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。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

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