Un estudio publicado en eLife comparó resonancias cerebrales de 30 personas con ocho modelos de inteligencia artificial y encontró diferencias en la manera de representar quién realiza una acción y quién la recibe dentro de una oración.
Redacción: Redacción Mundo de la Salud
Editor: Karem Díaz S.
Una investigación internacional encabezada por científicos de la Universidad de Melbourne, en Australia, y la Universidad Hitotsubashi, en Japón, encontró diferencias significativas entre la manera en que el cerebro humano representa el significado de las oraciones y el funcionamiento interno de los modelos de lenguaje utilizados en sistemas de inteligencia artificial. El estudio, publicado el 23 de octubre de 2026 en la revista científica eLife, utilizó resonancias magnéticas funcionales de alta resolución para comparar la actividad cerebral de 30 participantes con las representaciones computacionales de ocho modelos basados en la arquitectura transformer.
Los resultados indican que, aunque estos sistemas pueden generar textos coherentes y reconocer numerosas relaciones lingüísticas, sus representaciones internas no reproducen adecuadamente ciertos mecanismos mediante los cuales el cerebro integra el significado de las palabras con la estructura de una oración.
La diferencia fue especialmente evidente cuando los investigadores analizaron frases que contenían las mismas palabras, pero expresaban situaciones distintas debido al intercambio de los protagonistas de una acción.
El trabajo aporta nueva información a la neurociencia del lenguaje y al debate científico sobre hasta qué punto los modelos de inteligencia artificial procesan la información lingüística de una manera comparable a la humana.
Resonancias magnéticas para investigar cómo comprende el cerebro
El equipo científico, integrado por James Fodor, Carsten Murawski y Shinsuke Suzuki, utilizó imágenes de resonancia magnética funcional de 7 teslas, una tecnología que permite estudiar cambios relacionados con la actividad cerebral mediante señales dependientes de la oxigenación sanguínea.
Los 30 participantes leyeron individualmente 108 oraciones diseñadas para separar dos componentes fundamentales del lenguaje: el significado de las palabras y las relaciones estructurales que determinan cómo se combinan dentro de una frase.
Durante la lectura, los investigadores registraron patrones de actividad en regiones cerebrales relacionadas con el procesamiento lingüístico. Posteriormente compararon esos patrones con las representaciones producidas por diferentes sistemas computacionales al procesar las mismas oraciones.
La metodología permitió estudiar un aspecto que no siempre resulta evidente en las evaluaciones convencionales de inteligencia artificial: dos sistemas pueden ofrecer respuestas lingüísticas semejantes y, sin embargo, representar internamente la información de maneras diferentes.
Este enfoque complementa investigaciones anteriores sobre la organización neuronal de las oraciones antes del habla, que han identificado la participación coordinada de grupos de neuronas en el procesamiento de sustantivos, verbos y otros elementos de la estructura lingüística.
La diferencia aparece cuando cambia quién realiza la acción
Uno de los ejemplos utilizados para explicar el problema consiste en comparar dos oraciones que contienen las mismas palabras, pero presentan significados distintos debido a su orden.
En español, las frases «el perro muerde al hombre» y «el hombre muerde al perro» comparten prácticamente el mismo vocabulario. Sin embargo, describen acontecimientos diferentes porque cambia quién realiza la acción y quién la recibe.
Para comprender correctamente ambas situaciones, el cerebro debe reconocer las palabras, identificar sus funciones gramaticales y establecer las relaciones entre los participantes del acontecimiento.
Los investigadores encontraron que las representaciones cerebrales eran sensibles a estas diferencias estructurales. En cambio, los modelos de lenguaje analizados tendían a representar las oraciones intercambiadas como más semejantes entre sí de lo que indicaban los patrones cerebrales.
Esto no significa que los sistemas de inteligencia artificial sean incapaces de identificar cuál es el sujeto de una oración o de responder correctamente preguntas sobre su significado.
La diferencia identificada se encuentra en la forma en que sus representaciones internas combinan espontáneamente las relaciones gramaticales y semánticas, según las mediciones utilizadas en el estudio.
Ocho modelos de lenguaje frente a otras once representaciones computacionales
Para establecer las diferencias, los científicos compararon ocho modelos basados en transformers con otras once representaciones semánticas computacionales.
Algunas de estas representaciones alternativas estaban diseñadas para incorporar explícitamente las relaciones entre los elementos de una oración, mientras que otras utilizaban principalmente información sobre las palabras individuales.
Los investigadores emplearon un procedimiento denominado análisis de similitud representacional, que permite comparar patrones de semejanza entre respuestas cerebrales y representaciones matemáticas generadas por modelos computacionales.
En lugar de exigir que las señales cerebrales y los sistemas artificiales utilizaran el mismo tipo de información, el procedimiento examinó si ambos consideraban semejantes o diferentes los mismos pares de oraciones.
El conjunto experimental permitió establecer 5.778 comparaciones entre pares de frases. Dentro de ellas, 918 correspondían al grupo especialmente relevante para estudiar diferencias estructurales manteniendo una elevada semejanza entre las palabras utilizadas.
Los modelos transformer representaron mejor la actividad cerebral que los sistemas que ignoraban completamente el orden de las palabras. Sin embargo, mostraron resultados inferiores a los de determinados modelos que incorporaban explícitamente los papeles semánticos.
Los modelos estructurados se acercaron más a la actividad cerebral
Uno de los resultados más importantes apareció al evaluar modelos híbridos que identifican de manera explícita funciones como agente, paciente, acción, lugar o tiempo.
El sistema denominado VerbNet-CN mostró una mayor correspondencia con los patrones cerebrales en las comparaciones diseñadas para distinguir oraciones con palabras semejantes y relaciones estructurales diferentes.
Otro modelo, AMR-Smatch, también obtuvo resultados favorables en ese tipo de comparación.
Estos hallazgos sugieren que representar explícitamente las relaciones entre los componentes de una oración puede resultar importante para desarrollar modelos computacionales que reproduzcan mejor determinados aspectos del procesamiento lingüístico cerebral.
Sin embargo, los autores advierten que el resultado no demuestra la superioridad general de una arquitectura frente a todas las demás ni permite establecer una equivalencia completa entre un modelo computacional y el funcionamiento del cerebro.
El trabajo se concentra en un componente específico de la comprensión lingüística: la integración de la información léxica con las relaciones estructurales que determinan el significado de una oración.
Qué revela el estudio sobre la inteligencia artificial y la comprensión humana
Los modelos de lenguaje actuales pueden redactar documentos, resumir investigaciones, traducir textos y responder preguntas complejas. Estas capacidades han impulsado su utilización en numerosos ámbitos profesionales, incluida la medicina.
Sin embargo, el desempeño observable de un sistema no permite determinar automáticamente si sus mecanismos internos son equivalentes a los utilizados por el cerebro humano.
La investigación aporta evidencia de que los transformers analizados no representaron determinadas relaciones semánticas de una manera suficientemente semejante a los patrones registrados mediante resonancia magnética funcional.
Los resultados tampoco demuestran que los modelos de lenguaje carezcan de toda capacidad para procesar significado. Los propios autores reconocen que estos sistemas pueden codificar información estructural y utilizarla para resolver tareas lingüísticas.
La cuestión científica consiste en determinar cómo se organiza esa información dentro de las representaciones internas y hasta qué punto corresponde a los mecanismos empleados por el cerebro.
Esta distinción también resulta importante para interpretar los avances de la inteligencia artificial utilizada en decisiones médicas, donde generar respuestas aparentemente correctas no garantiza que un sistema mantenga un comportamiento fiable ante todas las situaciones.
El cerebro utiliza relaciones que van más allá de las palabras aisladas
La investigación refuerza la importancia de estudiar el lenguaje como un proceso de integración entre múltiples componentes cognitivos.
La comprensión de una oración requiere reconocer elementos individuales, pero también establecer relaciones entre ellos para construir una representación del acontecimiento descrito.
Los resultados sugieren que los papeles semánticos constituyen un componente relevante de las representaciones cerebrales. Estas funciones permiten distinguir, por ejemplo, quién actúa, quién recibe una acción y qué relación existe entre los diferentes participantes.
El equipo también identificó un efecto relacionado con la longitud de las oraciones. Determinadas frases largas produjeron patrones cerebrales relativamente semejantes, incluso cuando diferían en su vocabulario y significado.
Los investigadores consideran que este fenómeno podría relacionarse con una mayor demanda de procesamiento, memoria u otros mecanismos cognitivos, aunque todavía no se ha determinado su explicación exacta.
La utilización de resonancias magnéticas de alta resolución para estudiar la organización cerebral permite explorar este tipo de relaciones entre actividad neuronal, procesos cognitivos y funcionamiento de diferentes regiones de la corteza.
Posibles aplicaciones en neurología y trastornos del lenguaje
Además de sus implicaciones para el desarrollo de inteligencia artificial, los resultados podrían contribuir a comprender mejor los mecanismos cerebrales que intervienen en la interpretación del lenguaje.
Los autores señalan que conocer con mayor precisión cómo se representa el significado de las oraciones puede ayudar a orientar futuras investigaciones sobre alteraciones lingüísticas relacionadas con accidentes cerebrovasculares o intervenciones quirúrgicas.
En determinadas lesiones neurológicas, las personas pueden experimentar dificultades para comprender frases complejas, identificar relaciones gramaticales o producir expresiones lingüísticas correctamente organizadas.
Estudiar las diferencias entre los sistemas artificiales y el cerebro puede proporcionar herramientas conceptuales y computacionales para investigar esos procesos.
No obstante, el trabajo publicado en eLife no evaluó pacientes con afasia ni probó tratamientos de rehabilitación. Sus posibles aplicaciones clínicas representan líneas de investigación futuras y no procedimientos terapéuticos actualmente validados por este experimento.
La relación entre lenguaje y funcionamiento cerebral también se investiga mediante herramientas que analizan características del habla asociadas con el envejecimiento cognitivo, aunque estos estudios utilizan metodologías y objetivos diferentes.
Las limitaciones del experimento y las preguntas pendientes
La evaluación editorial publicada por eLife consideró que el estudio presenta hallazgos valiosos y evidencia sólida, aunque identificó aspectos metodológicos que requieren atención.
Una de las principales limitaciones es que los participantes leyeron un conjunto relativamente reducido de oraciones con estructuras controladas. Este diseño permitió aislar las relaciones entre palabras, pero no reproduce toda la complejidad de una conversación natural.
Los investigadores también observaron una correspondencia sorprendentemente baja entre determinadas evaluaciones conductuales del significado de las oraciones y los patrones de actividad cerebral.
Una posible explicación es que las personas que realizaron comparaciones explícitas entre frases no eran las mismas que participaron en el experimento de resonancia magnética y desarrollaron tareas diferentes.
Además, el estudio examinó un conjunto específico de modelos y procedimientos de comparación. Sus conclusiones no pueden extenderse automáticamente a todos los sistemas de inteligencia artificial actuales o futuros.
Los autores consideran necesario ampliar las investigaciones para identificar qué aspectos del significado lingüístico están representados adecuadamente por los modelos de lenguaje y cuáles presentan diferencias importantes respecto de la actividad cerebral humana.
Una nueva perspectiva para estudiar el lenguaje y el cerebro
El trabajo ofrece una contribución a la neurociencia cognitiva al mostrar que las relaciones estructurales entre palabras desempeñan un papel importante en la representación cerebral del significado de las oraciones.
También proporciona un criterio experimental para evaluar sistemas de inteligencia artificial más allá de su capacidad para producir respuestas convincentes.
La investigación no establece una respuesta definitiva sobre si una máquina puede comprender el lenguaje. Demuestra, dentro de las condiciones estudiadas, que un buen desempeño lingüístico no implica necesariamente que las representaciones internas del sistema coincidan con las utilizadas por el cerebro humano.
Esta diferencia resulta especialmente relevante para la investigación biomédica y el desarrollo de herramientas digitales que buscan aproximarse a determinados procesos cognitivos.
Los hallazgos indican que los modelos capaces de incorporar explícitamente relaciones semánticas podrían ofrecer nuevas oportunidades para investigar cómo el cerebro organiza la información lingüística, aunque todavía será necesario comprobar su comportamiento con estructuras más diversas y situaciones comunicativas naturales.
Fuentes referenciales:
eLife — Large language models poorly capture how word order shapes representations of sentence meaning in the human brain, 23 de octubre de 2026
Infobae — Investigación sobre inteligencia artificial y procesamiento cerebral del lenguaje, 25 de octubre de 2026
