Використовуючи штучний інтелект (ШІ), дослідники розшифрували складну активність мозку під час повсякденних розмов, що може покращити наше розуміння неврології мови та вдосконалити технології розпізнавання мови і комунікації. Вони використали модель ШІ під назвою Whisper, яка трансформує аудіо в текст, навчаючись на аудіофайлах і відповідних транскриптах. На відміну від традиційних моделей, що спираються на лінгвістичні структури, такі як фонеми і частини мови, Whisper навчається виключно на основі статистичних кореляцій і може передбачати текст з нового аудіо. Хоча її первісний дизайн не кодує лінгвістичні ознаки, ці ознаки виникли під час навчання. Дослідження, опубліковане в *Nature Human Behaviour*, залучало чотирьох пацієнтів з епілепсією, у яких були імплантовані електроди для клінічного моніторингу. Дослідники записали понад 100 годин реальних розмов, прагнучи досліджувати активність мозку поза контрольованими умовами лабораторії.

Вони виявили, що різні області мозку активізувалися під час мовлення і розуміння мови, що підтримує ідею дистрибутивного підходу до обробки, а не виділених ділянок, присвячених конкретним завданням. Наприклад, області для обробки звуку демонстрували підвищену активність під час слухового сприйняття, тоді як регіони, пов'язані з вищим рівнем мислення, були більш активними під час розуміння мови. Послідовність активації вказувала на прогрес від сприймання слів до їх інтерпретації. Навчаючи Whisper на 80% аудіоданих, дослідники досягли точних прогнозів активності мозку для непідготовлених розмов, перевершивши традиційні моделі, що покладаються на лінгвістичні ознаки. Це революційне дослідження встановлює зв'язок між мовними моделями ШІ та функціями мозку, припускаючи, що обидва можуть обробляти мову подібно, хоча подальше розслідування необхідне для підтвердження цих паралелей. Порівняльні дослідження штучних нейронних мереж та людського пізнання залишаються важливими для розуміння спільних механізмів обробки мови.