Ved hjælp af kunstig intelligens (AI) har forskere afkodet den komplekse hjerneaktivitet under hverdagssamtaler, hvilket kan forbedre vores forståelse af sprogneurologi og forbedre teknologier til talegenkendelse og kommunikation. De anvendte en AI-model kaldet Whisper, som transkriberer lyd til tekst ved at træne på lydfiler og deres tilsvarende transkripter. I modsætning til traditionelle modeller, der er afhængige af sproglige strukturer som fonemer og ordklasser, lærer Whisper udelukkende fra statistiske korrelationer og kan forudsige tekst fra ny audio. Selvom dens oprindelige design ikke koder sproglige funktioner, opstod disse funktioner under træningen. Studiet, offentliggjort i *Nature Human Behaviour*, involverede fire epilepsipatienter, der havde elektroder implanteret til klinisk overvågning. Forskere optog over 100 timers virkelige samtaler med det formål at studere hjerneaktivitet uden for kontrollerede laboratoriemiljøer.

De opdagede, at forskellige hjerneområder blev aktiveret under tale og forståelse af tale, hvilket understøtter ideen om en distribueret behandlingsmetode snarere end distinkte områder dedikeret til specifikke opgaver. For eksempel viste områder til behandling af lyd øget aktivitet under auditiv indput, mens regioner relateret til højere tankegang var mere aktive i sprogforståelse. Aktiveringssekvensen indikerede en progression fra at høre ord til at fortolke deres betydning. Ved at træne Whisper med 80 % af lyddataene opnåede forskerne nøjagtige forudsigelser af hjerneaktivitet for utrænede samtaler, hvilket overgik traditionelle modeller, der er afhængige af sproglige funktioner. Denne banebrydende forskning etablerer en forbindelse mellem AI-sprogmodeller og hjernefunktioner, hvilket antyder, at begge måske behandler sprog på lignende måder, selvom yderligere undersøgelse er nødvendig for at bekræfte disse ligheder. Sammenlignende studier af kunstige neurale netværk og menneskelig kognition forbliver vigtige for at forstå de fælles mekanismer i sprogbehandling.