人脑理解语言的方式，可能比我们想象的更接近人工智能。一项新研究通过记录志愿者聆听故事时的脑活动发现，大脑对口语的理解遵循一个与GPT等大语言模型相似的“逐层”处理过程：早期神经活动匹配模型的浅层（聚焦基础特征），后期反应（尤其在布罗卡氏区）则与模型的深层（整合上下文、语调与整体意义）对齐。这一发现挑战了“语言依赖固定符号与刚性规则”的传统观点，并提示大脑和AI可能收敛于一个相似的“逐步构建意义”的计算逻辑。
该研究于2026年1月发表于 《自然-通讯》，由希伯来大学 Ariel Goldstein 博士与谷歌研究院、普林斯顿大学等机构合作完成。
脑电图与AI模型：时序上的惊人对应
研究团队利用皮层脑电图记录了参与者聆听30分钟播客时的脑活动，并对比了GPT-2、Llama 2等大语言模型在处理相同文本时的内部层表征。
关键发现：
-
早期处理：大脑的早期神经信号与AI模型的浅层表征对齐——这些层主要负责解析基础词汇特征
-
晚期处理：随后的脑反应与AI模型的深层表征对齐——这些层整合上下文、语调和更广泛的语义
-
时序匹配：这种对应在高级语言区（尤其是布罗卡氏区）最为显著，其反应峰值在与深层AI层对齐时出现得更晚
挑战传统语言学：从“规则”到“语境”
长期以来，语言被认为主要依赖固定的符号系统（如音素、词素）和刚性层级规则。但研究发现，这些传统语言学单元无法像AI模型的语境表征那样，有效解释实时脑活动。结果支持一种更灵活、更具统计性的模型：意义是通过上下文逐步涌现的，而非预先组装好的固定模块。
为什么这很重要？
这一发现表明，尽管大脑与AI的物理构造截然不同，两者在处理语言时可能收敛于一个相似的计算策略——即通过多层变换，从局部特征逐步构建整体意义。这不仅为理解人脑语言机制提供了新框架，也提示AI模型可作为研究认知的“可操控实验平台”。
开放数据：推动领域前进
为促进研究，团队已公开完整的神经记录与语言特征数据集，供全球研究者比较语言理解的不同理论，并开发更贴近人类心智的计算模型。
“最让我们惊讶的是，大脑中意义的时间展开，与大语言模型内部的变换序列如此吻合。”第一作者 Ariel Goldstein 博士表示，“尽管这些系统构建方式完全不同，但两者似乎都收敛于一个相似的‘逐步构建理解’的过程。”
核心要点
逐层处理：人脑理解语言与AI模型相似，均从基础特征逐步构建到整体意义
时序匹配：早期脑活动对应AI浅层，后期反应（尤其布罗卡氏区）对应AI深层
理论挑战：冲击“语言依赖固定符号与刚性规则”的传统观点，支持“语境涌现”模型
计算收敛：大脑与AI物理构造不同，但可能收敛于相似的计算策略
开放资源：神经记录与语言特征数据集公开，助力语言神经科学研究
文献来源
Journal Reference:
Ariel Goldstein, Eric Ham, Mariano Schain, Samuel A. Nastase, Bobbi Aubrey, Zaid Zada, Avigail Grinstein-Dabush, Harshvardhan Gazula, Amir Feder, Werner Doyle, Sasha Devore, Patricia Dugan, Daniel Friedman, Michael Brenner, Avinatan Hassidim, Yossi Matias, Orrin Devinsky, Noam Siegelman, Adeen Flinker, Omer Levy, Roi Reichart, Uri Hasson. Temporal structure of natural language processing in the human brain corresponds to layered hierarchy of large language models. Nature Communications, 2025; 16 (1) DOI: 10.1038/s41467-025-65518-0