Meta FAIR、脳モデリング大会「Algonauts 2025」で優勝　新モデル「TRIBE」発表

TRIBE（Trimodal Brain Encoder）は、Meta FAIR の Brain & AI チームが公開した 10 億パラメータの神経エンコーダモデルです。脳モデリングの国際コンペ「Algonauts 2025」で首位を獲得しました。映画を視聴中の被験者の脳内で生じる fMRI 信号の変化を、視覚・聴覚・テキストの複数モダリティにわたって予測できます。

その仕組み

TRIBE は感覚特徴をゼロから学習させるのではなく、Meta の既存の基盤モデルを組み合わせて脳の反応を推定します。テキスト処理に Llama 3.2、音声抽出に Seamless の Wav2Vec2-BERT、映像表現に V-JEPA 2 を採用しています。

学習には Courtois NeuroMod プロジェクトのデータセットを使用しており、被験者 1 人あたり約 80 時間分におよぶ映画視聴時の時空間 fMRI データを網羅しています。複数モダリティ、複数脳領域、複数被験者を横断して同時に脳反応を予測できる深層学習モデルとしては初となります。

現在、ソースコードは GitHub で公開されており、論文も arXiv で確認できます。

なぜ重要か

従来の神経科学では、視覚野や聴覚野ごとに特化した別々のモデルを構築するのが一般的でした。TRIBE は、汎用マルチモーダル基盤モデルの特徴量を組み合わせるだけで、極めて高精度な脳活動予測を実現できることを示しました。

認知科学やブレイン・マシン・インターフェース（BCI）分野の研究者にとって、再現性の高い実用的なベースラインになります。ただし、膨大な fMRI データと重量級の基盤モデルを扱う必要があるため、実運用には相応の研究用計算リソースが求められます。