美國貝勒醫學院、萊斯大學、加州大學柏克萊分校與德州兒童醫院組成跨機構團隊，於《Nature Neuroscience》發表突破性研究，揭示人類大腦處理口語詞彙的神經編碼機制。研究團隊招募 10 名正在接受癲癇監測的患者，透過暫時植入腦部的微型金屬線電極，精準記錄其在聆聽敘事故事時的單一神經元活動。
隨後，團隊將收集到的神經活動數據，與 GPT-2 等大型語言模型處理相同文本所產生的詞向量進行數學比對。結果顯示，詞彙意義並非儲存於單一腦細胞，而是以複雜的模式分散編碼於海馬迴的大量神經元中。更引人注目的是，這些神經元網路不僅編碼字面意義，更能捕捉詞義隨語境動態變化的細微資訊，尤其在處理「多義詞」（即同一詞彙擁有多重相關含義）時，呈現出與 AI 模型的「向量空間距離計算」高度相似的運算邏輯。此研究確立了「AI 模型可作為解碼人腦語言處理的可量化鏡像」，為神經科學與人工智慧的雙向賦能開啟全新典範。
本研究本質屬於純基礎科學探索與跨域技術融合典範，並不涉及傳統意義上的地緣政治角力或企業壟斷利益衝突，因此本文將聚焦於梳理神經科學與語言處理的歷史演進脈絡、解析其底層技術原理，並探討這項研究為何被視為典範轉移級別的突破。
一、語言神經科學的歷史脈絡
自 19 世紀布羅卡（Paul Broca）發現語言運動皮層、韋尼克（Carl Wernicke）發現語言理解皮層以來，神經科學界長期將語言處理視為「皮層專項分工」的結果。然而，這套「模組化」典範難以解釋語境理解、隱喻辨析等高階認知功能。海馬迴傳統被視為「記憶中樞」，其在語義處理中的核心角色直到近十年才逐漸浮上檯面，本次研究正是將這條幽微徑線推向主流的重大推進。
二、AI 模型作為「認知鏡像」的演進
GPT-2 等大型語言模型的核心機制在於「詞嵌入」（word embedding）——將詞彙映射至多維向量空間，使語義相近的詞彙在空間中彼此靠近。研究發現，當人腦聽到多義詞時，海馬迴神經元的激發模式會呈現類似 AI 向量空間的「語義位移」，這種跨域數學結構的相似性，暗示生物神經網路與人工神經網路可能共享某種底層的「語義幾何學」運算原理。
三、方法論的技術突破
本次研究能取得突破，關鍵在於「侵入式電極 + 大規模語言模型比對」的雙重突破。過去受限於 fMRI 等非侵入式工具的時間解析度與空間解析度，科學家難以捕捉毫秒級的神經元活動；GPT-2 等模型的出現，則提供了首個可量化、可對齊的「語義座標系」，讓跨域比對首次成為可能。
01 起因觸發：貝勒醫學院跨機構團隊發表神經元與 LLM 詞向量比對研究
02 一階傳導：神經科學界開始大規模採用 AI 模型作為認知研究工具
03 二階擴散：腦機介面、認知診療新創成為資本市場追捧熱點
04 三階共振：神經隱私、AI 意識倫理爭議進入公眾與法規討論議程
05 宏觀終局：「人腦-AI 雙向賦能」成為 21 世紀下半葉認知科學的新典範轉移核心驅動力
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
