GCT : une nouvelle méthode d'IA transforme les boîtes noires de prédiction cérébrale en théories linguistiques testables

Les LLM peuvent prédire l'activité cérébrale à partir du langage avec une grande précision, mais la raison de leur efficacité reste opaque. Des chercheurs de Microsoft Research, de l'Université de Californie à Berkeley, de l'Université de Californie à San Francisco et de l'Université de Columbia ont introduit le test causal génératif (GCT, pour « Generative Causal Testing ») pour transformer ces modèles boîte noire en théories lisibles et testables. Le GCT extrait d'abord les courtes phrases qui stimulent le plus la réponse prédite d'une région cérébrale et les résume en une explication comme « préparation des aliments » ou « noms de lieux ». Ensuite, un LLM rédige de nouvelles histoires conçues pour activer cette région spécifique ; les sujets les écoutent dans un scanner IRMf, et si la région s'illumine au-dessus du niveau de base, l'explication réussit un test causal. Dans les expériences, le GCT a confirmé la sélectivité connue et a distingué trois zones voisines de traitement des lieux : le cortex rétrosplénial (RSC) répond plus fortement aux noms de lieux propres, la zone parahippocampique des lieux (PPA) aux lieux généraux, et la zone occipitale des lieux (OPA) à la disposition des scènes. Il a également découvert de nouvelles micro-régions préfrontales sensibles au dialogue (mots comme « dit »), aux heures (« une heure ») et aux mesures numériques (« 50 pieds »). La méthode prouve que les modèles basés sur les données peuvent être distillés en théories expérimentalement testables, faisant progresser à la fois les neurosciences et les domaines scientifiques plus larges.