Una IA propone hipótesis sobre el cerebro y las pone a prueba en el escáner

El 13 de junio de 2026, un equipo de Microsoft Research, la Universidad de California en Berkeley, UCSF y otras instituciones actualizó un trabajo sobre una técnica llamada generative causal testing, o GCT. Una inteligencia artificial puede acertar al predecir qué zonas del cerebro responderán a una historia y, aun así, no explicar qué ha aprendido.

La propuesta no busca diagnosticar enfermedades ni convertir un escáner en un lector de pensamientos. Se concentra en una pregunta más delimitada de la neurociencia del lenguaje: cuando una región cortical responde al escuchar una narración, ¿qué característica del lenguaje está impulsando esa respuesta? Y, sobre todo, ¿puede esa explicación ponerse a prueba con un experimento nuevo?

De una predicción opaca a una hipótesis

Los modelos de codificación cerebral pueden asociar representaciones de modelos de lenguaje con señales BOLD obtenidas por resonancia magnética funcional, o fMRI. Son útiles para anticipar la respuesta de pequeños volúmenes de tejido cerebral, llamados vóxeles, ante un estímulo lingüístico. Pero las representaciones internas de un modelo grande de lenguaje no vienen acompañadas de una etiqueta científica sencilla.

GCT añade un paso de traducción y otro de comprobación. Parte de un modelo que predice bien la respuesta de un vóxel, busca fragmentos de texto que producirían una respuesta alta y usa un modelo de lenguaje para resumir el patrón en una hipótesis verbal breve. Esa frase puede apuntar, por ejemplo, a un tipo de contenido semántico, no a una “caja” cerebral con un único significado.

Después llega la parte decisiva: el sistema genera nuevas narraciones diseñadas alrededor de esa hipótesis y los investigadores las presentan a participantes en un escáner. Si la región responde más ante el pasaje pensado para ella que ante otros pasajes, la explicación gana apoyo experimental. Así, la IA no sustituye la medición; sirve para proponer un experimento que puede fallar.

Qué puso a prueba el estudio

En el trabajo disponible públicamente, los autores ajustaron modelos por vóxel con datos de tres personas que escuchaban 20 horas de historias. Para el experimento posterior eligieron 17 vóxeles con buen rendimiento predictivo por participante y elaboraron relatos sintéticos destinados a estimularlos. El artículo informa de que 41 de los 51 vóxeles evaluados mostraron una respuesta mayor que su línea base durante los párrafos diseñados para ellos.

El equipo también aplicó el método a regiones de interés. Una utilidad de este enfoque es distinguir áreas que, vistas con una etiqueta amplia, parecen similares. En las pruebas sobre regiones vinculadas a lugares, por ejemplo, los autores buscaron descripciones más precisas que permitieran separarlas con estímulos distintos. Ese resultado no convierte una frase corta en una definición definitiva de un área cerebral: convierte la frase en una predicción que un experimento puede refutar o afinar.

Una frontera importante

La cautela es esencial. El estudio trata de respuestas al lenguaje en condiciones controladas, con una muestra pequeña y una metodología específica; no demuestra que un modelo comprenda el cerebro ni que pueda inferir pensamientos privados de una persona. Incluso los autores describen las explicaciones como caracterizaciones parciales: varios rasgos semánticos pueden contribuir a la respuesta de un mismo vóxel o región.

Su aportación más interesante es metodológica. En vez de celebrar una caja negra porque predice bien, GCT exige que produzca una hipótesis entendible, diseñe una intervención y se enfrente a una medición independiente. Para la investigación del cerebro, esa disciplina puede ayudar a conectar modelos que manejan muchos datos con teorías que otros científicos puedan discutir, repetir y mejorar.

El preprint de GCT indica que el trabajo fue aceptado en Nature Neuroscience. Aun así, su valor inmediato está en el procedimiento: usar modelos generativos para acelerar la pregunta experimental, no para cerrar el debate científico.