दशकों से, तंत्रिका वैज्ञानिकों (neuroscientists) ने मानव मस्तिष्क का मानचित्र इस प्रकार बनाया है जैसे कि वे किसी शहर के योजनाकार द्वारा बैंकिंग, विनिर्माण या आवास के लिए अलग-अलग जिलों की पहचान कर रहे हों। दो ऐसे जिले लंबे समय से अलग माने जाते रहे हैं: एक समर्पित भाषा नेटवर्क जो वाक्यों को समझने पर सक्रिय होता है, और एक 'मल्टीपल-डिमांड' (multiple-demand) नेटवर्क जो तब सक्रिय हो जाता है जब हम किसी कठिन मानसिक चुनौती का सामना करते हैं, जैसे कि एक जटिल गणित की समस्या को हल करना या वस्तुओं की एक लंबी सूची को याद रखना। प्रचलित दृष्टिकोण यह था कि ये दोनों प्रणालियाँ अपने कार्य में शायद ही कभी ओवरलैप होती थीं। माना जाता था कि भाषा नेटवर्क शब्दों के अर्थ को संभालता है, जबकि मल्टीपल-डिमांड नेटवर्क एक सामान्य-उद्देश्य वाले सहायक के रूप में कार्य करता था, जो केवल तभी हस्तक्षेप करता था जब कार्य बहुत कठिन हो जाता था, जिससे अतिरिक्त प्रयास तो मिलता था लेकिन वह वास्तव में भाषा को प्रोसेस नहीं करता था। इस अंतर ने यह सुझाव दिया कि जब हम एक सघन व्याख्यान (lecture) को समझने के लिए संघर्ष करते हैं, तो हमारा मस्तिष्क तनाव को प्रबंधित करने के लिए श्रमिकों की एक अलग टीम को नियुक्त करता है, जिससे अर्थ को डिकोड करने का वास्तविक कार्य भाषा विशेषज्ञों के लिए छोड़ दिया जाता है।

हालाँकि, एक नया अध्ययन इस कठोर अलगाव को चुनौती देता है, यह सुझाव देते हुए कि मस्तिष्क का यह "सहायक" नेटवर्क केवल तनाव को प्रबंधित करने से कहीं अधिक करता है; यह सामग्री को समझने में सक्रिय रूप से भाग लेता है। वीडियो देखते और कहानियाँ सुनते समय लोगों के मस्तिष्क की गतिविधियों को सुनकर, शोधकर्ताओं ने पाया कि मल्टीपल-डिमांड नेटवर्क केवल प्रयास को बढ़ाता नहीं है। इसके बजाय, यह सुने जा रहे विषय के विशिष्ट अर्थ के बारे में विस्तृत जानकारी रखता है, और वर्तमान विषय के अनुरूप अपनी आंतरिक प्रस्तुति (representation) को अनुकूलित करता है। यह खोज दर्शाती है कि भाषा को समझने की हमारी क्षमता एक एकल, अलग क्षेत्र तक सीमित नहीं है, बल्कि यह एक सहयोगात्मक प्रयास है जहाँ सामान्य-उद्देश्य वाले नियंत्रण केंद्र भी विशिष्ट विषय वस्तु के प्रति संवेदनशील होते हैं, चाहे वह वैज्ञानिक व्याख्यान हो या कोई व्यक्तिगत कहानी।

इसकी जांच करने के लिए, शोधकर्ताओं ने एक अनूठा दृष्टिकोण अपनाया जिसने मस्तिष्क इमेजिंग को आर्टिफिशियल इंटेलिजेंस (AI) के साथ जोड़ा। उन्होंने विभिन्न प्रकार की सामग्री देखते और सुनते समय प्रतिभागियों के तीन समूहों को शामिल किया। एक समूह ने कंप्यूटर विज्ञान के इक्कीस खंड देखे, जो अमूर्त अवधारणाओं और तकनीकी शब्दावली से भरा एक उच्च-मांग वाला कार्य था। दूसरे समूह ने रेडियो शो से व्यक्तिगत वृत्तांतों (personal narratives) के सैकड़ों मिनट सुने, जो कहानी कहने और रोजमर्रा की भाषा द्वारा चिह्नित एक कम-मांग वाला कार्य था। तीसरे समूह ने नियंत्रित सेटिंग में दोनों प्रकार की सामग्री देखी ताकि यह सुनिश्चित किया जा सके कि अंतर सामग्री के कारण है न कि देखने वाले लोगों के कारण। जब प्रतिभागी इन सामग्रियों के साथ संलग्न थे, तब शोधकर्ताओं ने फंक्शनल मैग्नेटिक रेजोनेंस इमेजिंग (fMRI) का उपयोग करके उनकी मस्तिष्क गतिविधि को रिकॉर्ड किया, जो यह ट्रैक करता है कि मस्तिष्क के कौन से हिस्से सबसे अधिक काम कर रहे हैं।

शोधकर्ताओं ने फिर यह डिकोड करने के लिए एक चतुर विधि का उपयोग किया कि मस्तिष्क क्या सोच रहा था। उन्होंने दो कंप्यूटर प्रोग्रामों का उपयोग किया, जिन्हें 'लैंग्वेज मॉडल' कहा जाता है, जिन्हें मानव भाषा समझने के लिए प्रशिक्षित किया गया था। एक सामान्य-उद्देश्य वाला मॉडल, जिसने पुस्तकों और वेबसाइटों के विशाल संग्रह से सीखा था। दूसरा एक विशेष संस्करण था जिसे विशेष रूप से लाखों वैज्ञानिक शोध पत्रों पर प्रशिक्षित किया गया था। महत्वपूर्ण रूप से, दोनों प्रोग्राम बिल्कुल समान आंतरिक संरचना और शब्दावली के साथ बनाए गए थे; एकमात्र अंतर वह सामग्री थी जिसका उन्होंने अध्ययन किया था। शोधकर्ताओं ने व्याख्यानों और कहानियों के ट्रांसक्रिप्ट को इन प्रोग्रामों में डाला ताकि प्रत्येक शब्द और वाक्य की समझ का एक डिजिटल मानचित्र तैयार किया जा सके। फिर उन्होंने इन डिजिटल मानचित्रों की तुलना प्रतिभागियों से रिकॉर्ड की गई वास्तविक मस्तिष्क गतिविधि से की।

यदि मल्टीपल-डिमांड नेटवर्क केवल एक जेनेरिक 'एफर्ट बूस्टर' (प्रयास बढ़ाने वाला) होता, तो वह विज्ञान या कहानियों के विषय के बावजूद, या कंप्यूटर प्रोग्राम विज्ञान या सामान्य पाठ पर प्रशिक्षित होने के बावजूद, एक ही तरह से प्रतिक्रिया देता। इसके विपरीत, परिणामों ने एक बहुत अधिक परिष्कृत चित्र दिखाया। मल्टीपल-डिमांड नेटवर्क ने कठिन व्याख्यानों और आसान कहानियों दोनों से भाषाई जानकारी को विश्वसनीय रूप से एनकोड किया। इससे भी महत्वपूर्ण बात यह थी कि इस नेटवर्क द्वारा भाषा का प्रतिनिधित्व करने का तरीका विषय के आधार पर बदल गया। जब प्रतिभागियों ने कंप्यूटर विज्ञान के व्याख्यान सुने, तो मस्तिष्क की गतिविधि मल्टीपल-डिमांड नेटवर्क में विशेष वैज्ञानिक मॉडल के साथ बहुत अधिक मेल खाती थी, न कि सामान्य मॉडल के साथ। इसके विपरीत, जब उन्होंने व्यक्तिगत वृत्तांत सुने, तो मस्तिष्क की गतिविधि सामान्य मॉडल के साथ बेहतर ढंग से मेल खाती थी।

यह पैटर्न प्रकट करता है कि मल्टीपल-डिमांड नेटवर्क केवल संज्ञानात्मक भार (cognitive load) का एक निष्क्रिय एम्प्लीफायर नहीं है। यह सक्रिय रूप से भाषा की विशिष्ट अर्थ संबंधी सामग्री (semantic content) को ट्रैक करता है, और सूचना के डोमेन के साथ मेल खाने के लिए अपनी आंतरिक स्थिति को ट्यून करता है। अध्ययन में पाया गया कि उच्च-मांग वाले वैज्ञानिक व्याख्यानों के दौरान, मल्टीपल-डिमांड नेटवर्क ने समर्पित भाषा नेटवर्क की तुलना में भाषistic संरचना को अधिक मजबूती से ट्रैक किया। इसके विपरीत, कम-मांग वाले वृत्तांतों के दौरान, समर्पित भाषा नेटवर्क ने नेतृत्व किया। यह कार्यों के बीच एक गतिशील विभाजन को दर्शाता है जहाँ दोनों प्रणालियाँ संदर्भ के आधार पर अपनी भूमिकाएँ बदल लेती हैं। मल्टीपल-डिमांड नेटवर्क केवल तब मदद नहीं करता जब चीजें कठिन होती हैं; यह एक विशेष साथी बन जाता है, जो विषय वस्तु के प्रति अपनी अनूठी संवेदनशीलता लाता है, चाहे वह भौतिकी की अमूर्त अवधारणाएं हों या किसी कहानी की भावनात्मक बारीकियां।

शोधकर्ताओं ने यह भी पुष्टि की कि ये निष्कर्ष केवल मस्तिष्क के अधिक मेहनत करने का परिणाम नहीं थे। उन्होंने सत्यापित किया कि दोनों प्रकार की सामग्री वास्तव में अलग-अलग स्तर के मानसिक प्रयास की मांग करती थी, जिसमें व्याख्यानों को कहानियों की तुलना में अधिक संज्ञानात्मक संसाधनों की आवश्यकता थी। फिर भी, इस प्रयास के अंतर को ध्यान में रखने के बाद भी, मल्टीपल-डिमांड नेटवर्क की विषय-संवेदनशील प्रकृति स्पष्ट रही। उच्च और निम्न-मांग दोनों स्थितियों में भाषा के विशिष्ट अर्थ को प्रस्तुत करने की नेटवर्क की क्षमता बनी रही। यह इंगित करता है कि नेटवर्क की भागीदारी केवल कठिनाई के प्रति एक प्रतिक्रिया नहीं है, बल्कि भाषा से अर्थ बनाने के तरीके का एक मौलिक हिस्सा है।

ये खोजें भाषा को संभालने के हमारे दृष्टिकोण को नया रूप देती हैं। मल्टीपल-डिमांड नेटवर्क को एक अलग प्रणाली के रूप में देखने के बजाय जो केवल तब सक्रिय होती है जब भाषा नेटवर्क अभिभूत हो जाता है, यह अध्ययन सुझाव देता है कि यह एक वितरित प्रणाली (distributed system) का एक सक्रिय, विषय-संवेदनशील घटक है। मस्तिष्क एक लचीली वास्तुकला का उपयोग करता है जहाँ विभिन्न नेटवर्क पूरक जानकारी में योगदान देते हैं। समर्पित भाषा नेटवर्क वाक्यों की मूल संरचना पर ध्यान केंद्रित कर सकता है, जबकि मल्टीपल-डिमांड नेटवर्क उस जानकारी को व्यापक संदर्भ और डोमेन-विशिष्ट ज्ञान के साथ एकीकृत करता है। यह सहयोग मस्तिष्क को विभिन्न प्रकार के संचार, जैसे कि एक व्याख्यान की तकनीकी सटीकता से लेकर एक अनौपचारिक बातचीत के प्रवाह तक, निर्बाध रूप से अनुकूलित करने की अनुमति देता है।

अध्ययन यह दावा नहीं करता है कि मल्टीपल-डिमांड नेटवर्क भाषा नेटवर्क की जगह लेता है या दोनों समान हैं। इसके बजाय, यह दिखाता है कि वे एक तरल, संदर्भ-निर्भर तरीके से एक साथ काम करते हैं। उनके बीच का संतुलन इस बात पर निर्भर करता है कि क्या प्रोसेस किया जा रहा है और वह कितना कठिन है। यह सूक्ष्म दृष्टिकोण विशेषज्ञ बनाम सामान्य मस्तिष्क क्षेत्रों के सरल विचार से आगे बढ़कर मानव संज्ञान (cognition) की एक अधिक एकीकृत तस्वीर पेश करता है। यह सुझाव देता है कि दुनिया को समझने की हमारी क्षमता एक ऐसे नेटवर्क द्वारा समर्थित है जो विशिष्ट प्रणालियों से बना है, जो हमारे अनुभव के विशिष्ट विवरणों के प्रति ट्यून किए गए हैं, और हमारे मन में बहने वाली सूचना की जटिल धारा को समझने के लिए एक साथ मिलकर कार्य करते हैं।