Meta’nın TRIBE v2 modeli: Beynin gördüğünü ve duyduğunu tahmin etmek

Bir ekranın karşısında aynı videoyu izleyen iki kişinin bambaşka şeyler hissettiğini hepimiz biliriz. Ama “bambaşka” dediğimiz o farkın, beynin hangi bölgelerinde ve ne kadar ölçülebilir bir iz bıraktığını düşününce iş bir anda bilim kurgudan çıkıp laboratuvara giriyor. Meta’nın “AI at Meta” hesabından duyurduğu TRIBE v2 (Trimodal Brain Encoder) tam da bu sınırda dolaşıyor: Neredeyse herhangi bir görüntü ya da sese karşı insan beyninin nasıl tepki vereceğini tahmin etmeyi hedefleyen bir temel model.

Meta’nın paylaştığı tweete göre TRIBE v2, 700’den fazla kişiden toplanmış 500 saatin üzerinde fMRI kaydıyla eğitilmiş. Bu sayıların iki anlamı var. Birincisi, fMRI gibi pahalı ve zahmetli bir ölçüm için “500+ saat” gerçekten büyük bir veri yatırımı demek. İkincisi, 700+ kişi vurgusu, modelin tek bir laboratuvarın dar demografisine sıkışmadan daha geniş bir insan çeşitliliğine yayılma iddiasını gösteriyor. Yine de burada “geniş” kelimesinin göreli olduğunu akılda tutmak gerekiyor; fMRI çalışmalarında örneklem çeşitliliği, yaş dağılımı ve kültürel arka plan gibi detaylar modelin genellenebilirliğini ciddi biçimde etkileyebiliyor.

TRIBE v2 ne yapmaya çalışıyor?

TRIBE v2, adından da ipucu verdiği gibi “trimodal” bir yaklaşım benimsiyor. Yani model, birden fazla duyusal kanaldan gelen girdilerle (en azından görme ve işitme; ayrıca beyindeki ölçüm sinyaliyle) ilişki kurmaya çalışıyor. Basitçe söylemek gerekirse, elinizde bir video karesi ya da bir ses klibi varsa, bu uyaranın beynin fMRI ile ölçülen aktivite desenlerinde nasıl bir karşılık üreteceğini öngörmeyi amaçlıyor.

Buradaki kritik nokta şu: Bu, “insanın ne düşündüğünü okuyoruz” gibi sansasyonel bir iddia değil; daha çok “belirli uyaranlar, beyinde hangi bölgelerde nasıl bir istatistiksel iz bırakır” sorusuna yaklaşan bir hesaplama problemi. fMRI zaten doğası gereği dolaylı bir ölçüm: Nöronların elektriksel aktivitesini doğrudan değil, kan oksijenlenmesindeki değişim üzerinden izliyor. Zaman çözünürlüğü sınırlı, mekânsal çözünürlüğü ise belirli bir seviyeye kadar iyi. Dolayısıyla TRIBE v2’nin “beyin tepkisi tahmini” dediği şey, gerçek zamanlı düşünce çözme değil; çok büyük olasılıkla belirli kortikal bölgelerdeki aktivite örüntülerinin tahmini.

Algonauts 2025 mirası: Yarışma verisinden temel modele

Meta, TRIBE v2’nin “Algonauts 2025 ödüllü mimarisi” üzerine inşa edildiğini söylüyor. Algonauts gibi yarışmalar, standartlaştırılmış beyin-görüntü verisi ve net metriklerle, modelleri kıyaslamak için önemli bir test alanı. Bir modelin yarışmada iyi performans vermesi, aynı problemi daha geniş ölçekte çözmeye aday olduğunu gösterebiliyor. TRIBE v2’nin iddiası da burada başlıyor: Yarışma ölçeğinde “işe yarayan” bir mimariyi, 500+ saatlik veri ve 700+ kişiyle “foundation model” seviyesine taşımak.

“Temel model” ifadesi de önemli. Çünkü bu terim genelde tek bir görevde mükemmel olmaktan ziyade, farklı görev ve veri kümelerine uyarlanabilen, temsil öğrenmesi güçlü modelleri anlatır. Eğer TRIBE v2 gerçekten bu kapsama giriyorsa, yalnızca “şu videoda şu bölge aktive olur” tahmini değil; yeni uyaran türleri, farklı deney tasarımları ve hatta klinik senaryolara transfer edilebilen bir omurga model fikrini işaret ediyor.

Bu neden önemli? Pratik fayda nerede?

Bu çizgideki modellerin en somut getirisi, beyin verisiyle çalışan araştırmacıların daha iyi “ara temsil”lere kavuşması. Örneğin bir laboratuvar, elindeki küçük fMRI veri setinde belirli bir ses türünün (konuşma, müzik, çevresel gürültü) beyin bölgelerini nasıl etkilediğini anlamaya çalışıyorsa, TRIBE v2 gibi önceden büyük veride eğitilmiş bir modeli başlangıç noktası olarak kullanmak, hem daha az veriyle daha stabil sonuç alma ihtimalini artırabilir hem de karşılaştırılabilir metrikler sağlayabilir.

Bir diğer pratik alan da deney tasarımı. fMRI zamanı pahalıdır; bir deneğin cihazda geçirdiği her dakika planlama, etik onay, lojistik ve maliyet demektir. Eğer model, hangi uyaranların hangi bölgelerde daha ayrıştırıcı sinyal üreteceğini tahmin edebiliyorsa, araştırmacılar deneylerini daha verimli tasarlayabilir.

Öte yandan, bu tarz modellerin medya tarafından kolayca “zihin okuma” etiketiyle pazarlanması riskli. fMRI verisi kişisel ve hassas. Üstelik beyin sinyallerinin yorumlanması bağlamdan koparıldığında yanıltıcı olabiliyor. TRIBE v2’nin bilimsel değerini büyütmeden önce, mahremiyet ve kötüye kullanım senaryolarını da aynı ciddiyetle konuşmak gerekiyor.

Asıl soru: “Neredeyse her görüntü ve ses” ne kadar doğru?

Meta’nın tweet’inde geçen “almost any sight or sound” ifadesi iddialı. Gerçek hayatta “neredeyse her şey” demek, eğitim verisinin çeşitliliğine, etiketleme/uyaran tanımlama stratejisine ve modelin genelleme kapasitesine bağlı. 500+ saat büyük bir miktar, ancak “tüm görsel-işitsel dünyanın” yanında hâlâ sınırlı olabilir. Üstelik fMRI uyaranları genellikle belirli protokollerle sunulur; doğal yaşam koşulları, hareket, dikkat dağınıklığı gibi faktörler kontrollü deneylerin dışında kalır.

Bu yüzden TRIBE v2’yi en doğru şekilde şöyle okumak mantıklı: Meta, görsel ve işitsel uyaranlarla beyin aktivitesi arasındaki eşlemeyi geniş ölçekte öğrenen, araştırmaya dönük güçlü bir omurga model inşa ettiğini söylüyor. Eğer model ve veriler akademik toplulukla şeffaf biçimde paylaşılır, kıyaslamaya açık olur ve etik çerçevesi netleşirse, bu alanın önümüzdeki birkaç yılda “küçük veriyle büyük sonuç” dönemine geçmesine gerçekten katkı sağlayabilir.

Meta’nın duyurusunu yaptığı TRIBE v2’yi X’teki paylaşımından okumak isterseniz, AI at Meta’nın TRIBE v2 duyurusunda modelin temel iddiasını ve ölçek bilgisini görebilirsiniz.