LLM-Studie zeigt, wie Neuronen Wortbedeutung kodieren

Eine neue, im Jahr 2026 in Nature Neuroscience veröffentlichte Studie offenbart, wie das menschliche Gehirn die Bedeutung von Worten während des Sprachverstehens verarbeitet. Forschende der Baylor College of Medicine, der Rice University, der University of California, Berkeley sowie des Texas Children’s Hospital untersuchten gemeinsam die neuronale Kodierung semantischer Informationen im Hippocampus. Die Ergebnisse liefern erstmals ein neurokomputationales Modell, das biologische Sprachverarbeitung mit der Arbeitsweise aktueller Large Language Models verknüpft. Für die Untersuchung wurden während eines klinischen Epilepsie-Monitorings minimalinvasive Elektroden in den Hippocampus von zehn Patient:innen implantiert. Während die Probanden narrative Texte hörten, zeichneten die Wissenschaftler die Einzelzellaktivität auf. Mittels mathematischer Modelle analysierten sie den Zusammenhang zwischen der linguistischen Struktur der Texte und den neuronalen Antwortmustern. Dabei zeigte sich, dass semantische Informationen nicht punktuelles, sondern als verteilte Aktivitätsmuster über Neuronenpopulationen hinweg kodiert werden. Diese Repräsentation blieb auch nach Kontrollierung phonetischer und grammatikalischer Parameter robust. Einzelne Hippocampus-Neuronen wiesen komplexe Selektivitäten auf, die mehrere semantische Kategorien umfassten. Ein zentraler Befund der Arbeit war die Übereinstimmung zwischen biologischen und künstlichen Sprachrepräsentationen. Die Distanz der neuronalen Aktivitätsmuster korrelierte signifikant mit der semantischen Distanz in Wortvektoren künstlicher Modelle, wobei die höchste Konvergenz zu den Embeddings von GPT-2 bestand. Zudem ließen sich Variationen in den neuronalen Antworten mit polysemiebezogenen Kennzahlen aus LLMs verknüpfen. Dies weist darauf hin, dass die semantische Kodierung im Gehirn stark kontextabhängig erfolgt und durch kontrastive Codierungsmechanismen Rauschen reduziert. Die Studie etabliert ein neues Paradigma für die Sprachneuroforschung. Sie belegt, dass Large Language Models nicht nur technische Werkzeuge, sondern auch wertvolle Referenzsysteme zur Entschlüsselung biologischer Sprachverarbeitung darstellen. Die gewonnenen Erkenntnisse bilden eine Grundlage für zukünftige vergleichende Analysen zwischen künstlichen und neuronalen Semantikmodellen. Langfristig könnten die Ergebnisse die Entwicklung von sprachgestützten Neuroprothetik-Systemen, verbesserte kognitive Computermodelle und neue Ansätze im Human-Computer-Interface vorantreiben. Die Arbeit unterstreicht damit die wachsende Symbiose von KI-Forschung und Neurowissenschaften und eröffnet präzise Wege, um die Repräsentation von Bedeutung im menschlichen Gehirn quantitativ zu fassen.