Eine neu am MIT McGovern-Institut für Hirnforschung durchgeführte Studie, veröffentlicht in PNAS, liefert starke neuronale Belege dafür, dass menschliches logisches Denken nicht auf sprachverarbeitende Hirnareale zurückgreift. Die Forschung unter der Leitung von Evelina Fedorenko und erster Autorin Hope Kean zeigt, dass Sprache und abstrakte Schlussfolgerung in der Gehirnfunktion voneinander entkoppelt verlaufen. Um die Hypothese zu prüfen, konzentrierte sich das Team auf logische Mustererkennung und Regelverallgemeinerung, die bewusst ohne linguistische Komponenten auskamen. In Zusammenarbeit mit Forschern des University College London wurden zwei Patienten mit schwerer poststroke-Aphasie getestet. Trotz massiver Einbußen in Sprachverständnis und -produktion schnitten die Probanden bei nicht-linguistischen Deduktionsaufgaben genau so gut wie neurologisch gesunde Kontrollgruppen. Diese Befunde wurden durch funktionelle Magnetresonanztomographie an einer größeren Kohorte von Gesunden untermauert. Die Auswertungen belegten, dass sowohl induktive als auch deduktive Schlussfolgerungen keine signifikante Aktivierung des klassischen Sprachnetzwerks auslösen. Stattdessen erwies sich das sogenannte Mehrfach-Anforderungs-Netzwerk primär bei der induktiven Regelverallgemeinerung als aktiv, während seine Rolle bei der linearen Syllogistik weiterhin Forschung bedarf. Die Ergebnisse fügen sich in die langjährige Arbeit des Fedorenko-Teams ein, das bereits zuvor nachwies, dass auch Objektklassifikation und soziales Denken unabhängig von sprachlichen Prozessen ablaufen. Parallel publizierte Arbeiten kartierten das menschliche Sprachnetzwerk als vergleichsweise kompaktes System, das weniger als vier Prozent der grauen Substanz ausmacht und evolutionär als spätes Add-on auf bestehende kognitive Strukturen aufsetzt. Klinisch unterstreicht dies, dass Sprachstörungen nicht mit verminderten intellektuellen Fähigkeiten gleichzusetzen sind. Von besonderer Relevanz für die Künstliche Intelligenz ist die Erkenntnis, dass das menschliche Gehirn Schlussfolgern und Kommunizieren auf getrennten Pfaden abbildet. Dies korrespondiert direkt mit der anhaltenden Debatte um die Architektur von Large Language Models. Turing-Preisträger Yann LeCun verweist seit Langem darauf, dass rein textbasierte Prädiktionsmodelle vorrangig linguistische Muster lernen, nicht aber ein kausales Verständnis der physischen Welt entwickeln. Die neuen neurologischen Daten stützen den argumentativen Kern seiner Position: Wenn natürliche Intelligenz Sprache und Logik trennt, stellt sich die Frage, ob künftige KI-Systeme über reine Sprachmodelle hinaus auch explizite Mechanismen für Weltmodellierung, Planung und abstrakte Inferenz benötigen. Experten betonen indes, dass biologische Architekturen nicht zwangsläufig die technische Optimierungsvorgabe darstellen. LLMs demonstrieren weiterhin beeindruckende Fähigkeiten in Mathematik und Codegenerierung, was auf interne, vom menschlichen Sprachgebrauch abgekoppelte Repräsentationsformen hindeuten könnte. Die Studie liefert somit weniger ein definitives Urteil über die Limiten aktueller Sprachmodelle, sondern vielmehr einen Referenzrahmen für die nächste Generation autonomer KI. Sie markiert den Beginn einer neuen Forschungsrichtung, in der die Entkopplung von linguistischer Oberfläche und logischer Kernverarbeitung als vielversprechendes Feld für robuste, wissensbasierte KI-Systeme erkundet wird.