GCT: novo método de IA transforma caixas-pretas de previsão cerebral em teorias linguísticas testáveis

LLMs conseguem prever a atividade cerebral a partir da linguagem com alta precisão, mas por que funcionam permanece obscuro. Pesquisadores da Microsoft Research, UC Berkeley, UCSF e Columbia introduziram o Teste Causal Generativo (GCT, na sigla em inglês) para transformar esses modelos de caixa-preta em teorias legíveis e testáveis. O GCT primeiro extrai frases curtas que mais impulsionam a resposta prevista de uma região cerebral e as resume em uma explicação como "preparação de alimentos" ou "nomes de lugares". Em seguida, um LLM escreve novas histórias projetadas para ativar essa região específica; os sujeitos as ouvem em um scanner de ressonância magnética funcional (fMRI), e se a região se iluminar acima da linha de base, a explicação passa em um teste causal. Em experimentos, o GCT confirmou seletividade conhecida e distinguiu três áreas vizinhas de processamento de lugares: o córtex retrosplenial (RSC) responde mais fortemente a nomes próprios de locais, a área para-hipocampal do lugar (PPA) a locais genéricos e a área occipital do lugar (OPA) ao layout da cena. Também descobriu novas microrregiões pré-frontais sintonizadas com diálogo (palavras como "disse"), horários de relógio ("uma hora") e medidas numéricas ("50 pés"). O método prova que modelos baseados em dados podem ser destilados em teorias experimentalmente testáveis, avançando tanto a neurociência quanto campos científicos mais amplos.