近日，《Nature》发表的一项突破性研究，通过对比人类大脑与大型语言模型（LLM）处理语言时的神经活动与计算过程，揭示了两者在机制上的深刻相似性，为理解语言认知的本质提供了全新视角。
研究团队设计了一项精密的实验：让志愿者佩戴脑电图（EEG）设备，聆听30分钟的叙事内容，同时将相同文本输入GPT-2 XL和Llama-2模型，并记录模型每一隐藏层的激活状态。通过分析时间序列数据，研究人员发现了一个令人惊讶的对应关系：LLM的层级处理时间线与大脑特定区域的神经响应延迟高度同步。
传统语言学理论常将大脑视为基于符号和规则的系统，类似于查字典式的离散处理。然而，LLM采用截然不同的方法：将词语转化为高维向量，通过多层非线性变换捕捉语义和句法模式。尽管这种基于统计分布的方法看似抽象，但实验表明，大脑可能也在执行类似的计算过程。
研究中最关键的发现涉及布洛卡区（大脑的语言中枢）。当词语输入时，LLM的浅层网络（如嵌入层和前几层）首先激活，对应大脑的早期感知处理（约100-200毫秒）；随着时间推移，LLM的深层网络（如中间层和输出层）开始编码更复杂的语义和上下文信息，此时大脑的额下回等区域也表现出延迟的神经活动（约300-500毫秒）。这种时间分层匹配暗示，无论是生物神经网络还是人工神经网络，都可能遵循从局部特征提取到全局整合的渐进式处理逻辑。
实验方法极具创新性：研究人员为每个脑电极、每个AI层级和每个时间点训练了独立的线性预测模型，使用LLM的隐藏状态来预测大脑的EEG信号。通过十折交叉验证，他们在额下回区域观察到显著相关性（p<0.001），且相关性强度随AI层级深度增加而线性上升。更引人深思的是，这种同步性仅在LLM准确预测下一个词语时出现；当模型预测错误时，神经与算法的对应关系几乎消失。这表明，有效的语言理解不仅依赖于表面模式匹配，更需要内部表征与真实语义流的动态校准。
进一步分析揭示了大脑的“语言处理流水线”：从颞上回（早期声学处理）到颞极（语义整合），再到前颞上回和额下回（句法推理和预测生成），各脑区以接力方式扩展处理窗口，复杂度逐级递增。这与Transformer架构的多层前馈网络和自注意力机制惊人相似——每一层都可能对应大脑中特定功能模块的抽象模拟。研究团队公开了完整数据集，为后续跨学科探索建立了基准。
这项研究的意义远超技术层面：它挑战了“符号主义”与“连接主义”的二分法，提示LLM可能并非简单拟合文本统计规律，而是在底层计算结构上无意中复现了生物神经系统的组织原则。从应用角度看，这种对应关系为开发更类人的AI系统提供了新范式，例如通过神经科学启发改进模型架构，或利用脑电信号优化训练目标。同时，它也开辟了反向路径：用可解释的AI模型作为探针，解码大脑语言处理的动态机制。
总之，当你说“昨天下雨了”时，你的大脑与GPT可能正以相似的节奏编织意义之网——这不仅是算法的胜利，更是对人类认知本质的一次深邃回响。
关注“鲸栖”小程序，掌握最新AI资讯
本文由鲸栖原创发布，未经许可，请勿转载。转载请注明出处：http://www.itsolotime.com/archives/5151