Il cervello umano legge e scrive attraverso circuiti neurali separati e indipendenti. I modelli linguistici di grandi dimensioni, invece, fanno tutto con un unico percorso. Questa differenza, apparentemente tecnica, apre una domanda più profonda: quanto sono davvero simili le macchine che “capiscono” il linguaggio alla mente umana? Uno studio sottomesso il 2 luglio 2026 da Diego Saldaña Ulloa su arXiv risponde in modo netto, misurando per la prima volta il grado di entanglement tra i processi di lettura e scrittura nei modelli LLM e confrontandolo con ciò che la neuroscienza cognitiva conosce da decenni.
Summary
Punti chiave
- Nel cervello umano, lettura e scrittura sono sistemi doppiamente dissociabili con vie neurali distinte: la via ventrale per la decodifica e quella frontoparietale per la codifica.
- I modelli decoder-only come GPT-2, OPT e Pythia utilizzano un unico percorso autoregressivo per entrambe le funzioni, generando un indice di entanglement E compreso tra 0,23 e 0,35.
- I codici di output (scrittura) si allontanano circa 3,2 volte di più rispetto ai codici di input (lettura) lungo i decili di frequenza.
- In tutti i 12 modelli testati, comprensione e produzione risultano comportamentalmente accoppiate (p<0,001), l’opposto della doppia dissociazione cerebrale.
- Nei modelli encoder-decoder la separazione rappresentazionale raggiunge valori fino a 0,96, ma l’accoppiamento comportamentale persiste comunque.
Sistemi neurali distinti per lettura e scrittura nel cervello umano
Nel cervello di un adulto alfabetizzato, leggere e scrivere non sono due facce della stessa medaglia. Sono sistemi separati, con percorsi neurali propri, che possono danneggiarsi in modo indipendente l’uno dall’altro.
La via ventrale occipito-temporale gestisce la decodifica visiva delle parole: quando questa si lesiona, si produce la cosiddetta alessia pura, ovvero l’incapacità di leggere pur mantenendo intatta la capacità di scrivere. Al contrario, la via frontoparietale sovrintende alla codifica grafica: il suo danno provoca l’agrafia pura, perdita della scrittura con lettura preservata. Le due condizioni dimostrano empiricamente che i due sistemi sono doppiamente dissociabili: uno può cadere senza trascinare l’altro.
Questa dissociazione non è un dettaglio clinico marginale. È la prova che l’evoluzione — o meglio, la plasticità culturale del cervello — ha costruito architetture separate per compiti che, in superficie, sembrano simili. Ed è esattamente qui che i modelli linguistici moderni divergono in modo radicale.
Come i modelli LLM fondono lettura e scrittura in un unico meccanismo
L’architettura autoregressiva decoder-only e il singolo percorso forward
Un modello decoder-only come GPT-2, OPT o Pythia non distingue tra “leggere” un input e “scrivere” un output. Entrambe le operazioni passano attraverso lo stesso percorso autoregressivo, ottimizzato su enormi quantità di testo. Non c’è una via ventrale e una frontoparietale: c’è un unico flusso forward che processa token in ingresso e genera token in uscita con la stessa macchina.
Questo non è un limite tecnico accidentale. È una scelta architetturale precisa, nata da un’invenzione culturale recente — l’addestramento su testo — e non da milioni di anni di pressione evolutiva come nel caso del cervello.
Definizione e misurazione dell’indice di entanglement E
Per quantificare quanto siano intrecciati i codici di lettura e scrittura in questi modelli, lo studio introduce un indice di entanglement E compreso tra 0 e 1. Il valore 0 indica codici completamente indipendenti; il valore 1 indica codici identici. La misura combina tre metriche complementari: CKA (Centered Kernel Alignment), il residuo di Procrustes e il mutual k-NN. Il tutto viene calibrato rispetto a un pavimento (modelli con inizializzazione indipendente) e un soffitto (modelli con pesi legati).
È uno strumento nuovo, ma costruito su basi solide. E i risultati che produce sono, per certi versi, sorprendenti.
Analisi empirica dell’entanglement lettura-scrittura nei LLM
Modelli analizzati: GPT-2, OPT, Pythia, T5, BERT, RoBERTa
Lo studio esamina nove configurazioni su modelli che spaziano da 14 milioni a 1,4 miliardi di parametri: GPT-2, OPT, Pythia nelle sue varianti di scala, T5 e la coppia BERT/RoBERTa. Sei di questi esperimenti consolidano risultati già noti; tre introducono per la prima volta l’analisi lettura/scrittura. Un campione eterogeneo, che copre sia architetture decoder-only che encoder-decoder.
Risultati quantitativi: entanglement sub-massimale e deriva del codice
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, ben al di sopra del pavimento ma lontano dal soffitto. I codici di lettura e scrittura si sovrappongono parzialmente, ma non si fondono completamente.
C’è però un’asimmetria notevole: il codice di output (scrittura) deriva molto più di quello di input (lettura) man mano che si analizzano parole a frequenza decrescente. La distanza è di circa 3,2 volte superiore in ogni decile di frequenza. Le parole rare, in altre parole, vengono rappresentate in modo molto più diverso in uscita che in entrata.
Accoppiamento comportamentale tra comprensione e produzione
A livello comportamentale, il quadro è ancora più netto. In tutti i 12 modelli testati, comprensione e produzione risultano positivamente accoppiate con significatività statistica elevatissima (sign test 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. È una divergenza fondamentale, non una sfumatura.
Separazione rappresentazionale nei modelli encoder-decoder, ma accoppiamento comportamentale 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. Sembrerebbe una soluzione architetturale più vicina alla biologia. Ma anche qui, 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.
Nessuna correlazione tra somiglianza geometrica e comportamento
A confermare questa lettura, lo studio riporta un risultato negativo esplicito: la correlazione tra somiglianza geometrica dei codici e accoppiamento comportamentale è ρ=0,00. Nulla. 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.
Implicazioni: perché i modelli LLM non sono menti umane in miniatura
Il confronto tra cervello e LLM è diventato un topos del dibattito sull’intelligenza artificiale. Ma questo studio suggerisce che l’analogia, per quanto utile, rischia di essere fuorviante se presa alla lettera.
Il cervello umano ha sviluppato architetture separate per lettura e scrittura attraverso decenni di esposizione culturale e plasticità neurale. I modelli linguistici, nati da un’invenzione recente come l’addestramento su corpus testuali, hanno invece convergito su un meccanismo unificato. Non è detto che uno sia superiore all’altro: sono semplicemente diversi, e la differenza è misurabile.
Come scrive Saldaña Ulloa, i LLM rappresentano un punto distinto nello spazio delle menti possibili. Non sono omologhi al cervello — non condividono la stessa storia evolutiva né la stessa struttura — ma sono analoghi in senso funzionale: risolvono problemi simili con soluzioni architetturali diverse. Confondere analogia e omologia è il modo più rapido per fraintendere sia le macchine che la mente.
Per chi lavora nello sviluppo di sistemi AI, questo ha implicazioni concrete. Progettare modelli che separino davvero comprensione e produzione — come sembra fare il cervello — potrebbe richiedere non solo architetture encoder-decoder, ma qualcosa di più profondo che ancora non esiste. Il fatto che la separazione geometrica non produca dissociazione comportamentale suggerisce che il problema è più difficile di quanto sembri.
FAQ
Come differiscono i processi di lettura e scrittura nel cervello umano?
Nel cervello umano lettura e scrittura sono sistemi doppiamente dissociabili: la lettura utilizza una via ventrale di decodifica (compromessa nell’alessia pura) mentre la scrittura si affida a una via frontoparietale di codifica (compromessa nell’agrafia pura). I due sistemi possono danneggiarsi in modo indipendente l’uno dall’altro.
Come elaborano lettura e scrittura i modelli linguistici di grandi dimensioni?
I modelli decoder-only come GPT-2, OPT e Pythia processano sia la lettura (decodifica dell’input) che la scrittura (codifica dell’output) attraverso un unico percorso autoregressivo, intrecciando le due funzioni in un meccanismo condiviso.
Cosa misura l’indice di entanglement E in questo studio?
L’indice E quantifica la sovrapposizione tra il codice di lettura (lato input) e il codice di scrittura (lato output) nei modelli LLM. Va da 0 (codici completamente indipendenti) a 1 (codici identici). Nei modelli untied analizzati, i valori si collocano tra 0,23 e 0,35.
I modelli encoder-decoder separano davvero lettura e scrittura?
A livello di rappresentazioni interne sì: la separazione raggiunge valori fino a 0,96. Tuttavia, a livello comportamentale, comprensione e produzione rimangono accoppiate positivamente anche nei modelli encoder-decoder, indicando che la separazione geometrica non è sufficiente a replicare la doppia dissociazione osservata nel cervello umano.
Contenuto realizzato con l’assistenza dell’intelligenza artificiale e con revisione editoriale umana.
