随着大语言模型（LLM）的普及，自动补全与文本预测已成为现代人数字生活的一部分。长期以来，一种流行的观点认为，LLM 基于概率的“下一词预测”（Next-word prediction）机制，正是人类大脑处理语言的生物学模拟。然而，近日发表在《自然-神经科学》（Nature Neuroscience）上的一项研究挑战了这一类比。来自纽约大学、浙江大学等机构的科研团队证实：人类大脑在预测后续词汇时，并非仅仅进行线性的统计推演，而是深受复杂的语法层级结构（Grammatical structure）调制。
该研究由纽约大学心理学与神经科学教授 David Poeppel 领衔，合作者包括浙江大学丁鼐教授及 Ernst Struengmann 研究所的邹佳洁博士。
范式之争：线性统计 vs. 层级构件
在计算语言学中，LLM 通过海量文本训练，利用熵（Entropy）和惊讶度（Surprisal）来计算下一个字符出现的概率。尽管这种方式能生成逻辑通顺的文本，但它与人类大脑的认知逻辑存在本质差异。
“虽然 LLM 的预测在很大程度上是‘一视同仁’的——即每个词都以相同的权重利用上下文，但人类大脑并非如此，”Poeppel 教授解释道，“大脑会预先将词语按语法规则组织成‘块’（Chunks），即语法构件（Grammatical constituents）。它不是简单地猜测下一个词，而是在预设的结构框架内，确定哪些词最符合逻辑。”
研究人员将这种差异比作拼图：AI 倾向于根据边缘形状寻找相邻的一块，而大脑则是先在大脑中构建出局部景观的逻辑图景，再寻找缺失的碎片。
神经解码：跨语言的脑磁图证据
为了揭开大脑预测的黑箱，研究团队针对普通话（Mandarin Chinese）使用者开展了一系列实验。研究人员利用脑磁图（MEG）高精度监测受试者在听取句子时的神经活动，并结合了心理语言学经典的“完形填空”（Cloze tests）任务。
为了验证结论的普适性，团队还对比了英语受试者的神经数据。研究人员使用 LLM 量化了词汇的统计预测概率，并将其与大脑的实际电生理反应进行关联建模。研究发现：
-
模型预测的局限：如果大脑仅是线性的预测设备，那么其神经反应强度应与 LLM 的预测值在所有位置保持高度相关。
-
大脑的“选择性”：实验结果显示，大脑对词语的预测强度显著受到该词在语法序列中位置的影响。大脑对处于关键语法节点上的词汇展现出了更强的“结构敏感性”。
启示：赋予 AI 真正的“结构洞察力”
研究证明，尽管大脑在处理速度上可以利用“下一词预测”来走捷径，但其底层始终受到语法层级框架的严密调控。
“大脑预测是一个层级化的处理过程，这与目前 LLM 扁平化的处理机制迥然不同，”Poeppel 教授指出。这意味着，即便当前的 AI 在对话中已能以假乱真，它们依然缺乏人类大脑那种对语言深度构架（Linguistic constituent structure）的本质理解。
这一发现不仅重塑了神经语言学的核心理论，也为未来开发具备“结构认知能力”的下一代类脑人工智能提供了关键的启发：真正的智能，或许不在于算力对概率的堆砌，而在于对层级结构的深刻把握。
参考文献：Jiajie Zou et al, Constituent-constrained word prediction during language comprehension, Nature Neuroscience (2026). DOI: 10.1038/s41593-026-02272-6
编辑：王洪
排版：李丽
评论 (0)