乔治·莱考夫：语言的尽头是隐喻吗？

我们活在一张由隐喻编织的无形之网中，它塑造了我们对世间万物的看法。

“肝胆相照”、“唇齿相依”、“唇亡齿寒”，这些我们习以为常的表达，并非简单的修辞，而是我们赖以思考和生存的基石。正如认知语言学之父乔治·莱考夫（George Lakoff）在《我们赖以生存的隐喻》（Metaphors We Live By）中揭示的。

延续这一观察，2025年6月乔治·莱考夫与Deepmind的计算神经科学家斯里尼·纳拉亚南（Srini Narayanan）合著新书《神经心智》（The Neural Mind），尝试提供一个整合的、具体的且在科学上准确的人类心智的理解框架——结构化神经计算模型（funcational structured neural computation，fSNC）。

fSNC模型的目标，是利用在神经上具有合理性的计算方式，来整体解释人是如何思考的。它本身并非大脑的真实复刻，而是一个强大的理论工具，用以解释认知现象并指导未来的科学实验。下面，本文将聚焦该书最为核心的第三章，编译其中部分章节，对fSNC提供一个概述性的介绍。

▷《神经心智》（The Neural Mind）

乔治·莱考夫（George Lakoff）美国加州大学伯克利分校的语言学教授。1980年他与马克·约翰逊（Mark Johnson）合著的《我们赖以生存的隐喻》（Metaphors We Live By）开创了认知隐喻理论，提出隐喻是人类认知的重要方式，例如“时间是金钱”这一隐喻影响我们对时间的管理。此外，他在认知语言学领域推动了具身认知理论的发展，强调身体经验对概念形成的影响。

斯里尼·纳拉亚南（Srini Narayanan）谷歌DeepMind苏黎世的杰出科学家和高级研究主管。他曾是加州大学伯克利分校国际计算机科学研究所（ICSI）所长，也是伯克利神经语言理论小组的联合创始人。他的研究专注于机器学习、自然语言处理和认知神经科学，提出了隐喻的神经映射模型，为理解隐喻的神经基础做出了重要贡献。

fSNC如何对单个神经元的建模

fSNC建模的第一步是对单个神经元建模，神经元的每一次放电活动，涉及20个步骤，而神经元的结构，不只是如一根电线一样简单。这些都是fSNC模型要涵盖的。

▷ 图1：一种简化的神经元模型，包含一组输入端（树突），它们将来自传入突触的电信号传递至细胞体（胞体）。细胞体连接着轴突，轴突将信号通过突触传递给其他下游神经元。当细胞体的电位达到一定阈值时，便发生去极化，细胞放电，产生动作电位并沿轴突传导，随后通过突触连接到下游神经元的树突，从而沿着神经连接通路传递信号。

在fSCN模型中，相比传统神经网络将神经元当成累加器，其对神经元的建模更为符合生物神经元的活动，包含以下组成部分：

1. 输入端（树突）：将来自传入突触的电信号传导至细胞体。带正电的离子包括钠（Na⁺）、镁（Mg²⁺）和钙（Ca²⁺）；带负电的离子是氯（Cl⁻）。这些带电离子从树突流入，

2. 细胞体。当细胞体内的正电荷达到阈值电荷时，神经元“放电”。在“放电”过程中，细胞会向轴突发送一个正电荷——即“动作电位”。

每次放电事件被简化为一个单一的脉冲（spike）。在轴突末端有成千上万个囊泡，其中包含神经递质和钙离子通道。当神经元放电时，这些钙通道打开，允许钙离子流入，从而触发神经递质的释放。

fSCN模型中的突触被建模为一个一维标量值，称为突触权重（synaptic weight），权重越高，表示突触前与突触后神经元之间的连接越强。此外，突触中还包含四种离子对应的额外神经递质，这些被称为调制因子（modulators）。

这些调制因子会改变突触前神经元放电时所释放神经递质的作用效果：对于正离子（钠、镁、钙），调制因子增强其效应；而对于负离子（氯），则减弱其效应。在 fSCN 模型中，这种调制作用对应于“乘法性连接”（multiplicative connections），即突触激活强度会和一个“增益因子”（gain）相乘，该增益因子可以是兴奋性的（放大信号），也可以是抑制性的（减弱信号）。

▷ 图2. fSCN模型中对神经元建模时的输入与输出

另一个与神经结构相关的重要方面是时间。相关的时间参数包括：

1. 信号传导时间：即细胞体放电后，信号传达到轴突末端所需的时间；

2. 突触传递时间：信号跨越突触并引发下一个神经元放电所需的时间；

3. 不应期（refractory period）：即同一神经元两次放电之间的最短间隔时间；

4. 最小平均时间延迟：指某一神经元放电与其在时间上最接近、且终止于同一突触的其他神经元放电之间的时间差（可为正或负）。

这些时间参数在fSCN模型中用于刻画神经活动的动态时序特性，从而支持对认知过程中时间编码、同步振荡和因果顺序的建模。突触间的信号传递，则通过权重进行建模。

动作电位则被建模为单个脉冲（spike）。每个传入的脉冲都会改变神经元的细胞膜电位。当所有传入脉冲的累积效应达到阈值时，神经元发放一个脉冲，通过其突触将信号传递至下游神经元。这种计算模型被称为整合-放电模型（integrate-and-fire model）。

简而言之，在fSCN中，神经元的计算过程可按如下方式建模：一组具有不同发放时间的输入神经元向目标神经元发送脉冲。每个传入脉冲根据突触效率（由0到1之间的权重表示），改变细胞膜电位（从静息电位-70毫伏开始变化）。所有输入脉冲对电位的总体影响是其效应的积分（累加）。当膜电位的积分达到-55毫伏的阈值时，突触后神经元“放电”，并发出一个输出脉冲。

将fSCN描述的神经元与当前AI中用到的神经元对比，在大多数人工神经网络中，节点层面并不考虑输入脉冲的时间信息。而只是根据权重对输入数据进行加权累加，之后根据激活函数判断是否将输出值设为1；如同决定是否点亮一盏灯；而fSCN则是将输入的多个如滴滴答答的电报，根据自身权重，其它神经元的调控转换为另一个滴滴嗒嗒的脉冲。

fSCN中神经元如何组成回路，

以隐喻映射回路为例

在我们呀呀学语时，先记住的是一个个事物，那是房子，那是门，这里如同建立起一个个神经元，然后这些神经元之间需要建立联系，便有了我走进屋门这样的句子；然后到了小学，开始学习成语，知道了登堂入室不仅仅是说我去了你家，而是包含更深的含义，这里问题出现了，我们大脑中究竟发生了什么，才让我们能够构建起概念间的连接，从而能够进行抽象思考了？

这就不得不引入隐喻，而这也是乔治莱考夫反复阐述的一个概念。先思考一个很简单的问题：我们如何理解“成为某个俱乐部的成员”意味着什么？

回答是我们将俱乐部理解为一个隐喻性的容器，它具有内部和外部。俱乐部成员位于这个容器的内部，而非成员则处于外部。

这一理解需要一个包含多个部分的映射关系：

• 容器的内部被映射到俱乐部本身；

• 处于容器内部的人被映射为俱乐部成员；

• 处于容器外部的人被映射为非成员。

▷ 图3. 俱乐部的成员的隐喻. 图源：QWEN生成

当然，我们有许多事物都是通过“容器”这一隐喻来理解的，也存在大量类似的映射关系。为了在大脑中控制哪一个映射正在起作用，必须在容器图式及其组成部分与它们所映射的内容之间设置“门控”（gatings）。学习一个具体的隐喻映射，实际上就是学习这些门控回路（在计算模型中表现为节点）。

以上述例子而言，容器图式中的每一个角色都必须通过神经连接，映射到俱乐部图式中相应的角色上；也就是说，作为容器的“俱乐部”内部的人，会映射到“成员资格”框架中的“俱乐部成员”角色。为了让这些神经连接被激活，必须首先激活正确的门控节点，从而使激活信号能够从容器图式的神经回路传递到俱乐部图式的神经回路。这一点至关重要，例如，它使我们能够理解喜剧演员格劳乔·马克斯（Groucho Marx）那句著名的俏皮话：“我绝不加入有像我这样会员的俱乐部。”

当这些条件满足时，从容器角色到俱乐部角色的激活会很强，而反向的、从俱乐部角色到对应容器角色的激活则很弱（甚至没有）。因此，像隐喻这样的映射回路是从“源域”向“目标域”的单向投射，而绑定回路（binding circuits）则是双向的。

下图展示了一个隐喻映射回路，包括一个源框架（source frame）和一个目标框架（target frame）。源域中的角色A通过单向箭头投射到目标域中的角色C，源域中的角色B则投射到目标域中的角色D。在本文的例子中，源域是“容器”，目标域是“俱乐部”。角色A是容器框架的内部，映射到俱乐部框架中的角色C。那些绑定到角色A的个体（即处于容器内部的实体）会被概念化为俱乐部的成员。

▷图4：隐喻映射回路的示意图

考虑数学中的数轴。数字在隐喻意义上被视为线上的点。线上的这些点不仅仅被用来隐喻地理解数字是什么；这种关系比单纯的隐喻更为深刻。在数轴上，这些点本身就是数字，而数字也就是线上的点。数字与线上的点被整合在一起，并被视为同一种事物。这里不仅仅存在一个将“点”与“数字”联系起来的概念隐喻，还存在一种“绑定”关系，正是这种绑定使得线上的点成为了数字。

神经绑定（Neural binding）是使大脑能够将由不同神经回路表征的两个实体理解为同一事物的机制。每一个绑定关系都受到门控调节；当门控未被激活时，这两个实体就被分别理解。只有当绑定回路的门控被激活时，才会产生神经意义上的“同一性”。

激活一个整合映射回路的结果，是同时形成一个由多个图式、框架和/或隐喻共同组成的单一整合实体。以下是数轴整合的整合映射，其中等号（=）表示绑定关系：

• 整合结构：这条线就是实数。

• 隐喻：实数是线上的点。

• 绑定：线上的点 = 实数。

• 更大的数字位于线上更靠右的位置。

• 两个数字之间的差值 = 它们对应点之间的距离。

• 隐喻和绑定的抑制性门控：保持隐喻的源域节点和目标域节点作为不同实体，使我们能够理解它们之间的区别。

• 整合节点 I：当该节点被激活时，会解除对两个门控的抑制，从而使隐喻中的源域和目标域节点被理解为同一实体，即允许我们将线上的点理解为数字本身。

激活上述的整合映射回路，使我们既能从字面意义上将数字和线上的点理解为不同的实体，又能从隐喻意义上将它们理解为相同的实体。

最终形成的是一个整合的整体概念：数轴，这是数学中的一个核心思想。尽管数轴由概念上截然不同的部分构成——一条连续的、空间性的线，以及彼此分离的数字实体——但它在内部是自洽的单一概念。

需要牢记的是，从神经机制上看，如果整合节点未被激活，那么实数和这条线就会被视为两个独立的数学实体。在另一种数学体系中，数字被定义为集合（例如，0是空集，1是包含空集的集合，2包含0和1的集合，依此类推），此时存在另一种不同的整合映射，即从集合到数字的映射。这两种数学基础体系正是由不同的隐喻映射所定义的：一种是从线上的点到数字，另一种是从集合到数字。

思考的本质：多个抽象概念递归组合

前面介绍的隐喻映射和神经绑定，可以看作是特定功能的神经回路。然而，要形成真正复杂的思想，大脑还需要一种更通用的机制来将这些不同的功能模块粘合在一起。这就是整合回路的作用通过一层层的整合，最终形成语言急抽象思维。接下来我们看看整合过程是怎样进行的。

大多数真正复杂的运动控制、事件识别以及抽象思维和语言，都是由跨脑区距离更远的级联结构、由一般性整合回路绑定在一起而完成的。在对这些回路进行概括的基础上，我们假设整合回路具有以下简单结构。其强大之处在于能够协调复杂的级联，从而具备巨大的整合能力。

一个整合回路包含：一个控制节点（control node），以及两个或更多连接到其他回路的门控节点（gating nodes），用于控制它们的激活或抑制。这里的节点可视为第一节中提到的神经元。

控制节点与门控节点之间存在双向的激活连接：控制节点的激活会激活所有门控节点，反之，每个门控节点的激活也会激活控制节点。

这看起来足够简单。然而，尽管如此简单，这类整合回路却能执行非凡的功能，原因首先是由于它们能够协调来自大脑多个区域的内容。其次，这是因为整合回路具有组合性（compositional）。也就是说，整合回路可以嵌套在其他整合回路内部。

因此，每个整合回路都能创建出高度复杂的、包含多样化内容的整合“包”（packages），这些“包”可以在短时间内被整体地快速激活。整合回路的作用在于，将可能分散在各处的内容整合的控制权集中化。

由于激活可以在两个方向上传递，这类回路既具有发散性，也具有收敛性。它们既能将来自控制节点的信息分散出去，也能收集来自所有门控节点的信息。双向连接使激活在回路内循环，使对应的节点持续激活，直到被另一个整合回路的激活所取代而关闭

因此，整合回路是一种形成复杂回路并集中其控制的简单机制。例如，它可以用于形成复杂的图像图式（如“进入”、“穿过”、“沿着”）；复杂的框架（如由商业、进食和待客框架组成的餐厅框架）；以及复杂的隐喻。

这类整合回路最深刻的特性之一是，当递归使用时，它们能够通过形成嵌套回路的连续层级来构建结构化的复杂概念。例如，图像图式可以与其他图像图式绑定，形成复杂的图像图式，如“进入”（into）。可以与“跑步”图式绑定，形成“He ran into the room”（他跑进房间）这样的动作。一个力图式可以与整合后的“运动+进入”图式绑定，形成复杂的“受力运动+进入”图式，如“They pushed him into the room”（他们把他推进了房间）。

而“开始一项活动就是进入一个有界区域”这一概念隐喻，可以应用于“受力运动+进入”图式，从而产生隐喻性用例，如“They pushed him into running for president”（他们把他推向竞选总统）。然后，引入“即将”（about-to），便得到“They are about to push him into running for president”（他们正要将他推向竞选总统）。通过连续应用基本图示和整合回路，可以构建出如此复杂的思想，并将它们组合成固定的级联回路，在意识出现之前便已无意识地、自动地、毫不费力且几乎瞬间地完成了抽象概念的整合。

理解语义需要构建心智模拟

当我们试图理解前述的“They pushed him into running for president”（他们把他推向竞选总统）这样的句子时，我们的脑中正在不自知地构建出一个个心智模拟。

2006年杰罗姆·费尔德曼（Jerome Feldman）在《从分子到隐喻：语言的神经理论》（From Molecule to Metaphor: A Neural Theory of Language ）一书指出，要理解“Sara walked into the café”这个句子，你至少必须能够想象“走进一家咖啡馆”是什么样子。简而言之，理解语义需要依赖于模拟。这种模拟包含以下内容：

首先，你需要在想象中模拟“走路”这一动作：通过双腿以适当的方式交替移动，推动身体向前行进。这种行走方式在运动模式上与跳跃、跳舞、奔跑、跛行、拖步、踉跄、倒走，月球漫步等有所不同。要想象性地模拟行走，你必须知道“向前”是什么意思，并在脑海中设想一个正常的人体，其面部朝向与正常运动方向一致。此外还有更多要素：

• 在句子“Sara walked to the café”（萨拉走到了咖啡馆）中，“to”表示行走的目标。该句表明她到达了咖啡馆，但并未说明她进入了内部。

• 在句子“Sara is in the café”（萨拉在咖啡馆里）中，表示她在咖啡馆内部，即存在“容纳”关系，但没有涉及运动过程。

• 而在“Sara walked into the café”（萨拉走进了咖啡馆）中，则同时包含了“运动”和“容纳”两个概念。咖啡馆是一个有边界的区域。如果她“走进”了咖啡馆，就意味着她从外部开始，穿过由门构成的边界，最终到达内部。因此，“运动”和“容纳”在此被整合在一起。

因此，理解这个句子的心智模拟，需要一个复杂的神经网络来模拟行走过程，包括与腿部相关的具身连接，一个包含起点、路径和目标的运动图式，以及一个包含内部、外部、边界和门户的容器图式，并将运动的起点与外部绑定、将运动的目标与内部绑定、将运动的路径与门户绑定。

此外，还有“咖啡馆框架”（café frame）。在典型情况下，咖啡馆是在一个设有桌椅的场所提供咖啡及配套食物的地方。这个框架整合了“商业框架”和“餐饮服务框架”，并将商业中的“顾客”与餐饮服务中的“食物消费者”进行神经绑定。

所有这些内容几乎在句子结束后的半秒内就被理解了。然而，这一模拟是动态的，它利用了用于行走的神经网络，并模拟了从咖啡馆外部移动到内部的过程。这种想象模拟可能会保留所模拟情境的时间顺序，但实际模拟的内容可能持续更长时间（例如，“萨拉走过了金门大桥”），也可能更短（例如，“钠离子进入了神经元的细胞体”）。

在fSCN中，以上所有内容都属于人类的心智模拟。概念隐喻也是人类模拟的一部分。例如，在理解句子“Sara told me a story”（萨拉给我讲了一个故事）时，我们使用了“容器隐喻”（conduit metaphor）。我们将这个故事理解为起源于萨拉，并通过她的言语传递给我，同时我们推断出我听到了这个故事。

此外，在句子“Cancer took Chuck from us”（癌症把查克从我们身边夺走了）中，我们同时整合了三个隐喻：

1. 生命即存在，死亡即离去：活着意味着“在这里”，而死亡则意味着“离开”，不再在此处。

2. 被珍视的人即珍贵的拥有物：一个被珍视的活人可以被隐喻性地理解为一种有价值的财产。当他去世时，我们可以说“失去了他”或“他被从我们身边带走了”。

3. 致死现象即致死之人：导致死亡的现象常被隐喻性地视为一个导致死亡的“人”。在这个句子中，导致死亡的现象是癌症，它被拟人化为动词“took”（夺走）的主语。

在fSCN中，这是一种由整合回路实现的概念整合。该回路在神经层面将这三个隐喻整合在一起，创造出一个同时由这三个隐喻共同结构化的想象模拟，并让我们能够瞬间且毫不费力地理解其含义。

将fSCN应用来解释

幻觉这个概念带来的歧义

之前的章节，挂一漏万地介绍了fSCN这一理论框架中的几个关键组成部分，为方便读者理解，对节选的部分原文进行了编译。《神经心智》这本书是一本读起来感觉有些碎片化的书，也许是由于是两位不同背景的作者合著，书中的用以解释的例子，用于支撑的证据和作者提出的理论框架如同一碗浓稠的八宝粥，混在一起。全书分为四章，前两章多是讲述现象，用以帮助读者建立诸如具身认知，概念隐喻，概念整合的映像；第三章详述打通认知所需的硬件（神经元、神经回路）与软件（隐喻、组合）的理论框架fSCN，是笔者认为该书最精彩的部分；而第四章是fSCN的应用，主要是解释语言中诸如语法、词汇等现象。

关于上述理论的应用，笔者尝试用一个例子，来自上而下的进行讲解。

试想当我们说“幻觉”这个词的时候，我们大脑中发生了那些变化。首先是为幻觉这一概念构建了模拟，例如镜花水月、海市蜃楼等。这一概念同时需要整合多个神经回路，涉及先后过程，例如看到远处栩栩如生的图像，走近后却消失最终无法触摸。这样的过程决定了，如果是你看到哈哈镜中失真的影像，一下认出是假的，那这不能称为幻觉。而将上述一个看得见摸不到的事物视作幻觉，这本身就是一种隐喻。至于最底层，幻觉对应隐喻故事中的每一个神经元的放电，都促成了我们对幻觉这一概念对理解，如果我们阅读时心不在焉，或是不熟悉海市蜃楼这类故事，那我们就无法理解大模型出现幻觉意味着什么。

同时，认知的具身性也意味着，如果某人将幻觉理解成黄粱一梦，另一人将幻觉理解为望山跑死马，那从这两个隐喻出发，讨论大模型的幻觉，也会有不同的侧重和偏差。举例来说，如果大模型在严肃讨论的语境下说出明显荒谬的结论，这种情况按照上述的讨论，就不会被称之为幻觉，这时的幻觉对应的是黄粱一梦的具象解释。海市蜃楼下对应的幻觉，是那些看起来是真的但实际上却被证伪的信息。而望山跑死马对应的是大模型对自身的能力过于自信[1]。由此可以解释，一个词汇可以包含多个含义，上述的幻觉的具身模拟分别各有侧重，而更精细的区分，将有助于我们对相关问题进行更精准，更高效地讨论。

前文是以幻觉的理解过程为例，自上而下地讨论何为幻觉。反过来，也可以用fSCN来阐述幻觉的产生过程。在神经元的层面，原本不该同步激活的神经元，由于某些原因同时点亮。这些代表的一个个具身概念，通过隐喻被映射到抽象的概念中。再对神经元经过整合与递归，呈现出包含多个事物和关系的集合。集合中的每个元素都是真实的，但其组合在给定的条件下就不是真实的，而这样的组合若能通过心智模拟，最终就能呈现为语言。或许正是由于我们对认知过程中，每一个具身概念都需要被隐喻回路映射，并需要被视为一种模拟，而在模拟过程中不符合现有认知框架的部分会被抑制，才使得我们人类不像大模型那样，动不动满嘴跑火车。而对比当下大模型可解释性的可视化方案，也可看出当下的神经网络，和该书提到的fSCN模型的差异所在。

感谢Auroras对初稿的宝贵建议！

[1] Sun, F., Li, N., Wang, K., & Goette, L. (2025). Large Language Models are overconfident and amplify human bias. ArXiv.org. https://arxiv.org/abs/2505.02151

关于追问nextquestion

天桥脑科学研究院旗下科学媒体，旨在以科学追问为纽带，深入探究人工智能与人类智能相互融合与促进，不断探索科学的边界。欢迎评论区留言，或后台留言“社群”即可加入社群与我们互动。您也可以在后台提问，我们将基于追问知识库为你做出智能回复哦~

关于天桥脑科学研究院

天桥脑科学研究院（Tianqiao and Chrissy Chen Institute）是由陈天桥、雒芊芊夫妇出资10亿美元创建的世界最大私人脑科学研究机构之一，围绕全球化、跨学科和青年科学家三大重点，支持脑科学研究，造福人类。

Chen Institute与华山医院、上海市精神卫生中心设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了加州理工天桥神经科学研究院。

Chen Institute建成了支持脑科学和人工智能领域研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括、、、科研型临床医生奖励计划、、等。