En ny undersøgelse fra arXiv viser, at store sprogmodeller (LLM'er) udvikler en modulær arkitektur, der spejler den funktionelle specialisering i den menneskelige hjerne. Forskerne testede 46 opgaver fordelt på fire kognitive domæner – sprog, formel ræsonnering, social ræsonnering og fysisk ræsonnering – og fandt, at opgaver, der aktiverer samme netværk i hjernen, også rekrutterer overlappende neuroner i LLM'erne, mens opgaver fra forskellige netværk aktiverer forskellige neuroner. Dette tyder på, at modularitet kan være en fundamental egenskab ved intelligente systemer, ikke blot et evolutionært tilfælde i biologiske hjerner.
For beslutningstagere er dette mere end en akademisk kuriositet. Hvis modularitet er et universelt princip, kan det påvirke, hvordan virksomheder designer og tilpasser AI-systemer. Modulære arkitekturer kan gøre det lettere at forstå, fejlfinde og målrette interventioner – for eksempel at justere et specifikt modul uden at påvirke hele modellen. Det kan også få betydning for, hvordan man vurderer risiko og sikkerhed, da man måske kan isolere og overvåge bestemte funktioner.
Forskningen understreger, at LLM'er ikke blot er 'stokastiske papegøjer', men at de udvikler strukturer, der ligner biologiske systemer. Det rejser spørgsmål om, hvorvidt vi skal behandle dem som mere end værktøjer – og om vi kan forudsige deres adfærd bedre, når vi kender deres interne organisering. For dem, der bygger eller køber AI, kan denne indsigt føre til mere informerede beslutninger om modelvalg og tilpasning.
