Across the Levels of Analysis: Explaining Predictive Processing in Humans Requires More Than Machine-Estimated Probabilities

Bajo el marco de los niveles de análisis de Marr, el artículo critica y amplía las afirmaciones sobre el papel central de la predicción y la indispensable necesidad de los modelos de lenguaje grandes en la psicolingüística, proponiendo en su lugar un enfoque futuro que integre las fortalezas de ambos tipos de modelos para explicar el procesamiento del lenguaje humano.

Lo esencial

Imagina que el cerebro humano es como un chef experto cocinando una comida compleja (el lenguaje), y los nuevos modelos de lenguaje (como la IA que escribe este texto) son como robots de cocina muy avanzados que pueden predecir exactamente qué ingrediente va a seguir en la receta.

Este artículo es una charla entre dos expertos en cómo funciona el cerebro (Sathvik Nair y Colin Phillips) sobre un debate reciente: ¿Son estos robots de cocina la clave para entender cómo piensa el chef humano?

Aquí tienes la explicación sencilla, usando analogías:

1. El viejo sueño y el nuevo juguete

Hace 60 años, los científicos pensaban que si podían medir la "complejidad" de una frase (como contar los pasos de una receta), podrían predecir qué tan difícil sería para una persona leerla. Lamentablemente, esa idea antigua falló.

Hoy, tenemos Modelos de Lenguaje (LMs) que son como robots que han leído todo internet. Estos robots son geniales para predecir la siguiente palabra. Si el robot dice "El gato está en la...", y la siguiente palabra es "mesa", el robot sabe que es muy probable. Si la siguiente palabra es "nube", el robot se sorprende.

Los autores del artículo original dicen: "¡Miren! El cerebro humano funciona igual que estos robots. Solo calcula probabilidades".

2. La crítica: No es solo una adivinanza estadística

Nair y Phillips dicen: "Espera un momento. Es como comparar un GPS con un conductor real".

• El GPS (La IA): Sabe que hay un atasco en la calle 5 porque los datos dicen que siempre hay tráfico allí. Calcula la probabilidad de que estés atascado.
• El Conductor (El Cerebro Humano): No solo calcula probabilidades. El conductor ve un policía, huele el humo de un incendio, recuerda que ayer hubo un accidente y siente miedo.

El problema es que los robots (LMs) solo miran las estadísticas ("¿Qué palabra suele ir aquí?"). Pero los humanos tenemos mecanismos internos más complejos. A veces, el cerebro se confunde de forma muy específica (como en las "ilusiones gramaticales", donde creemos que una frase tiene sentido aunque no lo tenga), y los robots no siempre se confunden de la misma manera.

3. La analogía del "Mapa vs. El Terreno"

Imagina que quieres entender cómo viaja un río.

• Los Modelos de Lenguaje (LMs) son como un mapa satelital muy detallado. Te dicen exactamente dónde está el río, qué tan ancho es y hacia dónde fluye en promedio. Son excelentes para ver el "promedio" de todo el viaje.
• Los Modelos Psicolingüísticos son como un buzón de agua que viaja dentro del río. Miden la velocidad de la corriente, las rocas que chocan, los remolinos y cómo el agua reacciona en cada segundo.

El artículo dice que los robots nos dan un mapa increíblemente preciso, pero no nos explican cómo se mueve el agua. Si solo miramos el mapa (las probabilidades), nos perdemos los detalles de cómo el cerebro procesa la información en tiempo real.

4. ¿Por qué fallan los robots a veces?

Los autores dan ejemplos divertidos:

• Ilusiones: A veces leemos una frase como "El caballo que el granjero cabalgó..." y nuestro cerebro se atasca porque espera otra cosa. Los robots a veces no se atascan igual porque solo miran números, no la "estructura" profunda de la oración.
• Semántica vs. Asociación: El robot sabe que "pan" y "mantequilla" suelen ir juntos (asociación). Pero el cerebro humano entiende que "pan" y "mantequilla" tienen un significado lógico. El robot a veces confunde "ir juntos" con "tener sentido".

5. La solución: ¡Trabajemos juntos!

La conclusión no es "odiemos a los robots". Al contrario, los autores dicen que los robots son una herramienta fantástica, pero no la respuesta completa.

• El futuro: Debemos usar el mapa del robot (sus predicciones precisas) para ayudar a entender el terreno del cerebro (los procesos mentales).
• La idea clave: Necesitamos modelos que no solo digan "¿Qué palabra sigue?", sino que expliquen "¿Cómo y por qué el cerebro procesa esa palabra en este milisegundo?".

En resumen

El cerebro humano es como un orquesta sinfónica. Los Modelos de Lenguaje actuales son como un grabador que puede predecir perfectamente qué nota tocará el siguiente instrumento basándose en las notas anteriores.

El artículo nos dice: "¡El grabador es increíble! Pero si quieres entender la música, no basta con saber qué nota sigue. Tienes que entender cómo el director (el cerebro) coordina a los músicos, cómo reaccionan al error y cómo se sienten al tocar".

La moraleja: Los robots nos ayudan a ver el panorama general, pero para entender la magia de la mente humana, necesitamos seguir estudiando los mecanismos internos, no solo las estadísticas.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo "Across the Levels of Analysis: Explaining Predictive Processing in Humans Requires More Than Machine-Estimated Probabilities", escrito por Sathvik Nair y Colin Phillips, en español.

1. El Problema

El artículo aborda una tensión fundamental en la psicolingüística contemporánea: la relación entre los Modelos de Lenguaje (LMs/LLMs) y la comprensión del procesamiento del lenguaje humano.

• Contexto Histórico: Los autores trazan un paralelo con la "Teoría Derivacional de la Complejidad" (DTC) de los años 60, que intentaba vincular la dificultad de procesamiento con transformaciones sintácticas abstractas. Aunque la DTC fue criticada, la idea de que la complejidad lingüística explica la dificultad cognitiva persiste.
• La Tesis Actual: Hoy en día, la "Teoría de la Sorpresa" (Surprisal Theory) ha revivido este enfoque, utilizando LLMs para estimar probabilidades contextuales y predecir la dificultad de procesamiento (tiempos de lectura, etc.).
• El Conflicto: Futrell y Mahowald (cuyos comentarios son el objeto de este artículo) argumentan que el procesamiento del lenguaje es esencialmente inferencia probabilística y que los LLMs son herramientas indispensables para la psicolingüística. Nair y Phillips argumentan que, aunque los LLMs son útiles para estimar la dificultad agregada, no pueden explicar por sí solos los mecanismos cognitivos humanos. Existe un riesgo de reducir el procesamiento humano a meras estimaciones estadísticas, ignorando los procesos algorítmicos y de implementación (neurobiológicos) que ocurren en tiempo real.

2. Metodología y Enfoque Teórico

El artículo no presenta un experimento empírico nuevo, sino que es un comentario crítico y una revisión teórica basada en el marco de los Niveles de Análisis de Marr:

1. Nivel Computacional: ¿Qué hace el sistema y por qué? (Aquí es donde los LLMs tienen éxito: estiman la probabilidad de la siguiente palabra).
2. Nivel Algorítmico: ¿Cómo lo hace? (Representaciones y algoritmos específicos del cerebro).
3. Nivel de Implementación: ¿Cómo se realiza físicamente? (Neurobiología, codificación predictiva).

Estrategia de Argumentación:

• Análisis Comparativo: Contrasta el éxito de los LLMs en el nivel computacional con las limitaciones de estos modelos para explicar fenómenos finos (ilusiones lingüísticas, inversiones de roles argumentales, efectos temporales) que han sido descubiertos mediante experimentos controlados en psicolingüística.
• Revisión de Evidencia Empírica: Citan estudios recientes que muestran discrepancias entre las predicciones de los LLMs y los datos humanos (EEG, tiempos de lectura, producción).
• Propuesta de Integración: Sugieren que el futuro no es reemplazar los modelos cognitivos con LLMs, sino integrar las estimaciones de probabilidad de los LLMs dentro de modelos de procesos más ricos y biológicamente plausibles.

3. Contribuciones Clave

Los autores ofrecen tres contribuciones teóricas principales:

1. Crítica a la Inferencia Probabilística Exclusiva: Argumentan que, mientras que para los LLMs los efectos de predictibilidad son exclusivamente inferencia probabilística, en los humanos el procesamiento involucra mecanismos adicionales. Los LLMs confunden la "asociación semántica" con las "expectativas contextuales", lo que limita su capacidad para explicar respuestas neurales específicas (como la N400 y la P600).
2. Defensa de los Modelos de Procesos (Process Models): Reivindican el valor de los modelos más simples e interpretables (como los modelos de activación interactiva o la codificación predictiva) que han demostrado ser superiores para explicar fenómenos cualitativos como las ilusiones gramaticales y los retrasos en el procesamiento de roles argumentales.
3. Propuesta de una Ruta Híbrida: Proponen que los LLMs deben verse no como el "mecanismo central" del procesamiento, sino como componentes que pueden alimentar modelos algorítmicos. La dirección correcta es combinar las fuertes estimaciones de probabilidad de los LLMs con modelos de codificación predictiva (Predictive Coding) que están anclados en la función neurobiológica.

4. Resultados y Evidencia Citada

El artículo sintetiza hallazgos recientes que apoyan su postura:

• Limitaciones de los LLMs: Estudios citados (ej. Huang et al., 2024; Lee et al., 2024) muestran que los LLMs fallan al capturar patrones cualitativos en la inversión de roles argumentales y patrones cuantitativos en la desambiguación sintáctica.
• Disociación Semántica vs. Contextual: Investigaciones (Krieger et al., 2025) indican que la probabilidad de un LLM no explica completamente las respuestas neurales (N400/P600) porque no distingue adecuadamente entre la asociación semántica y la expectativa contextual.
• Éxito de Modelos Alternativos: Modelos basados en la codificación predictiva (Nour Eddine et al., 2024; Ohams et al., 2026) han logrado explicar tanto datos experimentales controlados como datos de lectura naturalista, con un poder predictivo comparable a los LLMs, pero ofreciendo medidas interpretables vinculadas a procesos cognitivos interactivos.
• Falta de Plausibilidad Biológica: Se señala que, aunque los LLMs tienen éxito estadístico, su conexión con la codificación predictiva biológica es retórica y carece de plausibilidad biológica directa (Schrimpf et al., 2021).

5. Significado e Implicaciones

El artículo tiene un impacto significativo en la dirección futura de la investigación en psicolingüística y ciencia cognitiva:

• Más allá de la "Caja Negra": Advierte contra la tendencia a aceptar las predicciones de los LLMs como explicaciones finales del procesamiento humano. La precisión estadística no equivale a una comprensión mecánica de la mente.
• Necesidad de Mecanismos: El progreso en psicolingüística requiere caracterizar mecánicamente los cálculos mentales en el nivel algorítmico. Es necesario traducir las estimaciones de "qué palabra es predecible" (nivel computacional) en procesos neurales de "cómo se procesa" (nivel de implementación).
• Futuro de la Colaboración: Los autores concluyen que los psicolingüistas deben "amar" a los LLMs de una manera diferente: no como modelos del mecanismo central, sino como herramientas complementarias que, cuando se integran en modelos de procesos más articulados y biológicamente plausibles, pueden enriquecer nuestra comprensión de la cognición humana.

En resumen, el artículo actúa como un correctivo necesario, recordando que la psicolingüística no debe abandonar sus raíces en el estudio de los mecanismos cognitivos y neurales en favor de un determinismo puramente estadístico basado en modelos de lenguaje masivos.