💬 NLP

Brain-LLM Alignment Tracks Training Data, Not Typology

Autores originais: Dongxin Guo, Jikun Wu, Siu Ming Yiu

Publicado 2026-05-25

📖 6 min de leitura🧠 Leitura aprofundada

Autores originais: Dongxin Guo, Jikun Wu, Siu Ming Yiu

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Grande Pergunta: O Inglês é Especial?

Imagine que você tem um robô superinteligente (um Modelo de Linguagem de Grande Escala, ou LLM) que leu milhões de livros. Cientistas descobriram que, quando esse robô "pensa" sobre uma frase, sua matemática interna parece surpreendentemente similar à forma como o cérebro humano se ilumina ao ouvir essa mesma frase.

Por muito tempo, essa "correspondência cérebro-robô" foi testada apenas com inglês. Como o robô foi treinado principalmente em inglês e os cérebros humanos estavam ouvindo inglês, a correspondência era perfeita.

Isso levou a uma grande pergunta: O cérebro humano está de alguma forma "cablagem" para corresponder especificamente ao inglês? Ou a correspondência é apenas uma coincidência porque o robô aprendeu inglês?

O Experimento: Trocando a Receita

Para responder a isso, os pesquisadores montaram um experimento massivo usando uma história chamada O Pequeno Príncipe. Eles registraram os cérebros de 112 pessoas ouvindo essa história em três idiomas diferentes: inglês, chinês e francês.

Em seguida, eles testaram sete modelos de IA diferentes contra esses exames cerebrais.

O "Robô Inglês": Um modelo treinado principalmente em inglês (como o LLaMA-2).
O "Robô Chinês": Um modelo treinado principalmente em chinês (Baichuan2).
O "Robô Multilíngue": Um modelo treinado em muitos idiomas igualmente (como o XLM-R).

O Truque de Mágica:
Os pesquisadores compararam o "Robô Inglês" e o "Robô Chinês". Esses dois robôs são gêmeos em todos os aspectos — têm o mesmo tamanho, a mesma estrutura cerebral e o mesmo número de camadas. A única diferença é o que eles comeram (seus dados de treinamento). Um comeu principalmente inglês; o outro comeu principalmente chinês.

A Grande Descoberta: Trata-se do Que Você Comeu, Não do Seu DNA

Os resultados viraram o jogo completamente:

O Robô Inglês combinou melhor com cérebros de falantes de inglês e pior com cérebros de falantes de chinês.
O Robô Chinês fez exatamente o oposto: combinou melhor com cérebros de falantes de chinês e pior com cérebros de falantes de inglês.

A Analogia:
Pense no cérebro humano como uma fechadura.

O "Robô Inglês" é uma chave cortada especificamente para uma fechadura inglesa. Encaixa perfeitamente.
O "Robô Chinês" é uma chave cortada especificamente para uma fechadura chinesa.
Os pesquisadores provaram que o "encaixe perfeito" não ocorre porque a fechadura inglesa é especial. É simplesmente porque a chave foi cortada para combinar com aquela fechadura específica. Se você cortar uma chave para uma fechadura diferente, ela encaixa naquela outra.

Conclusão: A "vantagem do inglês" em estudos anteriores não ocorreu porque o inglês é a "língua universal do cérebro". Foi apenas porque os modelos de IA foram treinados com dados em inglês. O cérebro não se importa com o idioma; ele se importa com o padrão que a IA aprendeu.

Outras Descobertas Surpreendentes

1. O "Glitch de Tradução" (Tokenização)

Quando a IA lê chinês, muitas vezes precisa quebrar um único caractere chinês em várias pedacinhos minúsculos (tokens) para entendê-lo, enquanto palavras em inglês são frequentemente uma única peça.

A Analogia: Imagine ler um livro onde cada palavra em inglês é um tijolo, mas cada palavra em chinês é uma pilha de 2,4 tijolos colados juntos.
O Resultado: Por causa dessa "pilha de tijolos", a IA precisa olhar mais profundamente em suas próprias camadas para entender o significado de uma palavra chinesa. Os pesquisadores descobriram que cerca de 60% da razão pela qual a IA "pensa" de forma diferente para o chinês é apenas esse glitch mecânico de como ela separa as palavras, não uma diferença profunda na forma como o cérebro processa o significado.

2. Gramática vs. Significado (Os Bairros do Cérebro)

O cérebro humano tem diferentes bairros para diferentes trabalhos.

O "Bairro do Significado" (PTL): Esta área lida com vocabulário e conceitos.
O "Bairro da Gramática" (IFG): Esta área lida com estrutura de frase e regras.

Os pesquisadores descobriram que o "Bairro do Significado" combinou com a IA quase perfeitamente, não importa qual idioma fosse falado. A IA e o cérebro concordam sobre o que as palavras significam.

No entanto, o "Bairro da Gramática" era muito exigente. Só combinava bem com a IA se esta tivesse aprendido as regras gramaticais específicas daquele idioma.

A Analogia: Se você e eu sabemos o que "maçã" significa, estamos na mesma página. Mas se eu aprendi a dirigir no lado esquerdo da estrada e você aprendeu no lado direito, vamos discutir sobre como virar o volante. A parte de "gramática" do cérebro é sensível a essas regras, enquanto a parte de "significado" é universal.

3. O Robô Multilíngue "Universal"

Os pesquisadores também testaram um robô treinado em muitos idiomas ao mesmo tempo. Este robô foi o mais flexível. Não tinha uma preferência forte por inglês ou chinês; combinou com os cérebros dos três idiomas quase igualmente bem. Isso sugere que, se você ensinar uma IA a ser verdadeiramente multilíngue, ela pode entender cérebros humanos em qualquer idioma.

Resumo

Mito Desmascarado: O cérebro não é "centrado no inglês". A IA apenas aconteceu de ser treinada em inglês.
O Verdadeiro Motor: O desempenho da IA depende de em qual idioma ela foi treinada. Se você a treinar em chinês, ela entenderá melhor os cérebros chineses.
A Nuance: Embora o significado das palavras seja universal entre os idiomas, as regras de gramática são específicas. Os centros de gramática do cérebro são sensíveis a essas diferenças, mas os centros de significado não são.
O Glitch Técnico: Algumas das diferenças que vemos entre idiomas na IA são apenas porque a IA tem dificuldade em contar caracteres chineses corretamente (tokenização), não porque o cérebro funciona de forma diferente.

Em resumo: A IA é um espelho. Se você mostrar inglês a ela, ela reflete inglês. Se você mostrar chinês a ela, ela reflete chinês. O cérebro humano é o mesmo em ambos os casos; apenas o reflexo muda.

Resumo Técnico: Alinhamento Cérebro–LLM Rastreia Dados de Treinamento, Não Tipologia

Declaração do Problema
Embora a rede linguística do cérebro humano seja neuroanatomicamente universal em 45 idiomas, a extensão em que Modelos de Linguagem de Grande Escala (LLMs) se alinham a essa rede em idiomas tipologicamente diversos permanece incerta. Pesquisas anteriores estabeleceram um forte alinhamento cérebro–LLM quase exclusivamente usando dados em inglês, criando uma possível área cega quanto à universalidade dessas representações. Um confundidor crítico na literatura existente é a incapacidade de distinguir se os padrões de alinhamento são impulsionados por uma "vantagem inglesa" inerente, pela distância tipológica entre idiomas ou pela dominância de idiomas específicos nos dados de treinamento de um modelo. Além disso, é desconhecido se a variação interlinguística no alinhamento está concentrada em regiões de processamento sintático ou semântico, uma questão com implicações para a Gramática de Construção (CxG) e teorias de universalidade linguística.

Metodologia
O estudo utiliza dados de fMRI de 112 participantes ouvindo O Pequeno Príncipe em três idiomas: inglês ( $n=49$ ), mandarim chinês ( $n=35$ ) e francês ( $n=28$ ). Os autores empregam um desenho experimental controlado comparando sete LLMs:

Dominante em inglês: GPT-2 Medium e LLaMA-2-7B.
Dominante em chinês: Baichuan2-7B.
Multilíngue: mBERT, XLM-R Large, BLOOM-7B e Qwen2.5-7B.

Crucialmente, o estudo emparelha LLaMA-2-7B e Baichuan2-7B, que compartilham arquitetura idêntica e contagem de parâmetros (7B, 32 camadas), mas diferem principalmente na composição da língua de treinamento (~90% inglês vs. ~55% chinês).

O pipeline de análise envolve:

Modelos de Codificação: Regressão ridge voxel a voxel para prever atividade neural a partir de estados ocultos do LLM, normalizada contra tetos de ruído inter-sujeito.
Métricas Tipológicas: Distância tipológica quantitativa calculada usando Grambank (195 características gramaticais binárias), suplementada por WALS e lang2vec.
Análise de Tokenização: Medição da "fertilidade de tokenização" (tokens de subpalavras por palavra ortográfica) para avaliar seu impacto na dinâmica das camadas.
Estrutura Estatística: Modelos de efeitos mistos lineares (LMM) controlando a proporção de dados de treinamento, com reamostragem bootstrap em cluster ao nível do idioma para lidar com graus de liberdade limitados (3 idiomas).

Principais Contribuições e Resultados

Dominância da Língua de Treinamento Impulsiona Gradientes de Alinhamento:
A descoberta central é que a "vantagem inglesa" no alinhamento cérebro–LLM é um artefato da composição dos dados de treinamento, não uma propriedade inerente do inglês ou do cérebro.
- Reversão do Gradiente: O Baichuan2-7B, dominante em chinês, inverte o gradiente de alinhamento observado no LLaMA-2-7B. O Baichuan2 alinha-se melhor com cérebros chineses ( $\tilde{r} = .85$ ) e pior com o inglês ( $\tilde{r} = .59$ ), enquanto o LLaMA-2 mostra o padrão oposto.
- Uniformidade Multilíngue: Modelos multilíngues (por exemplo, XLM-R) exibem alta uniformidade entre idiomas ( $\tilde{r} \approx .81-.83$ ), sugerindo que o treinamento multilíngue cria representações que transcendem a dominância de idiomas específicos.
Distância Tipológica Formal Covaria com o Alinhamento:
Além da dominância do treinamento, a distância tipológica formal prevê independentemente a degradação do alinhamento.
- Em modelos de efeitos mistos controlando a proporção de treinamento, a distância Grambank está associada a uma diminuição no desempenho de alinhamento ( $\beta = -0.41$ ).
- Os autores tratam isso como um padrão descritivo bem suportado que requer confirmação em $\ge10$ idiomas devido aos graus de liberdade limitados.
Fertilidade de Tokenização Explica Deslocamentos de Camada:
O estudo identifica um deslocamento para a direita na camada de codificação ótima para o chinês (atingindo o pico na camada 18 vs. camada 15 para inglês/francês).
- A análise de fertilidade de tokenização revela que o chinês requer significativamente mais tokens de subpalavras por palavra (2,4 tokens/palavra para XLM-R) em comparação com o inglês (1,4 tokens/palavra).
- Controlar a fertilidade explica aproximadamente 60% desse deslocamento de camada, indicando que o que parece ser uma diferença de processamento interlinguístico é substancialmente um artefato de tokenização.
Gradientes Neurais Específicos de Região (Sintaxe vs. Semântica):
O gradiente tipológico não é uniforme em toda a rede linguística.
- O Giro Frontal Inferior (IFG), associado ao processamento sintático, mostra um gradiente tipológico 2,3 vezes mais íngreme que o Lobo Temporal Posterior (PTL), associado ao processamento léxico-semântico.
- Isso sugere que a divergência interlinguística está concentrada no processamento estrutural/sintático, enquanto as representações semânticas permanecem mais universais.

Significado e Afirmações
O artigo afirma resolver o debate da "vantagem inglesa" ao demonstrar que os padrões de alinhamento são impulsionados pela dominância da língua de treinamento. A aparente superioridade do inglês em estudos anteriores reflete a predominância de modelos dominantes em inglês e dados de fMRI em inglês, e não uma relação neurocognitiva especial entre o inglês e o cérebro.

Os resultados apoiam uma visão matizada da universalidade: processadores de linguagem biológicos e artificiais convergem para representações semânticas compartilhadas (universais entre idiomas e modelos), mas divergem em representações estruturais/sintáticas, onde a distância tipológica e a distribuição de treinamento importam. As descobertas também destacam que artefatos de tokenização podem se disfarçar de diferenças de processamento interlinguístico, instando o campo a relatar a fertilidade de tokenização juntamente com os resultados de codificação.

Os autores observam explicitamente que, embora o gradiente IFG/PTL seja consistente com a Gramática de Construção (que postula variação em pares forma-função), ele também é derivável de teorias genéricas de dissociação sintaxe–semântica ou contas de controle cognitivo. Portanto, o artigo afirma que os resultados são consistentes com a CxG, mas não a provam de forma única sem análise ao nível da construção. Da mesma forma, o efeito da distância tipológica é apresentado como um padrão descritivo que requer validação em maior escala, em vez de uma prova causal definitiva.