Introduzione: un nuovo paradigma di ricerca
Negli ultimi cinque anni, i grandi modelli di linguaggio (LLM) come GPT‑4, LLaMA e PaLM hanno dimostrato capacità sorprendenti nella generazione di testo, nella traduzione e nella risoluzione di problemi complessi. Questa evoluzione ha spinto neuroscienziati e psicologi cognitivi a chiedersi se le strutture interne di questi sistemi possano essere paragonate a quelle del cervello umano. L'obiettivo è duplice: capire meglio come funziona l'intelligenza artificiale e, allo stesso tempo, utilizzare l'IA come modello sperimentale per testare ipotesi sulla cognizione umana.
Il concetto di “cervello artificiale” non è nuovo; tuttavia, la disponibilità di reti neurali profonde con miliardi di parametri ha aperto la possibilità di effettuare analisi quantitative simili a quelle tradizionalmente riservate alla neuroimmagine. I ricercatori stanno quindi adottando tecniche di neuro‑imaging, analisi di rappresentazione e modelli di simulazione per mappare le attività interne degli LLM.
Metodologie di analisi comparata
Risonanza magnetica funzionale (fMRI) virtuale
Una delle tecniche più innovative è la cosiddetta “fMRI virtuale”. Gli scienziati presentano allo stesso set di stimoli linguistici sia a soggetti umani (monitorati con fMRI) sia a un LLM, registrando le attivazioni di ciascuna unità (neurone artificiale). Successivamente, confrontano le matrici di attivazione usando metriche di correlazione e analisi di componenti principali (PCA). In studi condotti dal MIT e dall'Università di Toronto, le mappe di attivazione dell'IA hanno mostrato pattern simili a quelli delle aree di Broca e Wernicke durante compiti di sintassi e semantica.
Analisi di rappresentazione multivariata (RSA)
L'RSA permette di confrontare spazi di rappresentazione astratti. I ricercatori costruiscono “distanze semantiche” tra parole (ad esempio, “cane” vs “gatto”) sia per il cervello umano, usando dati di elettroencefalografia (EEG), sia per l'IA, usando le attivazioni dei layer interni. Quando le strutture di distanza risultano statisticamente simili, si inferisce che l'IA sta organizzando le informazioni in modo comparabile a quello umano.
Stimoli controllati e test di causalità
Per andare oltre la correlazione, gli esperimenti includono manipolazioni causali. Ad esempio, gli scienziati “silenziano” (mascherano) specifici neuroni artificiali all'interno di un modello e osservano come ciò influisca sulla produzione di frasi grammaticalmente corrette. Parallelamente, studi clinici su pazienti con lesioni cerebrali forniscono un benchmark: se la rimozione di una regione cerebrale provoca errori sintattici analoghi a quelli osservati nell'IA, la similitudine è rafforzata.
Risultati chiave finora ottenuti
- Convergenza di rappresentazioni semantiche: LLM mostrano una gerarchia di concetti (animali, oggetti, azioni) che rispecchia la struttura semantica mappata nel lobo temporale umano.
- Similarità di dinamiche temporali: Analisi temporali di EEG e di attivazioni interne indicano che le fasi di elaborazione lessicale e sintattica avvengono in sequenze temporali analoghe, con picchi di attività entro 200‑300 ms dalla presentazione dello stimolo.
- Effetto di “pruning” neurale: Quando si riducono i parametri di un LLM, la perdita di performance segue curve di degradazione simili a quelle osservate in soggetti con deficit di capacità di memoria di lavoro.
Implicazioni per la psicologia cognitiva
Questi risultati offrono un nuovo “bench‑test” per teorie cognitive. Ad esempio, la teoria dell’“embodied cognition”, che sostiene che il significato sia radicato in esperienze sensomotorie, può essere testata “in silico” introducendo input visivi o motorii nei modelli multimodali. Se l'IA sviluppa rappresentazioni più “corporee” quando riceve dati sensoriali, si avvicina a confermare l'ipotesi.
Inoltre, la possibilità di “interrogare” un modello di IA con precisione millisecondica permette di esplorare la sequenza di passaggi cognitivi in modo più dettagliato rispetto alle limitazioni etiche e pratiche degli studi su soggetti umani.
Applicazioni pratiche e prospettive future
Comprendere le analogie tra cervello e IA ha vantaggi concreti. Nella medicina, i modelli di linguaggio possono essere usati per simulare l’impatto di lesioni cerebrali su funzioni linguistiche, aiutando nella pianificazione di interventi chirurgici. Nell’educazione, sistemi di tutoring basati su LLM che imitano i processi di apprendimento umano possono offrire feedback più naturali e personalizzati.
Guardando al futuro, le collaborazioni interdisciplinari stanno pianificando esperimenti più ambiziosi: reti neurali “ibride” che combinano architetture biologiche (circuiti di neuroni coltivati in vitro) con modelli di deep learning, o simulazioni a scala di interi “cervelli artificiali” che includono non solo il linguaggio ma anche emozioni e motivazione.
Conclusioni
Lo studio del linguaggio dell'intelligenza artificiale attraverso la lente della neuroscienza sta trasformando sia la nostra comprensione della mente umana sia lo sviluppo di sistemi di IA più intelligenti e trasparenti. Le metodologie di neuro‑imaging virtuale, l'analisi di rappresentazione multivariata e i test di causalità offrono una base solida per confronti rigorosi. I risultati finora raccolti suggeriscono una sorprendente convergenza tra le dinamiche di elaborazione del linguaggio umano e quelle dei grandi modelli di linguaggio, aprendo la strada a nuove scoperte sia in psicologia cognitiva che in ingegneria dell'IA.
