Firma stojící za Facebookem a Instagramem — platformami, které dvě dekády optimalizovaly obsah tak, aby uživatele udržely scrollovat co nejdéle — má nyní k dispozici doslova digitální model toho, jak lidský mozek reaguje na obsah. Výzkumníci to označují za vědecký průlom. A možná mají pravdu.
Neurověda v pasti izolovaných podnětů
Desítky let se neurověda potýkala s podivným paradoxem. Mozek je natolik komplexní, že vědci dělali to, co s extrémní složitostí dělají vždy: rozsekali ji na kousky. Izolovali malé proměnné, vytvořili kontrolovaná prostředí, šoupli dobrovolníka do magnetické rezonance s příkazem nehýbat se a blikali mu před očima černobílou šachovnicí. Sledovali, která oblast mozkové kůry se na základě průtoku krve rozsvítí. Tady vnímání pohybu, támhle rozpoznávání tváří. Mravenčí prací tak stavěli jakousi mapu mozku, jeden izolovaný podnět za druhým.
Fungovalo to a byla to skutečná věda. Ale mělo to obrovský háček. Takhle totiž skutečný život vůbec nefunguje. Když vyjdete ven, váš mozek nezpracovává izolované podněty ve vakuu. Projede kolem vás auto, zavibruje mobil, někdo na vás mluví, čtete ceduli s názvem ulice, cítíte vůni z pekárny — a to vše zpracováváte najednou. Pochopit, jak biologický mozek vezme tento chaotický proud vjemů a sestaví z něj jeden plynulý vědomý zážitek, zůstávalo jednou z největších neřešených záhad moderní neurovědy.
Přirozený chaos místo šachovnic: jak Meta sbírala data
Výzkumný tým v Metě se rozhodl pro jiný přístup. Místo izolovaných podnětů vzali přes tisíc hodin záznamů z magnetické rezonance ve vysokém rozlišení od 720 zdravých dobrovolníků — a místo šachovnic jim pouštěli normální věci. Seriály jako Přátelé, filmy jako Vlk z Wall Street, podcasty. Běžné věci, přirozené a chaotické, přesně tak jako je život sám.
Potom udělali v Metě něco zásadního. Pustili tytéž filmy a nahrávky do modelů umělé inteligence. LLaMA 3.2 dostala texty a přepisy, Wav2Vec-BERT čisté audio, VideoGPT 2 obrazy. Z každého modelu vytáhli vnitřní matematické reprezentace — způsob, jakým si model obsah organizuje ve svých vrstvách — a porovnali je s daty průtoku krve u lidí, kteří sledovali totéž.
Klíčem k pochopení toho, proč to vůbec může fungovat, je koncept zvaný representational alignment, neboli reprezentační zarovnání. Představte si dva lidi organizující obří knihovnu: jeden mluví česky, druhý čínsky. Bez společného jazyka přesto dokáží knihovnu roztřídit správně, protože hluboké vztahy mezi pojmy si organizaci diktují samy. Ukazuje se, že hluboké neuronové sítě a biologické mozky dělají vlastně totéž. Jsou sice postaveny z úplně jiných materiálů — křemík versus uhlík — ale oba jsou nuceny organizovat realitu do stejného nebo velmi podobného tvaru.
Technická propast: biologické zpoždění a architektura TRIBE V2
Zbývala jedna technická překážka. AI zpracuje video okamžitě, jenomže magnetická rezonance neměří elektrické impulzy myšlenek — měří okysličenou krev, která se nahrne k neuronům, jež právě vypálily. A tento průtok krve vrcholí zhruba až pět sekund po nervovém podnětu. Pět sekund je oproti AI doslova věčnost.
Vědci ale toto zpoždění využili ve svůj prospěch. Natrénovali model tak, aby našel matematický most: synchronizoval okamžité výpočty AI s fyzickou pětisekundovou ozvěnou mozku. Sladili instantní kód s biologickou prodlevou. A právě tato synchronizace se stala základem architektury nazvané TRIBE V2.
Lepší než živý člověk: výsledky překonaly lidský benchmark
TRIBE V2 nemodeluje jen mozky, které zná. Dokáže předpovědět mozkovou aktivitu úplně nového člověka — někoho, kdo v trénovacích datech vůbec nebyl — pro video, které model sám nikdy neviděl. Jde o takzvanou zero-shot prediction, předpověď na první dobrou.
Výsledky testovali oproti databázi Human Connectome Project, jednoho z nejnáročnějších benchmarků v neurovědě, využívajícího ultracitlivé skenery. Výsledek byl překvapivý: TRIBE V2 předpověděl průměrnou reakci lidského mozku přesněji, než kdybyste skenovali konkrétního živého člověka. AI je v tuto chvíli lepší reprezentací průměrného lidského mozku než skutečný člověk z masa a kostí.
Proč? Protože když vlezete do magnetické rezonance, přinesete s sebou biologický šum. Mrknete, kýchnete, po patnácti minutách vás dokument přestane bavit a začnete přemýšlet, co si dáte k večeři. Skutečné mozky se rozptylují a přestávají sledovat. AI tento šum odstraní. Modeluje čistou kognitivní architekturu — křišťálový signál pod nánosem individuálního šumu. Syntetizuje reakce stovek lidí a hledá to, co mají všichni společné. A dělá to se 70násobně vyšším prostorovým rozlišením než předchozí modely.
Digitální simulátor pro šedou kůru mozkovou
K čemu ale digitální mozek prakticky slouží? Autoři studie používají přirovnání k leteckému simulátoru. Letečtí inženýři nestaví nové fyzické letadlo pokaždé, když chtějí otestovat nový tvar křídla. Simulují aerodynamiku digitálně, změní jednu proměnnou a testují to znovu. Otestují tisíc konfigurací dříve, než utáhnou první šroub. TRIBE V2 je leteckým simulátorem pro mozkovou kůru.
Místo utrácení tisíců dolarů za lidi v magnetické rezonanci pro každou dílčí hypotézu mohou vědci experiment proletět digitálním mozkem: zadají podnět — video, zvuk, blok textu nebo reklamu — a model vyplivne předpověď aktivity v celém mozku včetně hlubokých struktur.
Aby dokázali, že to není teoretický hype, zreplikovala Meta klasické neurovědecké experimenty digitálně, bez jediného člověka ve skeneru. Předhodili modelu fotky obličejů — simulace správně určila aktivitu přesně tam, kde u lidí probíhá rozpoznávání tváří. Dali mu text — model zvýraznil oblasti pro vizuální zpracování. Předložili mu věty popisující citovou bolest a věty o fyzické bolesti — a on je od sebe rozlišil. Věděl, jaký je rozdíl mezi smutkem a bolestí zad, aniž by ho to někdo cíleně učil.
Červená, zelená, modrá: jak mozek zpracovává různé smysly
Pak výzkumníci udělali něco fascinujícího: rozebrali model na části, aby viděli, jak mozek zpracovává různé druhy informací odděleně. Namapovali je barevně — červená pro text, zelená pro audio, modrá pro video — a sledovali, co se děje, když běží vše naráz versus izolovaně.
Výsledky u textu výrazně vyčnívaly. Textová složka — ta, která nese skutečný význam a intelektuální obsah — neaktivovala jen klasická centra řeči. Ovládla velké části prefrontální kůry, oblasti přímo za čelem, spojené s komplexním uvažováním, plánováním a rozhodováním. To vysvětluje jednu zásadní zkušenost: proč je tak vyčerpávající číst odbornou zprávu ve srovnání se sledováním dokumentu na totéž téma. Nejsou to jen unavené oči — čelní lalok při čtení skutečně jede přesčas, protože šifruje abstraktní znaky na papíře do složitých myšlenek. A tato únava je reálná, teď má i přesnou neurologickou adresu.
Při kombinaci zvuku a titulků model ukázal masivní synchronizované vrcholy aktivity v horním spánkovém laloku, kde mozek aktivně spojuje surové akustické vlny s abstraktním významem slov. A existuje specifické místo, kde se všechny tyto složky propojují — temporoparietookcipitální uzel, křižovatka sluchového a spánkového laloku, temenní kůry zodpovědné za prostorovou orientaci a týlního laloku zajišťujícího zpracování zraku. Něco jako střižna v mozku, kde suroviny ze zvuku, videa a textu musí být v reálném čase složeny do jediné soudržné verze reality.
Světlé i temné možnosti: medicína versus manipulace
Tyto možnosti jsou neuvěřitelné — a v určitých ohledech i trochu děsivé. Neurologické a psychiatrické stavy se vždy léčily velmi obtížně ze dvou důvodů: mozek je neuvěřitelně složitý a každý ho máme jiný. Každá studie potřebuje kontrolní skupiny, což znamená sehnat další lidi ochotné lehnout si do magnetické rezonance — což je nákladné a nepopulární.
TRIBE V2 dává vědcům dokonalý výchozí bod: kontrolní skupinu se zdravým mozkem existující čistě v softwaru, dostupnou okamžitě s prakticky nulovými náklady. Chcete studovat, jak senzorické přetížení ovlivňuje mozek s ADHD? Máte srovnávací vzorek. Chcete otestovat, zda konkrétní audiovizuální podnět vyvolá u autismu specifickou reakci? Spuštěte experiment tisíckrát, než se vůbec podíváte na prvního pacienta.
V dnešním světě bombardovaném displeji, notifikacemi, podcasty a videi dává TRIBE V2 doslova mapu toho, co tato informační palba dělá s naším nervovým systémem. Na druhou stranu lze u zdravých lidí dokonale modelovat, která centra aktivuje konkrétní reklama, jaká sekvence příspěvků způsobí největší lpění na obrazovce, nebo co je potřeba lidem zobrazit, aby v nich vznikla závislost na sociálních sítích. To je ten nejtemnější scénář — a technologie toho v tuto chvíli ještě není plně schopna. Ale přibližuje se.
Zásadní omezení: model pasivního pozorovatele
Samotní vědci upozornili na jedno klíčové omezení. TRIBE V2 modeluje mozek nádherně, ale modeluje ho pouze jako pasivního pozorovatele. Všech 720 dobrovolníků, kteří poskytli data, bylo v podstatě fixováno ve skeneru: fyzicky omezeni, koukali na filmy, poslouchali, ale nepohybovali se prostorem, na nic nesahali, nemohli svět kolem sebe měnit, nedělali spontánní rozhodnutí, kam zaměřit pozornost.
Model nádherně mapuje vnímání, ale nezachycuje akci, kterou na základě tohoto vnímání děláte. To přivádí k otázce, kterou výzkumníci nechali otevřenou — nikoli jako řečnickou, ale jako skutečnou hranici poznání: co se stane, až digitální dvojče nebude svět jen sledovat, ale začne s ním interagovat? Pokud vnitřní geometrie pasivní AI již takto přesně zrcadlí pasivní lidský mozek, co se stane, až přidáme pohyb, prostorovou navigaci a svobodnou volbu? V jakém bodě přestane být dostatečně komplexní simulace lidského myšlení pouhým modelem a stane se něčím víc?
Univerzální princip organizace informací
To reálně nevíme. Ale víme toto: vědci postavili nástroj, který používá AI jako zrcadlo k pochopení lidské neurobiologie. Fakt, že systém původně navržený k předpovídání dalšího slova ve větě si vyvine vnitřní strukturu, která relativně přesně předpovídá reakci lidského mozku, není náhoda. Ukazuje to na univerzální princip toho, jak se organizují informace — ať už v křemíku nebo v uhlíku. Mozek i AI model řeší stejný problém a oba dospěli na stejné místo.
Až příště zavřete oči a budete něco poslouchat — hlas, hudbu, podcast, video — pamatujte, že digitální dvojče již ví, kam se vám hrne krev, než se vám tam nahrne. A váš zážitek není nutně výhradně váš: jeho značná část je univerzální. Může to znít děsivě, ale je to mimořádně zajímavá myšlenka, že poprvé v historii máme nástroj, který se může ptát proč. Proč vaše sluchová kůra reaguje právě tak? Proč se prefrontální kůra u textu aktivuje více než u videa? Proč jsou oblasti, kde se smysly spojují, přesně tak velké a mají přesně takový tvar, jaký mají?
Odpovědi na tyto otázky nám pomáhají lépe odhalit, co je mysl, jak funguje myšlení — a možná se jednou díky umělé inteligenci dozvíme, odkud pochází ta přírodní inteligence a proč se té umělé tak nápadně podobá.
