ხელოვნური ინტელექტის (AI) გამოყენებით, მკვლევარებმა გააშიფრეს ყოველდღიური დიალოგების დროს უახლესი ძნელად აღქმული მრწამსი, რაც შესაძლოა გააუმჯობესოს ჩვენი ჩაწვდომა ენის ნეიროწინციკაში და ხელს შეუწყოს მეტყველებისა და კომუნიკაციის ტექნოლოგიების განვითარებას. მათ გამოიყენეს AI მოდელი სახელწოდებით Whisper, რომელიც აუდიოს ტექსტად გარდასახავს აუდიო ფაილებზე და მათ შესაბამის ტრანსკრიპციებზე განათლების მიღების გზით. ტრადიციული მოდელების განსხვავებით, რომლებიც ეყრდნობიან სახელბმულ სტრუქტურებს, როგორიცაა ფონემები და სიტყვის ნაწილები, Whisper learns სულ ასევე სტატისტიკური კორელაციებიდან და შეუძლია ახალი აუდიოთი ტექსტის პროგნოზირება. მიუხედავად იმისა, რომ თავდაპირველი დიზაინი არ კოდებს ენების სასარგებლო მახასიათებლებს, ეს მახასიათებლები მანამდე განვითარდა. მკვლევარების მიერ გამოქვეყნებულ კვლევაში *Nature Human Behaviour*-ში ოთხი ეპილეფსიური პაციენტი მონაწილეობდა, რომლებსაც კლინიკური მონიტორინგისთვის ელექტრონები ჰქონდათ გაწვდილი. მკვლევრებმა დააფიქსირეს 100 საათზე მეტი რეალური საუბრის მასალა, რაც მიზნად ისახავდა მეცნიერების მუშაობის შესწავლას კონტროლირებად ლაბორატორიულ გარემოში.

მათ აღმოაჩინეს, რომ სხვადასხვა ტვინის რეგიონები აქტიურად მუშაობდნენ საუბრის დროს და მეტყველების გაგების დროს, რაც უჭერდა ლოგიკური გადამუშავების პროცესზე უფრო მყარ სისტემას, ნაცვლად ამის განმასხვავებელი სფეროები. მაგალითად, ხმების დამუშავების არეები გაძლიერებული აქტიურობით გამოირჩეოდნენ აუდიო გამოსავალის დროს, მაშინ როცა უფრო მაღალ დონეზე აზროვნებასთან დაკავშირებული რეგიონები მეტაქტიურ ფუნქციურობამდე მიუწვდიდნენ. აქტივობის თანმიმდევრობა მაჩვენებდა სიტყვების მოსმენიდან მათი მნიშვნელობის განმარტებამდე პროგრესს. Whisper-ის 80%-იანი აუდიო მონაცემებით გაწვრთნის შედეგად, მკვლევარებმა მიაღწიეს ზუსტ პროგნოზებს ტვინის აქტივობაზე არაწვრთნილ დიალოგებზე, რაც ტრადიციულ მოდელებზე უკეთესი შედეგები მოიტანა, რომლებიც ენების სასარგებლო მახასიათებლებზე არიან დამოკიდებული. ეს გადამწყვეტი კვლევა აჯამებს კავშირს AI ენის მოდელების და ტვინის ფუნქციებს შორის, რაც გვთავაზობს, რომ ორივე შეიძლება მსგავსი გზით მოამუშავოს სახელი, თუმცა საჭირო ხდება კიდევ უფრო დეტალური კვლევა ამ პარალელების დასადასტურებლად. კომპარატიული კვლევები ხელოვნური ნეირალური ქსელების და ადამიანის ცოდნის შესახებ მნიშვნელოვანია ენის გადამუშავების საერთო მექანიზმების გაგებისთვის.