TRIBE v2, le modèle d’IA de Meta pour prédire l’activité cérébrale humaine

L'équipe de recherche de Meta a publié TRIBE v2, un modèle d'intelligence artificielle conçu pour simuler la façon dont le cerveau humain traite les stimuli visuels, auditifs et linguistiques. Le système génère des prédictions de l'activité cérébrale mesurée par imagerie par résonance magnétique fonctionnelle (IRMf) avec une résolution nettement supérieure à celle de ses prédécesseurs, ce qui permet d'obtenir des cartes cérébrales plus détaillées à partir de simulations informatiques.

Le modèle a été entraîné sur des enregistrements d'IRM de plus de 700 volontaires sains exposés à une grande variété de contenus : images, vidéos, podcasts et textes. Ce volume de données représente un progrès important par rapport au modèle précédent de l'équipe — vainqueur du concours Algonauts 2025 —, qui avait été entraîné sur les données de seulement quatre personnes. Grâce à cet ensemble d'entraînement plus vaste, TRIBE v2 est capable de générer des prédictions pour de nouveaux sujets, de nouvelles langues et de nouvelles tâches sans avoir besoin de données spécifiques à ces situations, une capacité connue sous le nom d'inférence zero-shot.

L'un des principaux usages que Meta met en avant est la possibilité pour les chercheurs de tester des hypothèses sur le fonctionnement du cerveau sans avoir besoin de recruter des participants humains pour chaque expérience. Cela pourrait réduire le coût et la durée des études en neurosciences, tout en ouvrant de nouvelles pistes pour la recherche sur les troubles neurologiques. Meta indique également que les connaissances tirées de ce type de modèles pourraient contribuer au développement de systèmes d'IA plus proches des principes du cerveau humain.

Le modèle, le code source, l'article scientifique et une démo interactive sont disponibles publiquement sous licence CC BY-NC, ce qui en permet l'utilisation à des fins de recherche non commerciale.

Points clés

• TRIBE v2 prédit l'activité cérébrale face à des images, des sons et du texte.
• Résolution 70 fois supérieure aux modèles comparables via l'IRMf.
• Entraîné sur plus de 700 volontaires, contre 4 pour le modèle précédent.
• Génère des prédictions pour de nouveaux sujets et langues sans données préalables (zero-shot).
• Permet de tester des hypothèses cérébrales sans participants humains.
• Pourrait accélérer la recherche sur les troubles neurologiques.
• Les résultats pourraient également s'appliquer au développement de nouveaux systèmes d'IA.
• Disponible publiquement avec code, article et démo sous licence CC BY-NC.