Le cuentas una historia a un amigo y su cerebro parece sintonizarse con tu onda: las mismas áreas se activan al compás de tus palabras. Los científicos registraron esa 'sincronización neuronal' con magnetoencefalografía (un aparato que capta los campos magnéticos del cerebro) y decidieron comprobar si un modelo de lenguaje computacional puede replicar ese baile de significados.

Tomaron historias contadas por personas reales y pidieron tanto a oyentes comunes como a cinco versiones de modelos de lenguaje (desde pequeñas hasta gigantes como GPT-4) que evaluaran cada palabra significativa en diez ejes de significado: movimiento, tiempo, emociones, sociabilidad, etc. Luego construyeron un 'puente' matemático entre las evaluaciones humanas y las del modelo para ver con qué precisión el modelo predice dónde se iluminará el cerebro del oyente en unísono con el narrador.

El resultado sorprendió: los modelos realmente capturan una parte significativa de esa sincronización neuronal, y cuanto más grande es el modelo, mejor es la coincidencia. Pero cuando se trata de palabras relacionadas con intenciones, experiencias o roles sociales, el 'oyente' computacional empieza a desafinar. Su mapa de significados sigue siendo más plano: tiene menos matices de afecto y voluntad.

Esta diferencia es especialmente notable en verbos como 'querer', 'temer' o 'prometer'. Para el cerebro humano, estas palabras tienen una fuerte carga social, mientras que el modelo solo ve una sombra estadística de ellas. Aun así, el hecho de que un algoritmo sin alma pueda reproducir parcialmente el patrón vivo de la comprensión compartida invita a reflexionar: quizás el lenguaje común no es solo biología, sino también una estructura que se puede medir e incluso mejorar.