El cervell no és una massa uniforme: està dividit en regions i circuits especialitzats, que treballen coordinats. Els neurocientífics en diuen modularitat, i es considera clau perquè permet adaptar-se i fer tasques cognitives complexes. Una pregunta oberta és d'on surt aquesta organització. Els models que només tenen en compte la distància física entre neurones no n'expliquen tota l'estructura.
Un article publicat a Nature Machine Intelligence, una revista revisada per parells, hi aporta una explicació computacional. Els autors entrenen xarxes neuronals recurrents amb diverses tasques i comparen tres maneres de fer-ho: una sola tasca, diverses a la vegada i diverses introduïdes d'una en una. El resultat és que l'aprenentatge multitasca fa que les xarxes siguin més modulars que amb una sola tasca, sobretot quan el nombre de tasques posa a prova la capacitat de la xarxa.
La modularitat més alta apareix amb l'aprenentatge incremental, és a dir, quan les tasques arriben una rere l'altra, i aquestes xarxes mantenen també un bon rendiment. A més, les estructures que en resulten s'assemblen més a les xarxes cerebrals biològiques que les de models basats només en restriccions espacials. Segons el resum, la modularització seria una resposta adaptativa a l'arribada successiva de tasques complexes.
Cal llegir-ho amb prudència: són simulacions amb xarxes artificials petites, i que el resultat s'assembli al cervell no demostra que aquest s'organitzi així pel mateix motiu. El que aporta és una hipòtesi comprovable, i una pista per als qui dissenyen IA: ensenyar tasques en ordre, en lloc de totes de cop, pot donar sistemes més ordenats.