Cuando Meta presentó la primera versión de TRIBE en 2024, el modelo podía mapear actividad cerebral en alrededor de 1.000 regiones del cerebro y había sido entrenado con datos de apenas cuatro voluntarios. Era un avance real pero limitado — una prueba de concepto más que una herramienta de investigación a escala.
El 26 de marzo de 2026, el equipo FAIR (Fundamental AI Research) de Meta publicó TRIBE v2 y los números de la evolución hablan solos: de 4 voluntarios a más de 700, de 1.000 regiones cerebrales a 70.000 vértices corticales, de unas pocas horas de datos a más de 1.000 horas de resonancias magnéticas funcionales. Y una mejora de resolución de 70 veces respecto a sistemas similares anteriores.
El nombre completo del modelo es Trimodal Brain Encoder version 2 — TRI por las tres modalidades que procesa simultáneamente: visión, audición y lenguaje. Y lo que hace con esas tres entradas es algo que hasta hace muy poco era territorio exclusivo del laboratorio de neurociencia más equipado del mundo: predecir, con alta precisión, cómo va a reaccionar el cerebro de una persona ante lo que está viendo, escuchando o leyendo.
Cómo funciona TRIBE v2
El proceso tiene tres etapas que Meta describió en detalle en su blog de investigación.
En la primera etapa, el modelo convierte cualquier entrada — un video, un podcast, un párrafo de texto — en representaciones numéricas que capturan su contenido visual, auditivo y semántico. Para hacerlo usa arquitecturas de transformers de última generación, los mismos bloques de construcción que están detrás de los modelos de lenguaje más avanzados del mercado.
En la segunda etapa, el sistema analiza esas representaciones para identificar patrones en cómo el cerebro humano procesa cada tipo de información. Este es el núcleo del modelo: aprender las relaciones estadísticas entre lo que una persona experimenta y cómo responde su cerebro a nivel regional.
En la tercera etapa, TRIBE v2 predice qué regiones del cerebro se van a activar ante un determinado estímulo — y con qué intensidad. El resultado es un mapa de actividad cerebral generado completamente por software, sin necesidad de meter a nadie en un escáner de resonancia magnética.
La resolución de ese mapa — 20.484 vértices corticales — es sustancialmente mayor que la de cualquier sistema equivalente anterior. Y la precisión es lo suficientemente alta como para que, en muchos casos, las predicciones del modelo sean más limpias que los propios escaneos reales, que suelen contener ruido generado por los latidos del corazón, el movimiento del cuerpo y otras interferencias fisiológicas.
Los datos que lo hacen posible
TRIBE v2 fue entrenado sobre una combinación de datasets de neuroimagen a una escala que no tiene precedentes en este tipo de modelos. El conjunto de entrenamiento incluyó 451,6 horas de datos fMRI de 25 participantes, recopilados durante estudios naturalistas — es decir, mientras los voluntarios veían películas, escuchaban podcasts y observaban videos sin audio en condiciones similares a las de la vida cotidiana.
Para la evaluación, Meta usó un conjunto mucho más amplio: más de 1.117 horas de datos de cerca de 720 participantes en total, recopilados en cuatro estudios independientes.
Lo que encontró el equipo de investigación al analizar el comportamiento del modelo es un hallazgo importante en sí mismo: la precisión de TRIBE v2 mejora de forma log-lineal a medida que aumenta el volumen de datos de entrenamiento, sin señales de que esa mejora vaya a alcanzar un plateau. En otras palabras: cuantos más datos de resonancias magnéticas existan disponibles, más preciso puede volverse el modelo. Y los repositorios de neuroimagen están creciendo.
Por qué supera a los escaneos reales en algunos casos
Uno de los resultados más contraintuitivos de TRIBE v2 es que sus predicciones sintéticas — generadas completamente por software — superan en precisión a muchos escaneos fMRI reales cuando se trata de capturar la actividad promedio de una población.
La explicación técnica es que los datos de fMRI individuales contienen una cantidad significativa de ruido fisiológico: variaciones en el flujo sanguíneo causadas por los latidos del corazón, micro-movimientos de la cabeza durante el escaneo, fluctuaciones en la respiración. TRIBE v2, al aprender de miles de horas de datos de cientos de sujetos, captura los patrones de activación que son consistentes entre personas y descarta el ruido individual.
El resultado es un modelo que puede generar un mapa de actividad cerebral para un estímulo nuevo que coincide mejor con la respuesta promedio de la población que el propio escaneo de un individuo particular.
Qué puede hacer en la práctica
Las aplicaciones que Meta describe en su blog de investigación van desde lo inmediato hasta lo ambicioso.
En el corto plazo, la aplicación más directa es acelerar la investigación en neurociencia sin necesidad de reclutar participantes para cada experimento. Hoy, un estudio típico de neuroimagen puede tardar meses en diseñarse, reclutar voluntarios, recopilar datos y analizarlos. Con TRIBE v2, los investigadores pueden generar predicciones de actividad cerebral para nuevos estímulos en segundos, usar esas predicciones para diseñar experimentos más focalizados y solo recurrir a escaneos reales para confirmar los resultados más relevantes.
En el mediano plazo, el modelo tiene potencial para contribuir al tratamiento de trastornos neurológicos. Si se puede predecir con precisión cómo responde el cerebro ante distintos tipos de estímulos, ese conocimiento puede ayudar a diseñar mejores terapias para condiciones como el autismo, la dislexia, la enfermedad de Alzheimer o distintas formas de daño cerebral adquirido.
En el largo plazo, Meta es explícita sobre su objetivo más ambicioso: usar TRIBE v2 como un paso hacia el desarrollo de IA con superinteligencia que procese información de manera más similar a como lo hace el cerebro humano. Si los modelos de IA aprenden a replicar los mecanismos de procesamiento del cerebro — no solo sus outputs, sino sus procesos internos — podrían volverse sustancialmente mejores en tareas donde hoy todavía fallan: comprensión del contexto, razonamiento causal, interpretación de señales ambiguas.
Open source y las preguntas sobre privacidad
Meta publicó TRIBE v2 como open source, junto con el código completo del modelo y una demo interactiva para que investigadores de todo el mundo puedan usarlo, auditarlo y construir sobre él.
La decisión de hacerlo público abre la puerta a una aceleración significativa de la investigación en neurociencia computacional. Pero también genera preguntas que los expertos en privacidad ya empezaron a plantear: los datos cerebrales son considerados información altamente sensible. La actividad neuronal ante distintos estímulos puede revelar preferencias, estados emocionales, sesgos cognitivos y otros aspectos de la experiencia subjetiva que una persona puede no querer compartir.
Meta asegura que los datos usados para entrenar TRIBE v2 fueron recopilados con el consentimiento informado de los participantes y bajo protocolos de investigación aprobados. Pero a medida que este tipo de modelos escalen y se integren en aplicaciones del mundo real, los marcos regulatorios actuales — diseñados para proteger datos médicos convencionales — pueden quedarse cortos.
Lo que Meta no dice en su comunicado
TRIBE v2 es un avance científico genuino. Pero es difícil ignorar el contexto en el que lo desarrolló: Meta es la empresa de redes sociales y publicidad digital más grande del mundo.
Una IA capaz de predecir con alta precisión cómo reacciona el cerebro humano ante diferentes tipos de contenido — videos, imágenes, texto, audio — es, en el contexto de una plataforma publicitaria, algo más que una herramienta de investigación científica. Es potencialmente el sistema de optimización de contenido más sofisticado que haya existido.
Meta no hace esa conexión en su comunicado. Pero los expertos en ética de IA y privacidad sí la están señalando esta semana, y probablemente sigan haciéndolo a medida que el modelo madure y sus aplicaciones se amplíen.
Comentarios
💬 Iniciar sesión para comentar💬 Sumate a la conversación e iniciá sesión para comentar.