GCT: nuevo método de IA transforma cajas negras de predicción cerebral en teorías lingüísticas comprobables

Los modelos de lenguaje grande pueden predecir la actividad cerebral a partir del lenguaje con alta precisión, pero la razón por la que funcionan sigue siendo opaca. Investigadores de Microsoft Research, UC Berkeley, UCSF y Columbia introdujeron la Prueba Causal Generativa (GCT) para convertir estos modelos de caja negra en teorías legibles y comprobables. Primero, GCT extrae frases cortas que más impulsan la respuesta predicha de una región cerebral y las resume en una explicación como "preparación de alimentos" o "nombres de lugares". Luego, un modelo de lenguaje grande escribe nuevas historias diseñadas para activar esa región específica; los sujetos las escuchan en un escáner de resonancia magnética funcional, y si la región se ilumina por encima del nivel basal, la explicación supera una prueba causal. En experimentos, GCT confirmó la selectividad conocida y distinguió tres áreas vecinas de procesamiento de lugares: la corteza retrosplenial (RSC) responde más fuertemente a nombres propios de lugares, el área parahipocampal de lugares (PPA) a lugares en general, y el área occipital de lugares (OPA) al diseño de la escena. También descubrió nuevas micro-regiones prefrontales sintonizadas con diálogo (palabras como "dijo"), horas del reloj ("la una") y mediciones numéricas ("50 pies"). El método demuestra que los modelos basados en datos pueden destilarse en teorías experimentalmente comprobables, avanzando tanto la neurociencia como campos científicos más amplios.