Curr Biol揭示大脑如何利用额叶-基底节回路表征关系语义

一键关注，点亮星标 ⭐️ 前沿不走丢！

认知神经科学前沿文献分享

基本信息

Title:Mapping concept and relational semantic representation in the brain using large language models

发表时间：2026-02-24

发表期刊:Current Biology

影响因子：7.5

获取原文：

1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本

研究背景

人类感知世界并非只是孤立地识别物体，而是将其嵌入复杂的语义网络中，理解事物之间的关联。例如，当我们看到拖拉机和农场时，大脑不仅识别出这两个概念，还会自动提取它们之间存在的使用或所属关系。尽管认知神经科学在概念表征领域已取得丰硕成果，明确了腹侧流等区域在物体识别中的作用，但大脑如何在独立于具体概念的基础上编码抽象关系，始终是一个未竟之谜。

以往的研究往往难以将关系信息从其承载的概念背景中彻底剥离，导致关系表征的神经定位模糊不清。本研究的创新动机在于利用当代大语言模型（LLM）强大的上下文处理能力，将LLM的内部激活状态转化为计算模型，以此作为解析人类大脑语义结构的精准标尺。通过对比人类在处理孤立物体与复杂场景关系时的神经活动差异，作者试图绘制出一幅从单一概念到多维关系的动态神经图谱。

实验设计与方法逻辑

为了解决概念与关系表征混淆的问题，本研究设计了一套结合计算建模与功能磁共振成像（fMRI）的精密范式。研究者首先选取了Llama 3.2-3B模型，利用其残差流中的内部激活生成语义嵌入向量。

实验分为两个阶段：第一阶段验证LLM在处理孤立概念语义上的有效性，通过支持向量机（SVM）预测人类报告的物体特征；第二阶段则是本研究的核心，研究者设计了一系列场景-物体配对（如农场-拖拉机），并要求参与者在fMRI扫描过程中评价物体出现在该场景中的可能性。为了提炼纯粹的关系语义，研究者采用了一种独特的向量减法逻辑：从场景-物体的混合嵌入中减去各自独立的概念向量，从而获得不含物体信息的纯关系嵌入。随后，利用代表性相似分析（RSA）将这些计算模型与fMRI记录到的神经活动模式进行匹配，并进一步通过相关分析将神经表征强度与参与者的行为决策（规范拟合度）联系起来。

核心发现

发现一：当代大语言模型在语义表征能力上显著优于传统模型

研究发现，相比于传统的Word2vec或早期Transformer模型（如BERT），Llama 3.2-3B生成的嵌入向量能够更精准地预测人类对物体特征的描述以及对场景-物体相关性的主观评判。

Figure 1. Representation of isolated item semantics by LLMs，Figure 1B展示了Llama模型在50种物体特征分类任务中展现出极高的准确率，显著超越对比模型；

Figure 3. Representation of relational semantics by LLMs. Figure 3B则通过岭回归分析证实，LLM嵌入能解释71%的人类主观可能性评分差异，为后续神经分析奠定了坚实的计算基础。

发现二：大脑在解剖层面上实现了概念表征与关系表征的显著分离

神经影像结果显示，枕叶和下颞叶等腹侧流区域专门负责编码孤立的概念信息，而前额叶（PFC）和基底节（BG）则表现出相反的特性：它们几乎不表征概念，却对物体间的逻辑关系有着极强的编码能力。

Figure 6. Relational semantics RSA. Figure 6B与6D清晰展示了这种功能解剖的分离效应。在Figure 6D的对比图中，蓝色区域（腹侧流）标志着概念表征的优势区，而橙红色区域（背外侧前额叶及基底节）则在关系表征中占据主导地位，证明了高级认知区域在处理抽象逻辑联系中的核心地位。

发现三：顶叶脑区在语义加工中起到了概念与关系的桥梁作用

研究观察到，内侧和外侧顶叶结构（如角回和回顾皮层）不仅编码物体和场景的概念信息，同时也强烈表征它们之间的关系信息，其地位介于感官驱动的腹侧流和抽象逻辑驱动的前额叶之间。

Figure 2. Single-concept semantics RSA. 通过对比可以发现，顶叶区域在两类RSA分析中均表现出显著的激活与相关性，这支持了顶叶作为多模态语义中心，负责将感官概念整合为复杂关系表征的理论假设。

发现四：神经表征的强度直接预测了个体的认知决策表现

进一步分析发现，参与者在进行场景-物体匹配判断时，其大脑前额叶、顶叶及基底节中关系嵌入的表征强度越高，其判断结果就越符合群体常模。

Figure 7. Prediction of task performance (normative fit) from relational representation. 该图展示了神经表征强度与行为规范拟合度之间的显著正相关，揭示了大脑对关系的精确编码不仅是静态的存储，更是驱动人类进行合理语义推理和决策的神经动力源。

省流总结

本研究利用大语言模型的内部表征作为工具，成功解析了人类大脑如何组织和处理语义信息。研究证明，大脑对世界的理解被划分为两个平行的路径：腹侧流负责识别是什么（概念），而前额叶与基底节负责理解怎么联系（关系），顶叶则在两者之间架起桥梁。这种机制使得我们能够超越单纯的物体识别，进行复杂的逻辑推理。研究不仅展示了AI模型在模拟人类认知方面的强大潜力，也为理解执行功能和语义障碍提供了新的神经解剖学视角。

既然大脑中存在专门处理关系而非物体的独立回路，这是否意味着在未来的AI开发中，我们也应该模仿这种前额叶-基底节的门控机制，来提升大模型的逻辑推理性能，而非仅仅堆砌更多的概念训练数据？

请打分

这篇刚刚登上Current Biology的研究，是否实至名归？我们邀请您作为“云审稿人”，一同品鉴。精读全文后，欢迎在匿名投票中打分，并在评论区分享您的深度见解。

分享人：天天

审核：PsyBrain 脑心前沿编辑部

你好，这里是「PsyBrain 脑心前沿」

专注追踪全球认知神经科学的最尖端突破

视野直击 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊与顶级大刊

每日速递「深度解读」与「前沿快讯」，为你打破信息差

科研是一场探索未知的长跑，但你无需独行。欢迎志同道合的你加入PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

点击卡片进群，欢迎你的到来

一键分享，让更多人了解前沿