摘要： Meta FAIR 於 3 月 26 日公開 TRIBE v2，可根據影片、聲音或文字預測 fMRI 腦區反應。模型以 700 多名健康受試者的腦造影資料訓練，能對未見過的受試者、語言與任務做 zero-shot 預測，解析度較同類模型高約 70 倍。權重、程式碼、論文與展示已公開，授權為禁止商用的 CC BY-NC 4.0。
3 月 26 日，Meta 底下的 FAIR 團隊公開了 TRIBE v2，一套專門預測人腦活動的基礎模型：餵進影片、聲音或文字，它回傳的是 fMRI 各腦區反應的預估值。訓練材料為 700 多名健康受試者的腦造影紀錄；面對從未見過的受試者、語言與任務，它不必任何額外訓練就能直接給出 zero-shot 預測，解析度也比同類模型高出約 70 倍。模型權重、訓練與評估用的程式碼、論文，連同線上展示，全部公開。
在 AI 研究者與神經科學家眼中，這一步把「體外神經科學」（in-silico neuroscience）又往前推進：要檢驗某個假說，可以先在模型上跑一輪模擬，不必再排隊預約 fMRI、招募受試者。Meta 把它形容為神經活動的「數位孿生」。
這個模型到底是什麼
TRIBE 的完整名稱是 TRansformer for In-silico Brain Experiments。就架構而言，它屬於三模態編碼模型：最先進的文字、語音、影像三種編碼器被整合進同一個 Transformer，產出的多模態特徵接著被映射到腦皮質表面，用來預測一個人看電影、聽 podcast 或讀文字當下的大腦反應，重點落在腹側視覺流與聽覺流。
前身規模小得多——曾經得獎的 Algonauts 2025 版本，只以四個人的低解析度 fMRI 訓練而成。v2 沿著同一條技術路線，放大到基礎模型的等級：先把大量受試者與刺激材料納入，再對任何新輸入給出預測。
訓練資料：逾 700 人、三種模態
訓練資料取自 700 多名健康受試者，刺激涵蓋影像、podcast、影片與文字——都是視覺、聽覺與語言三個模態的自然材料，不是實驗室裡人工設計的刺激。這樣的量級正是 zero-shot 的先決條件：模型得先看過足夠多的人與刺激組合，才可能對陌生受試者直接預測。
工程面上同樣有務實的妥協：預測值落在 fsaverage5 標準腦網格（約 2 萬個頂點），並且一律往回挪 5 秒，補償血氧動力學反應的時間差。換個說法，它掌握的是「平均大腦」的反應樣態，而非任何單一個體的完整神經活動。
兩個關鍵數字：70 倍解析度與 zero-shot
有兩個數字值得記住。其一，解析度比同類模型高出約 70 倍，模型因此分辨得出更細微的神經差異，不再只給出粗糙的腦區激活。其二，zero-shot：面對未參與訓練的新受試者、新語言、新任務，直接預測即可，重新訓練與重新校正都省了。Meta 的報告宣稱，在各種設定下它的表現都穩定勝過標準建模方法。
對研究社群來說，真正的分水嶺是 zero-shot。過去的腦編碼模型幾乎每換一個實驗就得重訓一次；唯有能直接搬到新人身上用的模型，才稱得上「模擬器」。
釋出清單與授權門檻
這一波釋出相當齊全：模型權重放在 Hugging Face（facebook/tribev2），訓練與評估程式碼放在 GitHub（facebookresearch/tribev2），另外還有 arXiv 論文，以及 aidemos.atmeta.com 上的互動展示與 Colab notebook。授權採用 CC BY-NC 4.0——研究與重製不受限，商業用途一律禁止。
授權這一環得看清楚：這是研究工具的釋出，不是產品等級的開放權重。想把模型包進商業神經介面或注意力監測產品的團隊，得另外洽談授權。
體外神經科學的用武之地
Meta 點出三類應用方向。第一，神經科學家與臨床研究者可以完全不掃描人類受試者就檢驗假說，靠計算模擬加快研究時程；第二，把大腦的運作原理回頭拿來改良 AI 系統；第三，針對侵襲數億人的神經疾病，用模擬縮短治療研究的迭代循環。NeuroscienceNews 的報導另外指出，它對腦機介面與失語症等研究也可能派上用場。
界線同樣要畫清楚：TRIBE v2 做的是編碼——預測大腦對輸入的反應——而不是解碼私人思緒。它答得了「看這段影片時，聽覺皮質大概會如何反應」，答不了「這個人在想什麼」。能否守住這條線，決定了這類模型在倫理討論裡站不站得住腳。