Der Traumrekorder ist eine alte technische Fantasie. Man schläft ein, ein Gerät liest mit, am Morgen liegt eine Aufnahme der Nacht bereit. Demis Hassabis, Chef von Google DeepMind und Nobelpreisträger für Chemie 2024, hat diese Fantasie nun wieder in die Gegenwart gezogen: In den nächsten Jahren, sagt er, werde es Geräte geben, die nach Science-Fiction klingen und Träume aus Hirnscans rekonstruieren können.
Der Satz ist groß. Die Technik dahinter ist kleiner, langsamer und deutlich spröder. Sie sitzt nicht im Nachttisch, sondern in der Röhre eines fMRI-Scanners. Sie erzeugt keine Traumfilme, sondern grobe Annäherungen an visuelle Kategorien und Bilder. Aber genau deshalb ist der Vorgang strategisch interessant. Nicht weil morgen jemand seine Träume als Videodatei exportiert. Sondern weil hier eine neue Datenklasse entsteht: neuronale Signale, die von KI-Systemen in Bedeutung übersetzt werden.
Für Plattformunternehmen ist das keine Randnotiz aus der Neurowissenschaft. Es ist ein Hinweis darauf, wohin sich die nächste Schnittstelle verschieben könnte: vom Klick zum Blick, vom Prompt zum Hirnsignal.
Die Technik liest keine Gedanken
Die nüchterne Einordnung ist wichtig. Ein japanisches Team am ATR Computational Neuroscience Laboratory in Kyoto um Yukiyasu Kamitani arbeitet seit 2013 an Verfahren, die fMRI-Daten und KI kombinieren, um Aktivitätsmuster im Schlaf auszuwerten. Die rekonstruierten Trauminhalte sind symbolisch und grob. Bei der Unterscheidung zwischen zwei visuellen Kategorien lag die durchschnittliche Genauigkeit bei etwa 60 Prozent.
2023 nutzten Forschende der Universität Osaka Stable Diffusion zusammen mit fMRI-Daten, um Bilder zu rekonstruieren, die Probanden zuvor betrachtet hatten. Für betrachtete Bilder wurde eine Genauigkeit von etwa 80 Prozent berichtet. Das ist bemerkenswert, aber es ist nicht gleichbedeutend mit einem allgemeinen Gedankenlesegerät. Die Versuchsanordnung ist eng, die Messung aufwendig, die Auswertung statistisch, die Ergebnisse hängen an Trainingsdaten, Versuchspersonen, Kategorien und Laborbedingungen.
Wer daraus bereits ein Konsumgerät ableitet, überspringt mehrere Ebenen: Sensorik, Datenqualität, Modellrobustheit, Einwilligung, Auswertung, Sicherheit, medizinische Zulassung und Missbrauchsschutz. Der Abstand zwischen fMRI-Labor und tragbarer Alltagsware ist groß. Trotzdem wäre es falsch, die Entwicklung als bloße Science-Fiction abzutun. Plattformstrategisch beginnt Kontrolle nicht erst beim fertigen Produkt. Sie beginnt beim Aufbau der Übersetzungsschicht.
Die Übersetzungsschicht ist der eigentliche Markt
In der bisherigen digitalen Ökonomie waren Plattformen stark, weil sie Verhalten erfassen und strukturieren konnten: Suchanfragen, Bewegungsprofile, Käufe, Likes, Sprache, Bilder, Arbeitsabläufe. KI-Modelle haben diese Daten in neue Formen von Automatisierung und Vorhersage verwandelt. Neurotechnologie verschiebt diese Logik auf ein empfindlicheres Terrain. Das Rohsignal kommt nicht aus einer App, sondern aus dem Körper.
Die entscheidende Frage lautet deshalb nicht, ob ein Unternehmen Träume als Produkt verkaufen wird. Die wichtigere Frage lautet: Wer besitzt die Modelle, die aus Gehirnaktivität verwertbare Repräsentationen machen? Wer kontrolliert die Infrastruktur, auf der solche Modelle trainiert werden? Wer definiert Standards für Speicherung, Zugriff, Anonymisierung und Interpretation?
Google DeepMind ist hier nicht zufällig ein zentraler Name. Hassabis betont, dass KI-Modelle künftig helfen werden, das menschliche Gehirn besser zu analysieren und die Neurowissenschaften voranzubringen. Das passt zu DeepMinds längerem Muster: komplexe biologische oder kognitive Systeme werden als Modellierungsproblem behandelt. Bei Proteinen hat dieser Ansatz enorme wissenschaftliche Wirkung entfaltet. Beim Gehirn wäre die Lage anders, weil die Daten nicht nur medizinisch, sondern unmittelbar persönlich sind.
Die Plattformlogik bleibt dennoch erkennbar. Wer die Dekodierung beherrscht, sitzt zwischen Messgerät und Anwendung. Diese Position kann in der Medizin wertvoll sein, in der Forschung, bei Assistenzsystemen für Menschen mit Kommunikationsstörungen, später vielleicht bei Gehirn-Computer-Schnittstellen. Der Engpass wäre nicht nur Hardware. Der Engpass wäre das Modell, das neuronale Muster zuverlässig in semantische Strukturen überführt.
Medizinischer Nutzen, kommerzielle Versuchung
Der stärkste legitime Nutzen liegt nicht im Traumkino, sondern in der klinischen und wissenschaftlichen Arbeit. Wenn Trauminhalte, Wahrnehmung oder innere Bilder zumindest teilweise objektivierbar werden, könnten Forschende psychische Erkrankungen, Trauma-Verarbeitung, Gedächtnisprozesse und Bewusstsein anders untersuchen. Für Menschen, die nicht sprechen können, könnten verwandte Verfahren eines Tages helfen, Absichten oder Bedürfnisse auszudrücken.
Das ist der Teil der Entwicklung, der leicht übersehen wird, wenn nur über Gedankenüberwachung gesprochen wird. Neurowissenschaftler erhalten Werkzeuge, um Vorgänge messbarer zu machen, die bisher stark auf Berichten der Betroffenen beruhen. Psychiatrie und Neurologie könnten davon profitieren, wenn die Methoden zuverlässig, kontrolliert und ethisch sauber eingesetzt werden.
Aber dieselbe technische Richtung erzeugt eine kommerzielle Versuchung. Sobald innere Zustände maschinenlesbar werden, entsteht der Reflex, daraus Produkte zu bauen: personalisierte Inhalte, emotionale Analyse, optimierte Medien, therapeutische Programme, vielleicht irgendwann Schlaf- und Traumdienste. Vieles davon ist heute Spekulation. Doch Plattformen müssen nicht warten, bis ein Massenmarkt vollständig vorhanden ist. Sie investieren früh in Datenformate, Modellschichten und Ökosysteme, aus denen später Abhängigkeiten entstehen können.
Der Unterschied zu bisherigen personenbezogenen Daten ist die Intimität des Materials. Suchanfragen können peinlich sein. Standortdaten können gefährlich sein. Gehirndaten berühren eine andere Grenze. Selbst wenn Systeme nicht zuverlässig Gedanken lesen, können sie Muster erzeugen, Wahrscheinlichkeiten ableiten und Kategorien bilden. Schon diese Annäherung reicht, um Fragen nach Eigentum, Einwilligung und Zugriff neu zu stellen.
Mentale Privatsphäre braucht technische Grenzen
Die Debatte über mentale Privatsphäre darf nicht erst beginnen, wenn tragbare Geräte auf dem Markt sind. Bei Hirndaten ist nachträgliche Regulierung besonders schwach, weil Trainingsdaten, Modellgewichte und abgeleitete Merkmale schwer zurückzuholen sind. Wer einmal große Mengen sensibler Signale in Modellpipelines integriert, schafft Fakten.
Deshalb reicht ein klassischer Datenschutzrahmen möglicherweise nicht aus. Es geht nicht nur um Name, Adresse oder Nutzerkonto. Es geht um die Frage, ob neuronale Daten als besonders geschützte Kategorie behandelt werden müssen, ob ihre Nutzung strikt zweckgebunden sein sollte und ob abgeleitete Modelle ebenfalls Beschränkungen unterliegen. Der Begriff der Neurorights ist genau aus dieser Lücke entstanden: kognitive Freiheit, mentale Privatsphäre, Schutz vor Manipulation.
Das klingt abstrakt, ist aber operativ sehr konkret. Dürfen Arbeitgeber, Versicherer oder Plattformanbieter jemals Zugang zu solchen Daten verlangen? Dürfen medizinische Daten für allgemeines Modelltraining genutzt werden? Wie wird Einwilligung gestaltet, wenn Betroffene die spätere Auswertung gar nicht absehen können? Welche Daten verlassen das Labor, welche bleiben lokal, welche werden gelöscht?
Ohne solche Regeln würden die Gewinner früh feststehen: große KI-Labore, Cloudanbieter, Forschungsverbünde mit Zugang zu Kapital, Rechenleistung und Daten. Die Verlierer wären nicht automatisch alle Nutzer, aber jeder, dessen intimste Signale in Systemen landen, die er weder versteht noch kontrolliert.
Der Traum ist nur der Einstieg
Hassabis’ Aussage wirkt deshalb stärker als die aktuelle Technik. Sie beschreibt keine fertige Produktkategorie, sondern eine Richtung: KI wird zum Instrument, um Gehirnaktivität zu übersetzen. Die ersten Ergebnisse sind begrenzt, die Laborbedingungen eng, die Rekonstruktionen grob. Doch die strategische Bewegung ist klar genug.
Wenn KI-Systeme lernen, neuronale Muster mit Bildern, Sprache oder Bedeutungen zu verbinden, entsteht eine neue Schnittstelle zwischen Mensch und Maschine. Sie kann Forschung und Medizin helfen. Sie kann Menschen mit schweren Einschränkungen neue Kommunikationswege geben. Sie kann aber auch ein Datenregime eröffnen, das näher an die Person heranreicht als jede bisherige Plattformmessung.
Die Frage ist daher nicht, ob Maschinen bald Träume wie Filme abspielen. Die Frage ist, wer die Infrastruktur baut, die aus Hirnsignalen Daten macht. Dort entscheidet sich, ob Neuro-KI ein medizinisches Werkzeug bleibt oder zur nächsten Plattformschicht wird.
