[et_pb_section fb_built=\u00bb1″ _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb da_disable_devices=\u00bboff|off|off\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb da_is_popup=\u00bboff\u00bb da_exit_intent=\u00bboff\u00bb da_has_close=\u00bbon\u00bb da_alt_close=\u00bboff\u00bb da_dark_close=\u00bboff\u00bb da_not_modal=\u00bbon\u00bb da_is_singular=\u00bboff\u00bb da_with_loader=\u00bboff\u00bb da_has_shadow=\u00bbon\u00bb][et_pb_row _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb custom_padding=\u00bb||15px|||\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk|700|||||||\u00bb text_text_color=\u00bb#0D264F\u00bb text_font_size=\u00bb22px\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n
RESUM<\/p>\n
[\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb custom_padding=\u00bb11px|||||\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk||||||||\u00bb text_text_color=\u00bb#161616″ global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n
Els models d’IA que hi ha darrere de ChatGPT, els generadors de v\u00eddeo actuals i els assistents de veu mai no s’han entrenat amb cervells. Han apr\u00e8s a partir de text, v\u00eddeo i \u00e0udio recopilats a Internet. I, tanmateix, un nou article del laboratori Meta AI (FAIR)<\/span><\/span> mostra que, si prens all\u00f2 que aquests models han apr\u00e8s internament i li afegeixes una petita capa entrenada amb registres de resson\u00e0ncia magn\u00e8tica funcional (fMRI)<\/span><\/span> de 720 persones, el resultat s’aproxima a un model funcional del cervell hum\u00e0. <\/p>\n Pots introduir-li una cara, una frase o un fragment de The Bourne Supremacy<\/span><\/span> , i prediu com respondria un cervell hum\u00e0 t\u00edpic. Amb prou precisi\u00f3 perqu\u00e8, en executar en el model experiments cl\u00e0ssics de neuroci\u00e8ncia, es reprodueixin d\u00e8cades de resultats publicats que el sistema mai va veure durant el seu entrenament. <\/p>\n Els autors comparen aquest aven\u00e7 amb el moment d’ AlphaFold<\/span><\/span> en biologia estructural. Tot i aix\u00f2, la q\u00fcesti\u00f3 de fons apunta als mateixos models d’IA: en algun lloc de la seva estructura interna, ja han apr\u00e8s una cosa que s’assembla de manera sorprenent al cervell. <\/p>\n [\/et_pb_text][et_pb_image src=\u00bbhttps:\/\/inablab.org\/wp-content\/uploads\/2026\/04\/Imagen-blog-IA_2.jpg\u00bb alt=\u00bbImatge bloc IA 2″ title_text=\u00bbImatge bloc IA 2″ _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb][\/et_pb_image][et_pb_divider color=\u00bb#8EC1F4″ _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb custom_padding=\u00bb||0px|||\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb][\/et_pb_divider][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk||||||||\u00bb text_text_color=\u00bb#161616″ global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n Cada cop que es publica un nou model d’IA, les primeres preguntes giren al voltant del que pot fer. Una q\u00fcesti\u00f3 m\u00e9s dif\u00edcil \u2013i m\u00e9s interessant\u2013 \u00e9s qu\u00e8 contenen realment aquests models per dins. Els patrons que generen en processar informaci\u00f3, all\u00f2 que els investigadors anomenen representacions internes<\/em> , s\u00f3n en gran mesura una caixa negra. Sabem que els models funcionen; no sabem, en un sentit profund, qu\u00e8 en saben. <\/p>\n TRIBE v2, publicat el mar\u00e7 del 2026 pel laboratori Meta AI (FAIR)<\/span><\/span> , proposa una via inesperada per abordar aquesta q\u00fcesti\u00f3. L’equip va prendre tres models d’IA d’\u00faltima generaci\u00f3 \u2014 Truca 3.2<\/span><\/span> per a text, V-JEPA 2<\/span><\/span> per a v\u00eddeo i Wav2Vec-Bert<\/span><\/span> per a \u00e0udio\u2014 i va plantejar una cosa senzilla: si fas passar primer una pel\u00b7l\u00edcula o una narraci\u00f3 oral per aquests models, pots fer servir el que els models \u201cveuen\u201d per predir l’activitat cerebral d’una persona real que estigui? La resposta \u00e9s afirmativa, amb la precisi\u00f3 suficient per generar el que, a la pr\u00e0ctica, equival a un cervell digital sobre el qual es poden executar experiments. <\/p>\n Dissenyes un est\u00edmul, fas clic en un bot\u00f3 i obtens com a resultat una resposta cerebral completa mesurada amb resson\u00e0ncia magn\u00e8tica funcional (fMRI)<\/span><\/span> . Sense participants. Sense esc\u00e0ner. La demo a aidemos.atmeta.com\/tribev2 resulta interessant d’explorar, per\u00f2 el que \u00e9s veritablement rellevant \u00e9s el que aquest resultat suggereix sobre la pr\u00f2pia IA. <\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk|700|||||||\u00bb text_text_color=\u00bb#0D264F\u00bb text_font_size=\u00bb22px\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n LA IDEA: ENTRENAR UN \u00daNIC MODEL AMB TOT<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk||||||||\u00bb text_text_color=\u00bb#161616″ global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n En lloc de recopilar un nou conjunt de dades controlat, els autors van afegir-ne vuit ja existents. Persones veient Friends<\/span><\/span> , The Bourne Supremacy<\/span><\/span> o Hidden Figures<\/span><\/span> . Persones escoltant podcast, audiollibres i relats narrats. En total, m\u00e9s de 1.100 hores de registres de resson\u00e0ncia magn\u00e8tica funcional (fMRI)<\/span><\/span> corresponents a 720 participants. <\/p>\n A continuaci\u00f3, van construir un model amb tres \u201culls\u201d: un per a v\u00eddeo, un altre per a \u00e0udio i un altre per a text. Cada \u201cull\u201d \u00e9s un model d’IA ja existent, congelat (sense ajustament addicional): V-JEPA 2<\/span><\/span> , Wav2Vec-Bert<\/span><\/span> i Flama 3.2<\/span><\/span> . Les seves representacions internes alimenten un transformer<\/span><\/span> (el mateix tipus de xarxa neuronal que sustenta ChatGPT), que prediu l’activitat cerebral a prop de 29.000 localitzacions al llarg de l’escor\u00e7a i d’estructures profundes. Nom\u00e9s el mateix transformer, juntament amb una petita capa dadaptaci\u00f3 a cada individu, sentrena amb dades cerebrals. Els models de visi\u00f3, \u00e0udio i llenguatge romanen congelats. En altres paraules, TRIBE v2 no est\u00e0 aprenent el cervell des de zero; est\u00e0 traduint al llenguatge de l’activitat cerebral all\u00f2 que els models de IA de frontera ja han apr\u00e8s. <\/p>\n Variants d’aquesta idea es remunten a gaireb\u00e9 una d\u00e8cada enrere, amb treballs previs a laboratoris com els d’ Alexander Huth<\/span><\/span> , Jack Gallant<\/span><\/span> , Sanjay Jain<\/span><\/span> i Guillaume Caucheteux<\/span><\/span> . El que \u00e9s nou a TRIBE v2 \u00e9s l’escala i la reutilitzaci\u00f3: tres modalitats d’entrada integrades en un \u00fanic model, entrenat amb 720 subjectes i m\u00e9s de mil hores de dades, dissenyat per generalitzar noves persones i noves tasques sense necessitat de reentrenament. <\/p>\n I la implicaci\u00f3 mereix aturar-se un moment. Aquests models d’IA van aprendre a partir de text, v\u00eddeo i so, no dades cerebrals. Tot i aix\u00f2, les seves representacions internes, una vegada tradu\u00efdes, s’alineen amb l’organitzaci\u00f3 funcional del cervell hum\u00e0. Aquest fet, m\u00e9s que qualsevol resultat concret de larticle, \u00e9s el que ho fa interessant. Pot ser coincid\u00e8ncia derivada de l’escala. O podeu indicar que l’estructura estad\u00edstica del m\u00f3n imposa restriccions a qualsevol sistema que intenti modelar-lo \u2014biol\u00f2gic o artificial\u2014 de maneres aproximadament similars. En qualsevol cas, aquests models han apr\u00e8s una cosa que, en algun punt dels seus pesos, s’assembla a all\u00f2 que ha apr\u00e8s el cervell. <\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk|700|||||||\u00bb text_text_color=\u00bb#0D264F\u00bb text_font_size=\u00bb22px\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n EL MODEL SUPERA UNA PROVA PER A LA QUAL MAI ES VA ENTRENAR<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk||||||||\u00bb text_text_color=\u00bb#161616″ global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n Despr\u00e9s d’entrenar TRIBE v2 amb est\u00edmuls naturalistes (pel\u00b7l\u00edcules, podcast, relats), els autors hi van executar experiments cl\u00e0ssics de neuroci\u00e8ncia. No en humans, sin\u00f3 en el model mateix. <\/p>\n 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 f\u00edsic. Aquests tipus de contrastos constitueixen els functional localizers<\/em> que s’han utilitzat durant d\u00e8cades per identificar regions cerebrals especialitzades. <\/p>\n TRIBE v2 va reproduir els resultats coneguts. Les cares van activar l’ \u00e0rea fusiforme facial (FFA)<\/span><\/span> . Els llocs van activar l’ \u00e0rea parahipocampal de lloc (PPA)<\/span><\/span> . Les paraules escrites van activar l’ \u00e0rea de la forma visual de la paraula (VWFA)<\/span><\/span> . Els contrastos ling\u00fc\u00edstics van implicar les regions esperades del llenguatge, incloent l’ \u00e0rea de Broca<\/span><\/span> i la uni\u00f3 temporoparietal<\/span><\/span> . El contrast entre dolor emocional i f\u00edsic va recuperar les regions associades cl\u00e0ssicament a la infer\u00e8ncia d’estats mentals aliens. <\/p>\n Cap d’aquests paradigmes controlats de laboratori no era present a les dades d’entrenament. El model mai \u201cva veure\u201d una cara parpellejant sobre un fons gris. Va veure Friends<\/span><\/span> . I, tanmateix, en demanar-li que predigu\u00e9s qu\u00e8 faria un cervell en condicions de laboratori, va generar mapes funcionals equivalents als que la neuroci\u00e8ncia publica des dels anys noranta. <\/p>\n Quan els autors van aplicar una t\u00e8cnica estad\u00edstica est\u00e0ndard per extreure els patrons principals de les representacions internes del model, els cinc patrons dominants es van alinear amb cinc de les xarxes funcionals m\u00e9s conegudes del cervell: l’escor\u00e7a auditiva, la xarxa del llenguatge, la xarxa de moviment, la xarxa per defecte<\/span><\/span> (activa durant l’activitat mental no dirigida) i el sistema visual. Ning\u00fa no va indicar al model que aquestes xarxes existien; van emergir de l’entrenament. <\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk|700|||||||\u00bb text_text_color=\u00bb#0D264F\u00bb text_font_size=\u00bb22px\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n PER QU\u00c8 AIX\u00d2 \u00c9S MOLT RELLEVANT<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk||||||||\u00bb text_text_color=\u00bb#161616″ global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n La biologia va tenir el punt d’inflexi\u00f3 el 2020 amb AlphaFold<\/span><\/span> , el sistema d’IA capa\u00e7 de predir l’estructura tridimensional de les prote\u00efnes. Els autors de TRIBE v2 sostenen que alguna cosa an\u00e0loga podria estar comen\u00e7ant en neuroci\u00e8ncia, i l’argument \u00e9s raonable. Un model fundacional del cervell \u2014un model ampli, de prop\u00f2sit general, adaptable a m\u00faltiples preguntes\u2014 constitueix un tipus d’instrument nou: no tant un microscopi millorat com un t\u00fanel de vent. Un entorn on assajar hip\u00f2tesis en simulaci\u00f3 abans de comprometre’s amb experiments reals en persones. <\/p>\n Hi ha a m\u00e9s una q\u00fcesti\u00f3 m\u00e9s profunda, que remet directament a la pr\u00f2pia IA. Les lleis d’escala ( scaling laws<\/em> ) en intel\u00b7lig\u00e8ncia artificial \u2014la regularitat segons la qual m\u00e9s dades i m\u00e9s par\u00e0metres produeixen sistem\u00e0ticament millors models\u2014 tenen aqu\u00ed una mena de reflex especular. Quan es fa servir IA per modelar el cervell, m\u00e9s hores de resson\u00e0ncia magn\u00e8tica funcional (fMRI)<\/span><\/span> es tradueixen en millors prediccions de l’activitat cerebral, seguint una relaci\u00f3 matem\u00e0tica neta coneguda com a llei de pot\u00e8ncies. <\/p>\n El punt cr\u00edtic \u00e9s que aquesta mateixa classe de relaci\u00f3 descriu tant el rendiment d\u201fun model de llenguatge en predir la seg\u00fcent paraula com el d\u201fun model en predir l\u201factivitat cerebral. Aix\u00f2 es pot interpretar com una coincid\u00e8ncia profunda o una pista: que la intel\u00b7lig\u00e8ncia \u2014biol\u00f2gica o artificial\u2014 estigui m\u00e9s determinada per l’estructura estad\u00edstica del m\u00f3n que per la maquin\u00e0ria concreta que la implementa. <\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk|700|||||||\u00bb text_text_color=\u00bb#0D264F\u00bb text_font_size=\u00bb22px\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n QU\u00c8 OBRE AIX\u00d2?<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk||||||||\u00bb text_text_color=\u00bb#161616″ global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n Res del seg\u00fcent \u00e9s imminent. Tampoc no \u00e9s ci\u00e8ncia ficci\u00f3. S\u00f3n aplicacions que es tornen plausibles aix\u00ed que existeix un model com TRIBE v2. <\/p>\n Contingut i educaci\u00f3 personalitzats.<\/strong> TRIBE v2 es pot adaptar a un individu amb tan sols una hora addicional de dades cerebrals pr\u00f2pies. Una breu sessi\u00f3 de calibratge permetria construir un model cerebral personal que predigui com respons tu \u2013de manera espec\u00edfica\u2013 a un text, una classe o una intervenci\u00f3 terap\u00e8utica. Aix\u00f2 interessa a educadors, a creadors de contingut i, previsiblement, a anunciants. Per aix\u00f2 mateix, la tecnologia requereix una discussi\u00f3 p\u00fablica primerenca. <\/p>\n Disseny de millors interf\u00edcies cervell-ordinador.<\/strong> Les interf\u00edcies cervell-computador<\/span><\/span> no nom\u00e9s han de descodificar l’activitat cerebral; tamb\u00e9 han de tornar informaci\u00f3 a lusuari (visual o auditiva), i la utilitat daquest feedback<\/em> dep\u00e8n de com el dissenyador anticipi la seva percepci\u00f3. Un model que prediu respostes cerebrals a est\u00edmuls permet sotmetre aquests dissenys a proves sistem\u00e0tiques abans de fer estudis amb participants: quina disposici\u00f3 visual activa els circuits rellevants, quin so resulta m\u00e9s sortint, quina interf\u00edcie redueix la c\u00e0rrega cognitiva en lloc d’incrementar-la. <\/p>\n A m\u00e9s, at\u00e8s que Meta<\/span><\/span> ha publicat tant el codi com el model entrenat, res d’aix\u00f2 no exigeix \u200b\u200besperar la pr\u00f2pia empresa. Qualsevol equip amb capacitat computacional suficient i una hip\u00f2tesi pot comen\u00e7ar a construir sobre aquesta base. <\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk|700|||||||\u00bb text_text_color=\u00bb#0D264F\u00bb text_font_size=\u00bb22px\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n EL QUE NO POT FER<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk||||||||\u00bb text_text_color=\u00bb#161616″ global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n Un \u201ccervell digital\u201d sona a ci\u00e8ncia ficci\u00f3, aix\u00ed que conv\u00e9 delimitar amb precisi\u00f3 qu\u00e8 no \u00e9s TRIBE v2. No pensa, no n’\u00e9s conscient i no genera conducta. \u00c9s un model de correspond\u00e8ncies: donat un est\u00edmul, prediu una resposta. I, com que la seva variable objectiu \u00e9s el senyal de resson\u00e0ncia magn\u00e8tica funcional (fMRI)<\/span><\/span> , hereta les seves limitacions. L’activitat neuronal real passa en escales de mil\u00b7lisegons; la fMRI integra i mitjana en finestres de segons. TRIBE v2 pot indicar quines regions s’activen en sentir una paraula, per\u00f2 no el patr\u00f3 temporal fi \u2014a escala de mil\u00b7lisegons\u2014 de la din\u00e0mica neuronal que genera aquesta activaci\u00f3. <\/p>\n A m\u00e9s, nom\u00e9s cobreix tres modalitats: visi\u00f3, audici\u00f3 i llenguatge. Queden fora el tacte, l’olfacte, l’equilibri i la intercepci\u00f3 (la senyalitzaci\u00f3 de l’estat intern de l’organisme), tal com assenyalen els mateixos autors. I representa un tipus molt concret de cervell: adults sans, majorit\u00e0riament occidentals, en un esc\u00e0ner, en condicions de percepci\u00f3 passiva. El model \u00e9s un observador passiu; el cervell, no. <\/p>\n Res d’aix\u00f2 no \u00e9s un defecte estructural, sin\u00f3 el per\u00edmetre d’una primera iteraci\u00f3 d’una nova eina. La primera versi\u00f3 d’ AlphaFold<\/span><\/span> tampoc no capturava la din\u00e0mica conformacional. <\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk|700|||||||\u00bb text_text_color=\u00bb#0D264F\u00bb text_font_size=\u00bb22px\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n CAP ON APUNTA<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk||||||||\u00bb text_text_color=\u00bb#161616″ global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n Hi ha dues direccions evidents, i no s\u00f3n equivalents. Una consisteix a continuar escalant: m\u00e9s dades, m\u00e9s subjectes, m\u00e9s tasques, m\u00e9s modalitats sensorials. La regularitat emp\u00edrica observada en altres models de gran escala suggereix que aquest increment \u201cper for\u00e7a bruta\u201d continuar\u00e0 millorant el rendiment durant un temps. <\/p>\n L’altra apunta a un canvi d’objectiu: construir models que no nom\u00e9s prediguin l’activitat cerebral, sin\u00f3 que la simulin<\/strong> . \u00c9s a dir, models que intentin capturar com es formen, evolucionen i interactuen els estats mentals en el temps, des de la din\u00e0mica interna del sistema. Aquest enfocament est\u00e0 m\u00e9s proper a l\u00ednies de treball com les de l’ INAB<\/span><\/span> , i planteja un despla\u00e7ament conceptual important: predir el cervell i simular el cervell responen a preguntes diferents, i una neuroci\u00e8ncia computacional madura probablement necessitar\u00e0 totes dues aproximacions. <\/p>\n En qualsevol cas, les eines comencen a estar a l’al\u00e7ada de l’ambici\u00f3. La q\u00fcesti\u00f3 ja no \u00e9s \u201cpodem construir un model unificat de la cognici\u00f3 humana?\u201d, sin\u00f3 \u201cquin tipus de model unificat volem i per qu\u00e8 l’utilitzarem?\u201d. El moment rellevant no \u00e9s quan el sistema estigui completament desenvolupat, sin\u00f3 ara mentre s’est\u00e0 construint aquest \u201ct\u00fanel de vent\u201d experimental. <\/p>\n [\/et_pb_text][et_pb_divider color=\u00bb#8EC1F4″ _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb][\/et_pb_divider][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk||||||||\u00bb text_text_color=\u00bb#161616″ hover_enabled=\u00bb0″ global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb sticky_enabled=\u00bb0″]<\/p>\n Font<\/strong> : 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.<\/p>\n Demo: [ aidemos.atmeta.com\/tribev2<\/a> ]( https:\/\/aidemos.atmeta.com\/tribev2<\/a> ).<\/p>\n Codi: [ github.com\/facebookresearch\/tribev2<\/a> ]( https:\/\/github.com\/facebookresearch\/tribev2<\/a> ).<\/p>\n Pesos: [ huggingface.co\/facebook\/tribev2<\/a> ]( https:\/\/huggingface.co\/facebook\/tribev2<\/a> ).<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk|700|||||||\u00bb text_text_color=\u00bb#0D264F\u00bb text_font_size=\u00bb22px\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n LECTURES RECOMANADES<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.6″ _module_preset=\u00bbdefault\u00bb text_font=\u00bbSpace Grotesk||||||||\u00bb text_text_color=\u00bb#161616″ global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":" Els models d’IA que hi ha darrere de ChatGPT, els generadors de v\u00eddeo actuals i els assistents de veu mai no s’han entrenat amb cervells. Han apr\u00e8s a partir de text, v\u00eddeo i \u00e0udio recopilats a Internet. I, tanmateix, un nou article del laboratori Meta AI (FAIR) mostra que, si prens all\u00f2 que aquests models han apr\u00e8s internament i li afegeixes una petita capa entrenada amb registres de resson\u00e0ncia magn\u00e8tica funcional (fMRI) de 720 persones, el resultat s’aproxima a un model funcional del cervell hum\u00e0. <\/p>\n","protected":false},"author":10,"featured_media":2518,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[],"tags":[],"class_list":["post-2661","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry"],"yoast_head":"\n\n