MIT發現人腦推理不依賴語言，LLM 路線走反了？楊立昆轉發力挺

語言與思維的關係，是一個延續數千年的問題。從哲學、語言學到認知科學，人們始終在爭論：人類究竟是否依賴語言進行思考？

不少研究者認爲，語言是思維的重要載體。畢竟，邏輯命題可以拆解爲多個子成分，再按照層級關係組合成複雜的規則，這與自然語言的句法結構有着相似之處。

但 MIT 麥戈文腦科學研究所最新發表於 PNAS 的一項研究，爲這一爭論提供了新的證據。最近，由副教授 Evelina Fedorenko 領銜的研究發現，人腦進行邏輯推理時，負責語言處理的腦區並不會被激活；即使語言能力嚴重受損的患者，在邏輯推理任務中的表現也與健康人基本一致。換句話說，至少對於邏輯推理而言，語言和思維在大腦中似乎走的是兩條相對獨立的通路。

值得注意的是，這項研究的意義不侷限於腦科學。隨着大語言模型快速發展，“語言是否等於思維”也成爲 AI 領域持續討論的問題。研究發佈後不久，圖靈獎得主 Yann LeCun 也在社交媒體上轉發了麥戈文腦科學研究所的成果。

長期以來，LeCun 一直認爲，僅依賴文本訓練的大語言模型學到的主要是語言模式，而非對現實世界的真正理解。相比繼續擴大語言模型規模，他更主張發展具備世界模型（World Model）、規劃和推理能力的新一代 AI 架構。因此，這項關於“語言系統並非人類邏輯推理基礎”的研究，也與他長期倡導的技術路線形成了一定呼應。

（來源： UCLA ）

研究做了什麼

這項研究試圖回答一個核心問題：人腦在進行邏輯推理時，是否需要調用語言系統？

MIT 博士後研究員、論文第一作者 Hope Kean 與 Evelina Fedorenko 認爲，雖然人們高度依賴語言來表達推理過程：從提出問題到解釋結論。但真正完成推理的，未必是語言系統，而可能是一套獨立的神經機制。

圖｜ Hope Kean 與 Evelina Fedorenko （來源：MIT）

她們的理由是，邏輯推理需要高度精確的規則運算，而自然語言本身往往存在歧義；此外，語言是沿着詞語順序線性展開的，而邏輯推理則常常需要在多個信息之間建立複雜的非線性關係。

爲了驗證這一假設，研究團隊設計了兩組實驗。

第一組實驗與 University College London（UCL）神經科學家 Rosemary Varley 團隊合作，對象是兩名因中風導致嚴重失語症的患者。他們的語言理解和表達能力均受到嚴重損傷。

研究人員刻意避開語言，設計了一系列完全依賴邏輯而非文字的推理任務。例如，參與者需要觀察兩組數字列表，找出其中隱藏的轉換規則（如逆序排列、刪除大於某個數的元素等），再將這一規則應用到新的數字序列；另一項任務則要求他們根據已有圖案推斷規律，補全矩陣。

結果十分明確：儘管語言能力嚴重受損，這兩名患者在邏輯推理任務中的表現與健康對照組沒有顯著差異，甚至還能通過手勢和草圖準確表達自己發現的規則。正如 Kean 所說，這一結果“真正顛覆了那種認爲沒有語言能力就無法進行符號規則歸納的理論”。

由於失語症患者十分罕見，尤其是同時符合研究要求的病例更少，因此研究團隊又進一步通過功能性磁共振成像（fMRI）對健康成年人進行了驗證。

參與者需要在掃描儀中完成多項任務，包括與第一組實驗類似的規則歸納遊戲，以及經典的三段論推理（例如："如果球是紅色的，那麼它是大的；球是紅色的；那麼球大嗎？"）。與此同時，研究團隊還利用專門設計的實驗，分別定位每位參與者大腦中的語言網絡，以及負責複雜問題求解的"多需求網絡"（multiple demand network）。基於這些腦成像數據，研究人員能夠直接比較：人在進行語言處理和進行邏輯推理時，究竟調用的是不是同一套神經系統。

最終，腦成像結果進一步印證了前一組實驗的發現：無論是歸納推理（發現隱藏規則）還是演繹推理（判斷邏輯結論是否成立），語言網絡都沒有出現明顯激活。

圖｜典型參與者的功能性腦成像結果。綠色代表邏輯推理過程中被激活的腦區，紅色/黃色代表語言網絡。兩者幾乎沒有重疊，說明邏輯推理與語言處理由不同神經系統支持。（來源：MIT）

更出乎研究團隊意料的是，此前一直被認爲承擔邏輯推理的重要腦區——多需求網絡，只在歸納推理任務中表現出顯著活動，在演繹推理過程中卻幾乎沒有參與。Kean 表示，這一現象仍有待進一步研究，也將成爲團隊下一步工作的重點。

越來越完整的證據鏈

事實上，這並不是 Fedorenko 實驗室第一次得出類似結論。

過去幾年，她的團隊持續研究語言與高級認知之間的關係，並陸續發現，物體分類、社會推理等多種認知活動，同樣不依賴語言系統。這項關於邏輯推理的新研究，則進一步補上了一塊關鍵拼圖：至少在人腦中，語言和推理似乎由彼此獨立的神經系統承擔。

就在這項研究發表前一週，Fedorenko 團隊還在《神經科學雜誌》（Journal of Neuroscience）發表了另一項大規模研究。研究團隊對 772 名健康成年人進行了功能性磁共振成像（fMRI）掃描，繪製出迄今最完整的人腦語言網絡圖譜。結果顯示，人腦中對語言具有選擇性反應的區域共有 17 個，分佈在額葉、顳葉、小腦和海馬體等多個部位，但全部加起來僅佔灰質總體積不到 4％，平均約 22 立方厘米。

（來源： jneurosci ）

這一發現意味着，語言並沒有像人們想象中那樣“接管”整個大腦。考慮到人腦經歷了數百萬年的演化，而語言出現不過幾萬年，研究團隊認爲，語言更像是在既有神經系統之上新增的一套專門模塊，而非整個認知系統的基礎架構。

將兩項研究放在一起看，可以一個共同的大結論：一方面，語言網絡本身只是大腦中相對緊湊的一組功能區域；另一方面，人腦完成邏輯推理等高級認知任務時，也並不會依賴這一網絡。這進一步支持了 Fedorenko 團隊近年來不斷提出的觀點——語言是人類最重要的交流工具，但未必是思維本身的載體。

這一結論也具有現實意義。Fedorenko 強調，語言障礙並不等於智力障礙。許多失語症患者依然能夠下棋、做數獨、管理家庭財務，只是難以將自己的思考過程表達出來。然而在現實生活中，他們的語言困難常常被誤解爲思維能力下降。類似的誤解，也發生在發育性語言障礙者、口吃者以及非母語使用者身上。

對 LLM 意味着什麼？

但這項研究之所以引發 AI 領域關注，並不是因爲它直接證明了大語言模型的侷限，而是提出了一個更值得思考的問題。

今天的大語言模型幾乎完全建立在文本之上：它們通過預測下一個 token 學習世界，以文本作爲輸入，也以文本作爲輸出。然而，它們卻能夠完成數學證明、代碼生成、邏輯推理等一系列複雜任務。研究論文也提到，ChatGPT、Claude 等模型已經能夠“令人信服地模擬某些類型的人類推理”。

但這項 MIT 研究表明，人腦完成這些推理時，真正參與計算的並不是語言系統。這意味着，人類與大語言模型可能正在沿着兩條不同的路徑實現相似的能力：一種依賴自然語言，另一種則建立在與語言相對獨立的神經機制之上。

這一發現，也與近年來 AI 領域越來越受到關注的一種思路形成了呼應：語言未必是智能本身，而更像人與世界交互的接口。對於真正能夠進入現實環境的 AI，僅依賴語言模型或許並不足夠，還需要具備世界建模、規劃和預測等能力。

類似的觀點也出現在今年的 ICML 2026 上。AMI Labs 聯合創始人 Pascal Fung 在主題演講中表示，大語言模型只是通過人類留下的文本間接理解世界；對於真正需要進入現實環境的 AI 智能體，僅靠語言遠遠不夠，還需要能夠直接建模物理世界的世界模型。

不過，這項神經科學研究並不能據此否定大語言模型的發展路線。人腦的實現方式，並不一定就是機器實現智能的最優方式——正如飛機能夠飛翔，卻並不需要像鳥一樣扇動翅膀。事實上，大語言模型在數學、代碼和複雜推理基準上的能力仍在持續提升，它們是否已經在內部形成了一套不同於自然語言的抽象表示，目前仍是 AI 研究中的開放問題。

因此，這項研究真正提供的，或許不是一個關於 LLM 的結論，而是一個新的參照系：如果自然智能最終將語言與推理分離，那麼未來人工智能是否也需要在語言模型之外，引入更加獨立的世界建模、規劃與推理機制？

研究團隊將這一方向稱爲“思維地理學（geography of thought）的新前沿”。對於 AI 而言，這片前沿同樣值得繼續探索。

參考鏈接：

1.https://mcgovern.mit.edu/2026/07/06/separating-logic-and-language/

2.https://news.mit.edu/2026/separating-logic-and-language-0708

3.https://doi.org/10.1523/JNEUROSCI.0638-25.2026

注：封面/首圖由 AI 輔助生成