RESUMEN
Los modelos de IA que hay detrás de ChatGPT, los generadores de vídeo actuales y los asistentes de voz nunca se han entrenado con cerebros. Han aprendido a partir de texto, vídeo y audio recopilados de internet. Y, sin embargo, un nuevo artículo del laboratorio Meta AI (FAIR) muestra que, si tomas lo que estos modelos han aprendido internamente y le añades una pequeña capa entrenada con registros de resonancia magnética funcional (fMRI) de 720 personas, el resultado se aproxima a un modelo funcional del cerebro humano.
Puedes introducirle una cara, una frase o un fragmento de The Bourne Supremacy, y predice cómo respondería un cerebro humano típico. Con la suficiente precisión como para que, al ejecutar en el modelo experimentos clásicos de neurociencia, se reproduzcan décadas de resultados publicados que el sistema nunca vio durante su entrenamiento.
Los autores comparan este avance con el momento de AlphaFold en biología estructural. Sin embargo, la cuestión de fondo apunta a los propios modelos de IA: en algún lugar de su estructura interna, ya han aprendido algo que se parece de forma sorprendente al cerebro.
Cada vez que se publica un nuevo modelo de IA, las primeras preguntas giran en torno a lo que puede hacer. Una cuestión más difícil —y más interesante— es qué contienen realmente estos modelos por dentro. Los patrones que generan al procesar información, lo que los investigadores denominan representaciones internas, son en gran medida una caja negra. Sabemos que los modelos funcionan; no sabemos, en un sentido profundo, qué saben.
TRIBE v2, publicado en marzo de 2026 por el laboratorio Meta AI (FAIR), propone una vía inesperada para abordar esa cuestión. El equipo tomó tres modelos de IA de última generación —Llama 3.2 para texto, V-JEPA 2 para vídeo y Wav2Vec-Bert para audio— y planteó algo sencillo: si haces pasar primero una película o una narración oral por estos modelos, ¿puedes usar lo que los modelos “ven” para predecir la actividad cerebral de una persona real que esté viendo o escuchando lo mismo? La respuesta es afirmativa, con la precisión suficiente como para generar lo que, en la práctica, equivale a un cerebro digital sobre el que se pueden ejecutar experimentos.
Diseñas un estímulo, haces clic en un botón y obtienes como resultado una respuesta cerebral completa medida con resonancia magnética funcional (fMRI). Sin participantes. Sin escáner. La demo en aidemos.atmeta.com/tribev2 resulta interesante de explorar, pero lo verdaderamente relevante es lo que este resultado sugiere acerca de la propia IA.
LA IDEA: ENTRENAR UN ÚNICO MODELO CON TODO
En lugar de recopilar un nuevo conjunto de datos controlado, los autores agregaron ocho ya existentes. Personas viendo Friends, The Bourne Supremacy o Hidden Figures. Personas escuchando pódcast, audiolibros y relatos narrados. En total, más de 1.100 horas de registros de resonancia magnética funcional (fMRI) correspondientes a 720 participantes.
A continuación, construyeron un modelo con tres “ojos”: uno para vídeo, otro para audio y otro para texto. Cada “ojo” es un modelo de IA ya existente, congelado (sin ajuste adicional): V-JEPA 2, Wav2Vec-Bert y Llama 3.2. Sus representaciones internas alimentan un transformer (el mismo tipo de red neuronal que sustenta ChatGPT), que predice la actividad cerebral en cerca de 29.000 localizaciones a lo largo de la corteza y de estructuras profundas. Solo el propio transformer, junto con una pequeña capa de adaptación a cada individuo, se entrena con datos cerebrales. Los modelos de visión, audio y lenguaje permanecen congelados. Dicho de otro modo, TRIBE v2 no está aprendiendo el cerebro desde cero; está traduciendo al lenguaje de la actividad cerebral lo que los modelos de IA de frontera ya han aprendido.
Variantes de esta idea se remontan a casi una década atrás, con trabajos previos en laboratorios como los de Alexander Huth, Jack Gallant, Sanjay Jain y Guillaume Caucheteux. Lo novedoso en TRIBE v2 es la escala y la reutilización: tres modalidades de entrada integradas en un único modelo, entrenado con 720 sujetos y más de mil horas de datos, diseñado para generalizar a nuevas personas y nuevas tareas sin necesidad de reentrenamiento.
Y la implicación merece detenerse un momento. Estos modelos de IA aprendieron a partir de texto, vídeo y sonido, no de datos cerebrales. Sin embargo, sus representaciones internas, una vez traducidas, se alinean con la organización funcional del cerebro humano. Ese hecho, más que cualquier resultado concreto del artículo, es lo que lo hace interesante. Puede ser una coincidencia derivada de la escala. O puede indicar que la estructura estadística del mundo impone restricciones a cualquier sistema que intente modelarlo —biológico o artificial— de maneras aproximadamente similares. En cualquier caso, estos modelos han aprendido algo que, en algún punto de sus pesos, se parece a lo que ha aprendido el cerebro.
EL MODELO SUPERA UNA PRUEBA PARA LA QUE NUNCA SE ENTRENÓ
Tras entrenar TRIBE v2 con estímulos naturalistas (películas, pódcast, relatos), los autores ejecutaron sobre él experimentos clásicos de neurociencia. No en humanos, sino en el propio modelo.
Presentaron imágenes breves de caras, lugares y palabras escritas. Compararon frases frente a listas de palabras, oraciones complejas frente a simples, y contenidos sobre dolor emocional frente a dolor físico. Este tipo de contrastes constituyen los functional localizers que se han utilizado durante décadas para identificar regiones cerebrales especializadas.
TRIBE v2 reprodujo los resultados conocidos. Las caras activaron la área fusiforme facial (FFA). Los lugares activaron el área parahipocampal de lugar (PPA). Las palabras escritas activaron el área de la forma visual de la palabra (VWFA). Los contrastes lingüísticos implicaron las regiones esperadas del lenguaje, incluyendo el área de Broca y la unión temporoparietal. El contraste entre dolor emocional y físico recuperó las regiones clásicamente asociadas a la inferencia de estados mentales ajenos.
Ninguno de estos paradigmas controlados de laboratorio estaba presente en los datos de entrenamiento. El modelo nunca “vio” una cara parpadeante sobre un fondo gris. Vio Friends. Y, sin embargo, al pedirle que predijera qué haría un cerebro en condiciones de laboratorio, generó mapas funcionales equivalentes a los que la neurociencia lleva publicando desde los años noventa.
Cuando los autores aplicaron una técnica estadística estándar para extraer los principales patrones de las representaciones internas del modelo, los cinco patrones dominantes se alinearon con cinco de las redes funcionales más conocidas del cerebro: la corteza auditiva, la red del lenguaje, la red de movimiento, la red por defecto (activa durante la actividad mental no dirigida) y el sistema visual. Nadie le indicó al modelo que esas redes existían; emergieron del entrenamiento.
POR QUÉ ESTO ES MUY RELEVANTE
La biología tuvo su punto de inflexión en 2020 con AlphaFold, el sistema de IA capaz de predecir la estructura tridimensional de las proteínas. Los autores de TRIBE v2 sostienen que algo análogo podría estar empezando en neurociencia, y el argumento es razonable. Un modelo fundacional del cerebro —un modelo amplio, de propósito general, adaptable a múltiples preguntas— constituye un nuevo tipo de instrumento: no tanto un microscopio mejorado como un túnel de viento. Un entorno donde ensayar hipótesis en simulación antes de comprometerse con experimentos reales en personas.
Hay además una cuestión más profunda, que remite directamente a la propia IA. Las leyes de escala (scaling laws) en inteligencia artificial —la regularidad según la cual más datos y más parámetros producen sistemáticamente mejores modelos— tienen aquí una especie de reflejo especular. Cuando se utiliza IA para modelar el cerebro, más horas de resonancia magnética funcional (fMRI) se traducen en mejores predicciones de la actividad cerebral, siguiendo una relación matemática limpia conocida como ley de potencias.
El punto crítico es que esta misma clase de relación describe tanto el rendimiento de un modelo de lenguaje al predecir la siguiente palabra como el de un modelo al predecir la actividad cerebral. Eso puede interpretarse como una coincidencia profunda o como una pista: que la inteligencia —biológica o artificial— esté más determinada por la estructura estadística del mundo que por la maquinaria concreta que la implementa.
¿QUÉ ABRE ESTO?
Nada de lo siguiente es inminente. Tampoco es ciencia ficción. Son aplicaciones que se vuelven plausibles en cuanto existe un modelo como TRIBE v2.
Contenido y educación personalizados. TRIBE v2 puede adaptarse a un individuo con tan solo una hora adicional de datos cerebrales propios. Una breve sesión de calibración permitiría construir un modelo cerebral personal que prediga cómo respondes tú —de forma específica— a un texto, una clase o una intervención terapéutica. Esto interesa a educadores, a creadores de contenido y, previsiblemente, a anunciantes. Por eso mismo, la tecnología requiere una discusión pública temprana.
Diseño de mejores interfaces cerebro-ordenador. Las interfaces cerebro-computador no solo tienen que decodificar la actividad cerebral; también deben devolver información al usuario (visual o auditiva), y la utilidad de ese feedback depende de cómo el diseñador anticipe su percepción. Un modelo que predice respuestas cerebrales a estímulos permite someter esos diseños a pruebas sistemáticas antes de realizar estudios con participantes: qué disposición visual activa los circuitos relevantes, qué sonido resulta más saliente, qué interfaz reduce la carga cognitiva en lugar de incrementarla.
Además, dado que Meta ha publicado tanto el código como el modelo entrenado, nada de esto exige esperar a la propia empresa. Cualquier equipo con capacidad computacional suficiente y una hipótesis puede empezar a construir sobre esa base.
LO QUE NO PUEDE HACER
Un “cerebro digital” suena a ciencia ficción, así que conviene delimitar con precisión qué no es TRIBE v2. No piensa, no es consciente y no genera conducta. Es un modelo de correspondencias: dado un estímulo, predice una respuesta. Y, como su variable objetivo es la señal de resonancia magnética funcional (fMRI), hereda sus limitaciones. La actividad neuronal real ocurre en escalas de milisegundos; la fMRI integra y promedia en ventanas de segundos. TRIBE v2 puede indicar qué regiones se activan al oír una palabra, pero no el patrón temporal fino —a escala de milisegundos— de la dinámica neuronal que genera esa activación.
Además, cubre solo tres modalidades: visión, audición y lenguaje. Quedan fuera el tacto, el olfato, el equilibrio y la interocepción (la señalización del estado interno del organismo), tal como señalan los propios autores. Y representa un tipo muy concreto de cerebro: adultos sanos, mayoritariamente occidentales, en un escáner, en condiciones de percepción pasiva. El modelo es un observador pasivo; el cerebro, no.
Nada de esto es un defecto estructural, sino el perímetro de una primera iteración de una herramienta nueva. La primera versión de AlphaFold tampoco capturaba la dinámica conformacional.
HACIA DÓNDE APUNTA
Hay dos direcciones evidentes, y no son equivalentes. Una consiste en seguir escalando: más datos, más sujetos, más tareas, más modalidades sensoriales. La regularidad empírica observada en otros modelos de gran escala sugiere que este incremento “por fuerza bruta” seguirá mejorando el rendimiento durante un tiempo.
La otra apunta a un cambio de objetivo: construir modelos que no solo predigan la actividad cerebral, sino que la simulen. Es decir, modelos que intenten capturar cómo se forman, evolucionan e interactúan los estados mentales en el tiempo, desde la dinámica interna del sistema. Este enfoque está más próximo a líneas de trabajo como las del INAB, y plantea un desplazamiento conceptual importante: predecir el cerebro y simular el cerebro responden a preguntas distintas, y una neurociencia computacional madura probablemente necesitará ambas aproximaciones.
En cualquier caso, las herramientas empiezan a estar a la altura de la ambición. La cuestión ya no es “¿podemos construir un modelo unificado de la cognición humana?”, sino “¿qué tipo de modelo unificado queremos y para qué lo vamos a utilizar?”. El momento relevante no es cuando el sistema esté completamente desarrollado, sino ahora, mientras se está construyendo ese “túnel de viento” experimental.
Fuente: d’Ascoli, S., Rapin, J., Benchetrit, Y., Brookes, T., Begany, K., Raugel, J., Banville, H., & King, J.-R. (2026). A foundation model of vision, audition, and language for in-silico neuroscience. Meta FAIR.
Demo: [aidemos.atmeta.com/tribev2](https://aidemos.atmeta.com/tribev2).
Código: [github.com/facebookresearch/tribev2](https://github.com/facebookresearch/tribev2).
Pesos: [huggingface.co/facebook/tribev2](https://huggingface.co/facebook/tribev2).
LECTURAS RECOMENDADAS
- AlphaFold (structural biology parallel). 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, A. G., de Heer, W. A., Griffiths, T. L., Theunissen, F. E., & Gallant, J. L. (2016). Natural speech reveals the semantic maps that tile human cerebral cortex. Nature, 532, 453–458.
- Brain–LLM alignment. Caucheteux, C. & King, J.-R. (2022). Brains and algorithms partially converge in natural language processing. Communications Biology, 5, 134.
- Encoding models with deep language models. Jain, S. & Huth, A. G. (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 encoding models in 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 reproduces). Kanwisher, N., McDermott, J., & Chun, M. M. (1997). The fusiform face area: a module in human extrastriate cortex specialized for face perception. Journal of Neuroscience, 17(11), 4302–4311.
