أطلقت Meta Tribe v2 — نموذجًا يتنبأ باستجابة الدماغ للفيديو والصوت والنص

أطلقت Meta نموذج TRIBE v2 — نموذج يتنبأ بردود الفعل الدماغية على الفيديو والصوت والنص بناءً على بيانات التصوير بالرنين المغناطيسي الوظيفي (fMRI). يعد المشروع بتسريع علم الأعصاب: بدلاً من مسح أشخاص جدد، سيتمكن الباحثون من اختبار الفرضيات أولاً في محاكاة.

ما أطلقته Meta

TRIBE v2 هو نموذج ثلاثي الأنماط مصمم لأبحاث الدماغ داخل الحاسوب. يستقبل الفيديو والصوت واللغة كمدخلات، ويحولها إلى تمثيلات من نماذج مدربة مسبقاً، ثم يتنبأ بنمط النشاط العصبي الذي ستكتشفه التصوير بالرنين المغناطيسي الوظيفي في جميع أنحاء الدماغ. بالنسبة إلى Meta، هذه محاولة للابتعاد عن المنطق القديم، حيث كانت تُبنى نماذج ضيقة منفصلة لكل وظيفة معرفية: كان الحركة تُدرس بشكل منفصل، والوجوه بشكل منفصل، والكلام بشكل منفصل.

يجب أن يربط TRIBE v2 هذه الأجزاء في نظام واحد يعمل في نفس الوقت على أنواع مختلفة من المنبهات والمهام. وفقاً لـ Meta، فإن النسخة الجديدة توفر دقة مكانية أعلى بـ 70 مرة من الحلول القابلة للمقارنة، وتتفوق باستمرار على نماذج الترميز الخطية الكلاسيكية. الفرق الرئيسي عن العديد من الأعمال السابقة هو التعميم بدون عينة (zero-shot): يمكن للنموذج التنبؤ بالاستجابات للأشخاص الجدد والمهام الجديدة وحتى اللغات الجديدة دون إعادة تدريب منفصلة لكل سيناريو.

في مدونتها، تسمي Meta TRIBE v2 مباشرة أداة يجب أن تعمل كـ "توأم رقمي" للنشاط العصبي وتسمح بإجراء جزء من التجارب دون تجنيد متطوعين جدد.

تسمي

Meta نموذج TRIBE v2 "توأماً رقمياً" للنشاط العصبي البشري.

ما تم تدريبه عليه

أساس TRIBE v2 هو مدونة موحدة تضم أكثر من 1000 ساعة من التصوير بالرنين المغناطيسي الوظيفي و720 مشاركاً. جمع التدريب بين مجموعات بيانات "عميقة" تحتوي على العديد من التسجيلات لكل شخص ونماذج "واسعة" تحتوي على مئات الأشخاص وجلسات قصيرة. شاهد المشاركون الأفلام واستمعوا إلى البودكاست والصوت، وشاهدوا صوراً ونصوصاً، وشاركوا في نماذج معملية أكثر تحكماً. هذا مهم: يتعلم النموذج ليس من نوع واحد فقط من المنبهات، بل من نطاق واسع إلى حد ما مما يرى البشر ويسمعونه ويقرؤونه.

• الأفلام ومقاطع الفيديو
• البودكاست ومنبهات صوتية أخرى
• النصوص والجمل الفردية
• المهام التجريبية مثل عرض الأشياء والكلمات

أطلقت Meta أيضاً الورقة البحثية والكود وأوزان النموذج ونسخة توضيحية. هذا ليس مجرد بيان صحفي: يمكن للباحثين تشغيل منبههم الخاص من الفيديو أو الصوت أو النص ورؤية استجابة عصبية متنبأ بها على القشرة الدماغية. في المستودع الخاص بها، تلاحظ الشركة أن الاستدلال الأساسي يوفر استجابة متوسطة لمشارك "متوسط" على شبكة قشرية تضم حوالي 20000 رأس — مما يعني أننا نتحدث عن أداة عملية وليس مجرد مفهوم جميل.

ما أظهرتها الاختبارات

في التجارب، تنبأت TRIBE v2 باستجابات قشرية وبعض الاستجابات تحت القشرية فوق مستوى الصدفة عبر مهام مختلفة. يُظهر المؤلفون صورة متوقعة إلى حد ما لكنها مهمة: عند الاستماع إلى البودكاست، تتمايز المناطق الصدغية بشكل أكثر حدة؛ عند مشاهدة الفيديو، القشرة البصرية؛ والمنبهات متعددة الأنماط تنتج استجابات كبيرة في معظم القشرة الدماغية. في ضوء ذلك، تكون المقارنة مع طريقة خطية قوية على نفس الميزات مؤشرة بشكل خاص: يُفسر الفوز ليس بمدخل أفضل، بل بالعمارة نفسها التي تجمع بشكل غير خطي الفيديو والصوت واللغة.

اختبرت Meta بشكل منفصل كيف يتصرف النموذج مع أشخاص جدد ودراسات جديدة. في بعض مجموعات الاختبار، كانت تنبؤات TRIBE v2 أقرب إلى الاستجابة المتوسطة للمجموعة من التسجيلات الفعلية لمعظم المشاركين الفرديين. في مجموعة بيانات Human Connectome Project، يذكر المؤلفون ارتباطاً حول **0.

4**، وهو تقريباً ضعف الأداء الوسيط لمشارك واحد. في الوقت نفسه، يعترف المؤلفون بصراحة بحدود النظام: التصوير بالرنين المغناطيسي الوظيفي في حد ذاته هو مقياس بطيء وغير مباشر لنشاط الدماغ، لذا فإن النموذج لا يرى ديناميكية عصبية بسرعة الملي ثانية، ولا يغطي الشم والتوازن واللمس، وحالياً يصف الدماغ كمراقب سلبي وليس كوكيل فاعل.

ماذا يعني هذا

لا يقرأ TRIBE v2 الأفكار ولا يحل محل المختبر، لكنه يضع مقياساً جديداً للعلوم العصبية الحاسوبية. إذا صمدت طريقة Meta أمام الفحص الخارجي، فسيتمكن الباحثون من اختبار الفرضيات بتكلفة أقل وتصميم التجارب وترجمة الأفكار من علم الأعصاب إلى نماذج الذكاء الاصطناعي والعكس بشكل أسرع.