Introduzione

Negli ultimi anni i modelli di linguaggio di grandi dimensioni (Large Language Model, LLM) come GPT‑4 hanno dimostrato una sorprendente capacità di comprendere e generare testo in modo coerente. Ora, per la prima volta, un team internazionale di neuroscienziati ha sfruttato questi modelli come strumento di “cervello‑in‑silicio” per investigare come il cervello umano rappresenta il significato delle parole.

Metodologia: dall’IA al cervello umano

Lo studio, pubblicato su Nature Neuroscience, ha coinvolto dieci pazienti sottoposti a monitoraggio intracranico per motivi clinici (epilessia farmacoresistente). Gli autori hanno registrato l’attività dei neuroni in aree chiave del linguaggio, in particolare nella corteccia temporale mediale e nel gyrus temporale superiore.

Parallelamente, i ricercatori hanno addestrato un LLM specializzato su un corpus di 10 milioni di frasi tratte da testi scientifici, narrativi e conversazionali. Il modello è stato poi “interrogato” con le stesse parole presentate ai pazienti, generando vettori semantici (embedding) per ciascuna vocabola.

Allineamento dei pattern neurali con gli embedding

Per confrontare i dati neurali con gli embedding del LLM, è stata utilizzata la tecnica della “representational similarity analysis” (RSA). Questa metodologia consente di calcolare la correlazione tra la matrice di distanza dei pattern di attivazione neurale e quella dei vettori semantici.

Un alto coefficiente di correlazione (r = 0.68, p < 0.001) è stato osservato nella corteccia temporale mediale, indicando una codifica semantica condivisa.
Neuroni seletti hanno mostrato ramp-up di attività quando la parola presentava un alto valore di “concreteness” nei dati del LLM, ad esempio “mela” o “casa”.
Al contrario, parole astratte come “giustizia” o “libertà” hanno attivato reti più diffuse, coinvolgendo anche il lobo frontale laterale.

Esempi concreti di codifica semantica

Durante gli esperimenti, ai pazienti sono state presentate parole in sequenza, seguite da domande di comprensione. Nei casi in cui la risposta corretta era “sì”, l’attività dei neuroni mostrava un pattern più stabile e più similare agli embedding del LLM rispetto a risposte “no”. Questo suggerisce che la “fiducia” nella comprensione semantica si riflette direttamente nella coerenza delle rappresentazioni neurali.

Un caso peculiare ha coinvolto la parola “casa”. Nei soggetti A e B, la risposta emotiva (sentimento di “sicurezza”) è stata rilevata non solo nella corteccia temporale, ma anche nell’amigdala, suggerendo una fusione tra significato semantico e valenza emotiva.

Implicazioni per i disturbi del linguaggio

La scoperta di pattern neurali che rispecchiano le rappresentazioni dei LLM apre nuove strade per la diagnosi precoce di afasia e altre patologie linguistiche. Grazie a algoritmi di apprendimento automatico, è possibile creare “mappe semantiche” personalizzate per ciascun paziente, facilitando terapie mirate.

Ad esempio, nella terapia di riabilitazione post‑ictus, i pazienti potrebbero essere esposti a parole con embedding simili a quelle che hanno mostrato maggiore attivazione, potenziando il recupero della rete semantica.

Verso interfacce cervello‑computer basate sul significato

Un’altra prospettiva emergente riguarda le interfacce cervello‑computer (BCI) capaci di tradurre l’attività neurale in parole o frasi. Se i pattern neurali corrispondono a vettori semantici noti, un algoritmo può ricostruire il contenuto semantico inteso dall’utente, consentendo comunicazioni per persone con paralisi totale.

Gli autori hanno già testato un prototipo: usando i dati di tre soggetti, il sistema è riuscito a predire correttamente il 73 % delle parole presentate, basandosi esclusivamente sull’attivazione dei neuroni nella corteccia temporale.

Limiti e futuri sviluppi

Nonostante i risultati promettenti, lo studio presenta alcune limitazioni. Il campione di pazienti è piccolo e, per motivi etici, limitato a soggetti con condizioni neurologiche specifiche. Inoltre, la generalizzazione dei risultati a popolazioni sane richiede ulteriori ricerche.

Gli autori propongono di estendere la metodologia a studi su larga scala, integrando dati di risonanza magnetica funzionale (fMRI) e magnetoencefalografia (MEG) per mappare le dinamiche temporali della codifica semantica a livello di reti più ampie.

Conclusioni

Questo studio dimostra che i modelli di linguaggio di grandi dimensioni non sono solo strumenti di elaborazione del testo, ma anche potenti “lenti” per osservare il cervello umano. L’allineamento tra embedding dei LLM e attività neurale suggerisce che il cervello utilizza rappresentazioni semantiche analoghe a quelle dei moderni algoritmi di intelligenza artificiale. Il potenziale impatto su diagnosi, terapie e interfacce neurali è enorme, anticipando una nuova era in cui neuroscienze e intelligenza artificiale si intrecciano per svelare i misteri del linguaggio umano.