Si le muestras la misma foto de un gato a dos redes neuronales diferentes, a menudo llegan a una conclusión similar: «gato». Pero si les preguntas con más detalle, las respuestas pueden divergir. Un modelo se fijará en los bigotes, otro en el pelaje, un tercero en la postura. Resulta que incluso dentro del mundo «visual» de las redes neuronales no hay una unidad total.

Los científicos idearon una forma de medir esa unidad para cada imagen por separado. Tomaron varias redes neuronales visuales con diferentes tareas de entrenamiento y compararon sus representaciones internas. Para algunas imágenes, los modelos están casi unánimes; para otras, difieren mucho. Luego, esas imágenes se mostraron a modelos de lenguaje que describen imágenes con palabras. Descubrieron que cuando los modelos visuales están de acuerdo entre sí, su opinión común coincide mejor con la descripción lingüística. La diferencia puede ser del doble.

Este resultado sugiere que el acuerdo entre redes neuronales no es casualidad. Refleja lo «comprensible» que resulta la imagen. Cuanto más clara es su estructura, más fácil es que la visión y el lenguaje encuentren un terreno común. Este enfoque ayuda a ver dónde las redes neuronales coinciden con la percepción humana y dónde se separan.