Badacze z arXiv odkryli, że duże modele językowe spontanicznie rozwijają modularną architekturę analogiczną do organizacji funkcjonalnej mózgu ludzkiego. Przeprowadzona analiza obwodów neuronowych na próbie 46 zadań z czterech domen poznawczych - języka, formalnego rozumowania, rozumowania społecznego i fizycznego - wykazała niezwykłe podobieństwo: zadania korzystające z tego samego obszaru mózgu ludzkiego aktywują nakładające się zestawy neuronów w LLM, podczas gdy zadania angażujące różne sieci mózgowe wykorzystują wyraźnie odrębne neurony.
Wynik ten stanowi ważne pytanie o naturę inteligencji i organizacji systemów poznawczych. Modularność mózgu zawsze uznawana była za wynik ewolucji biologicznej dostosowanej do konkretnych zadań przetrwania, ale LLM powstały poprzez zupełnie inny proces optymalizacyjny - treningiem na dużych tekstowych zbiorach danych za pomocą algorytmów uczenia głębokim. Jednak w obu przypadkach emergentnie wyłania się podobna struktura, co sugeruje, że może to być nie przypadkową cechą biologiczną, lecz uniwersalnym principium każdego inteligentnego systemu.
Odkrycie ma implikacje dla zrozumienia jak naprawdę działają LLM i jak mogą się skalować w przyszłości. Jeśli modularność rzeczywiście jest kluczowa dla inteligencji, może to wskazywać nowe podejścia do projektowania, interpretowania i udoskonalania modeli. Jednocześnie wynik podkreśla zaskakujące podobieństwa między sztuczną inteligencją a mózgiem, pomimo fundamentalnie różnych mechanizmów ich powstawania.