神经语言学的范式转变：从脑区定位到单神经元编码

基于两篇 Nature 论文的解读与领域综述

文献1: Jamali et al., “Semantic encoding during language comprehension at single-cell resolution”, Nature 631, 610–616 (2024)

文献2: “Mapping the neuronal building blocks of human language with language models”, Nature (2026)

一、引言

人脑如何生成和理解语言？这是认知科学最核心的问题之一。过去 30 年，功能性脑成像（fMRI）告诉我们语言激活了哪些脑区——Broca 区负责语言产生，Wernicke 区负责语言理解。但脑区是毫米级尺度，一个脑区包含数百万神经元，真正的计算发生在更微观的层面。

2024 年和 2026 年，哈佛医学院团队在 Nature 发表了两篇论文，首次在单神经元尺度上揭示了人类语言加工过程。这两篇论文不仅提供了史无前例的数据，还展示了神经科学与大语言模型（LLM）之间令人深思的交汇。

二、论文核心发现

文献1（2024）：语义理解的单神经元基础

研究问题：人脑在理解语言时，单个神经元如何编码词义？

实验范式：

• 13 名临床癫痫患者，大脑皮层植入微电极阵列（钨微电极 + Neuropixels 两种技术）
• 患者自然听取 8 词长度的句子，同时记录前额叶皮层单个神经元放电
• 用 Word2Vec 300 维嵌入对词汇进行语义聚类（9 个语义域），检测神经元是否对特定语义域有选择性响应

核心发现：

1. 语义选择性神经元确实存在——前额叶皮层中特定神经元对特定语义域（如动物、食物、工具）的单词有显著更高的放电率。

2. 群体解码可行——用一群神经元的组合活动可以准确解码出单词所属的语义域，甚至能推广到全新的语言材料（用 Elvis Presley 故事测试）。

3. 层级语义关系被编码——神经活动之间的差异与词嵌入空间中的「共层距离」（cophenetic distance）相关（r = 0.38），即语义相近的词引起的神经活动更相似。

4. 高度上下文依赖——同一个词在不同句子上下文中引起的神经活动不同。句子上下文越可预测，解码准确率越高（r = 0.17 ~ 0.26）。

文献2（2026）：语言产生的神经构建块

研究问题：人脑在生成语言（而非理解）时，单个神经元编码什么？

实验范式：

• 8 名癫痫患者，96 通道微电极阵列（Utah array）
• 自然对话——研究者自由提问，患者自由回答（不是朗读或重复）
• 用 NLP 工具（AllenNLP）对每个词标注词性、依赖关系、短语结构、句法树深度、上下文嵌入（Vicuna-7B），与神经元放电逐一对应

核心发现：

1. 语法专属神经元——大量神经元不编码词义，而是追踪语法结构：

   • 词性选择性（名词、动词、形容词各有专属神经元）
   • 依赖关系选择性（主谓、动宾、修饰关系各有专属神经元）
   • 短语结构（短语开始 / 结束 / 合并）
   • 句法树深度

2. 组合式编码——同一个词（如 “dog”）在主语位置和宾语位置引起的神经活动不同。神经元编码的是 单词 × 语法角色 × 上下文 的乘积，不是简单的查找表。这种组合式编码允许有限数量的神经元表征无限多句子。

3. 层级对应 LLM——Vicuna-7B 的嵌入分析显示：

   • 低层神经元更接近词法和语法信息，对应 LLM 低层表征
   • 高层神经元更接近上下文和语义信息，对应 LLM 高层表征
   • 这种对应是脑和模型各自独立演化的结果

4. 语言网络是分布式的——编码语言信息的神经元广泛分布于前额叶、前颞叶、后颞叶，不限于经典的 Broca/Wernicke 区。左半球信息量略大于右半球。

三、领域发展脉络

时间线：从宏观到微观

三个关键范式转变

1. 从「脑区」到「单神经元」

fMRI 只能告诉我们「哪块脑区活跃」，但脑区包含数百万神经元。真正的计算发生在单神经元层面。微电极阵列技术（特别是 Neuropixels 探针）让临床癫痫监测同时成为神经科学研究的窗口，分辨率从毫米级跳到微米级，从百万神经元的群体信号到单个细胞的精准放电。

2. 从「朗读」到「自然语言」

早期神经语言学让被试重复固定句子（“The cat sat on the mat”），大脑活动被运动伪影和感知加工污染。这两篇论文的关键创新是用自然对话——患者真的在聊天、在自发产生句子，才能观察到真正的语言生成过程。

3. 从「手工特征」到「LLM 表征」

传统语言学特征（词性标注、短语结构）是语言学家手工定义的，无法穷尽人类几万个概念。这两篇论文用 LLM（Vicuna-7B）的隐藏层嵌入作为「参考坐标系」，自动提取每个词在特定上下文中的高维表征，再映射到神经活动。研究不再受限于语言学家的先验分类。

四、与 LLM 可解释性的交汇

两篇论文中最具哲学意味的发现，是人脑神经元和 LLM 隐藏层之间存在分层对应：

• 低层神经元 ≈ LLM 低层表征 → 词法 / 语法信息
• 高层神经元 ≈ LLM 高层表征 → 语义 / 上下文信息

但两者的训练目标完全不同：

两者独立演化出了相似的结构，说明语言本身可能存在「最优表征原则」——层级化（从词法到语义）与组合式（有限元素生成无限表达）或许是唯一或至少是最优的解决方案。

这与另一个独立发现形成呼应：生物物理学研究（Nature Physics）发现真实神经元的输入输出特性接近 logistic 函数，即人工神经元（perceptron）的生物真实性比此前认为的更高。

五、未解决的问题

尽管这两篇论文将神经语言学推到了新高度，仍有大量开放问题：

1. 理解与产生的统一：文献1 研究理解（听），文献2 研究产生（说）。两者共享多少神经机制？同一批神经元既参与理解又参与产生吗？

2. 跨语言泛化：所有被试都是英语母语者。中文（缺乏形态变化）、阿拉伯语（不同书写方向）等语言是否使用相同的神经编码策略？

3. 组合算法：论文证明了「有限神经元编码无限句子」的组合式原则，但具体的组合算法是什么？是线性加权还是非线性动态？

4. 因果性验证：目前都是相关研究——神经活动与语言特征共变。操控特定神经元能否改变语言行为？这需要光遗传或电刺激实验来验证。

5. 发展过程：语言神经编码是先天遗传的还是后天习得的？婴幼儿的神经元是否从一开始就按层级化组织？

六、结语

神经语言学正在经历从「语言在哪」到「语言怎么编码」的根本性转变。过去我们问的是定位——哪个脑区负责语言？现在问的是算法——神经元如何组合才能生成和理解无限多的句子。

而大语言模型意外成了这个旅程中最好的参照系。不是因为我们在刻意让 AI 模仿人脑，而是因为当生物进化（数百万年）和梯度下降（数周）各自独立地求解「语言处理」这个问题时，它们收敛到了相似的答案。

这或许是 2020 年代认知科学最深刻的发现：语言存在内在的最优表征原则，而人脑和大模型分别从生物和数字两个方向逼近了它。

七、补充观点

以下内容为笔者基于论文数据的延伸思考，不代表论文作者或学术界的官方立场。

语言的最优表征原则

两篇论文共同指向一个推断：语言加工存在一种最优表征结构——层级化（从词法到语义）与组合式（有限元素生成无限表达）。人脑通过数百万年进化逼近了这个解，LLM 通过数周梯度下降也逼近了同一个解。这并非巧合，而是因为语言问题本身对表征结构提出了约束——只有层级化 + 组合式的方案才能同时满足「有限存储」和「无限生成」这两个基本要求。

组合式编码是语言生产力的核心

文献2 最关键的洞察或许是：神经元不存储句子，而是存储组合规则。同一个 “dog” 在主语和宾语位置激活不同神经元，意味着人脑编码的是「元素 × 角色 × 上下文」的乘积空间。这正是 Chomsky 语言学中「有限规则生成无限句子」的神经基础，也与现代 Transformer 的上下文嵌入机制高度类似。

相关不等于因果

目前的研究都是相关性研究——神经元活动与语言特征共变。但相关不等于因果。要证明「这些神经元确实在计算语法结构」，需要的是干预性实验：如果抑制这些神经元，语法能力是否下降？这是未来光遗传或电刺激实验的方向。

从「地图」到「算法」的跨越

这两篇论文标志着神经语言学从「定位」到「算法」的根本转变。过去的问题是「语言在哪」，现在的问题是「语言怎么计算」。下一步需要建立的不只是「哪些神经元对应哪些特征」，而是写出神经编码的数学表达式——就像 Hopfield 网络用能量函数描述记忆编码一样，我们也需要一个公式来描述神经元如何编码句子。

文档创建时间：2026-06-25 基于 Nature 论文原始内容整理，仅供学术参考 第七部分为笔者个人观点，不代表论文作者立场