這是一個持續了數十年的「共識」。

可最近Nature Communications上發表的一項顛覆性研究，把這個古老的信仰掀了個底朝天。

論文地址：https://www.nature.com/articles/s41467-025-65518-0

研究者們讓受試者聽30分鐘的故事，同時用毫秒級的腦電技術，精準捕捉大腦對每個詞語的反應。

接著，他們將同樣的故事文本輸入給大語言模型，比如GPT-2和Llama-2，提取模型每一層對文本的內部理解表示

令人震驚的實驗結果出現了：

GPT那看似冰冷的層級結構，竟然在人類的大腦里，找到了完美的時間對應關系。

過去，我們總以為是GPT在模仿人類。但這個實驗卻給出了一個石破天驚的暗示：

或許，我們的大腦，天然就長成了「GPT」的樣子。

GPT的結構，能在大腦里找到對應

要理解這項研究的顛覆性，必須看清它最關鍵、也最精妙的動作：把GPT的48層結構，逐層對齊到人腦的時間序列。

研究團隊找了9名因癲癇接受術前監測的病患，他們的大腦皮層上，已經植入了高密度的ECoG電極。

ECoG植入和定位示意圖

這種設備能以毫秒級精度記錄大腦真實的電活動。

受試者聽了一段30分鐘的播客，研究者同步采集到了圍繞每個詞出現時刻的高伽馬腦電信號。

這些信號覆蓋了語言通路中的關鍵區域：從掌管聽覺的mSTG、aSTG，到負責語言整合的IFG，再到高級語義區的TP。

與此同時，研究者把同一段文本輸入GPT-2 XL和Llama-2。

每當模型處理到一個詞時，他們就「暫停」，抽取這個詞在模型內部從第一層到最后一層的所有內部理解表示。

隨后，他們將模型每一層的表示，通過CA降維進行簡化，然后用線性模型去嘗試預測人腦在那一毫秒的電活動。

研究方法示意：GPT-2的每一層都會生成一個語義表示（左）。研究者把這些語義表示輸入線性模型，預測人腦聽到該詞時的腦電活動（右）。如果某一層語義表示能在特定時間點預測腦電，就說明該層與那一時刻的大腦處理階段對應。

如果GPT的內部層級結構與人腦無關，那么將模型層級對齊到大腦的時間軸上，結果必然是一團亂麻，毫無秩序。

但如果二者真的存在某種結構對應，我們就會在腦電時間軸上看到秩序。

事實正是如此。

把模型的層級，排成「時間階梯」

實驗一開始，研究者只是想驗證一個簡單的假設：

如果大語言模型的層級結構與大腦的某個處理階段相對應，那么這種對應，就應該像接力跑一樣，在時間軸上依次出現。

研究者把GPT的每一層語義表示丟進線性模型里，試圖去預測大腦在聽到每個詞時，高伽馬活動會在哪一毫秒達到峰值。

他們的設想是：如果模型的淺層、中層和深層分別承擔不同的語言功能，那么它們在人腦活動的時間軸上，也理應「錯開時間」、「按序登場」。

結果，這張「時間階梯圖」清晰地揭示了大腦的秘密：越靠近高階語義的區域，越像GPT的深度結構。

GPT的48層在大腦語言通路中呈現出清晰的「時間—深度」對應結構。淺層（暖色）在更早的時間點達到峰值，深層（冷色）在更晚時間出現。TP、aSTG、IFG等高階區域表現出強線性關系（r=.93 / .92 / .85），而mSTG（近聽覺皮層）幾乎沒有層級結構（r≈0）。

因為這里只處理了聲音本身，語言的語義和結構還未展開。

可一旦進入aSTG、IFG、TP，曲線像被拉開一樣，呈現出從淺到深的整齊分布。

在關鍵語言區IFG內部，GPT的層級結構同樣呈現強烈的時間對應關系。左：淺層至深層的相關度分布（暖色→冷色）。右：淺層峰值更早、深層更晚，形成規律性的時間推移。IFG 的整體擬合度達到r=.85（p < .001）。

一個顛覆性的認知慢慢浮現：

原來，大腦理解語言，并不是先按部就班地解析語法、再一步步地拆解詞匯。

它真正做的，是像GPT一樣，進行一層又一層的語義推斷和概率預測。

而這套高度復雜的推斷節奏，竟然與大語言模型的內部深度路徑，完美地重合了。

的規律越清晰，傳統語言學就越尷尬

如果GPT的層級結構真能在大腦里找到對應，那么一個更尖銳的問題隨之而來：

那些我們以為描述語言「最準確」的傳統模型——音位、詞素、句法、語義，它們構建的語言理解框架，會呈現出同樣的時間結構嗎？

傳統語言學語法樹

研究團隊把這四類符號語言學模型全部納入測試。

要知道，它們的構建邏輯是教科書級的，是數十年來語言學和心理語言學的基礎框架。

如果人類語言真的依賴這些規則，那么它們理應比GPT更能精確地預測大腦的反應。

結果很快給出了答案：傳統符號模型確實能預測一部分腦電活動，但與GPT的「像不像」程度，差得非常遠。

在同樣的毫秒級時間軸上，這些符號模型的預測曲線找不到明確的「淺到深」、「早到晚」的序列分布。

它們沒有層級，也沒有時間推進，像是缺失了某種連續、動態的語言動力。

對比之下，GPT的嵌入式表示呈現的是一種「流動式」的處理軌跡：意義隨著時間被不斷更新、壓縮、整合，每一層都有自己的位置，像精密的齒輪嵌在上下文里。

而符號模型的結構，更像是靜止的、離散的標簽堆疊，無法在毫秒級的時間維度里，給出足夠細致的、動態的映射。

這無疑得出了一個顛覆性的結論：人腦的語言機制，并不是符號規則的簡單堆疊，而是一種連續的、深度預測式的加工過程。

當我們試圖用語法樹解釋語言時，大腦實際上已經完成了幾十層的非線性變換；而這些變換，正是Transformer模型最擅長的核心能力。

視覺對比：神經網絡與人腦

換句話說，符號模型能告訴我們「語言是什么」，但GPT卻更像是在展示「大腦是如何處理語言的」。

這是一個真正的分水嶺。語言學的解釋框架與神經科學的實證結果，第一次發生了如此明顯的認知分歧。

而站在大腦這一側，替大腦說話的，是那臺我們本以為只是「模仿人類」的GPT。

語言不是規則，而是一種預測能力

當GPT的層級能在人腦里找到清晰的時間對應，當耗費了幾十年心血的符號語言學模型在毫秒級腦電面前顯得遲緩、無序時，這項研究的意義已經超出了單純的模型比拼。

它其實指向了一個更底層、更古老的問題：語言到底是什么？

過去幾十年，我們用語法規則解釋句子，用語義網絡解釋概念，用樹狀結構描述語言的邏輯關系。

這些框架強調「結構、類別、層次」，卻很少討論語言在大腦中的即時生成方式：它如何在毫秒級連續變化？如何在瞬間整合過去與未來？

而這次的結果，徹底呈現出一種截然不同的景象——

大腦處理語言，根本不像在執行規則，而更像是在沿著一條不斷壓縮、預測、更新的軌道向前推進。

淺層負責快速提取線索；中層開始整合語境；深層構建較長的意義鏈條。

整個過程，不是一棵靜止的「語法樹」，而是一種向前流動的計算。

這正是Transformer模型在被設計出的，試圖通過多層、非線性、依賴上下文、隨時間滾動更新等特性來捕捉的「流動結構」。

諷刺的是，我們一直以為這是工程師的發明。現在看來，它更像是大腦本身為了高效處理信息，在數十億年進化中選擇的一條計算路徑。

這讓語言的定義悄悄發生了變化——語言不再是規則體系，而是一種動態預測機制。

我們理解一句話，并不是先知道它的語法，再去匹配意義；而是在每一毫秒里，把「下一刻可能發生什么」算出來。

GPT就是按照這種方式訓練的。

也許這就是為什么，當我們越來越依賴大型語言模型時，總覺得它們像在理解我們。

不是因為它們學會了人類的規則，而是因為它們意外地匹配了人類大腦的節奏。

當GPT的內部層級在大腦里找到了清晰的時間對應，我們看到的，已經不再是某一個AI模型的「勝利」，而是一種結構上的趨同，一種底層計算規律的殊途同歸。

語言的本質，也許從不是靜態的語法規則，而是連續的、動態的預測。

大腦靠這種機制來理解世界、整合信息；模型靠這種機制來生成語言、模擬智能。

最終，兩條路徑在同一個高效的計算規律上相遇了。

我們熟悉的語言學和認知科學框架，或許需要一次全面的更新。

理解GPT的內部結構，也許正是在重新理解我們自己。