Neurobiologia od dekad zmagała się z wąskim gardłem: każdy nowy eksperyment wymagał wielogodzinnego zamykania ochotników w drogich skanerach rezonansu magnetycznego. Opublikowany przez badaczy z laboratoriów Meta FAIR model TRIBE v2 całkowicie wywraca ten paradygmat. To cyfrowy bliźniak ludzkiej percepcji, który potrafi przewidzieć aktywność mózgu z taką precyzją, że jego syntetyczne wyniki deklasują pod kątem stabilności prawdziwe, fizyczne badania.
Skala, która miażdży tradycyjne metody
Model został wytrenowany na potężnej bazie ponad 1000 godzin nagrań fMRI od 720 różnych osób. Dla porównania, pierwsza wersja tego systemu uczyła się na zaledwie 4 ochotnikach. Najnowsza generacja analizuje jednocześnie obraz, dźwięk i tekst , przewidując reakcje w ponad 20 tysiącach punktów samej kory mózgowej.
W efekcie sztuczna inteligencja potrafi bezbłędnie analizować zupełnie nowe bodźce i w trybie zero-shot symulować reakcje niebadanych wcześniej pacjentów. Ponieważ prawdziwe skany fMRI są często zakłócane przez szum aparatury, bicie serca czy drobne ruchy ciała, przewidywania wygenerowane przez TRIBE v2 stanowią dziś dokładniejsze odzwierciedlenie uśrednionej reakcji mózgu niż skan pojedynczego, realnego człowieka.
Eksplozja badań in-silico
Największym przełomem jest jednak otwarcie drzwi do eksperymentów prowadzonych wyłącznie w oprogramowaniu (in-silico). Badacze z Meta z sukcesem odtworzyli klasyczne testy neurobiologiczne całkowicie cyfrowo. Wgrywając do modelu bodźce takie jak zdjęcia twarzy czy słowa pisane, system poprawnie wytypował aktywację konkretnych rejonów mózgu, w tym zakrętu wrzecionowatego (FFA) dla twarzy czy obszaru EBA dla ludzkiego ciała, bez wykonywania choćby jednego rzeczywistego skanu.
Meta zdecydowała się na udostępnienie całego kodu, wag modelu oraz działającego dema jako open-source. To ruch, który robi dla neurobiologii dokładnie to samo, co algorytm AlphaFold zrobił dla przewidywania struktur białkowych – pozwala skompresować miesiące niezwykle drogich badań do zaledwie kilku sekund czasu obliczeniowego.
Leave a Comment