MIT发现人脑推理不依赖语言，LLM 路线走反了？杨立昆转发力挺

语言与思维的发反杨关系，是现人线走横跨哲学、语言学及认知科学数千年的脑推核心命题。长期以来，理不M路立昆力挺学界争论不休：人类思考是依赖语否必须依赖语言这一载体？

传统观点倾向于认为，语言是发反杨思维的基石。毕竟，现人线走逻辑命题可拆解为子成分并按层级组合，脑推这与自然语言的理不M路立昆力挺句法结构高度相似。然而，依赖语麻省理工学院（MIT）麦戈文脑科学研究所最新发表于《美国国家科学院院刊》（PNAS）的发反杨研究，为这一争论提供了颠覆性证据。现人线走

由副教授 Evelina Fedorenko 领衔的脑推团队发现，人脑在进行逻辑推理时，理不M路立昆力挺负责语言处理的依赖语脑区并未被激活。更惊人的是，即使语言能力严重受损的患者，其逻辑推理表现仍与健康人无异。这表明，至少在逻辑推理层面，语言与思维在大脑中遵循着两条相对独立的神经通路。

这一发现不仅重塑了脑科学认知，更对人工智能领域产生深远影响。随着大语言模型（LLM）的爆发式增长，“语言是否等同于思维”成为AI界焦点。研究发布后，图灵奖得主、Meta首席AI科学家 Yann LeCun（杨立昆）迅速在社交媒体转发并力挺该成果。

LeCun 长期主张，仅靠文本训练的大模型习得的是语言统计规律，而非对现实世界的真实理解。他呼吁发展具备“世界模型”（World Model）、规划及推理能力的新一代AI架构。MIT这项证实“语言系统并非逻辑推理基础”的研究，恰好与他倡导的技术路线形成强烈共振。

（来源：UCLA）

研究核心：逻辑推理是否调用语言系统？

MIT博士后研究员、论文第一作者 Hope Kean 与 Evelina Fedorenko 提出核心假设：虽然人类习惯用语言描述推理过程（从提问到结论），但执行推理的神经机制可能独立于语言系统。

图 ｜ Hope Kean 与 Evelina Fedorenko（来源：MIT）

其理论依据在于：
1. 精确性差异：逻辑推理需要严格的规则运算，而自然语言充满歧义。
2. 结构差异：语言是线性展开的，而逻辑推理往往涉及多信息间的非线性复杂关联。

为验证假设，研究团队设计了严谨的两组实验。

实验一：失语症患者的逻辑测试

研究团队与伦敦大学学院（UCL）神经科学家 Rosemary Varley 合作，选取了两名因中风导致严重失语症的患者。这些患者语言理解与表达能力严重受损，但认知功能其他方面尚存。

研究人员刻意规避语言，设计了完全依赖逻辑而非文字的推理任务：
* 数字规则归纳：观察两组数字列表，识别隐藏规则（如逆序、过滤特定数值），并应用于新序列。
* 矩阵推理：根据已有图案推断规律并补全矩阵。

结果令人震惊：尽管语言能力严重缺失，两名患者在逻辑推理任务中的表现与健康对照组无显著差异，甚至能通过手势和草图准确表达发现的规则。Kean 指出，这一结果“彻底颠覆了‘无语言能力则无法进行符号规则归纳’的传统理论”。

实验二：健康成人的fMRI脑成像验证

鉴于失语症病例罕见，团队进一步利用功能性磁共振成像（fMRI）对健康成年人进行验证。

参与者需在扫描仪中完成两类任务：
1. 类似实验一的规则归纳游戏。
2. 经典三段论演绎推理（例如：“若球红则球大；球红；故球大？”）。

同时，团队精确定位了每位参与者的语言网络与负责复杂问题求解的多需求网络（Multiple Demand Network, MDN）。通过对比脑成像数据，直接检验逻辑推理是否调用语言系统。

最终结论：
* 无论是归纳推理还是演绎推理，语言网络均未出现明显激活。
* 出乎意料的是，此前被认为主导逻辑推理的“多需求网络”，仅在归纳推理中显著活跃，在演绎推理中参与度极低。Kean 表示，这一现象尚待深入研究，将是团队下一步的重点。

（来源：MIT）

证据链日益完整：语言只是大脑的“插件”

事实上，这并非 Fedorenko 实验室首次得出此类结论。过去几年，该团队持续揭示语言与高级认知的关系，发现物体分类、社会推理等认知活动同样不依赖语言系统。本次关于逻辑推理的研究，补全了关键拼图：在人脑中，语言与推理由彼此独立的神经系统承担。

就在本研究发表前一周，Fedorenko 团队在《神经科学杂志》（Journal of Neuroscience）发表了一项大规模研究。通过对 772 名健康成年人的 fMRI 扫描，绘制出迄今最完整的人脑语言网络图谱：

• 对语言具有选择性反应的脑区共 17 个。
• 分布在额叶、颞叶、小脑和海马体等部位。
• 总体积仅占大脑灰质不到 4%（平均约 22 立方厘米）。

（来源：jneurosci）

这一发现意味着，语言并未如想象中那样“接管”整个大脑。考虑到人类演化数百万年而语言仅出现几万年，语言更像是在既有神经系统上新增的专门模块，而非认知系统的基础架构。

综合两项研究，得出一个共同大结论：
1. 语言网络仅是大脑中相对紧凑的功能区域。
2. 逻辑推理等高级认知任务并不依赖该网络。

这有力支持了 Fedorenko 的观点：语言是人类最重要的交流工具，但未必是思维本身的载体。

现实意义：破除误解

Fedorenko 强调，语言障碍不等于智力障碍。许多失语症患者仍能下棋、解数独、管理财务，仅难以表达思考过程。然而现实中，他们的语言困难常被误读为思维能力下降。这种误解同样存在于发育性语言障碍者、口吃者及非母语使用者身上。

对 LLM 的启示：路线之争与未来方向

这项研究之所以在 AI 领域引发震动，并非直接证伪大语言模型，而是提出了一个更深层的问题。

当前 LLM 完全基于文本：通过预测下一个 token 学习世界，以文本为输入输出。然而，它们却能完成数学证明、代码生成及逻辑推理。论文也承认，ChatGPT、Claude 等模型已能“令人信服地模拟某些人类推理”。

但 MIT 研究表明，人脑执行这些推理时，并未调用语言系统。这意味着，人类与 LLM 可能正沿两条不同路径实现相似能力：
* 人类：依赖独立于语言的神经机制。
* LLM：依赖自然语言统计规律。

这一发现呼应了 AI 领域日益关注的思路：语言是智能的接口，而非智能本身。对于真正进入现实环境的 AI，仅靠语言模型可能不足，还需具备世界建模、规划和预测能力。

类似观点在 ICML 2026 上得到重申。AMI Labs 联合创始人 Pascal Fung 指出，LLM 仅通过文本间接理解世界；真正需要进入现实环境的 AI 智能体，必须拥有直接建模物理世界的“世界模型”。

并非否定，而是参照

当然，神经科学结论不能直接否定 LLM 路线。人脑的实现方式并非机器智能的唯一最优解——正如飞机飞翔无需模仿鸟类扇翅。事实上，LLM 在数学、代码及复杂推理基准上的能力仍在持续提升，其内部是否已形成不同于自然语言的抽象表示，仍是开放问题。

因此，这项研究提供的并非关于 LLM 的最终结论，而是一个新的参照系：

如果自然智能最终将语言与推理分离，那么未来人工智能是否也需要在语言模型之外，引入更加独立的世界建模、规划与推理机制？

研究团队将这一方向称为“思维地理学”（Geography of Thought）的新前沿。对于 AI 而言，这片前沿同样值得深入探索。

参考文献：
1. https://mcgovern.mit.edu/2026/07/06/separating-logic-and-language/
2. https://news.mit.edu/2026/separating-logic-and-language-0708
3. https://doi.org/10.1523/JNEUROSCI.0638-25.2026

注：封面/首图由 AI 辅助生成

(责任编辑：探索)