Las neuronas revueltas de un modelo de lenguaje acaban de recrear los efectos de un derrame cerebral en el habla

Durante décadas, la única forma de estudiar los déficits del lenguaje causados por un accidente cerebrovascular era a través de pacientes humanos, sus exploraciones, sus pruebas y su lenta recuperación. Un nuevo preprint de investigadores de la Universidad de Carolina del Sur y colaboradores invierte completamente ese guion: han demostrado que dañar deliberadamente un modelo de lenguaje multimodal de uso general produce los mismos errores sistemáticos de denominación que se observan en personas con afasia.

El artículo, Lesioned Multimodal Language Models Reproduce Aphasic Picture-Naming Patterns, publicado en arXiv en julio de 2026, va más allá de la obsesión habitual por los puntos de referencia en la investigación de la IA. En lugar de preguntarse si un modelo puede obtener una puntuación más alta en una prueba, los autores se preguntan si puede fallar como falla un humano. Y la respuesta, en casi 300 pacientes, es un rotundo sí.

Seis de siete categorías de error reproducidas

El equipo de investigación, liderado por Yong Yang, utilizó LLaVA 1.6, un modelo multimodal de código abierto que procesa tanto imágenes como texto, y perturbó sistemáticamente sus unidades internas variando la capa, la proporción y la cantidad de ruido aplicado. Luego, alimentaron al modelo con imágenes del Philadelphia Naming Test y clasificaron sus respuestas en siete categorías utilizando un clasificador neuronal validado. Las categorías incluían respuestas correctas, errores semánticos, errores mixtos, errores no relacionados, neologismos, sin respuesta y parafasias formales (palabras fonológicamente similares pero incorrectas).

Seis de estas siete surgieron en proporciones clínicamente comparables en distintas regiones del espacio de parámetros de perturbación. El único ausente fue la parafasia formal, que el modelo no logró producir en tasas que coincidieran con los datos clínicos. Esta brecha es en sí misma informativa: sugiere que la arquitectura cognitiva subyacente a la recuperación de palabras basada en el sonido puede depender de mecanismos que los modelos multimodales actuales no capturan por completo.

"La exploración del espacio de perturbación reveló configuraciones que reprodujeron el perfil de error individual en al menos seis de siete categorías para el 97.8 % de las personas con afasia (PWA) y en las siete categorías para el 79.5 % de las PWA", escriben los autores.

Estos resultados no son una casualidad de superposición aleatoria. El equipo ejecutó líneas de base de Monte Carlo para confirmar que la coincidencia reflejaba una estructura inter-categórica conjunta, la forma en que los errores coocurren en pacientes humanos, en lugar de una simple superposición marginal. Los errores del modelo mostraron la misma huella estadística que los errores humanos, no solo las mismas tasas generales.

De las puntuaciones de referencia al realismo conductual

El cambio de perspectiva es significativo. Durante años, los investigadores de IA han tratado los modelos de lenguaje como herramientas para maximizar la precisión en pruebas estandarizadas. Este artículo adopta un enfoque fundamentalmente diferente: tratar el modelo como un simulacro del sistema cognitivo humano, completo con sus modos de fallo.

La idea de utilizar LLM como modelos cognitivos no es completamente nueva; trabajos anteriores han utilizado modelos como GPT para simular aspectos de la memoria y el razonamiento humanos. Pero este estudio es uno de los primeros en aplicar lesiones, daños deliberados y controlados, a un modelo multimodal y comparar los errores resultantes con un gran conjunto de datos clínicos de pacientes reales. La escala es notable: 278 individuos con afasia, cada uno con un perfil de error detallado a través de cientos de ensayos de denominación.

El marco se asemeja a la neuropsicología clásica, donde los investigadores infieren la función cerebral a partir del comportamiento de pacientes con lesiones localizadas. Aquí, la lesión es virtual, un vector de ruido aplicado a capas específicas de una red neuronal, pero la salida conductual se correlaciona con datos clínicos reales con alta fidelidad.

Gemelos digitales para la rehabilitación de la afasia

Las implicaciones clínicas son la parte más sorprendente de las contribuciones del artículo. Si una sola configuración de perturbación puede replicar el perfil de error completo de un paciente individual, entonces el modelo se convierte, en efecto, en un gemelo digital del sistema lingüístico de ese paciente.

Para los clínicos, un gemelo digital de este tipo sería un arenero: un lugar para probar diferentes intervenciones terapéuticas sin requerir la presencia del paciente. Un logopeda podría simular cómo un patrón de error dado podría responder a diferentes estrategias de señalización, o cómo podría progresar la recuperación a medida que la arquitectura neural subyacente se repara a sí misma. El modelo ofrece un entorno controlado donde se pueden probar hipótesis sobre el procesamiento del lenguaje sin las limitaciones éticas y logísticas de la investigación con sujetos humanos.

Los autores reconocen explícitamente este potencial: "Estos resultados establecen un marco cuantitativo para reproducir patrones de error afásicos individuales en la denominación de imágenes. Sugieren el potencial de los modelos de lenguaje para servir como gemelos digitales de individuos con afasia posterior a un accidente cerebrovascular".

Pero el camino desde un resultado de investigación hasta una herramienta clínica es largo. El artículo solo probó la denominación de imágenes, una tarea estrecha entre muchas con las que luchan los pacientes con afasia. La rehabilitación real implica conversación, lectura, escritura y gestos. Y el modelo utilizado, LLaVA 1.6, está lejos del estado del arte; se desconoce qué tan bien se generalizan los resultados a modelos más nuevos.

Por qué la parafasia formal resultó esquiva

La única categoría faltante, la parafasia formal, merece un escrutinio. En la práctica clínica, las parafasias formales implican producir una palabra que suena como el objetivo pero es incorrecta, como decir "mesa" en lugar de "cable". Se cree que estos errores reflejan un procesamiento fonológico alterado, en lugar de una confusión puramente semántica o visual.

La arquitectura actual de LLaVA 1.6 puede no manejar la estructura sonora del lenguaje de una manera que capture esta vulnerabilidad. Si es así, la brecha apunta directamente a un proceso cognitivo específico, la recuperación fonológica, que las representaciones del modelo no replican por completo. Eso, en sí mismo, es un hallazgo con valor neurocientífico.

Qué significa esto para el campo

El artículo se sitúa en la intersección de la IA, la neurociencia computacional y la práctica clínica, tres campos que rara vez se superponen con este nivel de rigor. Para los investigadores de IA, ofrece un nuevo punto de referencia: fidelidad conductual, no solo precisión en pruebas. Para los neurocientíficos, proporciona una máquina generadora de hipótesis: si un modelo comete los mismos errores que un paciente, ¿qué dice eso sobre el procesamiento subyacente del paciente? Y para los clínicos, abre la puerta a un futuro donde las simulaciones específicas del paciente sean parte del conjunto de herramientas estándar.

La dependencia de los autores en las líneas de base de Monte Carlo para confirmar la estructura de los perfiles de error añade rigor a un campo que puede ser propenso a exagerar. La coincidencia no es solo uno a uno a nivel general, sino que captura la distribución conjunta de los tipos de error, una prueba mucho más difícil de superar.

Aún así, el artículo es un preprint, no una publicación revisada por pares. La importancia clínica de los resultados espera replicación con otros modelos, otras tareas y otras poblaciones de pacientes. Y las dimensiones éticas del uso de la IA como sustituto de pacientes humanos, con todo el potencial de mala interpretación y dependencia excesiva, apenas se tocan.

Lo que está claro es que la pregunta ha cambiado. Ya no se trata de si un modelo de lenguaje puede imitar el rendimiento humano. Se trata de si, al imitar el fallo humano, el modelo puede enseñarnos algo nuevo sobre el cerebro humano. Este artículo sugiere que la respuesta puede ser sí.