Das Meta-Team der Abteilung FAIR (Fundamental AI Research) hat ein Modell namens TRIBE v2 veröffentlicht. Die Abkürzung steht für TRImodal Brain Encoder, also einen trimodalen Gehirn-Encoder. Das klingt technisch, doch das Prinzip ist überraschend verständlich: Sie spielen ihm ein Video, Audio oder einen Text vor, und es sagt Ihnen, wie das menschliche Gehirn darauf reagieren würde.
Aus einem Experiment wurde ein universelles Werkzeug
Die vorherige Version des Modells, TRIBE v1, entstand als Wettbewerbsprojekt. Das Team trainierte sie mit Gehirnscans von nur vier Personen und gewann damit den internationalen Wettbewerb Algonauts 2025, an dem 263 Teams teilnahmen.
TRIBE v2 spielt in einer völlig anderen Liga. Meta sammelte mehr als 1.000 Stunden fMRT-Daten von 720 Freiwilligen. Diese Menschen lagen im Scanner und sahen Filme, hörten Podcasts oder lasen Texte. Also ganz normale menschliche Aktivitäten, keine künstlichen Laborreize. Aus all dem lernte das Modell, Muster der Gehirnaktivität so präzise zu erkennen, dass es die Reaktion des Gehirns einer Person vorhersagen kann, die es nie gescannt hat.
Ja, Sie haben richtig gelesen. Es funktioniert auch bei Menschen, deren Daten es noch nie gesehen hat. Das nennt man Vorhersage ohne vorheriges Training (englisch: zero-shot prediction), und es ist wohl die beeindruckendste Eigenschaft des gesamten Projekts.
Wie kann es Ihr Denken vorhersagen?
TRIBE v2 arbeitet in drei Schritten. Zunächst verarbeitet es die Eingabe: Videos analysiert es mithilfe des Modells V-JEPA 2, Audio mit MERT und Text über LLaMA 3.2. Diese drei „Augen und Ohren“ erfassen die Merkmale der Inhalte so, wie sie von künstlicher Intelligenz wahrgenommen werden.
Dann kommt ein Transformer ins Spiel, der alle drei Informationsströme zu einer gemeinsamen Darstellung verbindet. Abschließend übersetzt eine dritte Schicht diese Darstellung in eine Karte der Gehirnaktivität mit rund 70.000 Punkten (sogenannten Voxeln). Gegenüber der ursprünglichen Version entspricht das einer siebzigfach höheren Auflösung.
Und das Ergebnis? Wenn Sie dem Modell einen Filmtrailer zeigen, erhalten Sie eine detaillierte Karte davon, welche Bereiche des Gehirns aufleuchten würden, wie stark und in welcher Reihenfolge. Und was fast ein wenig beunruhigend ist: Die Vorhersagen des Modells sind im Durchschnitt genauer als der tatsächliche Scan einer bestimmten Person, weil eine echte fMRT auch Rauschen, Kopfbewegungen oder den Herzschlag erfasst.
Einfachere Arbeit für Labore
Eine einzige fMRT-Untersuchung kostet Tausende Dollar und dauert Stunden. Man benötigt teure Technik, geschultes Personal und einen bereitwilligen Freiwilligen, der regungslos in einer lauten Röhre liegen bleibt. TRIBE v2 umgeht all das. Forschende führen das Modell einfach auf einem Computer aus, geben einen Reiz ein und erhalten innerhalb von Sekunden eine Simulation der Gehirnreaktion. Hypothesen, die früher monatelange Laborarbeit erfordert hätten, lassen sich an einem Nachmittag überprüfen.
Für Mediziner und Neurowissenschaftler eröffnet dies einen Weg, Theorien über neurologische Störungen schneller zu testen. Statt auf die Genehmigung von Studien zu warten und Dutzende Patienten zu suchen, können sie ihre Ideen zunächst „am Computer“ überprüfen und nur mit den vielversprechendsten davon ins Labor gehen.
Ein Artikel auf Medium vergleicht TRIBE v2 mit dem Moment, als Google 2017 den Artikel „Attention Is All You Need“ veröffentlichte. Damals interessierte er fast niemanden. Er wirkte langweilig und technisch. Doch genau daraus entstand die Transformer-Architektur, also die Grundlage heutiger Sprachmodelle, von ChatGPT und der gesamten aktuellen Welle künstlicher Intelligenz.
Es könnte sein, dass TRIBE v2 ein ähnlich stiller Startschuss ist. Diesmal nicht für Chatbots, sondern für das Verständnis der menschlichen Wahrnehmung. Wenn man vorhersagen kann, wie das Gehirn auf Inhalte reagiert, verfügt man über ein Werkzeug mit enormem Potenzial für Medizin, Bildung, Schnittstellendesign und sogar die Personalisierung von Medien.
Meta hat alles veröffentlicht. Kostenlos.
Das Modell, den Quellcode, den Forschungsartikel und eine interaktive Demo. Alles unter der Lizenz CC BY-NC 4.0, also frei verfügbar für die nichtkommerzielle Nutzung. Auf GitHub hat das Repository bereits mehr als 1.100 Sterne, und auf Hugging Face kann jeder die Modellgewichte herunterladen.
Ein unternehmungslustiger Entwickler hat TRIBE v2 sogar in ein SEO-Werkzeug verwandelt, das vorhersagen soll, welche Bereiche einer Webseite die Aufmerksamkeit des menschlichen Gehirns auf sich ziehen. Klingt verrückt? Vielleicht. Aber es zeigt, wohin sich eine solche Technologie entwickeln kann, wenn man sie frei zugänglich macht.
Während sich also der Großteil der Aufmerksamkeit um Sprachmodelle und Bildgeneratoren dreht, hat Meta im Stillen etwas geschaffen, das viel tiefer zielt. Direkt darauf, wie die menschliche Wahrnehmung funktioniert. Und wenn sich dieser Weg als gangbar erweist, wird dies einer der interessantesten Versuche sein, künstliche Intelligenz mit jener biologischen Intelligenz zu verbinden, die wir in unserem Kopf tragen.
