Investigadores del Laboratorio NeuroAI, que forma parte de la Escuela de Ciencias de la Computación y la Comunicación (IC) y de la Escuela de Ciencias de la Vida (SV) de la EPFL, desarrollaron un modelo de lenguaje artificial que reproduce cómo se agrupan funcionalmente las neuronas, pero sobre todo cómo están distribuidas espacialmente en el cerebro humano.
El modelo, llamado TopoLM, es el primero en imitar esta doble organización, algo que modelos anteriores no habían logrado. Por lo que este avance es una innovación que puede cambiar el futuro de la tecnología.
Según el equipo, estudios previos ya habían demostrado que el cerebro humano agrupa neuronas según su función. Algunas, por ejemplo, se especializan en procesar verbos, mientras que otras se centran en sustantivos.
Sin embargo, no estaba claro cómo se originan estos grupos ni por qué adoptan ciertas disposiciones espaciales. TopoLM busca responder esa pregunta.
Un cambio estructural: la fluidez espacial
El avance central de TopoLM reside en la introducción de una regla de fluidez espacial en la arquitectura del modelo. Inspirados por investigaciones sobre cómo el cerebro procesa la visión, los científicos realizaron cambios menores en la organización interna del modelo lingüístico.
Esa modificación fomentó que las representaciones internas del sistema se distribuyeran espacialmente de manera fluida, haciendo que unidades funcionales similares aparecieran más cerca entre sí.
“El modelo resultante, TopoLM, desarrolla agrupaciones espaciales de sus componentes internos que coinciden funcionalmente con la actividad que observamos en el cerebro humano al procesar el lenguaje”, explicó el profesor adjunto Martin Schrimpf, director del Laboratorio de NeuroAI, en un comunicado del sitio oficial de la EPFL.
Coincidencias con el cerebro humano
El funcionamiento de TopoLM permitió predecir cómo el sistema de lenguaje en la corteza cerebral, la capa más externa del cerebro, desarrolla su organización espacio-funcional.
Este tipo de modelado sugiere que una simple regla sobre organización espacial puede ser suficiente para explicar cómo se estructuran estos grupos en el cerebro. “Esta fue una investigación básica para comprender cómo se originan en primer lugar los grupos espaciales o funcionales en el cerebro”, agregó Schrimpf.
“Y lo que sugiere este nuevo modelo es que podría estar impulsado por una única regla básica sobre la organización espacial donde las neuronas cercanas tienden a comportarse de manera similar”, sentenció.
Próximos pasos y aplicaciones
El artículo titulado TopoLM: Brain-Like Spatio-Functional Organization in a Topographic Language Model fue uno de los trabajos seleccionados (menos del 2% del total) para presentación oral en la ICLR 2025, la Conferencia Internacional sobre Representaciones de Aprendizaje. Este reconocimiento refuerza la relevancia científica de la investigación.
El siguiente paso será validar empíricamente las predicciones del modelo en cerebros humanos. El equipo de la EPFL colaborará con investigadores en Estados Unidos que trabajan con estudios de imágenes cerebrales.
“Queremos comprobar si sus predicciones son ciertas. Hay grupos en el modelo que aún no hemos observado en el cerebro humano porque nadie los ha buscado”, adelantó Schrimpf.
El potencial de TopoLM no se limita al avance teórico. También puede tener aplicaciones directas en el campo clínico y en la interpretación de modelos de lenguaje artificial.
“Uno de nuestros principales objetivos es construir mejores modelos del cerebro en general, y con TopoLM estamos un paso más cerca de las aplicaciones clínicas que podrían ayudar a personas con trastornos del lenguaje o déficits similares”, afirmó Badr AlKhamisi, asistente de doctorado en el Laboratorio de NeuroAI y el Laboratorio de Procesamiento del Lenguaje Natural (PLN), en el comunicado de la EPFL.
A diferencia de los Modelos de Lenguaje Grande (LLM) tradicionales, donde las unidades internas están distribuidas sin una lógica visible, TopoLM organiza sus componentes en clústeres.
Esto facilita la observación directa de cómo surgen representaciones lingüísticas significativas y permite analizar de forma más accesible el funcionamiento del modelo.
