Un equipo del MIT ha identificado en seis modelos de lenguaje la misma organización de cuatro dominios cognitivos modulares que los neurocientíficos han descrito en el cerebro humano. El estudio, firmado por Pengrui Han, Jacob Andreas, Evelina Fedorenko y Andrea Gregor de Varda, fue enviado a arxiv el 27 de junio de 2026 (referencia 2608.13567). Lo recoge El Confidencial el 10 de octubre en su sección de tecnología.
Fedorenko es una de las neurolinguistas más citadas del MIT, con décadas de trabajo sobre la red lingüística del cerebro humano. Que dirija este estudio no es un detalle menor: es quien mejor entiende qué significa encontrar modularidad en biología, y ahora la busca en silicio.
¿Qué encontraron los investigadores del MIT exactamente?
El equipo analizó 46 tareas cognitivas distribuidas en cuatro dominios: lenguaje (8 tareas), razonamiento formal (20 tareas), razonamiento físico (9 tareas) y razonamiento social (9 tareas). Esa taxonomía corresponde a los cuatro sistemas cognitivos que las neurociencias han identificado en el córtex humano.
La hipótesis: si los modelos de lenguaje utilizan representaciones internas similares a las del cerebro, las tareas que activan los mismos sistemas neuronales en humanos deberían activar grupos de neuronas artificiales solapados en los modelos. Las que activan sistemas distintos en humanos deberían activar grupos distintos.
Los resultados confirmaron la hipótesis en seis modelos: desde los 24.000 millones de parámetros de Mistral-Small-24B hasta los 123.000 millones de Mistral-Large-123B, pasando por Qwen2.5-32B, OLMo-2-32B, Llama-3.1-70B y Qwen2.5-72B. GPT-2-small sirvió como control.
La metodología tiene tres componentes técnicos: attribution patching (para identificar qué parámetros influyen en una respuesta), índice de Jaccard (para medir solapamiento entre conjuntos de neuronas activadas) y ablación causal por activación (para verificar que el solapamiento es funcionalmente relevante y no solo correlacional).
Los cambios en el cerebro de los astronautas por la microgravedad también hablan de plasticidad y reorganización cognitiva: los sistemas cognitivos son más modulares y robustos de lo que asumíamos, tanto en biología como, aparentemente, en silicio.
¿Cómo se demuestra que los módulos son reales y no una metáfora?
La distinción entre «los modelos de IA funcionan como cerebros» como metáfora conveniente y como hallazgo experimental es importante. La ablación causal es la clave aquí: el equipo no solo midió correlaciones. Desactivaron grupos específicos de neuronas artificiales y verificaron que eso afectaba selectivamente a las tareas del dominio correspondiente sin afectar a los otros.
Llevo cubriendo el campo de la inteligencia artificial interpretable desde 2016 y pocas veces he visto una metodología que salte tan directamente del hallazgo correlacional a la verificación causal. La mayoría de los papers de «interpretabilidad» en LLMs identifican patrones pero no prueban que esos patrones tengan relevancia funcional. Este lo hace.
Las alucinaciones multimodales en modelos de visión IA y sus causas son uno de los problemas que la investigación de interpretabilidad quiere abordar. Si los módulos de razonamiento físico y los módulos de lenguaje son funcionalmente distintos, los errores de un tipo no deberían contaminar al otro. Eso tiene implicaciones prácticas para mejorar la fiabilidad de los sistemas multimodales.
¿Qué implica este hallazgo para el diseño y entendimiento de la IA?
La implicación más inmediata es filosófica pero tiene consecuencias prácticas. Si la modularidad cognitiva emerge independientemente en sistemas tan distintos como el cerebro biológico y las redes neuronales artificiales, eso sugiere que esta organización no es un accidente evolutivo sino una solución estructural a la eficiencia cognitiva.
Los modelos analizados no fueron diseñados con módulos cognitivos explícitos. Nadie les dijo durante el entrenamiento «usa este conjunto de parámetros para el lenguaje y este otro para el razonamiento físico». La modularidad emergió del proceso de optimización sobre datos.
El modo de aprendizaje socrático de Claude sugiere que los sistemas de IA pueden adaptarse a diferentes modos de procesamiento según el contexto. La investigación del MIT proporciona un marco teórico para entender por qué eso es posible: porque los distintos tipos de razonamiento están organizados en módulos que se activan de forma relativamente independiente.
Lo más relevante de este estudio no es confirmar que los LLMs son «como cerebros» —esa analogía tiene sus límites. Es la posibilidad de que la modularidad sea una consecuencia inevitable de optimizar cualquier sistema para el procesamiento general de información, independientemente del sustrato. Si eso es cierto, el diseño de futuros sistemas de IA podría beneficiarse de reforzar explícitamente esas separaciones, y el diagnóstico de fallos podría volverse mucho más preciso.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí
La visita no se limitaba a los ordenadores: había agendas digitales, un bloc de notas electrónico cuyo «papel» aceptaba notas y dibujos a mano, como esos juguetes en los que dibujan los niños y luego borran con una palanca, algunas enciclopedias digitales y teléfonos con memoria para números, contestador automático y hasta función de «monitor de bebés» para escuchar lo que sucedía en otras habitaciones. Cada cacharro parecía resolver un problema cotidiano… Aunque probablemente generaba otros tres.
