Wenn künstliche Intelligenz und menschliche Kognition dieselbe Sprache sprechen: Eine neue Studie liefert verblüffende Belege dafür, dass Large Language Models wie GPT die Sprachverarbeitung des Gehirns nicht nur imitieren – sondern strukturell widerspiegeln.
Neue Studie: Menschliches Gehirn verarbeitet Sprache ähnlich wie Large Language Models
Forschende der Hebrew University of Jerusalem haben eine strukturelle Ähnlichkeit zwischen der menschlichen Sprachverarbeitung und dem Aufbau moderner KI-Sprachmodelle nachgewiesen. Die in Nature Communications veröffentlichte Studie stellt klassische regelbasierte Vorstellungen von Sprachverstehen in Frage und liefert zugleich neue Einblicke in die Funktionsweise von Systemen wie GPT.
Schichtweise Verarbeitung – im Gehirn wie im Modell
Das Forscherteam um Dr. Ariel Goldstein nutzte Elektrokortikographie-Aufnahmen von Probanden, die einen dreißigminütigen Podcast hörten. Dabei verfolgten die Wissenschaftler, wann und wo im Gehirn Sprachsignale verarbeitet werden. Das Ergebnis:
Das Gehirn durchläuft beim Sprachverstehen eine geordnete Sequenz neuronaler Verarbeitungsschritte – und diese Abfolge entspricht strukturell dem Schichtenaufbau großer Sprachmodelle wie GPT-2 und Llama 2.
Konkret zeigte sich, dass frühe neuronale Reaktionen grundlegenden Worteigenschaften entsprechen, während spätere Aktivierungsmuster – insbesondere in bekannten Sprachregionen wie dem Broca-Areal – den tieferen Schichten der KI-Modelle ähneln, in denen Kontext und semantische Bedeutung verarbeitet werden. Bedeutung entsteht demnach nicht auf einen Schlag, sondern akkumuliert sich schrittweise durch Kontext.
Kooperation zwischen Akademie und Tech-Industrie
Die Studie entstand in Zusammenarbeit mit Dr. Mariano Schain von Google Research sowie Prof. Uri Hasson und Eric Ham von der Princeton University. Das interdisziplinäre Projekt verbindet Neurowissenschaften mit KI-Forschung – ein Ansatz, der in der Grundlagenforschung zunehmend an Bedeutung gewinnt.
Ergänzend zur Studie wurde ein öffentlicher Datensatz veröffentlicht, der Hirnaktivitätsmessungen beim natürlichen Sprachhören enthält. Dieser soll anderen Forschungsgruppen ermöglichen, die Mechanismen der Bedeutungsbildung im Gehirn weiterzuuntersuchen und mit KI-Architekturen zu vergleichen.
Implikationen für KI-Entwicklung und Kognitionswissenschaft
Die Ergebnisse sind aus zwei Richtungen relevant:
- Neurowissenschaft: Das Gehirn verarbeitet Sprache weniger nach festen grammatischen Regeln als durch kontextsensitive, schrittweise Akkumulation von Bedeutung.
- KI-Forschung: Large Language Models sind möglicherweise nicht zufällig effektiv – ihre Architektur könnte biologisch plausible Verarbeitungsprinzipien widerspiegeln, ohne dass dies bei ihrer Entwicklung explizit angestrebt wurde.
Ob dieser Gleichklang auf gemeinsame funktionale Anforderungen an Sprachverarbeitung hindeutet oder andere Ursachen hat, bleibt offen. Die Studie liefert dafür jedoch eine belastbare empirische Grundlage.
Einordnung für Unternehmen
Für Unternehmen, die Large Language Models in der Kundenkommunikation, im Dokumentenmanagement oder in der internen Wissensverarbeitung einsetzen, besteht zunächst kein unmittelbarer Handlungsbedarf. Mittelfristig jedoch könnten die Erkenntnisse die Entwicklung kognitiv besser abgestimmter KI-Systeme vorantreiben – etwa Modelle, die Kontext noch präziser gewichten oder menschliches Sprachverständnis realitätsnäher abbilden.
Wer KI-gestützte Sprachverarbeitung strategisch einsetzt, sollte die weitere Grundlagenforschung in diesem Bereich aktiv im Blick behalten.
Quelle: ScienceDaily AI
