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

语言与思维的关系，是一个延续数千年的问题。从哲学、语言学到认知科学，人们始终在争论：人类究竟是否依赖语言进行思考？

不少研究者认为，语言是思维的重要载体。毕竟，逻辑命题可以拆解为多个子成分，再按照层级关系组合成复杂的规则，这与自然语言的句法结构有着相似之处。

但 MIT 麦戈文脑科学研究所最新发表于 PNAS 的一项研究，为这一争论提供了新的证据。最近，由副教授 Evelina Fedorenko 领衔的研究发现，人脑进行逻辑推理时，负责语言处理的脑区并不会被激活；即使语言能力严重受损的患者，在逻辑推理任务中的表现也与健康人基本一致。换句话说，至少对于逻辑推理而言，语言和思维在大脑中似乎走的是两条相对独立的通路。

值得注意的是，这项研究的意义不局限于脑科学。随着大语言模型快速发展，“语言是否等于思维”也成为 AI 领域持续讨论的问题。研究发布后不久，图灵奖得主 Yann LeCun 也在社交媒体上转发了麦戈文脑科学研究所的成果。

长期以来，LeCun 一直认为，仅依赖文本训练的大语言模型学到的主要是语言模式，而非对现实世界的真正理解。相比继续扩大语言模型规模，他更主张发展具备世界模型（World Model）、规划和推理能力的新一代 AI 架构。因此，这项关于“语言系统并非人类逻辑推理基础”的研究，也与他长期倡导的技术路线形成了一定呼应。

（来源：UCLA）

研究做了什么

这项研究试图回答一个核心问题：人脑在进行逻辑推理时，是否需要调用语言系统？

MIT 博士后研究员、论文第一作者 Hope Kean 与 Evelina Fedorenko 认为，虽然人们高度依赖语言来表达推理过程：从提出问题到解释结论。但真正完成推理的，未必是语言系统，而可能是一套独立的神经机制。

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

她们的理由是，逻辑推理需要高度精确的规则运算，而自然语言本身往往存在歧义；此外，语言是沿着词语顺序线性展开的，而逻辑推理则常常需要在多个信息之间建立复杂的非线性关系。

为了验证这一假设，研究团队设计了两组实验。

第一组实验与 University College London（UCL）神经科学家 Rosemary Varley 团队合作，对象是两名因中风导致严重失语症的患者。他们的语言理解和表达能力均受到严重损伤。

研究人员刻意避开语言，设计了一系列完全依赖逻辑而非文字的推理任务。例如，参与者需要观察两组数字列表，找出其中隐藏的转换规则（如逆序排列、删除大于某个数的元素等），再将这一规则应用到新的数字序列；另一项任务则要求他们根据已有图案推断规律，补全矩阵。

结果十分明确：尽管语言能力严重受损，这两名患者在逻辑推理任务中的表现与健康对照组没有显著差异，甚至还能通过手势和草图准确表达自己发现的规则。正如 Kean 所说，这一结果“真正颠覆了那种认为没有语言能力就无法进行符号规则归纳的理论”。

由于失语症患者十分罕见，尤其是同时符合研究要求的病例更少，因此研究团队又进一步通过功能性磁共振成像（fMRI）对健康成年人进行了验证。

参与者需要在扫描仪中完成多项任务，包括与第一组实验类似的规则归纳游戏，以及经典的三段论推理（例如："如果球是红色的，那么它是大的；球是红色的；那么球大吗？"）。与此同时，研究团队还利用专门设计的实验，分别定位每位参与者大脑中的语言网络，以及负责复杂问题求解的"多需求网络"（multiple demand network）。基于这些脑成像数据，研究人员能够直接比较：人在进行语言处理和进行逻辑推理时，究竟调用的是不是同一套神经系统。

最终，脑成像结果进一步印证了前一组实验的发现：无论是归纳推理（发现隐藏规则）还是演绎推理（判断逻辑结论是否成立），语言网络都没有出现明显激活。

（来源：MIT）

更出乎研究团队意料的是，此前一直被认为承担逻辑推理的重要脑区——多需求网络，只在归纳推理任务中表现出显著活动，在演绎推理过程中却几乎没有参与。Kean 表示，这一现象仍有待进一步研究，也将成为团队下一步工作的重点。

越来越完整的证据链

事实上，这并不是 Fedorenko 实验室第一次得出类似结论。

过去几年，她的团队持续研究语言与高级认知之间的关系，并陆续发现，物体分类、社会推理等多种认知活动，同样不依赖语言系统。这项关于逻辑推理的新研究，则进一步补上了一块关键拼图：至少在人脑中，语言和推理似乎由彼此独立的神经系统承担。

就在这项研究发表前一周，Fedorenko 团队还在《神经科学杂志》（Journal of Neuroscience）发表了另一项大规模研究。研究团队对 772 名健康成年人进行了功能性磁共振成像（fMRI）扫描，绘制出迄今最完整的人脑语言网络图谱。结果显示，人脑中对语言具有选择性反应的区域共有 17 个，分布在额叶、颞叶、小脑和海马体等多个部位，但全部加起来仅占灰质总体积不到 4％，平均约 22 立方厘米。

（来源：jneurosci）

这一发现意味着，语言并没有像人们想象中那样“接管”整个大脑。考虑到人脑经历了数百万年的演化，而语言出现不过几万年，研究团队认为，语言更像是在既有神经系统之上新增的一套专门模块，而非整个认知系统的基础架构。

将两项研究放在一起看，可以一个共同的大结论：一方面，语言网络本身只是大脑中相对紧凑的一组功能区域；另一方面，人脑完成逻辑推理等高级认知任务时，也并不会依赖这一网络。这进一步支持了 Fedorenko 团队近年来不断提出的观点——语言是人类最重要的交流工具，但未必是思维本身的载体。

这一结论也具有现实意义。Fedorenko 强调，语言障碍并不等于智力障碍。许多失语症患者依然能够下棋、做数独、管理家庭财务，只是难以将自己的思考过程表达出来。然而在现实生活中，他们的语言困难常常被误解为思维能力下降。类似的误解，也发生在发育性语言障碍者、口吃者以及非母语使用者身上。

对 LLM 意味着什么？

但这项研究之所以引发 AI 领域关注，并不是因为它直接证明了大语言模型的局限，而是提出了一个更值得思考的问题。

今天的大语言模型几乎完全建立在文本之上：它们通过预测下一个 token 学习世界，以文本作为输入，也以文本作为输出。然而，它们却能够完成数学证明、代码生成、逻辑推理等一系列复杂任务。研究论文也提到，ChatGPT、Claude 等模型已经能够“令人信服地模拟某些类型的人类推理”。

但这项 MIT 研究表明，人脑完成这些推理时，真正参与计算的并不是语言系统。这意味着，人类与大语言模型可能正在沿着两条不同的路径实现相似的能力：一种依赖自然语言，另一种则建立在与语言相对独立的神经机制之上。

这一发现，也与近年来 AI 领域越来越受到关注的一种思路形成了呼应：语言未必是智能本身，而更像人与世界交互的接口。对于真正能够进入现实环境的 AI，仅依赖语言模型或许并不足够，还需要具备世界建模、规划和预测等能力。

类似的观点也出现在今年的 ICML 2026 上。AMI Labs 联合创始人 Pascal Fung 在主题演讲中表示，大语言模型只是通过人类留下的文本间接理解世界；对于真正需要进入现实环境的 AI 智能体，仅靠语言远远不够，还需要能够直接建模物理世界的世界模型。

不过，这项神经科学研究并不能据此否定大语言模型的发展路线。人脑的实现方式，并不一定就是机器实现智能的最优方式——正如飞机能够飞翔，却并不需要像鸟一样扇动翅膀。事实上，大语言模型在数学、代码和复杂推理基准上的能力仍在持续提升，它们是否已经在内部形成了一套不同于自然语言的抽象表示，目前仍是 AI 研究中的开放问题。

因此，这项研究真正提供的，或许不是一个关于 LLM 的结论，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，这片前沿同样值得继续探索。

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