Zespół z Peking University i Tsinghua University wykazał, że aktywność mózgu zmierzona w fMRI podczas zadań logicznych może bezpośrednio sterować wewnętrznymi reprezentacjami LLM-ów. Praca opublikowana 3 sierpnia 2026 w Nature Machine Intelligence przesuwa relację mózg–model z korelacji na sterowanie i daje do 13 punktów procentowych dokładności.
Najważniejsze w skrócie
- Przebadano 10 otwartych modeli od 1,5B do 72B parametrów — rodziny Qwen, Llama, Mistral, Phi i Gemma.
- Sygnał pochodzi z otwartego zbioru fMRI OpenNeuro ds003076: 70 zadań dedukcyjnych, 10 osób po wykluczeniach.
- NARI działa w czasie inferencji bez zmiany wag i na sześciu modelach odwróciła 100% błędnych odpowiedzi.
- NARF wszywa te same kierunki w parametry podczas fine-tuningu i uzupełnia klasyczny nadzór językowy.
- Maksymalny zysk to 13 punktów procentowych bezwzględnej dokładności, z transferem między typami rozumowania.
Rozumowanie nie mieszka w sieci językowej
Punktem wyjścia jest ustalenie neuronauki: rozumowanie dedukcyjne angażuje sieć czołowo-ciemieniową?Sieć czołowo-ciemieniowa: Rozproszona sieć obszarów płata czołowego i ciemieniowego, aktywna przy zadaniach wymagających kontroli poznawczej i rozumowania., w dużej mierze odseparowaną od klasycznych obszarów językowych?Sieć językowa mózgu: Obszary lewej półkuli odpowiadające za przetwarzanie języka, w dużej mierze odrębne od sieci rozumowania.. W zbiorze ds003076 uczestnicy oceniali prawdziwość konkluzji po trzech sekwencyjnie pokazanych przesłankach, a zadania używają pseudosłów, co ogranicza wpływ znaczenia słów na wynik.
Dopasowanie mierzono metryką neural predictivity opartą na regresji grzbietowej. Modele wyjaśniają znaczną część wyjaśnialnej wariancji w regionach rozumowania na poziomie zagregowanym, ale dla pojedynczych typów zadań — sylogistycznych i przechodnich — wynik spada. To zbieżność i rozbieżność naraz, nie prosta analogia.
Od pomiaru podobieństwa do sterowania
NARI wyznacza kierunki w przestrzeni reprezentacji modelu na podstawie wspólnej struktury aktywacji modelu i sygnału fMRI?fMRI: Funkcjonalny rezonans magnetyczny — pomiar aktywności mózgu przez zmiany natlenienia krwi w poszczególnych obszarach., po czym modyfikuje reprezentacje w czasie inferencji, bez dotykania wag. Na sześciu modelach mylących się w obu typach zadań metoda odwróciła wszystkie błędne odpowiedzi na poprawne.
Porównanie z baseline'ami jest tu kluczowe. Podmiana prawdziwego fMRI na losowe dane oraz losowe kierunki interwencji wypadają wyraźnie gorzej — działa struktura ludzkiego sygnału, nie sama geometria modelu. NARF przenosi te kierunki do parametrów podczas fine-tuningu, a całość zwalidowano też na zadaniu HCP Relational Processing i zbiorze FOLIO. Skuteczność zależy przy tym od sprzężenia model–badany.
Dlaczego to ważne?
Dotąd porównania LLM-ów z mózgiem kończyły się na obserwacji podobieństwa reprezentacji. Tutaj sygnał neuronalny staje się narzędziem inżynieryjnym — źródłem nadzoru, którego nie da się wyprodukować z samego tekstu. Jeśli efekt się utrzyma, dane neuronalne wejdą do zestawu zasobów treningowych obok korpusów i ludzkich preferencji. Otwiera to też niewygodne pytanie o skalowalność: sesja fMRI jest kosztowna, a wynik zależy od konkretnego człowieka.
Co dalej?
- Kod metody jest publiczny w repozytorium pkuxmq/Brain-guided_LLM, więc replikacja na innych modelach nie wymaga dostępu do nowych danych fMRI.
- Autorzy wskazują zależność od sprzężenia model–badany jako główne ograniczenie — transfer kierunków na nowe osoby to następny test.
Źródła
- Nature Machine Intelligence — Beyond representational alignment with brain-guided language models for robust reasoning (DOI: 10.1038/s42256-026-01278-w)
- Nature Machine Intelligence — Steering machine reasoning with brain signals
- arXiv — Beyond representational alignment with brain-guided language models for robust reasoning (preprint)
- GitHub — pkuxmq/Brain-guided_LLM
- OpenNeuro — Brain correlates of deductive reasoning in adults (ds003076)
- Jiqizhixin — Nature Machine Intelligence: 人脑信号直接引导语言模型进行鲁棒推理
