Il cervello decide molto prima del previsto: la scoperta che stravolge la neuroscienza e cambia l’IA

🤖 Cosa cambia

• La corteccia somatosensoriale primaria non rappresenta soltanto gli stimoli, ma codifica anche una variabile collegata alla decisione percettiva.
• L’attività osservata suggerisce un’elaborazione ricorrente, nella quale segnali sensoriali e feedback corticali contribuiscono insieme alla scelta.
• I risultati possono ispirare reti neurali artificiali più ricorrenti ed efficienti, ma non forniscono ancora un’architettura direttamente replicabile.

Una ricerca dell’Università dell’Illinois Urbana-Champaign mette in discussione la rappresentazione più semplice del processo decisionale cerebrale. Registrando l’attività della corteccia somatosensoriale primaria di topi impegnati in un compito tattile, i ricercatori hanno individuato un segnale compatibile con l’accumulo delle informazioni necessarie alla scelta. L’area sensoriale non sembrerebbe quindi limitarsi a ricevere e classificare gli stimoli prima di trasferirli verso regioni corticali superiori. I risultati, pubblicati su Proceedings of the National Academy of Sciences, indicano una computazione distribuita e ricorrente, sostenuta da connessioni bidirezionali che potrebbero offrire nuovi riferimenti anche per la progettazione delle future architetture di intelligenza artificiale.

Il modello gerarchico non basta a descrivere il processo decisionale

Una parte rilevante della neuroscienza computazionale ha descritto il cervello attraverso una gerarchia prevalentemente ascendente: gli organi di senso rilevano gli stimoli, le cortecce primarie ne estraggono le caratteristiche elementari e le regioni associative combinano progressivamente queste rappresentazioni fino alla formazione di una percezione e di una risposta comportamentale. Nel sistema somatosensoriale, questo schema assegna alla corteccia somatosensoriale primaria, indicata come S1, il compito di rappresentare proprietà fisiche come posizione, intensità e struttura dello stimolo, mentre la decisione finale verrebbe consolidata nelle aree premotorie e frontali. Il modello feed-forward rimane utile per descrivere una parte dell’elaborazione, ma le connessioni anatomiche del cervello non procedono in una sola direzione: quasi ogni livello corticale riceve anche segnali di ritorno dalle regioni superiori. Attenzione, aspettative, memoria, contesto e obiettivi possono quindi modificare già le prime rappresentazioni sensoriali. Lo studio dell’Illinois non elimina l’organizzazione gerarchica, ma mostra che una descrizione esclusivamente sequenziale risulta insufficiente. La decisione percettiva potrebbe emergere dall’interazione tra più livelli attraverso circuiti ricorrenti, anziché essere prodotta soltanto alla fine di una catena lineare. Questa differenza è importante anche per l’IA, perché molte reti convoluzionali sono state storicamente costruite come successioni di trasformazioni unidirezionali, nonostante i sistemi biologici utilizzino estesamente ricorrenza, feedback e modulazione top-down.

I topi hanno navigato utilizzando soltanto una coppia di baffi

Il lavoro è stato condotto da Alex G. Armstrong e Yurii Vlasov attraverso un paradigma di realtà virtuale tattile progettato per controllare con precisione le informazioni disponibili agli animali. I topi, mantenuti in una configurazione sperimentale che consentiva registrazioni neurali dense, dovevano attraversare un corridoio virtuale e utilizzare i baffi per raccogliere gli indizi necessari a scegliere se svoltare verso sinistra oppure verso destra. I ricercatori hanno lasciato disponibile soltanto una coppia di vibrisse C2, creando un collo di bottiglia sensoriale che permetteva di collegare più chiaramente gli stimoli tattili all’attività della corrispondente colonna corticale nella regione denominata wS1, specializzata nell’elaborazione dei baffi. Durante il compito è stata misurata l’attività di numerosi neuroni distribuiti lungo la colonna corticale. Il punto metodologico è decisivo: osservare un segnale correlato alla scelta non significa automaticamente dimostrare che una determinata area generi da sola la decisione, perché l’attività potrebbe riflettere il movimento imminente, l’attenzione oppure informazioni ricevute da altre regioni. L’esperimento è stato quindi costruito per ridurre l’ambiguità e studiare il modo in cui l’evidenza sensoriale si trasforma progressivamente in una variabile comportamentale. La ricerca si inserisce in un programma più ampio del gruppo di Vlasov dedicato alle interfacce neurali, alle registrazioni massive e all’analisi computazionale delle dinamiche corticali durante comportamenti attivi.

L’attività di migliaia di segnali converge verso una variabile decisionale

L’elemento più significativo emerge dall’analisi della dinamica collettiva dei neuroni. L’attività di spiking inizialmente distribuita in uno spazio ad alta dimensionalità si comprime progressivamente fino a essere descritta da una singola variabile latente, seguita da un incremento più lento e quasi sincrono dell’attività lungo la colonna corticale. Questa variabile risulta compatibile con i modelli di accumulo dell’evidenza, nei quali il cervello integra campioni sensoriali rumorosi fino al raggiungimento di una soglia che determina una scelta categorica. In termini semplici, il sistema non reagisce a un singolo contatto dei baffi, ma combina nel tempo informazioni parziali fino a rendere più probabile una delle due alternative. La presenza di questa dinamica in S1 suggerisce che la corteccia sensoriale primaria partecipi alla codifica della variabile decisionale e non si limiti a fornire una rappresentazione neutra dello stimolo. Gli autori parlano di una rappresentazione categorica “tutto o niente” compatibile con la trasformazione dell’evidenza in percezione e azione. Occorre tuttavia evitare una lettura eccessiva: lo studio non dimostra che S1 decida in isolamento o che preceda necessariamente tutte le regioni superiori. L’interpretazione proposta è quella di un processo distribuito, nel quale l’informazione riverbera attraverso circuiti cortico-corticali e ritorna alle aree sensoriali, modificandone dinamicamente l’attività.

I loop bidirezionali uniscono percezione, aspettative e comportamento

La presenza di segnali legati alla scelta nelle aree sensoriali può essere spiegata attraverso loop di feedback cortico-corticali. Durante l’esplorazione, S1 riceve gli impulsi generati dal contatto dei baffi, ma contemporaneamente può essere modulata da regioni coinvolte nell’attenzione, nella pianificazione motoria, nella memoria del percorso e nella valutazione delle alternative. Il risultato è un circuito ricorrente nel quale la percezione viene aggiornata alla luce dello stato interno e dell’obiettivo comportamentale. La distinzione tra “percepire” e “decidere” diventa quindi meno netta: ciò che il cervello rappresenta nelle prime fasi dipende anche dalla decisione che sta costruendo.

Questa organizzazione consente di rielaborare rapidamente gli stessi segnali senza doverli trasferire una sola volta lungo una sequenza rigida. Il principio è coerente con altri studi che descrivono il cervello come un sistema dinamico, nel quale le popolazioni neurali cambiano configurazione in funzione del compito. Un collegamento utile emerge con la ricerca sulle reti neurali capaci di ridurre il consumo eliminando il backpropagation tradizionale, che mostra come l’efficienza dell’IA possa dipendere non soltanto dalla scala dei modelli, ma anche dalla scelta di meccanismi di apprendimento e comunicazione differenti. Allo stesso modo, il lavoro dell’Illinois invita a considerare la ricorrenza non come un’aggiunta secondaria, bensì come una proprietà strutturale dell’elaborazione intelligente.

Le reti neurali artificiali possono imparare dalla ricorrenza biologica

Le implicazioni per l’intelligenza artificiale riguardano soprattutto l’architettura. I sistemi feed-forward trasformano l’ingresso attraverso una successione di livelli e producono un risultato senza ritornare sistematicamente sulle rappresentazioni iniziali. Il cervello, al contrario, utilizza connessioni ricorrenti che consentono alle ipotesi formulate ai livelli superiori di modificare l’elaborazione sensoriale. Un modello artificiale ispirato a questo principio potrebbe analizzare una scena, formulare una previsione, confrontarla con i dati disponibili e concentrare il calcolo soltanto sugli elementi ancora ambigui. Questo approccio potrebbe migliorare robustezza, adattamento al contesto ed efficienza energetica, evitando di applicare lo stesso volume di calcolo a ogni ingresso. Esistono già reti ricorrenti, modelli predittivi e sistemi con attenzione iterativa, ma la ricerca neuroscientifica può contribuire a definire meglio tempi, direzione e organizzazione dei feedback. Il risultato dell’Illinois si collega anche agli studi sui modelli neurali che integrano energia e memoria in un paradigma computazionale alternativo e alle ricerche sulle reti neurali meccaniche costruite attraverso materiali intelligenti, due esempi di come l’efficienza possa emergere dall’architettura fisica e dinamica del sistema. Vlasov precisa però che lo studio non rappresenta una ricetta pronta per costruire una nuova IA: il codice neurale resta in larga parte sconosciuto e la semplice imitazione superficiale del cervello non garantisce prestazioni superiori.

Lo studio apre una ricerca sulla dinamica temporale delle decisioni

Il passaggio successivo consisterà nel comprendere quando e come i diversi loop di feedback entrano in funzione durante la scelta. Le registrazioni mostrano una dinamica coerente con l’accumulo dell’evidenza, ma resta necessario separare il contributo dei segnali sensoriali, delle intenzioni motorie e delle proiezioni provenienti dalle aree superiori. Tecniche di perturbazione causale, registrazioni simultanee in più regioni e strumenti con maggiore risoluzione temporale potranno stabilire quali circuiti siano indispensabili e quali riflettano soltanto una decisione già formata altrove. Lo studio, pubblicato online il 29 aprile 2026 e apparso nel volume 123 di PNAS il 5 maggio 2026, propone quindi una revisione circoscritta ma rilevante del modello classico: la corteccia sensoriale primaria partecipa alla rappresentazione della scelta attraverso una dinamica compatibile con circuiti ricorrenti. Non significa che ogni percezione venga decisa nelle aree sensoriali né che la corteccia frontale perda il proprio ruolo. Indica piuttosto che il cervello distribuisce le computazioni e riutilizza continuamente le informazioni tra livelli diversi. Per le neuroscienze, questo impone di studiare le connessioni bidirezionali come parte centrale della decisione; per l’IA, suggerisce che maggiore efficienza e flessibilità potrebbero derivare da sistemi capaci di rivedere le proprie rappresentazioni mentre elaborano il problema.