Meta 开源全新 AI 模型 TRIBE v2，精准预测人类大脑多模态反应

Meta开源全新AI模型TRIBE v2，精准预测人类大脑多模态反应

神经科学研究，可能即将迎来一个范式转变。就在昨天，科技媒体The Decoder发布消息，Meta的基础人工智能研究团队（FAIR）宣布开源其全新的AI模型——TRIBE v2。这个模型最引人注目的能力，是能够精准预测人类大脑在面对图像、声音和文本时的反应，而且，这一切是在无需进行实际测量的情况下完成的。

这听起来有些不可思议？这意味着，传统上周期漫长、成本高昂的脑科学研究，找到了一个潜在的“翻跟斗”。通过算法模拟，研究人员有望在计算机上高效预演实验，大幅提升探索效率。

那么，TRIBE v2究竟是如何“读心”的呢？关键在于“多模态融合”策略。模型接收到视频、音频和文本后，会兵分三路：分别通过专精于视频理解的Video-JEPA-2、擅长音频分析的Wa v2Vec-Bert-2.0，以及强大的语言模型Llama 3.2来提取关键特征。随后，一个Transformer架构充当了“大脑总指挥部”，将这些跨模态信息巧妙整合，最终输出一张极其精细、包含7万个“体素”（你可以理解为3D像素）的大脑活动图谱。

性能表现如何？实验数据给出了有力答案：TRIBE v2的预测结果，甚至比单人真实的脑部扫描图还要清晰。这是因为，真实的功能性磁共振成像（fMRI）数据无法避免心跳、头部微动等噪音干扰，而TRIBE v2直接预测的是“去噪后的平均反应”。结果对比显示，其预测准确度远远超越了传统的线性模型，并且成功在数字世界中复现了大量经典的神经科学实验。

更有趣的发现来自对不同感官刺激的解析。模型清晰地揭示了大脑的“分工协作”：当仅输入音频时，主要激活的是听觉皮层；而一旦输入视频、音频和文本相结合的多模态数据，大脑颞叶、顶叶和枕叶交界处这片负责高阶信息整合的区域，其预测准确率会飙升50%。这直观地展现了大脑处理复杂信息时的联动机制。

当然，必须指出的是，TRIBE v2并非没有局限。它的预测基于存在数秒延迟的血流动力学数据，因此无法捕捉毫秒级的瞬息神经动态。此外，当前的模型维度仍集中在视听和语言，缺乏对触觉、嗅觉等感官的模拟能力。

尽管如此，其展现的潜力已足够令人兴奋。Meta目前已将模型的代码与权重全面开源，这无疑将推动整个领域的协作与创新。未来的探索方向已经明确：如何利用它来规划更高效的脑科学实验、如何借鉴其原理构建更像人脑的下一代AI架构，甚至如何在脑部疾病的早期诊断与干预中发挥作用。这一切，才刚刚开始。

附上参考地址

Meta's new AI model predicts how your brain reacts to images, sounds, and speech

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Meta 开源全新 AI 模型 TRIBE v2，精准预测人类大脑多模态反应要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题