GCT：脳予測のブラックボックスを検証可能な言語理論に変える新たなAI手法

大規模言語モデル（LLM）は自然言語から脳活動を高い精度で予測できるが、その仕組みは未だに不透明である。マイクロソフト・リサーチ、カリフォルニア大学バークレー校、カリフォルニア大学サンフランシスコ校（UCSF）、コロンビア大学の研究者らは、これらのブラックボックスモデルを読み取り可能で検証可能な理論に変換する「生成的因果テスト（Generative Causal Testing, GCT）」を導入した。GCTはまず、脳領域の予測反応を最も駆動する短いフレーズを抽出し、「食事の準備」や「地名」などの説明に要約する。次に、LLMがその特定の領域を活性化するように設計された新しいストーリーを作成し、被験者がfMRIスキャナー内でそれを聞く。その領域がベースラインよりも強く反応すれば、説明は因果テストに合格したことになる。実験では、GCTは既知の選択性を確認し、3つの隣接する場所処理領域を区別することに成功した。すなわち、脳梁膨大後部皮質（RSC）は固有名詞の場所名に、海馬傍回の場所領域（PPA）は一般的な場所に、後頭葉の場所領域（OPA）は景観レイアウトに強く反応する。また、GCTは会話（「said」などの単語）、時刻（「one o’clock」）、数値測定（「50 feet」）に同調する新たな前頭前野の微小領域も発見した。この手法は、データ駆動型モデルを実験的に検証可能な理論に蒸留できることを示し、神経科学およびより広範な科学分野の進展に貢献する。