
آیا چنین چیزی واقعاً ممکن است؟
پاسخ کوتاه این است: هنوز نه؛ اما علم در چند مرحله مهم به سمت آن حرکت کرده است.
دانشمندان تاکنون توانستهاند از فعالیت مغز، برخی ویژگیهای تصاویر دیدهشده و حتی بخشی از تصاویر ذهنی را بازسازی یا توصیف کنند. همچنین در سالهای اخیر مشخص شده که در بعضی شرایط میتوان هنگام خواب REM با فردی که در حال رؤیا دیدن است ارتباط دوطرفه برقرار کرد. با این حال، فناوری فعلی هنوز قادر نیست یک خواب پیچیده و کامل را مانند یک فیلم سینمایی با جزئیات دقیق ضبط کند.
یکی از نخستین سوءبرداشتها درباره این موضوع این است که گویی مغز هنگام خواب یک فیلم را در جایی ذخیره میکند و دستگاهی در آینده میتواند آن فایل را از مغز بیرون بکشد.
واقعیت بسیار پیچیدهتر است.
خواب یک فایل تصویری مستقل نیست. تجربه رؤیا حاصل فعالیت همزمان شبکههای متعدد مغزی است؛ از جمله بخشهایی که با بینایی، شنوایی، حافظه، هیجان، حرکت، شناخت و پردازش اطلاعات مرتبط هستند.
بنابراین اگر روزی بتوانیم خواب را بازسازی کنیم، احتمالاً چیزی به نام «فایل خواب» را مستقیماً از مغز استخراج نخواهیم کرد؛ بلکه باید الگوی فعالیت مغز را اندازهگیری و سپس با استفاده از مدلهای محاسباتی، آن الگو را به یک نمایش تصویری یا ویدئویی تبدیل کنیم.
این تفاوت بسیار مهم است.
سالهاست دانشمندان تلاش میکنند رابطه میان فعالیت مغز و تجربههای ذهنی را پیدا کنند.
یکی از مطالعات مهم در سال ۲۰۱۳ نشان داد که میتوان با استفاده از fMRI و روشهای یادگیری ماشین، برخی محتوای تصویری تجربهشده در هنگام خواب را از فعالیت مغز پیشبینی کرد.
در این پژوهش، مدلهای محاسباتی با ارتباط دادن الگوهای فعالیت مغز و گزارشهای افراد از تصاویر ذهنی، توانستند برخی دستههای محتوای تصویری را در هنگام خواب شناسایی کنند. نکته بسیار مهم این است که این آزمایش عمدتاً روی مرحله آغاز خواب انجام شد، نه اینکه یک رؤیای کامل و طولانی مانند فیلم بازسازی شود.
بنابراین جملهای مانند:
«دانشمندان توانستهاند خواب انسان را فیلمبرداری کنند»
در حال حاضر اغراقآمیز و نادرست است.
عبارت دقیقتر این است:
«دانشمندان توانستهاند از روی فعالیت مغز، برخی ویژگیهای تجربه تصویری هنگام خواب را با کمک مدلهای محاسباتی پیشبینی کنند.»
fMRI مستقیماً «تصویر داخل ذهن» را نمیبیند.
این فناوری تغییرات مرتبط با جریان خون و اکسیژنرسانی در مغز را اندازهگیری میکند. سپس دانشمندان از الگوهای فعالیت تعداد زیادی از نواحی مغزی استفاده میکنند.
برای مثال، اگر فرد تصویری از یک حیوان را ببیند، شبکههای خاصی از مغز فعال میشوند.
اگر این رابطه بارها اندازهگیری شود، یک الگوریتم یادگیری ماشین میتواند ارتباط آماری میان:
فعالیت مغز ← ویژگیهای تصویر
را یاد بگیرد.
بعد از آموزش، میتوان مسئله را برعکس کرد:
فعالیت مغز → حدس درباره محتوای ذهنی
این همان ایده اصلی «رمزگشایی عصبی» یا Neural Decoding است.
بله، تا حدی.
پژوهشهای جدیدتر حتی از مدلهای مولد و فناوریهایی مانند diffusion models برای بازسازی تصاویر از دادههای fMRI استفاده کردهاند.
برای مثال، پژوهشهایی نشان دادهاند که تصاویر بازسازیشده میتوانند برخی اطلاعات مربوط به معنا، ساختار و چیدمان صحنه را حفظ کنند، هرچند تصویر بازسازیشده الزاماً با تصویر اصلی یکسان نیست.
این موضوع یک پیشرفت بسیار مهم است.
اما باید میان دو مفهوم تفاوت بگذاریم:
یعنی فرد واقعاً یک تصویر خارجی را مشاهده کرده است و دستگاه فعالیت مغز او را اندازهگیری میکند.
یعنی فرد خودش تصویری را در ذهن تولید کرده و آن تصویر بخشی از رؤیاست.
حالت دوم بسیار دشوارتر است.
زیرا در رؤیا ما دیگر یک «تصویر خارجی مرجع» نداریم که بتوانیم خروجی دستگاه را با آن مقایسه کنیم.
فرض کنیم یک سیستم بتواند از مغز شما تشخیص دهد که در خواب، «یک خودرو قرمز» دیدهاید.
این هنوز با ساختن فیلم فاصله بسیار زیادی دارد.
یک فیلم شامل اطلاعات بسیار بیشتری است:
شکل و رنگ اشیا
عمق
فاصله
حرکت
سرعت حرکت
جهت حرکت
تغییر زاویه دید
چهره افراد
حالت چهره
صدا
گفتوگو
متن
احساسات
خاطرات
ارتباط میان رویدادها
تغییر صحنه
ترتیب زمانی اتفاقات
بنابراین فناوری آینده باید بهجای رمزگشایی یک تصویر ثابت، دنبالهای پیوسته از حالتهای مغزی را رمزگشایی کند.
این مسئله بهمراتب دشوارتر است.
یکی از جذابترین پیشرفتها در این زمینه در سال ۲۰۲۱ اتفاق افتاد.
چهار گروه پژوهشی مستقل نشان دادند که در برخی افراد، هنگام خواب REM و بهویژه در رؤیاهای شفاف یا Lucid Dream، امکان برقراری ارتباط دوطرفه وجود دارد.
پژوهشگران در برخی آزمایشها از فردی که خواب بود سؤال میپرسیدند و فرد میتوانست با حرکت چشم یا انقباض عضلات صورت پاسخ دهد.
در این مطالعه ۳۶ نفر بررسی شدند. در ۵۷ جلسه تلاش برای ارتباط انجام شد و در بخشی از دورههایی که فرد علامت میداد در رؤیای شفاف قرار دارد، پاسخهای درست به پرسشهای آزمایشی مشاهده شد.
این نتیجه بسیار مهم است، زیرا نشان میدهد خواب الزاماً یک وضعیت کاملاً قطعشده از جهان بیرون نیست.
یعنی شاید در آینده به جای اینکه صرفاً بعد از بیدار شدن از شخص بپرسیم:
«چه خوابی دیدی؟»
بتوانیم در همان زمان که رؤیا در حال وقوع است، اطلاعات بیشتری درباره آن دریافت کنیم.
در شرایط آزمایشگاهی، تا حد محدودی بله.
در پژوهشهای مربوط به رؤیای شفاف، فرد آموزشدیده میتواند در خواب REM متوجه شود که خواب میبیند و با حرکتهای از پیش تعیینشده چشم یا عضلات صورت پاسخ دهد.
حتی برخی افراد توانستهاند به پرسشهای ساده پاسخ دهند یا محاسبات ساده انجام دهند.
اما این موضوع با «خواندن کامل ذهن» تفاوت دارد.
مثلاً:
پرسش: آیا در رؤیای خود هستی؟
پاسخ: حرکت مشخص چشم.
این کار بسیار متفاوت است از اینکه دستگاه بتواند بگوید:
«اکنون فرد در حال دیدن یک خانه سفید در کنار رودخانه است، شخصی با لباس آبی وارد خانه شده و سپس فرد خواببیننده به سمت درخت حرکت کرده است.»
فناوری دوم هنوز وجود ندارد.
هوش مصنوعی احتمالاً یکی از مهمترین عوامل پیشرفت این حوزه خواهد بود.
در گذشته دانشمندان بیشتر به دنبال طبقهبندی فعالیت مغز بودند؛ مثلاً:
«آیا فرد در حال دیدن چهره است یا خودرو؟»
اما مدلهای جدید میتوانند اطلاعات بسیار پیچیدهتری را در فضای معنایی پردازش کنند.
در سال ۲۰۲۵ پژوهشی در Nature Machine Intelligence نشان داد که نمایشهای معنایی تولیدشده توسط مدلهای زبانی بزرگ میتوانند با برخی بازنماییهای سطح بالای اطلاعات در مغز انسان همراستا باشند و از فعالیت مغز میتوان اطلاعات مربوط به صحنههای پیچیده را تا حدی بازسازی کرد.
همچنین پژوهشهای جدید نشان دادهاند که مدلهای هوش مصنوعی میتوانند اطلاعات مربوط به زبان یا تصاویر ذهنی را از دادههای مغزی به نمایشهای قابل تولید تبدیل کنند.
این روند از نظر فناوری اهمیت زیادی دارد.
یکی از مسیرهای محتمل این است که ابتدا خواب مستقیماً به فیلم تبدیل نشود.
ممکن است مراحل به این شکل پیش بروند:
فعالیت مغز → مفاهیم → متن → تصویر → ویدئو
برای مثال:
فعالیت مغزی
↓
«یک محیط بیرونی»
↓
«جادهای در میان درختان»
↓
مدل زبانی
↓
توصیف صحنه
↓
مدل تولید تصویر
↓
تصویر بازسازیشده
↓
مدل تولید ویدئو
↓
ویدئوی تقریبی از رؤیا
این روش احتمالاً از تلاش برای بازسازی مستقیم هر پیکسل بسیار عملیتر خواهد بود.
اما چنین ویدئویی لزوماً «ضبط واقعی خواب» نیست.
بلکه بازسازی احتمالی خواب بر اساس اطلاعات عصبی موجود است.
حتی اگر بتوانیم فعالیت مغز را با دقت بسیار بالا اندازهگیری کنیم، هنوز یک مشکل اساسی باقی میماند.
دو انسان ممکن است یک تجربه تقریباً یکسان داشته باشند اما الگوهای عصبی آنها کاملاً یکسان نباشد.
به همین دلیل بسیاری از سامانههای رمزگشایی عصبی به دادههای آموزشی مخصوص هر فرد نیاز دارند.
در برخی پژوهشها نیز مدلها برای افراد مشخص آموزش داده شدهاند.
این یعنی ممکن است دستگاهی که برای «علی» آموزش دیده، بدون آموزش مجدد برای «رضا» عملکرد بسیار ضعیفتری داشته باشد.
بنابراین یکی از اهداف مهم آینده ایجاد مدلهای عمومیتر مغز است.
فرض کنید فرد پس از بیدار شدن میگوید:
«خواب دیدم در یک شهر قدیمی بودم.»
آیا واقعاً شهر را به صورت واضح دیده است؟
یا فقط مفهوم «شهر قدیمی» را تجربه کرده است؟
یا شاید مجموعهای از خاطرات، احساسات و تصاویر مبهم داشته است؟
حتی خود فرد نیز همیشه نمیتواند پاسخ دقیقی بدهد.
گزارشهای خواب بعد از بیداری معمولاً ناقص و مستعد فراموشی یا تحریف هستند؛ همین مسئله یکی از مشکلات اصلی تحقیقات علمی درباره رؤیاست.
بنابراین دانشمندان برای ساختن یک «دوربین خواب» ابتدا باید بدانند دقیقاً چه چیزی را باید بازسازی کنند.
احتمالاً از نظر اصولی بله، اما بسیار دشوار است.
اگر خواب شامل گفتوگو باشد، باید بتوان فعالیتهای مربوط به پردازش زبان، صدا، حافظه و تولید گفتار درونی را از هم تفکیک کرد.
پژوهشهای جدید در رمزگشایی زبان از فعالیت مغز نشان دادهاند که حتی بازسازی زبان از fMRI در حال پیشرفت است. برای نمونه، یک پژوهش منتشرشده در Communications Biology در سال ۲۰۲۵ روشی مولد برای بازسازی زبان از دادههای fMRI ارائه کرد و نشان داد که میتوان بازسازی متنی را بهصورت خودکار و پیوسته انجام داد.
اما این به معنای آن نیست که امروز میتوان مکالمهای را که شخص در خواب شنیده یا تصور کرده، دقیقاً به فایل صوتی تبدیل کرد.
این بخش حتی پیچیدهتر است.
ممکن است در آینده بتوان برخی شاخصهای مرتبط با حالتهای هیجانی مانند ترس، هیجان، آرامش یا اضطراب را از فعالیت مغز و بدن استخراج کرد.
اما «ضبط احساس» با «تشخیص تقریبی حالت هیجانی» تفاوت دارد.
برای مثال:
ضبط دقیق:
«فرد دقیقاً همان ترسی را تجربه میکند که در خواب احساس کرده است.»
در حال حاضر امکانپذیر نیست.
تشخیص احتمالی:
«الگوی عصبی و فیزیولوژیک با حالت ترس یا برانگیختگی هیجانی سازگار است.»
این سطح از تحلیل بسیار واقعبینانهتر است.
این یکی از جذابترین احتمالات آینده است.
اگر بتوانیم:
مرحله خواب را بهطور دقیق تشخیص دهیم،
رؤیا را هنگام وقوع شناسایی کنیم،
فعالیت مغز را با سرعت بالا ثبت کنیم،
محتوای عصبی را رمزگشایی کنیم،
در اصل ممکن است به سیستمی برسیم که بازسازی رؤیا را تقریباً همزمان با وقوع آن انجام دهد.
اما این مسئله هنوز با مشکلات فنی بزرگی روبهرو است.
بهخصوص سرعت fMRI پایین است و تجهیزات آن بزرگ و غیرقابلحمل هستند.
EEG سرعت زمانی بسیار بالاتری دارد، اما اطلاعات مکانی آن نسبت به fMRI محدودتر است.
بنابراین احتمالاً نسل آینده از ترکیب چند فناوری استفاده خواهد کرد.
این احتمال بسیار مهم است.
fMRI اطلاعات مکانی بسیار خوبی ارائه میدهد اما دستگاهی بزرگ، گران و غیرقابلحمل است.
EEG بسیار سریعتر و قابلحملتر است، اما مکانیابی فعالیت مغز با آن دشوارتر است.
پژوهشهای جدید نشان دادهاند که حتی با EEG کمتراکم نیز میتوان برخی ویژگیهای تصاویر را طبقهبندی یا بازسازی کرد، هرچند محدودیتهای مهمی همچنان وجود دارد.
بنابراین ممکن است در آینده ترکیبی مانند این استفاده شود:
EEG + fMRI + حرکات چشم + ضربان قلب + تنفس + هوش مصنوعی
و همه این اطلاعات در یک مدل واحد ادغام شوند.
احتمالاً اولین نسخه کاربردی فناوری خواب، یک فیلم کاملاً واقعی نخواهد بود.
ممکن است سیستم ابتدا فقط بتواند چیزی شبیه این تولید کند:
«فرد در محیطی بیرونی قرار دارد. احتمالاً یک ساختمان یا خانه در صحنه وجود دارد. یک شخص دیگر نیز حضور دارد. حرکت وجود دارد و فضای هیجانی نسبتاً مثبت است.»
سپس با پیشرفت فناوری:
«فرد در حال حرکت در یک خیابان است. ساختمانهایی در دو طرف خیابان دیده میشوند و شخص دیگری در فاصله چند متری قرار دارد.»
و در مرحلهای بسیار پیشرفتهتر:
یک بازسازی تصویری و سپس ویدئویی از این تجربه.
بنابراین پیشرفت احتمالاً تدریجی خواهد بود، نه یک جهش ناگهانی از «هیچ» به «فیلم کامل».
هیچ دانشمندی نمیتواند تاریخ دقیق این اتفاق را تعیین کند.
بنابراین بازههای زیر پیشبینی سناریویی هستند، نه پیشگویی قطعی.
احتمالاً پیشرفت اصلی در تشخیص مواردی مانند:
دستههای تصویری
اشیا
صحنهها
مفاهیم
برخی ویژگیهای هیجانی
محتوای زبانی محدود
خواهد بود.
در این دوره احتمالاً «توصیف خواب از روی فعالیت مغز» بسیار محتملتر از «فیلم خواب» است.
برآورد احتمال رسیدن به سامانههای آزمایشگاهی محدود: بالا
در صورت ادامه رشد مدلهای هوش مصنوعی، حسگرهای عصبی و فناوری تصویربرداری، ممکن است سیستمهایی آزمایشگاهی بتوانند برخی رؤیاها را به تصاویر تقریبی تبدیل کنند.
مثلاً به جای یک جمله، یک تصویر تقریبی از:
اتاق
خیابان
چهره
منظره
اشیا
تولید شود.
اما احتمالاً هنوز تفاوت قابلتوجهی میان خواب واقعی و تصویر بازسازیشده وجود خواهد داشت.
برآورد احتمال: متوسط تا بالا
اگر فناوری رمزگشایی عصبی به اندازه کافی پیشرفت کند، میتوان تصور کرد که سیستمهای آزمایشگاهی بتوانند دنبالهای از حالتهای ذهنی را به توالی تصاویر تبدیل کنند.
در این صورت چیزی شبیه:
فعالیت مغز → فریمهای تقریبی → ویدئوی بازسازیشده
ممکن است عملی شود.
ولی کیفیت آن احتمالاً بیشتر شبیه «بازسازی هوش مصنوعی از یک خاطره» خواهد بود تا فیلم دوربین مداربسته.
برآورد احتمال: متوسط
اگر چند فناوری مهم همزمان پیشرفت کنند، احتمال رسیدن به بازسازی بسیار دقیقتر وجود دارد:
تصویربرداری عصبی با وضوح بالاتر
حسگرهای پوشیدنی پیشرفته
مدلهای بنیادین مغز
هوش مصنوعی مولد
مدلهای شخصیسازیشده مغزی
رمزگشایی سریع فعالیت عصبی
در چنین سناریویی شاید بتوان بخش قابلتوجهی از محتوای یک رؤیا را به شکل تصویر و ویدئو بازسازی کرد.
اما حتی اینجا نیز «کپی کامل رؤیا» تضمینشده نیست.
برآورد احتمال: نامطمئن و وابسته به چند پیشرفت بزرگ
این نکته از نظر علمی بسیار مهم است.
شاید فناوری آینده هرگز نتواند دقیقاً بگوید:
«این همان چیزی است که فرد در خواب دیده است.»
در عوض، ممکن است بتواند بگوید:
«این محتملترین بازسازی از محتوای ذهنی او بر اساس دادههای عصبی است.»
یعنی خروجی ممکن است بیشتر شبیه ترجمه باشد تا ضبط.
همانطور که ترجمه یک زبان به زبان دیگر عین صدای اصلی نیست، بازسازی یک رؤیا نیز ممکن است بازنمایی احتمالی تجربه باشد.
این کار به احتمال زیاد سختتر خواهد بود.
اگر اطلاعات عصبی هنگام وقوع رؤیا ثبت نشده باشد، پس از بیداری بخش زیادی از اطلاعات ممکن است از دست رفته باشد.
البته حافظه خواب باقی میماند و میتوان از گزارش فرد، صدا، متن و تصاویر ذهنی او برای بازسازی استفاده کرد.
اما این دیگر «خواندن خواب از مغز» نیست.
بنابراین اگر روزی فناوری بسیار پیشرفتهای ساخته شود، احتمالاً باید هنگام خواب فعال باشد.
این فناوری فقط یک مسئله پزشکی یا علمی نیست.
اگر روزی بتوان فعالیت مغز را با دقت بالا رمزگشایی کرد، یک سؤال بسیار جدی مطرح میشود:
آیا افکار و رؤیاهای انسان باید خصوصیترین اطلاعات ممکن محسوب شوند؟
تصور کنید فناوری آینده بتواند:
بخشی از رؤیاها را بازسازی کند،
خاطرات تصویری را تشخیص دهد،
افکار تصویری را توصیف کند،
یا محتوای ذهنی را به متن تبدیل کند.
در این صورت مسائل حقوقی و اخلاقی عظیمی ایجاد میشود:
چه کسی مالک داده مغز است؟
آیا پلیس میتواند چنین دادهای را درخواست کند؟
آیا شرکتها حق دارند از آن برای تبلیغات استفاده کنند؟
آیا کارفرما میتواند چنین فناوریای را درخواست کند؟
آیا بیمار باید بتواند تمام دادههای عصبی خود را حذف کند؟
اینها احتمالاً از مهمترین مسائل «عصبفناوری» در دهههای آینده خواهند بود.
رسانهها گاهی از عبارت «Mind Reading» استفاده میکنند.
اما علم امروز به چنین معنای مطلقی نرسیده است.
رمزگشایی عصبی معمولاً:
آماری است،
احتمالی است،
وابسته به فرد است،
به آموزش مدل نیاز دارد،
در شرایط کنترلشده بهتر عمل میکند،
و محدودیتهای زیادی دارد.
حتی پژوهشهای جدید نشان میدهند که اطلاعات مربوط به تصاویر واقعی و تصاویر ذهنی در مغز تا حدی بر سیستمهای مشترک تکیه دارند، اما کاملاً یکسان نیستند.
بنابراین «خواندن ذهن» تعبیر بسیار سادهشدهای برای یک مسئله بسیار پیچیده علمی است.
اگر منظور از فیلمبرداری، ثبت مستقیم مانند دوربین باشد:
احتمالاً نه؛ زیرا خواب یک تصویر خارجی نیست که دوربین بتواند آن را ببیند.
اما اگر منظور این باشد که:
فعالیت مغز ثبت شود و هوش مصنوعی بر اساس آن یک نمایش تصویری و ویدئویی از تجربه رؤیا تولید کند،
این سناریو از نظر علمی کاملاً قابل تصور است.
و نکته مهمتر اینکه مسیر رسیدن به آن همین حالا آغاز شده است.
ما از مرحله «آیا میتوان چیزی از ذهن فهمید؟» عبور کردهایم و به مرحلهای رسیدهایم که میتوان برخی اطلاعات تصویری، معنایی و زبانی را از فعالیت مغز رمزگشایی کرد. پژوهشهای ۲۰۲۴ و ۲۰۲۵ نیز نشان میدهند که مدلهای مولد و مدلهای زبانی در حال افزایش توانایی تبدیل دادههای عصبی به بازنماییهای قابل فهم هستند.
فاصله میان رؤیای علمی-تخیلی «ضبط خواب» و فناوری واقعی امروز هنوز زیاد است؛ اما این فاصله دیگر یک دیوار غیرقابل عبور نیست.
امروز میدانیم که:
فعالیت مغز → اطلاعات تصویری
تا حدی قابل رمزگشایی است.
همچنین:
فعالیت مغز → اطلاعات معنایی و زبانی
در حال پیشرفت است.
و از طرف دیگر:
ارتباط دوطرفه با فرد در حال رؤیای شفاف
در شرایط آزمایشگاهی نشان داده شده است.
قدم بعدی میتواند ترکیب این فناوریها با هوش مصنوعی مولد باشد:
مغز → رمزگشایی عصبی → معنا → تصویر → توالی تصاویر → ویدئو
بنابراین اگر بخواهیم یک پیشبینی محتاطانه ارائه کنیم، میتوان گفت:
توصیف خودکار برخی محتوای خواب در دهه ۲۰۳۰ بسیار محتملتر از امروز خواهد بود؛ بازسازی تصویری قابلتوجه ممکن است در دهههای ۲۰۳۰ و ۲۰۴۰ شکل بگیرد؛ و بازسازی ویدئویی نسبتاً دقیق خواب، در صورت تحقق چند پیشرفت بزرگ در عصبتصویربرداری و هوش مصنوعی، احتمالاً مسئلهای برای دهههای ۲۰۴۰ تا ۲۰۶۰ خواهد بود.
اما یک هشدار علمی ضروری است:
هیچکس در سال ۲۰۲۶ نمیتواند تضمین کند که «فیلم کامل خواب انسان» در یک سال مشخص ساخته خواهد شد.
ممکن است فناوری سریعتر پیشرفت کند؛ ممکن است محدودیتهای بنیادی مغز یا اندازهگیری عصبی مانع آن شوند؛ و حتی ممکن است خروجی نهایی هرگز یک «ضبط عینی» نباشد، بلکه یک بازسازی احتمالی و هوش مصنوعیشده از تجربه رؤیا باشد.
شاید در آینده، همانطور که امروز میگوییم «از یک منظره فیلم گرفتم»، درباره رؤیا نیز بگوییم:
«دیشب خوابم را ضبط کردم.»
اما آن فایل احتمالاً نه تصویری خواهد بود که دوربین دیده است، بلکه ترجمهای خواهد بود که هوش مصنوعی از زبان پیچیده مغز انسان ساخته است.
Horikawa et al., Neural decoding of visual imagery during sleep, Science, 2013.
Konkoly et al., Real-time dialogue between experimenters and dreamers during REM sleep, Current Biology, 2021.
Baird, LaBerge & Tononi, Two-Way Communication in Lucid REM Sleep Dreaming, Trends in Cognitive Sciences, 2021.
Xia et al., DREAM: Visual Decoding from REversing HumAn Visual SysteM, WACV 2024.
Doerig et al., High-level visual representations in the human brain are aligned with large language models, Nature Machine Intelligence, 2025.
Ye et al., Generative language reconstruction from brain recordings, Communications Biology, 2025.
Anderson et al., Neural decoding of autobiographical mental image features with a general semantic model, Nature Communications, 2025.