Cervello e modelli linguistici, che cosa dice davvero la convergenza

Nel 2026 la convergenza tra cervello e modelli linguistici è passata dall’entusiasmo ai controlli.

Per qualche anno la notizia è circolata con la leggerezza dei fatti che sembrano troppo belli per essere falsi, e cioè che i modelli linguistici, addestrati soltanto a prevedere la parola successiva, finiscano poi per rappresentare il linguaggio in un modo che somigli a quello del nostro cervello. Si è parlato di convergenza tra cervello e modelli linguistici, di cervelli e macchine che arrivano per strade diverse alla stessa soluzione. E allora la letteratura ha iniziato a fare quello che la buona scienza fa dopo l’entusiasmo, cioè a chiedersi che cosa significhi esattamente quella somiglianza, da che cosa dipenda e se regga quando le si tolgono gli appoggi. Il quadro che ne esce è molto interessante, e lo è proprio perché non è né una smentita né una conferma, ma una mappa più precisa di ciò che sappiamo, di ciò che stiamo solo supponendo e di ciò che rischiamo di raccontarci perché fa un bel titolo.

Vale la pena percorrerla con calma, perché chiunque scriva, insegni, progetti prodotti o semplicemente usi ogni giorno un assistente conversazionale si trova prima o poi davanti a una frase del tipo “il modello ragiona come noi”, e quella frase può voler dire cose molto diverse, alcune solide e altre del tutto prive di fondamento.

Che cosa vuol dire “allineamento”

Conviene partire dalla parola, perché tutto il dibattito ruota attorno a questa. Nei lavori di questo filone, allineamento significa in genere una cosa molto precisa e molto operativa. Si fa ascoltare a dei partecipanti un racconto mentre se ne registra l’attività cerebrale, si estraggono dal modello le rappresentazioni interne corrispondenti alle stesse parole, e si misura quanto bene queste ultime, attraverso un modello di codifica lineare, permettano di prevedere il segnale cerebrale su dati mai visti in fase di addestramento. Un punteggio alto di predizione viene letto come indizio che il modello catturi qualcosa di ciò che il cervello calcola quando comprende.

È un’inferenza ragionevole, ma è un’inferenza, e come tale può essere sbagliata per molte ragioni. Il linguaggio naturale ha una forte struttura temporale e lessicale, e anche strumenti molto più semplici di un grande modello linguistico possono sfruttarla per predire il segnale. Le parole frequenti arrivano in un certo modo, le frasi hanno un ritmo, i racconti hanno una continuità di argomento che si trascina da un momento al successivo, e il segnale cerebrale registrato con le tecniche non invasive è lento, rumoroso e ricco di correlazioni nel tempo. Un punteggio di predizione, da solo, dice quanta parte della variazione del segnale viene spiegata, non dice perché.

Il segnale cerebrale contiene moltissimo che non ha a che fare con il linguaggio, dall’attenzione alla respirazione, dal movimento degli occhi alla stanchezza, e dunque il massimo teorico di ciò che si può predire è basso per costruzione. Quando si dice che un modello si allinea bene, si intende che si avvicina a quel tetto più di altri modelli, non che spieghi la maggior parte di ciò che accade nella testa di chi ascolta.

Un ordine che somiglia

Alla fine, si è arrivati a una definizione provvisoria ma robusta, secondo cui gli strati iniziali dei modelli si allineano meglio alle risposte cerebrali precoci, mentre gli strati profondi si allineano meglio a quelle tardive. Questo vuol dire che modello e cervello sembrano costruire le rappresentazioni nello stesso ordine, dal più superficiale al più astratto. L’effetto compare sia nei transformer sia nelle architetture ricorrenti, e dipende sia dalla dimensione del modello sia dalla lunghezza del contesto che gli viene fornito. Quindi, la somiglianza non sta nell’architettura, che è radicalmente diversa, ma nella sequenza delle trasformazioni.

Per capire quanto sia notevole, bisogna pensare a che cosa succede in una persona che ascolta. Prima arriva il suono, e le aree uditive lo trattano in termini di caratteristiche acustiche e di identità delle parole. Poi, nel giro di qualche centinaio di millisecondi, entrano in gioco regioni che integrano la parola con ciò che è stato detto prima, ne risolvono l’ambiguità, la collocano in una struttura sintattica e la collegano a un significato. Un modello linguistico, a modo suo, fa qualcosa di analogo strato dopo strato, con in basso la forma della parola e i suoi vicini immediati, nel mezzo la struttura della frase, in alto un significato sempre più dipendente dal contesto.  

Gli strati che si allineano meglio al cervello sono però quasi sempre quelli intermedi, non gli ultimi. Gli ultimi sono specializzati nel compito per cui il modello è stato addestrato, cioè scegliere la parola successiva in un vocabolario, e questa è una specializzazione che il cervello non condivide. Il punto di massima somiglianza, insomma, non coincide con il punto in cui il modello fa ciò che sa fare meglio. Sembra quasi che la somiglianza sia un sottoprodotto del percorso più che del traguardo.

Il problema dei confronti troppo facili

Se si paragona un grande modello a niente, qualunque punteggio sembra una vittoria. Se lo si paragona a rappresentazioni elementari, come la semplice frequenza delle parole, la loro posizione nel racconto o vettori statici che associano a ogni parola un significato medio indipendente dal contesto, la distanza si riduce molto più di quanto si immagini, e una parte del vantaggio attribuito alla comprensione si rivela essere solo una capacità di cogliere regolarità superficiali.

Anche modelli non addestrati, con pesi assegnati a caso, riescono a ottenere punteggi diversi da zero, perché la loro architettura da sola trasmette informazioni sull’identità e sull’ordine delle parole. Questo non invalida il risultato, ma lo ridimensiona, perché dice che una parte dell’allineamento arriva dalla struttura dell’input e del calcolo, non da ciò che il modello ha imparato.

Una mappatura lineare è molto flessibile, tanto che con abbastanza dimensioni a disposizione riesce a trovare una corrispondenza anche tra cose che non hanno nulla a che fare l’una con l’altra, a meno che non si controlli rigorosamente la regolarizzazione, la dimensione dei dati e la validazione su materiale nuovo. Per questo i lavori più seri insistono sui test fuori campione e sui confronti con alternative ragionevoli, e per questo un risultato diventa credibile solo quando sopravvive a controlli pensati apposta per farlo fallire.

Predire non è comprendere nello stesso modo

Esiste però un punto di contatto tra i due mondi, ed è l’idea che anche il nostro cervello sia, in una certa misura, una macchina predittiva. Durante l’ascolto, le aree del linguaggio mostrano segnali che crescono quando la parola che arriva è poco attesa, e questo suggerisce che anticipare ciò che verrà sia una parte reale del modo in cui comprendiamo. È uno dei motivi per cui la convergenza non sorprende del tutto, dato che se il compito è lo stesso, o simile, è plausibile che le soluzioni si somiglino.

Ma tra anticipare e comprendere corre una distanza che le macchine non hanno ancora colmato, e che il cervello colma con strumenti che i modelli non possiedono. Un bambino impara a parlare con una frazione minuscola del testo su cui viene addestrato un modello, lo fa dentro un corpo, in relazione con altre persone, con intenzioni da comunicare e bisogni da soddisfare, e con un consumo energetico paragonabile a quello di una lampadina. Il cervello umano integra informazioni su scale temporali diverse, usa connessioni di ritorno che fanno scendere le aspettative dagli strati alti a quelli bassi, lavora con ritmi oscillatori che organizzano il flusso del linguaggio in unità, e ancora il significato che costruisce è agganciato a esperienze percettive e motorie. Il modello, invece, lavora su una finestra fissa di simboli, senza corpo e senza scopi propri. Sono differenze che non cancellano la somiglianza osservata, ma ne definiscono il perimetro. Ci dicono che ciò che coincide è una parte, importante e delimitata, di un processo molto più ampio.

Perché cervello e modelli linguistici potrebbero convergere

E allora, se la somiglianza è reale, resta da capire da dove venga, e le spiegazioni più convincenti non hanno a che fare con una misteriosa affinità tra neuroni e parametri. Hanno a che fare con il mondo. Il nostro linguaggio non è un flusso casuale di suoni, perché riflette una realtà con regolarità, categorie, relazioni causali, e una lingua si è sedimentata nel corso di generazioni proprio perché doveva essere facile da imparare e da usare per un cervello con risorse limitate. Qualunque sistema che si metta a comprimere in modo efficiente quella struttura, che sia fatto di tessuto nervoso o di moltiplicazioni di matrici, è spinto verso soluzioni che ne catturano le stesse articolazioni principali.

Come leggere i prossimi titoli

Concludendo, quando incontrerete una nuova notizia sul legame tra cervello e modelli linguistici, varrà credo la pena farsi alcune domande semplici. Con che cosa è stato confrontato il modello, e le alternative erano davvero concorrenti o erano state scelte perché perdessero? Il risultato è stato verificato su materiale mai visto? Quanta parte del segnale è stata spiegata rispetto al massimo teoricamente raggiungibile? Si parla di tutti gli strati o soltanto del migliore? E, soprattutto, l’affermazione riguarda la predizione di un segnale o il meccanismo che lo produce? Sono domande che non richiedono competenze tecniche, e che separano le notizie robuste da quelle decorative.