Die Funktionsweise des menschlichen Gehirns bei der kognitiven Verarbeitung von Sprache wirft trotz intensiver jahrzehntelanger neurowissenschaftlicher Forschung nach wie vor fundamentale Fragen auf, insbesondere im Hinblick auf die zugrundeliegenden neuronalen Mechanismen der Sinn- und Wortextraktion. Ein moderner und zunehmend fundierter Erklärungsansatz wird durch die Theorie des sogenannten „Predictive Coding“ geliefert, welche das menschliche Denkorgan im Wesentlichen als eine hochentwickelte biologische Vorhersagemaschine begreift. Demnach ist das Gehirn bestrebt, durch die kontinuierliche Antizipation von Sinnesreizen, zukünftigen Zuständen und Umweltfolgen eine evolutionär vorteilhafte, beschleunigte Reaktionsfähigkeit zu gewährleisten, die bereits den frühen Vorfahren der Menschheit das Überleben sicherte. Ob und in welcher Form diese prädiktive Strategie auch bei der natürlichen Sprachverarbeitung im Gehirn zum Tragen kommt, konnte nun im Rahmen einer empirischen Forschungsarbeit von Kölbl et al. (2026) auf eindrucksvolle Weise dargelegt werden.
Angeregt durch die rasanten technologischen Fortschritte im Bereich der Informationstechnologie verglich man die neuronalen Prozesse des Menschen direkt mit den mathematischen Funktionsweisen moderner großer KI-Sprachmodelle wie BERT oder multilingualen LLaMA-Architekturen, um potenzielle computationelle Analogien aufzudecken. Zu diesem Zweck koppelte man die Aufzeichnung simultaner elektro- und magnetoenzephalografischer Messungen von insgesamt 29 gesunden Testpersonen, die der kontinuierlichen und natürlichen Sprache eines Hörbuchs lauschten, direkt mit den statistischen Wortvorhersagewahrscheinlichkeiten der künstlichen Systeme. Die computergestützten Analysen der Gehirnaktivitäten lieferten überraschend eindeutige Parallelen zwischen biologischen und künstlichen Prozessen und demonstrierten, dass das Gehirn beim Verstehen von Sprache aktiv Wahrscheinlichkeiten kalkuliert, um das jeweils nächste zu erwartende Wort vorauszuberechnen. Diese neurophysiologische Spieglung der semantischen Wortwahrscheinlichkeit äußert sich konkret darin, dass die neuronale Antwort des Gehirns – messbar unter anderem an der reduzierten Amplitude der sogenannten N400-Komponente – bei einem im Kontext hochgradig wahrscheinlichen Wort signifikant schwächer ausfällt, während unerwartete oder kontextuell unpassende Wörter eine deutlich stärkere neuronale Aktivierung auslösen.
Dieser Umstand zeigt, dass das biologische System bei unvorhergesehenen sprachlichen Reizen einen erheblich höheren Verarbeitungsaufwand betreiben muss. Darüber hinaus ließ sich durch die neurophysiologischen Messdaten nachweisen, dass die neuronale Aktivität in den sprachverarbeitenden kortikalen Arealen bereits unmittelbar vor dem eigentlichen akustischen Einsetzen des nächsten Wortes messbar ansteigt. Diese prädiktive Präaktivierung, welche sich elektroenzephalografisch vor allem in den linken fronto-temporalen Regionen manifestiert, untermauert die These einer dynamischen Integration von Top-down-Erwartungen und Bottom-up-Sinnesdaten. Interessanterweise zeigten die magnetenzephalografischen Daten bei unerwarteten Wörtern zudem eine verstärkte sensomotorische Beteiligung, was auf eine motorische Komponente bei der sprachlichen Antizipation hindeutet.
Über die bloße funktionelle Ähnlichkeit bei den Vorhersagen hinaus verdichten sich die wissenschaftlichen Hinweise darauf, dass sowohl das Gehirn als auch die Transformator-basierten KI-Modelle Sprache intern auf eine bemerkenswert vergleichbare Weise organisieren und strukturieren. Diese fundamentale Konvergenz zweier gänzlich unterschiedlicher Systeme – das eine basierend auf biochemischen, zellulären und elektrischen Signalen, das andere auf rein mathematischen Algorithmen, digitalen Zahlenwerten und künstlichen Netzwerkinfrastrukturen – wirft tiefgreifende wissenschaftliche Fragestellungen bezüglich der universellen Prinzipien von Sprachrepräsentationen auf. Die Erkenntnis, warum diese disparaten Systeme auf identische Organisationsformen zusteuern und wo die exakten Grenzen dieser Konvergenz liegen, eröffnet der kognitiven und computationalen Neurowissenschaft zukunftsweisende Perspektiven. Langfristig lassen sich aus diesem vertieften Verständnis nicht nur Optimierungen für die Entwicklung transparenterer, erklärbarer künstlicher Intelligenzen ableiten, sondern auch neuartige Ansätze für die medizinische Diagnostik, personalisierte Therapieverfahren bei Sprachstörungen sowie die Perfektionierung von Gehirn-Computer-Schnittstellen.
Literatur
Kölbl, N., Tziridis, K., Maier, A., Kinfe, T., Chavarriaga, R., Schilling, A., & Krauss, P. (2026). The predictive brain: Neural correlates of word expectancy align with large language model prediction probabilities. NeuroImage, 334, doi:10.1016/j.neuroimage.2026.121966
