NEvoとは何か：脳を最大刺激する動画をAIが進化生成するEPFL研究

サムネを作り直すたびに「なんか刺さらないな」と感じる瞬間、ありませんか。

色を変えてみる、文字のサイズを変えてみる、でも何かが違う。

その「刺さらない感」の正体を、脳科学の側から測り直した研究がスイスから出てきました。

名前はNEvo。

「見た人の脳の特定領域を最大に活性化させる動画」を、AIが進化的に自動生成する——そういう研究です。

今日はこの技術を、動画やサムネイルを作るクリエイター視点で読み解きます。

NEvoとは何か

NEvo（Neural-Guided Evolutionary Video Synthesis、神経ガイド付き進化的動画合成）は、スイス連邦工科大学ローザンヌ校（EPFL）の研究チームが2026年7月に発表した動画生成AIです。

NEvo: Neural-Guided Evolutionary Video Synthesis for Dynamic Visual Selectivity

The human brain processes dynamic visual input through hierarchically organized, functionally specialized regions. While recent in silico brain encoding models can synthesize optimal stimuli to probe selectivity in different brain regions, prior work has been largely limited to static images, leaving dynamic visual processing underexplored. We introduce a novel neural-guided video synthesis framework that generates stimuli optimized for target brain regions across visual cortex. Our method performs evolutionary search over a structured prompt space, guided by a dynamic encoding model that predicts voxel-level responses to video inputs. By maximizing predicted activity for a target ROI, the framework efficiently discovers hyper-activating dynamic stimuli that consistently surpass handcrafted localizer videos. The synthesized videos recover known selectivities across ventral, dorsal, and lateral pathways, and further reveal systematic differences in sensitivity to temporal dynamics. A searchlight analysis provides new insight into the progression toward increasingly complex social-dynamic features along the lateral stream, further supported by probing with synthesized abstract, non-naturalistic stimuli. Taken together, our framework enables in silico exploration of dynamic visual selectivity, with new predictions for in vivo experiments

arxiv.org

論文はarXivで2026年7月2日に公開され、7月10日にはHacker Newsで296ポイントを獲得。

技術系コミュニティで一気に話題になりました。

手法のコアはシンプルです。

脳の反応をシミュレートする「デジタルツインの脳」を評価関数にして、動画のプロンプトを世代交代させながら「もっとも脳が反応する組み合わせ」を探しあてていく。

先行研究にBrainDiVEという静止画版がありましたが、NEvoはこれを動画へ拡張しました。

そして「動画にした瞬間、脳の反応が別物になる」ことを、数字で示してしまったのです。

ここからが面白いところです。

動画は「動き検出領域」をFFAの4倍強く動かす

「動きのあるカットは目を引く」——クリエイターが感覚で掴んできたこの直観に、神経科学がいま数字を出しました。

NEvoの実験でわたしがいちばん息をのんだのが、脳領域ごとの「動的強化量」の差です。

論文のFigure 4Bが示すのは、動画と静止画（最初のフレーム）の予測活性化の差分——つまり「動画にすることで、各脳領域がどれだけ追加刺激を受けるか」という数字です。

顔認識領域FFA（Fusiform Face Area、紡錘状回顔領域）では動的強化量が+0.14（±0.02）。

対して運動感知領域MT（Middle Temporal、中側頭領域）では+0.61（±0.05）。

MTの追加刺激はFFAの約4倍です。

なぜMTがこれほど大きく反応するか。

MTは視野の中の動きを直接検出する領域で、動画という時間軸をもつ情報に対してもっとも敏感に設計されています。

一方のFFAは、静止画でも顔のパターンに強く反応しますが、動画でも追加の刺激を受ける——表情の変化や視線移動が動きとして加わるからです。

わたしの手が感覚で選んできた「動きの多いカット」が、脳の側から見ても正解だったとわかります。

では、どうやってNEvoはその「もっとも脳が反応する動画」を作り出しているのか。

進化的探索が動画を「進化」させる仕組み

NEvoの中身は、絵の具のパレットを何度も混ぜて色を進化させていく作業に似ています。

人物・行動・場所・カメラアングルなど、動画の構成要素をあらかじめ属性カテゴリとして整理し、その直積空間からプロンプトを組み合わせます。

ここから20個の「個体」を作り、それぞれ動画に変換します。

生成した動画は、脳の反応を模したエンコーダに通されます。

反応が強かった個体は「勝ち残り」として次世代に遺伝子を残し、弱かったものは淘汰される。

世代を重ねると、動画は「脳がもっとも反応する組み合わせ」へと収束していきます。

生き物の進化がランダムな変異と自然選択で環境に適応するのと、まったく同じ論理です。

生成は2段階に分かれています。

まず静止画の段階でプロンプトを最適化し、そのあとに動きを加えて動画化する。

いきなり動画で探索すると計算量が爆発するので、まずは絵として最適化し、動きは後段で足す、という順序が効いています。

実装コードはHugging Faceで公開されており、カスタムのDiffusersパイプラインとして触れます。

epfl-neuroai/NEvo · Hugging Face

We’re on a journey to advance and democratize artificial intelligence through open source and open science.

huggingface.co

仕組みがわかったところで、クリエイターの実務に翻訳します。

ここからが本題です。

クリエイターの実務に翻訳する3つの原理

NEvoが描き出した発見を一言で言うと、「脳の刺激には段階的な勾配がある」ということです。

順序は、テクスチャ（低次特徴）→ 身体動作 → 社会的相互作用。

lateral visual stream と呼ばれる視覚経路に沿ったこの流れを意識するだけで、視聴者の脳は自然に前のめりになります。

明日のサムネや冒頭3秒に、そのまま落とし込める3原理に整理しました。

1つ目の原理は「テクスチャと動きの質から入る」。

冒頭3秒は色のコントラスト、繰り返しのパターン、細かい動きの繊細さで掴みます。

lateral streamの入り口にある脳領域は、まず低次の視覚特徴——テクスチャ・エッジ・動きのリズム——に強く反応します。

複雑な意味を伝えようとする前に、まず「見続けたくなる質感」を冒頭に置く。

2つ目の原理は「身体動作を重ねる」。

中間段階のlateral stream領域が反応するのは、人物の動きや身体的なジェスチャーです。

表情の変化、手の動き、体の傾き——こうした身体的な動作を配置すると、脳は「追う価値がある動き」と判断します。

運動感知領域MTが、動画による追加刺激をFFAの約4倍受けるのも、こういった身体動作の情報量が動画に加わることが一因です。

3つ目の原理は「社会的相互作用を示唆する」。

NEvoの実験では、社会的相互作用——複数人の視線交換、会話、身体の向き合い——を含む動画が、aSTS（前部上側頭溝）を含む広い脳領域に深く刺さっていました。

中盤から終盤にかけて「誰かと誰かの関係」を挟むと、視聴者の粘着度が変わります。

1人で語り続ける動画が途中で離脱されやすいのは、この層に触れていないからです。

テクスチャ → 身体動作 → 社会的相互作用。

この順番を、1本の動画の中に意識して並べてみてください。

NEvoの限界と、これから作るときの視点

わたしがこの研究を紹介する前に、正直に置いておきたい線があります。

NEvoの脳エンコーダは特定のfMRIデータセット（BOLDMoments）に基づいて訓練されており、個人差や文化差までは吸収しきれていません。

Hugging Faceのモデルカードにも「医療機器ではなく、診断・治療・脳刺激設計への使用は禁止」と明記されています。

研究段階のツール、という前提は外せません。

そしてもうひとつ。

「脳を最大刺激する」という発想は、使い方を誤れば「操作」と紙一重です。

刺激の強さと、そこに込める意味や物語の質は別ものです。

刺激が強い動画が良い動画とは限りません。

わたしはこの研究を、「なぜあの動画に見入ってしまったか」を後から言語化する道具として使いたいと思っています。

次の一歩は、難しくありません。

まずは次に作るサムネと冒頭3秒を「テクスチャ → 身体動作 → 社会的相互作用」の順で組み直してみてください。

ツールを使わなくても、この勾配を意識するだけで手が変わります。