人腦的結構並不均勻。經過漫長的演化，它長出了一套分工明確的組織：語言、邏輯、物理直覺、社會推理，各自盤踞在皮層相對固定的區域，既分工又協作。困擾研究人員許久的一個問題是：大腦的功能分區，究竟是任何智能系統都躲不開的必然，還是人類演化路上的一個偶然？
最近，MIT 團隊的一項研究“Modular Cognitive Architecture Emerges in Large Language Models ”表明，答案更傾向於前者。畢竟，大語言模型的來路完全不同。它沒有身體，也沒有經歷演化，只是在海量的文本上做基於下一詞元預測（next-token prediction）的訓練。當一個構造如此不同的系統也出現了這套分工，它更可能是智能本身的深層規律，而不是碳基大腦的偶然。不過作者也謹慎地強調，這只是“證據的指向”，還談不上定論。
這項研究由兩位資深學者帶隊。 一位是 MIT 腦與認知科學系教授 Evelina Fedorenko，她因界定出人腦中專門負責語言的“語言網絡”而出名 ，2025 年剛獲美國國家科學院頒發的 Troland 研究獎；另一位是 MIT 計算機科學與人工智能實驗室（CSAIL）教授 Jacob Andreas，他是 AI 與自然語言處理領域的知名學者。而研究的第一作者是韓芃睿，他是伊利諾伊大學厄巴納-香檳分校（UIUC）計算機科學碩士，導師是尤佳軒教授；他的工作發表於 ICML、EMNLP 等 AI 與 NLP 頂級會議，曾獲 NeurIPS Workshop 最佳論文榮譽提名。
（來源：Github）
在這項研究中，團隊分析了六個 24B 到 123B 的主流開源模型，覆蓋語言、邏輯、物理、社會四大認知域共 46 個任務，用電路級方法定位每個任務真正依賴的神經元。 他們不僅發現同域任務共享神經元、跨域幾乎互不相干（同域重疊是跨域的四倍多），還做了一個很乾淨的驗證：關掉負責語言的神經元，模型物理照樣推理得對，只是話說得不通順；關掉負責物理的神經元，句子流暢，卻把結論說反了。這套分工不只是統計上的巧合，而是有實實在在的因果效力。
圍繞這項研究，以及它用 AI 理解智能本身的理念，DeepTech 和韓芃睿進行了一次對話。
用另一種智能，回答一個只有一個樣本的問題
DeepTech： 你們是怎麼想到用 LLM 來切入大腦的功能分區是“智能系統的必然”，還是“生物演化的偶然”？
韓芃睿： 這個問題光靠研究大腦本身很難回答。因爲我們只有一個樣本，而且生物組織還揹着很多和任務無關的約束，比如能量代謝。
趨同演化在生物學裏是一個很強的證據邏輯：如果一個性狀在親緣很遠的物種裏各自獨立出現——比如蝙蝠和鯨魚各自演化出回聲定位——我們就有理由相信，它是被問題本身逼出來的，而不是偶然。
LLM 給了我們一個全新的機會。它是另一類智能系統，走的是完全不同的優化路徑，本質上是在預測下一個詞元（next-token prediction）上做梯度下降，和生物演化非常不同。同時它又具備很多人類獨有的高級認知能力，比如理解人類語言、解決複雜的數學問題。所以如果模塊化在 LLM 裏也獨立出現了，那它更可能是任何朝着智能優化的系統都會收斂到的解，而不是碳基大腦的偶然。這就是我們用 LLM 切進來的核心動機。
DeepTech： 團隊裏既有認知科學家 Evelina Fedorenko，也有 AI 研究者 Jacob Andreas。這兩邊看問題的方式很不一樣，你們怎麼協調這些視角？
韓芃睿： 其實兩邊的摩擦比想象中小很多。因爲 Jacob 和 Ev 都研究語言和 AI，共享了非常多的興趣和判斷，只是側重不一樣。Jacob 會更聚焦在算法這一層。舉個具體的例子：我們最開始用的方法更偏神經科學一點，直接拿最小對照對（minimal pair）去比激活值，看哪些神經元在統計上是顯著的。但後來發現，這樣識別出來的單元沒有很好的因果影響，Jacob 就建議我們換成 patching 這類更嚴格的方法，這直接決定了後面整套流程。
Ev 這邊更在意科學層面的洞見，比如怎麼讓任務和腦網絡的對應更紮實，以及我們到底能檢驗哪些真正有意思的假設。一個稍微偏方法上站不站得住，一個稍微偏科學上值不值得問，兩個視角其實是互補的，最後拼在一起，研究才完整。
模塊化，是“同時解決很多問題”逼出來的
DeepTech： 如果用最簡單的一句話概括你們的研究發現，你會怎麼說？
韓芃睿： 一個只靠預測下一個詞元、靠反向傳播訓練出來的語言模型，會自發長出和人腦相似的模塊化分工：語言、邏輯、物理、社會推理各自由一批基本不重疊的神經元支撐。而且這種分工是有因果效力的：關掉某個域的神經元，只會破壞那個域的能力。
DeepTech： 你們有一個很直觀的結果，同一類任務用的是重疊的神經元，不同類任務用的是幾乎不相干的神經元，同域重疊是跨域的四倍多。LLM 爲什麼會形成這種分工？
韓芃睿： 我們提出的一個可能解釋是：LLM 要在海量、異質的語料上實施預測，而這種預測常常需要多種推理同時上場。比如，想象你要預測一本偵探小說結尾的下一個詞：可能同時需要演繹推理去縮小嫌疑人範圍，社會推理去推斷動機，物理推理去判斷作案在物理上是否可能，而這些還都得和解析句子結構的語言處理交織在一起。
當多種計算要在同一個輸入上同時運行，系統就面臨一個壓力：別讓它們互相干擾。這個壓力有兩層。一層是處理層面，幾種信息要同時表示，編碼就必須彼此可分，否則會撞在一起、互相污染。另一層是學習層面，如果不同計算的神經元混在一起，改進一個域的更新就會擾動另一個域，這就是分佈式系統裏災難性干擾的老問題。
把不同計算分給不同的神經元，正好同時解決了這兩種干擾。所以模塊化很可能不是被誰設計的，而是來自於同時解決很多種問題的壓力。
DeepTech： 損傷實驗裏出現了一個現象：關掉負責語言的神經元，模型推理是對的，但語法開始出錯；關掉負責物理的神經元，語法流暢，卻把物理結論說反了。這種形式與內容的分離，你會怎麼理解？
韓芃睿： 對，這正是我們在損傷實驗裏看到的雙分離（double dissociation），而且它非常乾淨。 用同一個物理問題：一根橡皮筋熱老化之後的彈性來測試。關掉語言神經元，模型的物理推理還是對的：更弱的回彈力、回彈不完全、耗散更多能量，但語法和詞法開始出錯。反過來關掉物理神經元，句子依然通順流暢，但物理結論說反了。
這說明模型內部確實把“把話說通順”和“把道理說對”交給了兩套不同的系統。它們在同一個輸出上協作，但可以被獨立地破壞。這種可分離性本身，就是模塊化最直接的行爲證據。這其實也和 Ev 之前在人身上的發現很呼應。比如語言能力嚴重受損的失語症患者，他們幾乎無法理解語言，卻依然能完成很複雜的推理、數學和邏輯任務。
DeepTech： Transformer 沒有神經科學的能量代價，損失函數也不在乎具體用了多少神經元，它卻照樣出現了模塊化。你覺得是什麼在驅動它？
韓芃睿： 神經科學裏的解釋是代謝約束：大腦每次只激活一小部分神經元，比廣泛激活省能量，而給每類任務分一套專屬神經元，正好能實現這種稀疏。但這個壓力對我們研究的 LLM 完全不適用。Transformer 的前向計算在任何生物意義上都沒有代謝成本的差異，損失函數里也沒有任何一項去懲罰某個輸入激活了多少神經元。可即便如此，一個明顯可辨認的、類人的模塊化組織照樣出現了。
這說明，代謝壓力不管在塑造人類皮層時起了多大作用，它都不是功能特化出現的必要條件。那真正在驅動的是什麼？我們認爲一種可能，就是前面說的那種干擾壓力，它不需要任何能量代價就能成立。
DeepTech： 對照實驗裏，小模型 GPT-2 做不對這些推理任務，它只能分出“語言 VS 其他”，分不出更細的模塊。你們也提到“模塊化只在模型真能解決任務時纔出現”。你可以具體解釋一下嗎？
韓芃睿： 先講清楚我們這套方法的一個性質：歸因修補（attribution patching）本質上是在找那些對做對任務有因果貢獻的神經元。換句話說，如果模型根本做不對、或者理解不了某個任務，它內部就沒有一套對的計算可言，修補出來的東西自然也沒有意義。GPT-2 的對照正好佐證了這一點。我們把完全一樣的流程、完全一樣的數據放到 GPT-2 上，它做不了大部分推理任務，結果就只能分出“語言 vs 其他”。這說明我們的框架測的是底層計算，而不是數據本身的假象。
當然，我們也承認，換一套別的方法或者換更簡單的任務，GPT-2 有可能也顯現出某種模塊化。所以，我們的發現想強調兩點：第一，我們這個框架測到的是計算，而不是數據的假象。我們還專門做了一個關於語義的對照實驗來佐證，光靠 prompt 的語義相似度是還原不出這個結構的；第二，也正因爲這樣，與其說這種精細分工是“湧現的副產品”、或者去談它和規模的關係，我們更願意說：模型真正能解題，是它出現的前提。只有能理解、能做對，才談得上計算、才談得上電路。
把 LLM 當作“第二種智能系統”來研究
DeepTech： 你們在文章裏提到一個很有意思的定位：LLM 可以當作“第二種智能系統”去檢驗我們關於人類認知的理論。這對研究大腦有什麼具體的啓示？
韓芃睿： LLM 作爲一個科學研究對象，在擁有很多複雜行爲和能力的同時，比人腦有更多可控性，也更容易交互。我們可以隨意探測它、干預它、把某部分關掉再看會發生什麼，這些在人身上要麼做不到，要麼代價極高。所以它本身就是一個很適合拿來做科學研究的對象，能幫我們更高效地檢驗關於智能和認知的假設。
對神經科學，我們有兩個挺具體的方向。一是預測：我們的方法可以從 LLM 出發，對一個全新的任務會調用人腦哪個網絡生成假設，再拿去用 fMRI 驗證，等於給腦科學多了一個產生假設的來源。二是研究信息流：不同腦網絡之間怎麼把信息傳給彼此，這在人腦裏極難研究，因爲你需要同時具備很高的空間和時間分辨率，而這個組合在人類神經成像裏基本做不到。但在 LLM 裏，我們能同時訪問全部神經元和它們的連接，所以可以去構建和檢驗一些機制層面的假設，比如語言系統到底是怎麼把解析好的輸入餵給某個推理系統的。
DeepTech： 反過來，你認爲這項發現對做 AI 的人有什麼用？知道模型內部是模塊化的，能幫我們把模型造得更好或者更可控嗎？
韓芃睿： 最直接的一條，和現在很火的混合專家模型（mixture-of-experts，MoE）有關。MoE 被採用主要是出於效率考慮，把每個 token 路由給一部分專家，能減少激活的參數量。但我們的發現提示，模塊化組織本身可能還帶來額外的計算優勢，而不只是省算力。
已經有工作往這個方向走了，比如讓專家之間形成類腦的特化，既保住了推理的性能，又讓模型更可解釋、更可引導。所以知道模型內部是模塊化的，未來可能真的能反過來指導我們把模型設計得更好、更可控。這塊還很開放，值得深挖：模塊化和性能之間，到底是什麼關係。
AI 像大腦，最怕被過度解讀
DeepTech： AI 像大腦這種說法很容易被過度解讀。作爲研究者，你最希望大衆不要從這項研究裏武斷得出的錯誤結論是什麼？
韓芃睿： 這是個很好的問題。做這類研究一個很重要的注意事項，就是不要過度地把 LLM 當人。隨着研究深入，很多實驗室確實發現了越來越多 AI 和大腦相似的地方，從行爲到機理，這非常令人興奮。但不可否認，LLM 和大腦有着根本性的不同，而且它只由語言這一個模態驅動。
所以我的態度是：LLM 是一個很好的東西，可以拿來檢驗假設、去交互、去探測，把它當成一個科學研究對象來研究，這比研究人有更多可控性、也更高效。但不能盲目。每一個實驗我們都要盡力去分清，這個相似背後真正的來源是什麼。它可能來自一個真正的原理，也可能只是某些人類數據的假象，或者其他各種因素。 把這些分清，才能讓研究更經得起推敲。
DeepTech： 拋開這項具體的研究，在“用 AI 理解智能本身”這個方向上，你覺得最大的挑戰是什麼？
韓芃睿： 我覺得最大的挑戰，恰恰就是上一個問題的延伸：怎麼系統性地把一個真正的原理和一個假象區分開。
現在我們缺一套公認的標準，去判斷某個 AI 和大腦相似到底算不算數。它是兩類智能系統面對同一個問題各自收斂出的深層原理，還是隻是訓練數據、任務設計、或者度量方式帶來的表面巧合。每一個這樣的相似，都需要單獨去設計對照、去排除掉淺層的解釋，纔敢說它有意義。
運營/排版：何晨龍
注：封面/首圖由 AI 輔助生成