生物行移动版

当人类观看电影、聆听播客时，大脑中数以亿计的神经元如何同步响应？Meta 人工智能基础研究团队最新发布的 TRIBE 模型，正在将这一复杂谜题转化为可计算、可模拟的数字化过程。这款基于Transformer架构的“基础模型”，能够以前所未有的精度预测大脑对视觉、听觉与语言的多模态反应，并将预测分辨率较以往系统提升70倍。

该研究于2026年3月26日由Meta FAIR团队发布，标志着计算神经科学向“计算机内模拟神经科学”迈出了关键一步。

从“定制工具”到“通用模型”

以往的神经解码AI，往往是针对特定任务、特定个体训练的“窄模型”——例如，只能识别静态图片中某个物体。而TRIBE是一款基础模型，它在大规模fMRI数据集上接受训练，数据来自志愿者观看电影、聆听播客时的脑活动扫描。这些刺激真实、连续、多模态，捕捉了大脑在现实情境下的响应方式。

模型主要聚焦于腹侧视觉通路（负责视觉识别）与听觉通路。借助Transformer架构，TRIBE能够映射不同感官信息如何在人类皮层中汇聚与组织。

70倍分辨率与“零样本”能力

TRIBE的技术突破体现在两个层面：

• 分辨率：相比此前最先进的系统，TRIBE将预测的空间分辨率提升了70倍。研究者可以观察到更精细的神经活动图谱，区分大脑对细语与巨响、快速运动与静态场景的微妙差异。

• 效率与泛化：模型运行速度显著加快，并具备“零样本”能力——即使面对从未训练过的新个体、新语言，TRIBE也能准确预测其大脑活动，无需重新校准。

计算机内的“数字孪生”大脑

TRIBE的终极目标，是实现“计算机内模拟神经科学”。就像飞机工程师在建造原型机前先用数字风洞测试设计一样，神经科学家如今可以将TRIBE作为“数字受试者”。

研究者可以在虚拟环境中进行成千上万次实验：测试大脑如何响应特定刺激、定位神经信号可能在何处中断——而无需为每次实验耗费高昂的fMRI扫描时间与成本。这将极大加速脑机接口、失语症、感觉处理障碍等领域的治疗开发。

开放科学与伦理考量

随着AI获得“读取”与“预测”神经模式的能力，Meta团队强调了对开放科学的承诺。研究方已公开发布 TRIBE v2模型、代码库与演示版本，供全球科研社区使用，旨在确保该技术被用于推动认知理解与医学治疗，而非科幻式的“读心术”。

研究者指出，尽管70倍的分辨率跃升是巨大进步，但目前模型专注于编码（预测大脑如何响应输入），而非解码（读取私人思想）。它绘制的是思维组织的“架构图”，而非逐字翻译内心独白的工具。

核心要点

• 70倍分辨率提升：较此前最先进模型，空间预测精度大幅跃升

• 多模态基础模型：同时处理视觉、听觉、语言，在电影、播客等真实刺激上训练

• 零样本泛化：无需重新训练即可预测新个体、新语言的大脑反应

• 数字孪生：构建“计算机内”神经模拟平台，支持低成本、高通量虚拟实验

• 开放科学：Meta已公开模型、代码与演示，推动转化应用与伦理规范

原始论文信息（英文）

Title:
TRIBE: A Foundation Model for In-Silico Neuroscience
(Working title; full paper accessible via Meta FAIR repository)

Authors:
Meta Fundamental AI Research (FAIR) Team

Publication:
Available via Meta AI research portal; technical paper details can be accessed at the official Meta AI page.

Summary of Key Technical Contributions (based on release):

• Trained on large-scale fMRI datasets with naturalistic stimuli (movies, podcasts)

• Achieves 70× higher spatial resolution compared to prior state-of-the-art neural encoding models

• Demonstrates zero-shot generalization across new individuals and languages

• Built on Transformer architecture, enabling joint modeling of visual, auditory, and linguistic streams

• Released as open-science resource to accelerate in-silico experiments in neuroscience and brain-computer interface research