AI駆動の説明と実験による脳の理解

近年、大規模言語モデル（LLM）は脳の言語反応を高い精度で予測できるが、その内部メカニズムは解読不能であり、科学的理解を妨げている。マイクロソフトリサーチは、カリフォルニア大学バークレー校、カリフォルニア大学サンフランシスコ校、コロンビア大学と協力し、ブラックボックスモデルを読み取り可能で検証可能な科学理論に変換する「生成的因果テスト（GCT）」を提案した。

GCTは2段階からなる。まず、脳領域やボクセルの予測モデルから最も重要なフレーズを抽出し、LLMが「食事準備」や「場所名」といった短い言語説明に要約する。次に、LLMがその説明に基づいて新しいストーリーを生成し、被験者がfMRIスキャナー内で聞く。対象領域の反応がベースラインより有意に高ければ、説明が正しいと証明される。

実験では、GCTは既知の選択性を確認しただけでなく、隣接する場所処理領域の微妙な違いを区別した。例えば、脳梁膨大後部皮質（RSC）は一般的な場所よりも「東京」のような固有名詞に強く反応する。さらに、GCTは前頭前野に、会話（「言った」「話した」）、時刻（「1時」）、数値測定（「50フィート」）に特化した微小領域を発見した。これらの発見はこれまで報告されていなかった。

GCTの意義は神経科学を超える。ブラックボックスモデルが科学の終点ではなく、実験的に検証可能な仮説に蒸留できることを示した。この「生成・検証」サイクルは脳マッピングを加速し、他の分野でも予測モデルが人間の理解を超えた場合に理論を再構築する枠組みを提供する。本研究は『Nature Neuroscience』に掲載された。