人類の脳が、外界から絶え間なく流れ込む複雑な感覚情報をどのように処理し、統合しているのかという問いは、科学における最大の謎の一つに数えられる。この極めて難解なメカニズムの解明に向けて、Metaの基礎AI研究チーム（FAIR）は革新的なアプローチを提示した。同チームが発表した「TRIBE v2（TRansformer for In-silico Brain Experiments）」は、視覚、聴覚、言語の入力情報に対して人間の脳がどのように反応するかを高精度で予測する、多機能なAI基盤モデルである。
単一の機能に特化した旧来のアプローチとは根本的に異なり、このモデルは脳の広範な情報処理ネットワークをシミュレートするデジタル空間上の複製、すなわち「デジタルツイン」としての役割を担う。膨大な神経活動データと最先端の大規模AIモデルを融合させることで、数十年分の物理的な脳波測定実験をコンピューター上で再現する道を拓いたのだ。
膨大なデータとAI基盤モデルの融合によるアーキテクチャの進化
人間の脳活動を予測するモデルを構築する過程で、最大かつ最も困難な壁となるのが「自然な状態」におけるデータ収集の難しさである。過去の神経科学研究の大部分は、単一の画像や短い音声を被験者に提示するといった高度に統制された環境下での小規模なデータセットに依存していた。それに対し、今回の研究では720人以上の健康な被験者から収集された1,000時間以上に及ぶfMRI（機能的磁気共鳴画像法）データという、前例のない規模のデータセットが投入されている。
fMRIは、神経細胞が活動する際に局所的に血流が増加し、血液中の酸素レベルが変化する現象（血行動態応答、またはBOLD信号）を捉えることで、脳のどの部位が活性化しているかを間接的に測定する技術である。被験者には、映画の視聴や長時間のポッドキャストの聴取といった、視覚、聴覚、言語が複雑に絡み合う日常的な刺激が与えられた。この自然環境に近い文脈を持つデータこそが、脳の全体的な処理ネットワークを学習させるための不可欠な土台となっている。
入力された刺激を脳の活動予測へと変換するため、開発チームは既存の強力なAIモデル群を特徴抽出器として採用した。具体的には、テキスト情報の処理に大規模言語モデル「Llama 3.2」を、音声の処理に「Wav2Vec-Bert-2.0」を、動画の処理には「Video-JEPA-2」を配置している。これらの事前学習済みモデルは、生の画像や音声波形をそのまま扱うのではなく、それがどのような意味内容を持つかを表現する高次元のベクトル（エンベディング）へと変換する機能を果たす。
近年の研究動向から、これら深層学習モデルの内部で形成される情報の階層構造が、霊長類の脳が外界を認識する際の表現幾何学と驚くべき一致を示す事実が判明している。この「アルゴリズムと脳の表現の収束」という現象を根底に置き、3つのモダリティ（視覚・聴覚・言語）から抽出されたベクトルは、Transformerアーキテクチャによって時間軸に沿って統合される。最終的にそれらは大脳皮質や皮質下領域の活動パターンへとマッピングされ、旧バージョンと比較して約70倍という劇的な空間解像度の向上が実現した。約70,000のボクセル（3次元的な脳画像の最小単位）における精緻な予測が、ここに可能となったのである。
ノイズの壁を越える予測精度：実測値を上回る普遍的反応の抽出
このAIモデルが示した最も衝撃的な成果の一つは、その予測精度が個々の被験者から得られる実際のfMRI測定結果を上回るケースが多発したという事実にある。通常、fMRIのデータには非常に多くのノイズが含まれる。被験者の心拍や呼吸、わずかな頭の動き、さらにはスキャナー自体の磁場の揺らぎなどが、本来測定したい神経活動のシグナルに混入し、データを歪めてしまうためである。
神経科学者たちは従来、このノイズの影響を排除し、特定の刺激に対する普遍的な反応を抽出するために、多数の被験者のスキャンデータを集めて平均化するという手間のかかる手法をとってきた。そのプロセスに対し、膨大なデータパターンを学習する過程で、不要なノイズを自律的に排除し、「理想的な平均的脳反応」を直接的に予測する能力を獲得したのが今回のアーキテクチャである。
制御されたテスト環境において、AIが導き出した脳活動の予測値と、実際の被験者グループ全体の平均データとの相関関係を測定した結果、その数値は「一人の被験者の実測値」と「グループ平均」との相関関係よりも一貫して高い数値を示した。とりわけ、高解像度な7テスラのMRI装置で記録された「Human Connectome Project」の高品質なデータセットにおいては、モデルの予測値とグループ平均との相関は、個人の実測値の約2倍に達している。
この結果が意味するのは、表層的なデータを暗記したのではなく、ノイズの背後にある「人間が情報を処理する際の普遍的な神経回路の動態」を一般化して学習しているというメカニズムの存在である。学習データに含まれていない新しい被験者や、未知の言語、異なる種類のタスクに対しても、追加の訓練なしに高い精度で予測を行うゼロショット予測の能力を備え、個別の脳モデルをゼロから構築する物理的な手間を劇的に削減した。
計算機上で蘇る古典的発見と「インシリコ神経科学」の実践
高い予測精度と汎化能力の獲得は、コンピューター上で生物学的シミュレーションを行う「インシリコ神経科学」という全く新しい研究パラダイムを現実のものとする。これまで、新しい仮説を検証するためには、人間の被験者を募集し、高額なスキャナーを長期間稼働させるという、極めてコストと時間のかかるプロセスが避けられなかった。モデルをデジタルの被験者として運用すれば、ソフトウェア上で即座に数千規模の仮想実験を実行することが可能になる。
開発チームはモデルの妥当性を証明するために、過去数十年にわたり教科書に記されてきた古典的な機能的ローカライザー（特定の機能に対応する脳領域を特定する手法）の実験を仮想空間上でシミュレートした。モデルに対して様々な顔の画像を入力すると、脳の側頭葉下面に位置し顔の認識を司る「紡錘状回顔領域（FFA）」が正確に活性化することが予測された。同様に、風景や建物の画像に対しては「海馬傍回場所領域（PPA）」が、身体の部位に対しては「外側後頭葉身体領域（EBA）」が、文字列に対しては「視覚性単語形状領域（VWFA）」が、それぞれ実測データと見紛うほどの精度でマッピングされた。
言語処理のシミュレーションにおいても、その精度は卓越している。意味のある文章と単なるノイズ音を聞き分けさせたところ、上側頭溝（STS）やブローカ野を含む言語ネットワークの中核領域が正確にローカライズされた。単なる単語の羅列と文法的に構成された文章とを比較する実験では、文章に対してより強い左半球の活性化を予測するという、人間の脳が示す既知の機能的側性化（左右の脳の機能分担）の特性を見事に再現している。これらの結果は、神経科学的仮説を事前検証するための、極めて強力かつ信頼性の高いシミュレーターとしてこの技術が機能することを証明している。
独立成分分析が暴くマルチモーダル統合の真実
技術の革新性は、既知の事実の再現にとどまらない。脳が複数の感覚情報をどのように統合しているのかという、未解明のメカニズムを探求するための分析ツールとしても強みを発揮する。研究チームは、独立成分分析（ICA）と呼ばれる統計手法を用いて、モデルの最終的な潜在空間がどのような表現を獲得しているかを解析した。
その結果、AIモデルが自律的に形成した上位5つの構成要素が、神経科学において広く知られている5つの主要な脳内ネットワーク（一次聴覚野、言語ネットワーク、運動検出領域、デフォルト・モード・ネットワーク、視覚システム）の空間分布と驚くほど正確に一致することが判明した。デフォルト・モード・ネットワークは、人間が特定のタスクを行わず、ぼんやりとしている時や自己内省を行っている際に活性化する複雑なネットワークである。視覚・聴覚・言語の入力情報から自己組織化的にこのネットワークの存在を抽出したことは、特筆すべき発見といえる。
情報を意図的に遮断するアブレーションテスト（切り分け実験）を通じて、マルチモーダル統合の真の価値も浮き彫りになった。テキスト、音声、動画の各入力を単独で与えた場合と比較して、3つの感覚情報をすべて同時に入力した場合、予測精度は脳全体で大きく向上した。とりわけ、側頭葉、頭頂葉、後頭葉が交わる「側頭頭頂後頭接合部」や前頭前野の一部において、複数の情報源による相乗効果が最大となり、予測精度が最大で50パーセントも上昇した。この領域は、人間が多様な感覚情報を統合し、高次な意味理解や状況判断を行うための重要なハブとして機能していると考えられており、情報統合のプロセスを計算論的に裏付けた形となる。
脳とAIの境界が融合する時代：医療と情報工学の未来図
驚異的な能力を示す一方で、現時点ではいくつかの明確な科学的・技術的限界が存在するという制約を認識すべきだ。第一の制約は、依拠しているデータソースそのものに由来する。fMRIは血流の緩やかな変化を測定する技術であるため、数秒の遅延が避けられず、ニューロンの発火に伴うミリ秒単位の極めて高速な神経ダイナミクスを捉えることはできない。
第二に、現在のアーキテクチャは視覚、聴覚、言語という3つの感覚チャネルに特化しており、嗅覚、味覚、触覚、平衡感覚といった重要な一次感覚が欠落している。第三のより根本的な問題として、与えられた自然な刺激に対して受動的に反応する脳の状態を静的にモデル化したものにとどまっている点が挙げられる。自発的に思考を展開し、意思決定を下し、行動を生み出す能動的なエージェントとしての脳の働きや、個人の発達の軌跡、神経疾患における病理学的な変化をモデリングするには至っていない。
これらの限界を差し引いても、重みデータ、コードベース、そしてインタラクティブなデモ環境を「CC BY-NC（クリエイティブ・コモンズ 表示 – 非営利）」ライセンスのもとで科学コミュニティに向けてオープンソース化した意義は計り知れない。構造生物学におけるAlphaFoldの登場がタンパク質構造予測の歴史を塗り替えたように、この技術は神経科学の在り方を根本から変革する潜在力を秘めている。
研究者は今後、高額な物理的実験を計画する前に、このデジタルツイン上で無数の予備実験を行い、最も有望な仮説のみを実際の被験者テストへと進める手段を獲得した。脳が情報を処理するメカニズムをリバースエンジニアリングすることで、より人間の認知構造に近い、次世代のコンピューティング手法の開発が加速する。将来的には、これらのシミュレーション技術が、失語症や感覚処理障害といった複雑な神経疾患の早期診断や、革新的なブレイン・コンピュータ・インターフェースの開発に決定的な意味を持つ変革をもたらすだろう。
論文
参考文献
