Forskare använder nu medvetet motsättningar mellan artificiella neurala modeller för att testa hur väl de speglar mänsklig hjärnaktivitet. Genom att skapa scenarier där olika AI-hjärnor ger divergerande svar kan man identifiera vilka modeller som fångar de underliggande beräkningsprinciperna i den mänskliga hjärnan. Metoden bygger på att jämföra modellernas svar med neurofysiologiska data och på så sätt avvisa de modeller som misslyckas med att reproducera observerade mönster. Resultatet ger en mer stringent utvärderingsram för AI-modeller som används inom neurovetenskap och kan på sikt förbättra både förståelsen av hjärnan och utvecklingen av mer biologiskt inspirerade AI-system.

Denna strategi kan också hjälpa till att identifiera bias och begränsningar i befintliga modeller, vilket är kritiskt när de appliceras på kliniska beslut eller patientdata. Genom att fokusera på oenighet blir det möjligt att finjustera modeller så att de bättre stödjer diagnostik, prognostik och behandlingsplanering.