Využitím umělé inteligence (AI) výzkumníci rozluštili složitou mozkovou aktivitu během každodenních rozhovorů, což by mohlo zlepšit naše porozumění neurovědám jazyka a vylepšit technologie pro rozpoznávání řeči a komunikaci. Použili model AI nazvaný Whisper, který převádí audio na text díky trénování na audio souborech a jejich odpovídajících přepisech. Na rozdíl od tradičních modelů, které se spoléhají na jazykové struktury, jako jsou fonémy a slovní druhy, Whisper se učí čistě ze statistických korelací a dokáže předpovědět text z nového audia. Ačkoliv jeho počáteční design neobsahuje jazykové prvky, tyto prvky se během trénování objevily. Studie, publikovaná v časopise *Nature Human Behaviour*, zahrnovala čtyři pacienty s epilépsií, kteří měli implantované elektrody pro klinické sledování. Výzkumníci zaznamenali více než 100 hodin skutečných rozhovorů, jejichž cílem bylo studovat mozkovou aktivitu mimo kontrolované laboratorní podmínky.

Objevili, že různé oblasti mozku se aktivovaly během mluvení a porozumění řeči, což podporuje myšlenku distribuovaného zpracování, spíše než že by existovaly konkrétní oblasti věnované specifickým úkolům. Například oblasti pro zpracování zvuku vykazovaly zvýšenou aktivitu během sluchového vstupu, zatímco oblasti související s vyšším myšlením byly aktivnější při porozumění jazyku. Sekvence aktivace naznačovala postup od slyšení slov k interpretaci jejich významu. Tréninkem modelu Whisper s 80 % audio dat dosáhli výzkumníci přesných předpovědí mozkové aktivity pro netrénované rozhovory, a překonali tak tradiční modely, které se spoléhají na jazykové prvky. Tento průlomový výzkum vytváří spojení mezi jazykovými modely AI a funkcemi mozku, což naznačuje, že obě mohou zpracovávat jazyk podobně, i když je nutné další zkoumání k potvrzení těchto paralel. Srovnávací studie umělých neuronových sítí a lidské kognice zůstávají nezbytné pro pochopení společných mechanismů zpracování jazyka.