TRIBE：计算机模拟神经生物学模型

TRIBE：基于Transformer的体外神经活动建模基础模型

Meta公司FAIR实验室团队正式推出TRIBE——一款专为预测视觉、听觉及语言刺激下神经响应而设计的Transformer基础模型。该模型基于志愿者观看电影、收听播客时采集的大规模fMRI数据训练而成，空间分辨率较此前同类模型提升70倍。这一突破性进展使高保真体外神经生物学实验成为可能，彻底摆脱对重复扫描的依赖。

TRIBE构建了人脑活动的数字孪生体，精准同步腹侧视觉通路与听觉处理通路中的多模态输入。其架构借鉴GPT-4等大语言模型的Transformer范式，可前所未有地高保真还原真实世界中复杂多变的感知场景。

相较传统方法的显著优势

神经科学领域以往的AI模型普遍局限性强，仅在小规模、任务特异的数据集上训练（例如神经元类型分类）。而TRIBE作为基础模型，具备跨刺激类型的强泛化能力：

• 多模态融合：同步处理视觉、听觉与语言信息；
• 零样本迁移：无需微调即可准确预测从未接触过的语言刺激所引发的神经响应；
• 超高精度建模：分辨率提升70倍，可精细刻画从耳语、神经脉冲到静态画面、高速运动物体等全谱系神经活动模式。

TRIBE在推理速度与任务适应性上全面超越前代模型，大幅降低对被试个体化数据的依赖。

虚拟实验中的核心应用

TRIBE以数千次高保真仿真替代实体fMRI扫描，极大加速神经机制探索进程。正如空气动力学中的计算流体力学（CFD）模型，研究者如今可高效验证关于大脑刺激响应的各类假说，并精确定位神经信号通路中的异常节点。

典型应用场景包括：

• 面向下一代脑机接口（BCI）开发，精准建模感官信息处理动态过程；
• 解析失语症、感觉统合障碍等神经系统疾病的发生机制；
• 在无伦理限制、不消耗稀缺fMRI资源的前提下，开展大规模假设检验。

这为最终破译人类思维的神经架构铺平了道路。

技术参数与开源情况

TRIBE模型已全面开源：TRIBE v2版本包含完整训练代码、预训练权重及交互式在线演示。多模态数据训练保障其在不同语言与个体间的鲁棒性；增强的空间分辨率更首次揭示出以往无法捕捉的细微神经活动特征。

核心亮点：

• 空间分辨率较当前最优模型提升70倍；
• 支持新语言与新个体的零样本预测，无需任何微调；
• 可基于单次fMRI扫描生成数千次虚拟实验，构建可扩展的脑数字孪生系统；
• 基于Transformer实现视觉与听觉处理通路的跨模态动态同步；
• 面向全球科研社区免费开放，同时强调负责任、合伦理的技术部署原则。

未来演进方向

TRIBE标志着神经科学研究正式迈入体外仿真新纪元——计算模拟正逐步取代侵入性或高成本的湿实验。对于脑机接口与神经技术开发者而言，它已成为一套硬件无关的通用原型开发平台。后续版本将持续拓展多模态边界，整合本体感觉与运动信号，构建更具具身性（embodied）的认知模型。

— Editorial Team