长久以来，科学界普遍认为人类大脑理解语言依赖严谨的规则、语法和结构分析，这种观念已延续数十年。然而，近期一项发表于《自然·通讯》的研究，彻底打破了这一传统认知，为语言处理机制的研究带来了全新视角。
研究人员开展了一项别具一格的实验。他们邀请9名因癫痫接受术前监测的病患参与，这些病患的大脑皮层上已植入高密度ECoG电极。这种电极设备能够以毫秒级的精度，精准记录大脑真实的电活动。实验过程中，受试者聆听一段30分钟的播客，研究人员同步采集围绕每个词出现时刻的高伽马脑电信号。这些信号覆盖了语言通路中的关键区域，包括掌管听觉的mSTG、aSTG，负责语言整合的IFG以及高级语义区的TP。
与此同时，研究人员将同一段文本输入GPT - 2 XL和Llama - 2这两种大语言模型。每当模型处理到一个词时，就暂停操作，抽取该词在模型内部从第一层到最后一层的所有内部理解表示。随后，对模型每一层的表示通过CA降维进行简化，再利用线性模型尝试预测人脑在对应时刻的电活动。
实验结果令人震惊。原本以为GPT的层级结构与大脑处理语言的方式并无关联，若强行将模型层级对齐到大脑的时间轴上，结果可能杂乱无章。但事实并非如此，在脑电时间轴上呈现出明显的秩序。GPT的48层在大脑语言通路中呈现出清晰的“时间—深度”对应结构，浅层（暖色）在更早的时间点达到峰值，深层（冷色）在更晚时间出现。TP、aSTG、IFG等高阶区域表现出强线性关系，而mSTG（近听觉皮层）几乎没有层级结构，因为这里主要处理声音本身，语言的语义和结构还未展开。一旦进入aSTG、IFG、TP等区域，曲线呈现出从浅到深的整齐分布。在关键语言区IFG内部，GPT的层级结构同样呈现强烈的时间对应关系，浅层至深层的相关度分布呈现出规律性的时间推移，IFG的整体拟合度达到r = .85（p < .001）。
这一发现意味着，大脑理解语言并非按照传统认知那样，先按部就班地解析语法，再逐步拆解词汇。实际上，大脑像GPT一样，进行着一层又一层的语义推断和概率预测，而且这套复杂的推断节奏与大语言模型的内部深度路径完美重合。
随着研究的深入，一个更尖锐的问题浮现出来：那些被认为描述语言“最准确”的传统模型，如音位、词素、句法、语义等构建的语言理解框架，是否也会呈现出同样的时间结构？研究人员将这四类符号语言学模型全部纳入测试，这些模型是数十年来语言学和心理语言学的基础框架。按照传统观念，如果人类语言依赖这些规则，它们理应比GPT更能精确地预测大脑的反应。
然而，测试结果却截然不同。传统符号模型虽然能预测一部分脑电活动，但与GPT相比，差距巨大。在毫秒级时间轴上，这些符号模型的预测曲线找不到明确的“浅到深”“早到晚”的序列分布，没有层级和时间推进，缺乏连续、动态的语言动力。相比之下，GPT的嵌入式表示呈现出“流动式”的处理轨迹，意义随着时间不断更新、压缩、整合，每一层都有其特定位置，像精密的齿轮嵌在上下文里。而符号模型的结构更像是静止、离散的标签堆叠，无法在毫秒级时间维度给出细致、动态的映射。这表明人脑的语言机制并非符号规则的简单堆叠，而是一种连续、深度预测式的加工过程。当我们用语法树解释语言时，大脑实际上已经完成了几十层的非线性变换，而这些变换正是Transformer模型的核心能力。
这一研究结果引发了对语言本质的重新思考。过去几十年，我们用语法规则解释句子，用语义网络解释概念，用树状结构描述语言的逻辑关系，这些框架强调“结构、类别、层次”，却很少关注语言在大脑中的即时生成方式，如它如何在毫秒级连续变化、如何在瞬间整合过去与未来。此次研究呈现出的景象截然不同，大脑处理语言更像是沿着一条不断压缩、预测、更新的轨道向前推进，浅层负责快速提取线索，中层开始整合语境，深层构建较长的意义链条，整个过程是一种向前流动的计算，而非静止的“语法树”。
讽刺的是，Transformer模型被设计时试图通过多层、非线性、依赖上下文、随时间滚动更新等特性捕捉的“流动结构”，原本被认为是工程师的发明，现在看来，它更像是大脑为高效处理信息，在数十亿年进化中选择的一条计算路径。语言的定义也因此悄然改变，它不再是规则体系，而是一种动态预测机制。我们理解一句话，并非先知晓其语法，再去匹配意义，而是在每一毫秒里，计算“下一刻可能发生什么”，GPT正是按照这种方式训练的，这或许就是大型语言模型总让人感觉像在理解人类的原因，它们意外地匹配了人类大脑的节奏。
当GPT的内部层级在大脑里找到清晰的时间对应，我们看到的不再是某个AI模型的“胜利”，而是一种结构上的趋同，一种底层计算规律的殊途同归。语言的本质，也许从不是静态的语法规则，而是连续、动态的预测，大脑和模型都依靠这种机制来理解世界、生成语言、模拟智能，最终两条路径在同一个高效的计算规律上相遇，我们熟悉的语言学和认知科学框架，或许需要迎来一次全面的更新，理解GPT的内部结构，也许正是在重新理解我们自己。
