MIT神经科学家Ev Fedorenko通过扫描约1400人大脑，识别出一个类似“生物版ChatGPT”的语言网络。它不负责思考或情绪，只专注于将词语与意义映射、拼成句子。该研究揭示了语言与思维的分离，让我们重新审视大脑中隐藏的奥秘。
如果告诉你：你的大脑中正跑着一个“生物版ChatGPT”，你会相信吗？
这不仅仅是个比喻，我们的大脑中确实存在这样一套专门用来处理语言的神经系统：
它不负责思考，也不负责情绪，而是专注于一件事——把词和意义对上号，再把它们拼成句子。
这个系统被神经科学家Ev Fedorenko称作“语言网络”（language network）。
大脑天生的LLM系统
很多人会觉得语言和思考是同一过程，找词的过程本身就是思考。
但人类的语言和思维真的是同一回事吗？语言究竟是思维的核心，还是一个完全独立的过程？
对此，Fedorenko提出了一个稍显反直觉的观点：
语言≠思考，它更像是思考的“接口”和“外包装”。
对许多人来说，找到合适的词是思考的重要组成部分，而不是某个独立系统的产出。
她把这个独立于思考之外的专门系统称为“语言网络”，用来映射词语与其意义之间的对应关系。
Fedorenko将它想象成一个加强版的解析器：
“它就像一张地图，告诉你大脑里哪一块地方存着哪一类意义，也好比一个加强版的解析器，帮我们把语言拼起来。”
真正的思考和有趣的认知活动，则全部发生在这个语言网络之外。
事实上，在ChatGPT问世之前的15年里，Fedorenko一直致力于收集人类大脑中语言网络的证据，发现它和大模型（LLM）之间竟有许多相似之处。
在某些意义上，我们确实随身携带着一个“生物版的ChatGPT”——一个不具备心智的语言处理器。
这或许给人带来一些安慰：机器虽然能生成流畅文字，但并不意味着它会思考。
在麻省理工学院的实验室中，Fedorenko花了15年时间积累关于语言网络的生物学证据。
不同于大模型，人类语言网络不会随意串词生成听起来合理的句子；它更像是一座连接外部输入（听觉、视觉、甚至手语）和大脑其他区域意义表征（如情景记忆、社会认知——而LLM并无此能力）之间的翻译器。
另外，人类语言网络的体积不大，所有相关组织加在一起只有一颗草莓大小。
尽管体积小，一旦受损，影响却非常严重。
比如语言网络受损会导致各种失语症，这种情况下，人的复杂思维依然存在，却被困在无法表达的脑中；有时甚至难以辨别他人讲的词。
Fedorenko在MIT与博士后研究员Andrea de Varda（左）和Halie Olson（右）
扫描1400人大脑，她发现了人脑中的“语言网络”
Fedorenko出生于上世纪80年代的苏联，自幼对语言产生浓厚兴趣。在母亲的要求下，她学会了俄语、英语、法语、德语、西班牙语和波兰语六种语言。
凭借优异的成绩，她获得了哈佛大学的全额奖学金，主修语言学。然而在学习过程中，她发现语言学的局限：
“这些语言学课程很有趣，但更像是在解谜，而不是在解释现实世界到底是如何运转的。”
随后她转学心理学，2002年毕业获得心理学与语言学双学士学位。
之后，Fedorenko进入麻省理工学院（MIT）攻读认知科学与神经科学的研究生课程，并于2007年获得博士学位。
期间，她开始与Nancy Kanwisher合作，后者曾首次发现梭状回脸区（专门负责识别人脸的脑区）。Fedorenko希望找到语言在大脑中的对应区域，但当时相关研究基础相当薄弱。
通过对约1400名受试者的大脑扫描，Fedorenko识别出一个普遍存在的语言网络，定义为“始终负责语言计算的组织”。
积累丰富研究成果后，2024年她在《Nature Reviews Neuroscience》发表综述，将人类语言网络定义为一种“自然类别”——一种天然、独立成型、专门处理语言的功能单元，存在于“每一位典型成年人体内”。
Fedorenko办公室里的三个大脑模型突出了语言网络。从上到下：紫色的是Laura Bundesen的刺绣作品；红色的是Hannah Small的十字绣；红色的是3D打印模型。
什么是语言网络？
成年人大脑中存在一组核心区域，它们组成互相连结的系统，专责计算语言结构。
这些区域存储着词语与意义之间的映射关系，以及如何将词语组合成句子的规则。
学习一门语言，实际上就是掌握这些规则和映射。
只要熟练掌握，便能灵活使用这套“代码”：凭借所学语言，将脑中念头转换成词序。
Fedorenko表示，语言网络和人体其他器官一样，是一个“自然类别”，拥有具体的、可定位的物理结构。
例如梭状回脸区就是一个明确界定的功能单元。
在语言网络中，大多数人的额叶皮层有三个关键区域，位于左额叶侧面；此外，中颞回的侧面还有几个区域，形成沿整个颞叶延伸的厚厚组织，这些构成语言网络的核心部分。
我们可以从多个角度观察这些区域的整体性。
例如，在fMRI扫描中，观察语言处理任务与对照条件的对比时，这些区域总是同步激活。
Fedorenko称，她迄今已扫描约1400人，建立了一个概率地图，展示语言网络最可能出现的部位。
虽个体存在差异，但整体模式极为一致：在额叶和颞叶大区，每个人都有特定组织可靠执行语言计算。
语言网络与其他已知的语言相关脑区如布罗卡区（Broca’s area）不同。
Fedorenko认为布罗卡区主要负责发音动作规划，根据语音表征，计算说出声音所需动作，指挥口部肌肉，是语言网络的下游，接收并执行语言网络传递的结构化语言信息。
语言网络本身既不负责发声，也不负责思考，本质上是低层级的感知与运动系统，是连接高层抽象意义和推理系统的接口。
人类主要通过语言完成两件事：
- 表达：脑中浮现念头后，从词库（不仅是词汇，还有更大的结构和组合方式）挑选词序，将念头表达出来。语言网络将词序传递给运动系统，实现说话、书写或手语表达。
- 理解：声音进入耳朵或光线进入眼睛后，感知系统先处理输入形成词序，语言网络解析词序，识别熟悉“块”，并对应到存储在其他脑区的意义表征。
语言网络是一个不断更新的“形式到意义的映射仓库”。掌握这套编码，我们既能表达想法，也能理解他人。
那么，语言网络的专门化程度如何？是否存在专门针对某些话语反应的神经元？
Fedorenko认为语言依赖上下文，编码方式可能是分布式的，部分神经元对语言特定方面反应更强。例如，语言网络某些细胞对书面语和听觉语言反应类似。
谈及语言网络的模式和特征，她认为大脑物体识别机制与语言网络的抽象层次相似。这类似于下颞皮层存储物体形状片段、梭状回脸区存储“脸的模板”。
我们使用这些表征识别现实世界中物体，但它们并不直接承载世界知识。
以无意义句子“无色的绿色想法愤怒地沉睡”为例，我们大致能理解其结构，却无法对应任何现实知识。
Fedorenko和团队证实，语言网络对这类无意义句子的反应强度，与有意义句子相差无几。
这不代表语言网络“笨”，而是说明它是较浅层的系统。
Fedorenko认同“每个人脑中都有个LLM”的说法。她认为语言网络在诸多方面类似早期大模型：学习语言规律和词与词间关系。
现实中，你可能遇到一个说话流畅的人，但他们所讲内容空洞，其大脑语言网络运作正常，而思考部分却未被动用。
尽管人类语言来自类似ChatGPT这样“无意识”的系统，这听起来违背直觉，但Fedorenko早期研究亦曾认同语言是高级思维核心，后续研究不再支持这一观点。
早在2011年，她已明确语言网络各部分高度专门化用于语言处理。
“作为科学家，我们只能更新认知，继续探索未知。”
参考资料：
本文来自微信公众号：新智元（ID：AI_era）
https://finance.sina.com.cn/tech/digi/2025-12-06/doc-infzwuew5345600.shtml
