研究发现：大模型自发形成类人脑模块化认知架构

一项发表于 arXiv 的研究指出，大语言模型（LLM）在经过大规模优化训练后，会自发涌现出与人脑高度相似的「模块化认知架构」。该研究横跨语言、形式推理、社会推理与物理推理四大认知领域，系统检验了人工神经网络是否会复制生物大脑的功能分化模式。

研究背景：模块化是智能的必然属性吗？

人类大脑在功能上呈现出明显的模块化特征——语言加工、形式逻辑、心理解读、物理因果推理分别由不同的神经回路负责。这种组织方式究竟是智能系统必须遵循的基本原则，还是生物进化特有的偶然产物？研究团队以 LLM 为切入点，将大模型视为「通过与生物进化截然不同的优化过程产生的另一类智能系统」，检验其内部表征是否也会出现类似的模块化结构。

实验方法：跨 46 项任务的电路分析

研究团队采用了**电路分析（circuit analyses）**方法，对 LLM 在 N=46 项任务上的内部激活模式进行细粒度拆解，覆盖以下四个认知领域：

• 语言任务
• 形式推理任务
• 社会推理（关于他人心智的推理）任务
• 物理世界推理任务

通过识别在不同任务中被激活的具体神经元子集，研究者得以勾勒出模型内部的「功能网络」分布。

核心发现：人脑与 LLM 的趋同演化

实验结果显示，LLM 内部确实形成了清晰的模块化架构，并且该架构与人类大脑的功能分区存在显著对应关系：

• 在人脑中调用同一网络的任务，在 LLM 中倾向于激活重叠的神经元集合；
• 在人脑中调用不同网络的任务，在 LLM 中则激活显著不同的神经元集合。

这一结果表明，尽管生物大脑与人工神经网络的优化路径完全不同，但模块化作为功能分化的组织原则，可能具有跨系统的普适性。

研究意义与未解问题

研究者指出，这一趋同现象暗示「模块化或许是智能系统的基本属性之一」。该结论为以下方向提供了新的研究空间：

• 可解释性研究：通过人脑功能分区的先验知识，预测并定位 LLM 内部的特定功能模块；
• 模型架构设计：是否可以通过显式引入模块化约束来提升训练效率与泛化能力；
• 类比与本质之争：模块化究竟是高效计算的一般解，还是多种实现路径下的共同收敛点。

目前该成果以预印本形式发布于 arXiv（编号 2608.13567v1），尚未经过同行评审，论文后续将公开完整的任务集、神经元识别流程与跨模型对比结果。