కృత్రిమ మేధస్సు (AI) ను ఉపయోగించి, పరిశోధకులు ప్రతిరోజు సంభాషణల సమయంలో సంక్లిష్ట మెదడు చలనాలను అర్థం చేసుకున్నారు, ఇది భాషా నర శాస్త్రం గురించిన మన అవగాహనను పెంపొందించడానికి మరియు వాయిస్పరచి మరియు కమ్యూనికేషన్ కోసం సాంకేతికతలను మెరుగుపరచడానికి సహాయపడుతుంది. అవి 'Whisper' అనే AI మోడల్‌ను ఉపయోగించారు, ఇది ఆడియో ఫైళ్ళు మరియు వాటి సంబంధించిన ట్రాన్స్‌క్రిప్ట్‌ల ఆధారంగా ఆడియోను టెక్స్ట్లోకి పరివర్తనం చేస్తుంది. ఫోన్‌లు మరియు వాక్య భాగాలు వంటి భాషాపరమైన నిర్మాణాలను ఆధారపడే సంప్రదాయ మోడళ్లతో పోలిస్తే, Whisper కేవలం గణిత సంబంధాల ద్వారా నేర్చుకుంటుంది మరియు కొత్త ఆడియో నుండి టెక్స్ట్ను అంచనావేసి ప్రిడిక్ చేయగలదు. దాని ప్రారంభ డిజైన్ భాషాపరమైన లక్షణాలను కోడ్ చేయకపోయినా, అవి శిక్షణ సమయంలో ఉద్భవించాయి. *Nature Human Behaviour* లో ప్రచురితమైన ఈ అధ్యయనంలో, క్లినికల్ మానిటరింగ్ కోసం ఇలక్ట్రోడ్స్ అమర్చిన నాలుగు పీకుల సమస్యల బాధితులు పాల్గొన్నారు.

పరిశోధకులు 100 గంటల పైగా నిజమైన వాణిజ్యాలను రికార్డు చేసారు, కట్టడి ల్యాబ్ సెట్టింగ్‌ల వెలుపల మెదడు చలనాలను అధ్యయనం చేయటానికి లక్ష్యంగా పెట్టారు. మాట్లాడేటప్పుడు మరియు వృత్తాంతాన్ని అర్థం చేసుకునేటప్పుడు వేరువేరుగా మెదడు ప్రాంతాలు క్రియాశీలం అయ్యాయని వారు కనుగొన్నారు, ఇది ప్రత్యేక పనుల కోసం ప్రత్యేకితమైన ప్రాంతాల కంటే వ్యాప్తి చెందిన ప్రాసెసింగ్ పద్ధతిని ఉన్నదని సూచించింది. ఉదాహరణకు, శ్రవణ అవసరాలకు సంబంధించిన ప్రాంతాలలో శ్రవణ ఇన్పుట్ సమయంలో పెరిగిన చలనాన్ని చాటాయి, అలాగే ఉన్నత స్థాయి ఆలోచనలకు సంబంధిత ప్రాంతాలు భాషా అర్థనలో మరింత చురుకుగా ఉన్నాయి. చలనాల క్రమం, పదాలను వినడం నుండి వాటి అర్థాన్ని విశ్లేషించడం వరకు progression ను సూచించింది. పరిశోధకులు 80% ఆడియో డేటాతో Whisperని శిక్షించాలని వీరిది, శ్రద్ధా లేకుండా జరిగిందని అంచనా వేయడానికి ఖచ్చితమైన అంచనాలను సాధించి, భాషాపరమైన లక్షణాలను ఆధారపడి ఉన్న సంప్రదాయ మోడళ్లను మించించి ఉంటారు. ఈ విప్లవాత్మక పరిశోధన AI భాషా మోడళ్ల మరియు మెదడు పనుల మధ్య సంబంధాన్ని స్థాపిస్తుంది, రెండూ భాషను పోలిన విధంగా ప్రాసెస్ చేయవచ్చు అని సూచిస్తోంది, అయినప్పటికీ ఈ సమానత్వాలను నిర్ధారించడానికి మరింత అన్వేషణ అవసరం. కృత్రిమ న్యూరల్ నెట్వర్క్సు మరియు మానవ జ్ఞానాన్ని పోల్చే అధ్యయనాలు భాషా ప్రాసెసింగ్ యొక్క పంచుకున్న యంత్రాలు అర్థం చేసుకోవడానికి అత్యంత కీలకమైనవి.