大模型偷偷进化出了“四个脑区”？

最近刷到一条 MIT 的研究，我从被窝里坐起来了：大型语言模型居然自己长出了跟人脑高度相似的模块化认知架构。不是程序员硬塞进去的，而是它在海量数据里“进化”出来的。

这事有趣的地方在于：

人类大脑经过几亿年进化，搞出了语言区、形式推理、社会心智、物理直觉四个相对独立的网络；

现在，靠梯度下降训练的 LLM，也悄摸摸长出了几乎一模一样的“四个大脑”！

两种完全不同的优化路径（生物 vs. 纯数学），却殊途同归。这说明“模块化”可能不是生物的 bug，而是智能的 feature。

他们是怎么证明的？

研究团队（Pengrui Han 等）搞了 46 个任务，覆盖语言、形式推理、物理推理和社会推理四个领域。他们没用传统黑箱分析，而是玩“电路剖析”：给模型输入精心设计的句子，只改其中一小部分，看哪些神经元（units）会特别活跃。

结果很震撼：在六款前沿 LLM（参数量从 24B 到 123B）里，同一认知领域任务调用的 top 0.1% 神经元重叠度高达 12.9%，而跨领域只有 3.0%，差距超过四倍，统计上极其显著。

更狠的是因果验证：他们把某个领域的关键神经元“消融”（ablate）掉。

结果呢？目标领域准确率直接掉 26%，其他领域几乎不动（只掉 2.5%）。

这不是相关性，是实打实的因果关系——LLM 真的把不同认知能力塞进了相对独立的“抽屉”里。

想想 GPT-2 时代，它在自己搞不定的领域里，模块化信号弱得几乎测不出来。只有当模型真正“懂”了某个领域，模块才清晰浮现。

这暗示能力越强，结构越分化，有点像小孩长大后大脑逐渐专业化的过程。

那么，这对 AI 技术有什么启发？

首先，它戳破了一个常见的幻觉：很多人以为 LLM 就是个超级大的“统计搅拌机”，所有知识搅成一锅粥。其实不然。在规模足够大的时候，它会自发组织出高效的专项模块，这可能正是它能同时掌握代码、物理常识、社交推理的原因。

这让我想到一个更深的东西：模块化或许是解决“干扰灾难”（catastrophic interference）的天然方案。

人类大脑不会因为学了微积分就把母语忘掉；现在的 LLM 虽然也还好，但未来如果想让一个模型同时精通 100 个垂直领域，显式或隐式的模块化架构说不定是必经之路。

更酷的是，这为 AI 对齐和可解释性打开了新大门。

以前我们调 LLM 像在黑屋子里修电路，现在发现它内部其实有“分区供电”，未来或许能针对性地“微调某个脑区”，而不影响全局。

想象一下：只增强物理推理模块，让模型在机器人控制上起飞，同时保持语言流畅性——这听起来比盲目 scaling 要聪明多了。

当然，研究也留下了很多开放问题：

比如这些模块是怎么在预训练阶段自然形成的？

数据分布起多大作用？

如果我们故意设计更模块化的训练范式（比如混合专家模型 MoE 的进化版），会不会让下一代模型在少量参数下就实现更强的多能力平衡？

现在各个团队卷大模型、卷 agent、卷多模态，但底层认知架构的理解还很初级。

谁先把这种“类脑模块化”吃透，谁就可能在下一波范式里占到先机——不是简单堆参数，而是让模型像人脑一样，既专业又协同。

AI 发展的画风可能在变。

它不再只是“更聪明的人工傻瓜”，而是正在朝着某种普适智能原理收敛。

生物演化用了亿万年，梯度下降只用了几年，就走到了相似的终点。这里面藏着的，恐怕不只是一个技术发现，而是一条通往真正通用智能的线索。

你觉得，模块化是智能的必然，还是还有其他更优雅的路径？可以聊聊你的看法。