RESUM
Els models d’IA que hi ha darrere de ChatGPT, els generadors de vídeo actuals i els assistents de veu mai no s’han entrenat amb cervells. Han après a partir de text, vídeo i àudio recopilats a Internet. I, tanmateix, un nou article del laboratori Meta AI (FAIR) mostra que, si prens allò que aquests models han après internament i li afegeixes una petita capa entrenada amb registres de ressonància magnètica funcional (fMRI) de 720 persones, el resultat s’aproxima a un model funcional del cervell humà.
Pots introduir-li una cara, una frase o un fragment de The Bourne Supremacy , i prediu com respondria un cervell humà típic. Amb prou precisió perquè, en executar en el model experiments clàssics de neurociència, es reprodueixin dècades de resultats publicats que el sistema mai va veure durant el seu entrenament.
Els autors comparen aquest avenç amb el moment d’ AlphaFold en biologia estructural. Tot i això, la qüestió de fons apunta als mateixos models d’IA: en algun lloc de la seva estructura interna, ja han après una cosa que s’assembla de manera sorprenent al cervell.
Cada cop que es publica un nou model d’IA, les primeres preguntes giren al voltant del que pot fer. Una qüestió més difícil –i més interessant– és què contenen realment aquests models per dins. Els patrons que generen en processar informació, allò que els investigadors anomenen representacions internes , són en gran mesura una caixa negra. Sabem que els models funcionen; no sabem, en un sentit profund, què en saben.
TRIBE v2, publicat el març del 2026 pel laboratori Meta AI (FAIR) , proposa una via inesperada per abordar aquesta qüestió. L’equip va prendre tres models d’IA d’última generació — Truca 3.2 per a text, V-JEPA 2 per a vídeo i Wav2Vec-Bert per a àudio— i va plantejar una cosa senzilla: si fas passar primer una pel·lícula o una narració oral per aquests models, pots fer servir el que els models “veuen” per predir l’activitat cerebral d’una persona real que estigui? La resposta és afirmativa, amb la precisió suficient per generar el que, a la pràctica, equival a un cervell digital sobre el qual es poden executar experiments.
Dissenyes un estímul, fas clic en un botó i obtens com a resultat una resposta cerebral completa mesurada amb ressonància magnètica funcional (fMRI) . Sense participants. Sense escàner. La demo a aidemos.atmeta.com/tribev2 resulta interessant d’explorar, però el que és veritablement rellevant és el que aquest resultat suggereix sobre la pròpia IA.
LA IDEA: ENTRENAR UN ÚNIC MODEL AMB TOT
En lloc de recopilar un nou conjunt de dades controlat, els autors van afegir-ne vuit ja existents. Persones veient Friends , The Bourne Supremacy o Hidden Figures . Persones escoltant podcast, audiollibres i relats narrats. En total, més de 1.100 hores de registres de ressonància magnètica funcional (fMRI) corresponents a 720 participants.
A continuació, van construir un model amb tres “ulls”: un per a vídeo, un altre per a àudio i un altre per a text. Cada “ull” és un model d’IA ja existent, congelat (sense ajustament addicional): V-JEPA 2 , Wav2Vec-Bert i Flama 3.2 . Les seves representacions internes alimenten un transformer (el mateix tipus de xarxa neuronal que sustenta ChatGPT), que prediu l’activitat cerebral a prop de 29.000 localitzacions al llarg de l’escorça i d’estructures profundes. Només el mateix transformer, juntament amb una petita capa dadaptació a cada individu, sentrena amb dades cerebrals. Els models de visió, àudio i llenguatge romanen congelats. En altres paraules, TRIBE v2 no està aprenent el cervell des de zero; està traduint al llenguatge de l’activitat cerebral allò que els models de IA de frontera ja han après.
Variants d’aquesta idea es remunten a gairebé una dècada enrere, amb treballs previs a laboratoris com els d’ Alexander Huth , Jack Gallant , Sanjay Jain i Guillaume Caucheteux . El que és nou a TRIBE v2 és l’escala i la reutilització: tres modalitats d’entrada integrades en un únic model, entrenat amb 720 subjectes i més de mil hores de dades, dissenyat per generalitzar noves persones i noves tasques sense necessitat de reentrenament.
I la implicació mereix aturar-se un moment. Aquests models d’IA van aprendre a partir de text, vídeo i so, no dades cerebrals. Tot i això, les seves representacions internes, una vegada traduïdes, s’alineen amb l’organització funcional del cervell humà. Aquest fet, més que qualsevol resultat concret de larticle, és el que ho fa interessant. Pot ser coincidència derivada de l’escala. O podeu indicar que l’estructura estadística del món imposa restriccions a qualsevol sistema que intenti modelar-lo —biològic o artificial— de maneres aproximadament similars. En qualsevol cas, aquests models han après una cosa que, en algun punt dels seus pesos, s’assembla a allò que ha après el cervell.
EL MODEL SUPERA UNA PROVA PER A LA QUAL MAI ES VA ENTRENAR
Després d’entrenar TRIBE v2 amb estímuls naturalistes (pel·lícules, podcast, relats), els autors hi van executar experiments clàssics de neurociència. No en humans, sinó en el model mateix.
Van presentar imatges breus de cares, llocs i paraules escrites. Van comparar frases davant de llistes de paraules, oracions complexes davant de simples, i continguts sobre dolor emocional davant de dolor físic. Aquests tipus de contrastos constitueixen els functional localizers que s’han utilitzat durant dècades per identificar regions cerebrals especialitzades.
TRIBE v2 va reproduir els resultats coneguts. Les cares van activar l’ àrea fusiforme facial (FFA) . Els llocs van activar l’ àrea parahipocampal de lloc (PPA) . Les paraules escrites van activar l’ àrea de la forma visual de la paraula (VWFA) . Els contrastos lingüístics van implicar les regions esperades del llenguatge, incloent l’ àrea de Broca i la unió temporoparietal . El contrast entre dolor emocional i físic va recuperar les regions associades clàssicament a la inferència d’estats mentals aliens.
Cap d’aquests paradigmes controlats de laboratori no era present a les dades d’entrenament. El model mai “va veure” una cara parpellejant sobre un fons gris. Va veure Friends . I, tanmateix, en demanar-li que predigués què faria un cervell en condicions de laboratori, va generar mapes funcionals equivalents als que la neurociència publica des dels anys noranta.
Quan els autors van aplicar una tècnica estadística estàndard per extreure els patrons principals de les representacions internes del model, els cinc patrons dominants es van alinear amb cinc de les xarxes funcionals més conegudes del cervell: l’escorça auditiva, la xarxa del llenguatge, la xarxa de moviment, la xarxa per defecte (activa durant l’activitat mental no dirigida) i el sistema visual. Ningú no va indicar al model que aquestes xarxes existien; van emergir de l’entrenament.
PER QUÈ AIXÒ ÉS MOLT RELLEVANT
La biologia va tenir el punt d’inflexió el 2020 amb AlphaFold , el sistema d’IA capaç de predir l’estructura tridimensional de les proteïnes. Els autors de TRIBE v2 sostenen que alguna cosa anàloga podria estar començant en neurociència, i l’argument és raonable. Un model fundacional del cervell —un model ampli, de propòsit general, adaptable a múltiples preguntes— constitueix un tipus d’instrument nou: no tant un microscopi millorat com un túnel de vent. Un entorn on assajar hipòtesis en simulació abans de comprometre’s amb experiments reals en persones.
Hi ha a més una qüestió més profunda, que remet directament a la pròpia IA. Les lleis d’escala ( scaling laws ) en intel·ligència artificial —la regularitat segons la qual més dades i més paràmetres produeixen sistemàticament millors models— tenen aquí una mena de reflex especular. Quan es fa servir IA per modelar el cervell, més hores de ressonància magnètica funcional (fMRI) es tradueixen en millors prediccions de l’activitat cerebral, seguint una relació matemàtica neta coneguda com a llei de potències.
El punt crític és que aquesta mateixa classe de relació descriu tant el rendiment d‟un model de llenguatge en predir la següent paraula com el d‟un model en predir l‟activitat cerebral. Això es pot interpretar com una coincidència profunda o una pista: que la intel·ligència —biològica o artificial— estigui més determinada per l’estructura estadística del món que per la maquinària concreta que la implementa.
QUÈ OBRE AIXÒ?
Res del següent és imminent. Tampoc no és ciència ficció. Són aplicacions que es tornen plausibles així que existeix un model com TRIBE v2.
Contingut i educació personalitzats. TRIBE v2 es pot adaptar a un individu amb tan sols una hora addicional de dades cerebrals pròpies. Una breu sessió de calibratge permetria construir un model cerebral personal que predigui com respons tu –de manera específica– a un text, una classe o una intervenció terapèutica. Això interessa a educadors, a creadors de contingut i, previsiblement, a anunciants. Per això mateix, la tecnologia requereix una discussió pública primerenca.
Disseny de millors interfícies cervell-ordinador. Les interfícies cervell-computador no només han de descodificar l’activitat cerebral; també han de tornar informació a lusuari (visual o auditiva), i la utilitat daquest feedback depèn de com el dissenyador anticipi la seva percepció. Un model que prediu respostes cerebrals a estímuls permet sotmetre aquests dissenys a proves sistemàtiques abans de fer estudis amb participants: quina disposició visual activa els circuits rellevants, quin so resulta més sortint, quina interfície redueix la càrrega cognitiva en lloc d’incrementar-la.
A més, atès que Meta ha publicat tant el codi com el model entrenat, res d’això no exigeix esperar la pròpia empresa. Qualsevol equip amb capacitat computacional suficient i una hipòtesi pot començar a construir sobre aquesta base.
EL QUE NO POT FER
Un “cervell digital” sona a ciència ficció, així que convé delimitar amb precisió què no és TRIBE v2. No pensa, no n’és conscient i no genera conducta. És un model de correspondències: donat un estímul, prediu una resposta. I, com que la seva variable objectiu és el senyal de ressonància magnètica funcional (fMRI) , hereta les seves limitacions. L’activitat neuronal real passa en escales de mil·lisegons; la fMRI integra i mitjana en finestres de segons. TRIBE v2 pot indicar quines regions s’activen en sentir una paraula, però no el patró temporal fi —a escala de mil·lisegons— de la dinàmica neuronal que genera aquesta activació.
A més, només cobreix tres modalitats: visió, audició i llenguatge. Queden fora el tacte, l’olfacte, l’equilibri i la intercepció (la senyalització de l’estat intern de l’organisme), tal com assenyalen els mateixos autors. I representa un tipus molt concret de cervell: adults sans, majoritàriament occidentals, en un escàner, en condicions de percepció passiva. El model és un observador passiu; el cervell, no.
Res d’això no és un defecte estructural, sinó el perímetre d’una primera iteració d’una nova eina. La primera versió d’ AlphaFold tampoc no capturava la dinàmica conformacional.
CAP ON APUNTA
Hi ha dues direccions evidents, i no són equivalents. Una consisteix a continuar escalant: més dades, més subjectes, més tasques, més modalitats sensorials. La regularitat empírica observada en altres models de gran escala suggereix que aquest increment “per força bruta” continuarà millorant el rendiment durant un temps.
L’altra apunta a un canvi d’objectiu: construir models que no només prediguin l’activitat cerebral, sinó que la simulin . És a dir, models que intentin capturar com es formen, evolucionen i interactuen els estats mentals en el temps, des de la dinàmica interna del sistema. Aquest enfocament està més proper a línies de treball com les de l’ INAB , i planteja un desplaçament conceptual important: predir el cervell i simular el cervell responen a preguntes diferents, i una neurociència computacional madura probablement necessitarà totes dues aproximacions.
En qualsevol cas, les eines comencen a estar a l’alçada de l’ambició. La qüestió ja no és “podem construir un model unificat de la cognició humana?”, sinó “quin tipus de model unificat volem i per què l’utilitzarem?”. El moment rellevant no és quan el sistema estigui completament desenvolupat, sinó ara mentre s’està construint aquest “túnel de vent” experimental.
Font : d’Ascoli, S., Rapin, J., Benchetrit, I., Brookes, T., Begany, K., Raugel, J., Banville, H., & King, J.-R. (2026). A foundation model of vision, audition, and language for in-silico neuroscience. Fita FAIR.
Demo: [ aidemos.atmeta.com/tribev2 ]( https://aidemos.atmeta.com/tribev2 ).
Codi: [ github.com/facebookresearch/tribev2 ]( https://github.com/facebookresearch/tribev2 ).
Pesos: [ huggingface.co/facebook/tribev2 ]( https://huggingface.co/facebook/tribev2 ).
LECTURES RECOMANADES
- AlphaFold (structural biology paral·lel). Jumper, J. et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature , 596, 583–589.
- Voxelwise encoding with language models (Huth & Gallant lab). Huth, AG, Heer, WA, Griffiths, TL, Theunissen, FE, & Gallant, JL (2016). Natural speech reveals the semantic maps que til human cerebral cortex. Nature , 532, 453–458.
- Brain–LLM alignment. Caucheteux, C. & King, J.-R. (2022). Brains and algorithms partially convergeix in natural language processing. Communications Biology , 5, 134.
- Encoding models with deep language models. Jain, S. & Huth, AG (2018). Incorporating context into language encoding models for fMRI. Advances in Neural Information Processing Systems , 31.
- Scaling laws in neural encoding of the brain. Antonello, R., Vaidya, A., & Huth, A. (2023). Scaling laws for language models encoding en fMRI. Advances in Neural Information Processing Systems , 36, 21895–21907.
- Scaling laws in AI. Kaplan, J. et al. (2020). Scaling laws for neural language models. arXiv:2001.08361 .
- The original fusiform face area paper (one of the findings TRIBE v2 reprodueixes). Kanwisher, N., McDermott, J., & Chun, MM (1997). The fusiform face area: module in human extrastriate cortex specialized for face perception. Journal of Neuroscience , 17(11), 4302–4311.
