I modelli LLM separano lettura e scrittura, mentre il cervello le distingue in modo distinto

Il cervello umano legge e scrive attraverso circuiti neurali separati e indipendenti, mentre i modelli linguistici di grandi dimensioni, come GPT-2, OPT e Pythia, fondono le due funzioni in un unico percorso. Questa differenza, apparentemente tecnica, solleva una domanda profonda: quanto sono davvero simili le macchine che “capiscono” il linguaggio alla mente umana? Uno studio pubblicato il 2 luglio 2026 su arXiv, condotto da Diego Saldaña Ulloa, ha analizzato per la prima volta il grado di entanglement tra i processi di lettura e scrittura nei modelli LLM e ha confrontato i risultati con le conoscenze della neuroscienze. I risultati mostrano una netta divergenza tra il funzionamento umano e quello dei modelli.

Entanglement lettura-scrittura: un indice per misurare la sovrapposizione

Lo studio introduce un indice di entanglement E, che va da 0 a 1, per quantificare quanto siano intrecciati i codici di lettura e scrittura nei modelli. Un valore di 0 indica codici completamente indipendenti, mentre un valore di 1 indica codici identici. I modelli untied, quelli senza pesi legati tra embedding di input e output, mostrano un entanglement reale ma non totale: E compreso tra 0,23 e 0,35. Questo indica che i codici di lettura e scrittura si sovrappongono parzialmente, ma non si fondono completamente.

Asimmetria tra input e output: il codice di scrittura si allontana di più

Un’asimmetria notevole emerge quando si analizzano le parole a frequenza decrescente: il codice di output (scrittura) si allontana circa 3,2 volte di più rispetto al codice di input (lettura). Le parole rare vengono rappresentate in modo molto più diverso in uscita che in entrata. Questo fenomeno, osservato in tutti i 12 modelli testati, indica una differenza significativa tra il modo in cui i modelli elaborano l’input e l’output.

Nonostante questa separazione, in tutti i modelli l’accoppiamento comportamentale tra comprensione e produzione è positivo e statisticamente significativo (p<0,001). Quando un modello è bravo a comprendere, tende a essere bravo anche a produrre — e viceversa. Questo è l’opposto esatto di ciò che accade nel cervello umano, dove i due sistemi possono disaccoppiarsi completamente. La divergenza non è una sfumatura, ma una differenza fondamentale.

Encoder-decoder: separazione rappresentazionale ma accoppiamento persistente

I modelli encoder-decoder, come T5, separano i due percorsi a livello di rappresentazioni interne in modo molto più netto: il valore di separazione raggiunge fino a 0,96. Tuttavia, anche in questi modelli, a livello comportamentale, l’accoppiamento persiste. Comprensione e produzione restano correlate positivamente. Questo è forse il risultato più teoricamente rilevante dello studio: la separazione geometrica dei codici non basta a produrre la dissociazione funzionale che si osserva nel cervello. Lo studio conferma anche che non c’è correlazione tra somiglianza geometrica dei codici e accoppiamento comportamentale: ρ=0,00. I due livelli di analisi — struttura interna e comportamento osservabile — non si parlano. Questo “ponte mancante” è uno dei contributi più onesti e metodologicamente rigorosi del lavoro: i ricercatori scelgono di pubblicare i null result invece di ignorarli.