《Cognitive Neurodynamics》：Linguistics and human brain: a perspective of computational neuroscience
阐明语言与大脑的关系需要弥合语言学抽象理论框架与神经科学实证神经数据之间的方法论鸿沟。作为跨学科基石，计算神经科学通过建模、仿真与数据分析，将语言的层级与动态结构形式化为可检验的神经表征模型，从而实现语言学假说与神经机制之间的计算性对话。深度学习的最新进展，尤其是大语言模型（Large Language Models, LLMs），进一步推动了这一探索：其高维表征空间为探究语言处理的神经基础提供了新的尺度，模型-脑对齐（model–brain alignment）框架为评估语言相关理论的生物合理性提供了原则性方法，前提是表征对应性需结合行为、时间、因果及生物学约束共同解释。本综述从计算神经科学视角系统梳理跨学科进展。首先，概述主要语言学框架（生成语法、功能语言学、认知语言学）的核心内涵、跨文化及演化特征，以及神经对齐面临的关键挑战，包括量化机制有限、抽象构念难以被神经测量手段捕捉、对动态性与可塑性的刻画不足。其次，介绍语言学-神经科学对话的方法论基础，聚焦四大技术支柱：神经活动测量（如功能性磁共振成像（functional Magnetic Resonance Imaging, fMRI）、脑电图（Electroencephalography, EEG）、脑磁图（Magnetoencephalography, MEG）、功能性近红外光谱（functional Near-Infrared Spectroscopy, fNIRS）、皮层脑电图（Electrocorticography, ECoG）、立体定向脑电图（Stereo-Electroencephalography, SEEG））、语言数值表征、语言模型从统计方法到LLMs的演进，以及连接模型表征与脑信号的神经编码框架，并通过模型-脑对齐案例进行说明。第三，总结主要研究发现，涵盖早期关于可预测性与结构处理的计算洞见，以及近期LLMs驱动的跨模态交互、脑间耦合、层级计算、学习策略敏感性及语言可塑性等方面的进展。最后，讨论当前局限——包括功能对齐缺乏结构同源性、实时验证受限、研究覆盖偏差及评价指标狭窄，并提出未来方向，例如探索基于脉冲神经网络（Spiking Neural Network, SNN）的语言模型能否在需要时间精确与事件驱动神经建模的场景中提升生物合理性，开发整合记忆、因果性与元认知的认知层面对齐框架，以及拓展临床应用。综上，本研究旨在推进对语言-脑关系的全面、机制性理解，并促进计算神经科学成为可检验的语言神经计算解释的生成性理论框架。
引言
语言被概念化为多层抽象符号系统，涵盖从语音（音系学与语音学）到构词（形态学）、句法结构（句法学）及意义（语义学）等既独立又相互关联的结构。其通过有限离散元素与组合规则生成无限表达，实现意义的灵活精准传递，这一特性被称为递归性。语言学致力于形式化这些内隐规则与结构，以揭示人类语言能力背后的认知架构。神经科学则探究大脑回路中协调的神经活动如何支持语言产生与理解。然而，跨学科挑战源于两领域在方法论与解释层面的鸿沟：抽象语言学理论常以符号化层级系统形式呈现，难以直接映射至神经影像或电生理观测到的动态分布式神经活动模式；反之，单纯神经数据常缺乏解释语言结构化、规则驱动特性的计算可解释性。更深层的困难在于神经系统本身的复杂性：语言神经系统是复杂、自适应、动态的网络，由数十亿神经元构成，具有复杂的连接性与持续演化的可塑性。该网络通过层级、并行与循环交互处理语言信息，受双向跨区域连接支持，并受语境与任务需求动态调控。从数学与系统科学角度，此类系统属于自适应复杂动力系统，其全局行为无法还原为局部部分之和，常表现出非线性、自组织与涌现特性。因此，单纯语言学模型或孤立神经观测均无法完全解释人类语言处理的整合机制。计算神经科学作为解码神经机制的基础学科，是连接语言学与神经科学的关键桥梁，其整合多学科知识，将形式化语言学假说转化为可检验的计算模型，并利用脑成像与电生理证据进行验证或修正。自生成语言学提出语言能力的神经基础以来，计算建模已成为评估语言学理论神经合理性的核心工具。近年来，深度学习与大语言模型的进展进一步加速了这一融合：研究人员可在高维表征空间内探索语言结构及其与脑网络的对应关系。LLMs为考察语义整合、长距离依赖与预测加工等现代语言现象提供了计算平台，并支撑新兴的模型-脑对齐框架，即利用模型内部表征预测并解释语言处理过程中的神经反应。需注意，此类预测性对齐应被解释为LLMs捕捉到了与人类语言处理相关的表征维度的证据，而更强的机制性主张仍需行为、时间、因果及生物学证据的支撑。本文系统综述计算神经科学如何作为语言学与神经科学的方法论桥梁，后续章节依次展开。
理论语言学基础
现代语言学理论为描述语言结构与功能提供了清晰框架，但面对跨文化语言多样性、日常语言使用的动态性及脑科学新证据时，其解释力仍显局限。生成语法、功能语言学与认知语言学是三大主流理论框架。生成语法以乔姆斯基为代表，主张语言能力是人类认知系统的先天生物基础，提出普遍语法假说，认为儿童在刺激贫乏条件下仍能习得复杂语法，证明存在内在约束的领域特异性语法原则。其区分深层结构（抽象句法关系）与表层结构（可观测语言形式），后期发展的最简方案进一步将语言学理论简化为以合并（Merge）为核心操作的最小核心计算集，以提升认知与生物合理性。然而，这些高度抽象的形式化构念难以映射至具体可观测的神经活动模式。功能语言学将语言视为社会交际系统，认为语言结构受交际需求与语境因素塑造。系统功能语言学是其重要分支，提出语言同时实现概念元功能（构建经验）、人际元功能（实施社会关系）与语篇元功能（组织话语）。该框架虽在话语分析等领域影响深远，但其对使用、语境与意义的强调使其难以严格形式化，进而阻碍其与神经过程的直接机制性关联。认知语言学否定语言是先天独立认知模块的观点，主张语言根植于并涌现自分类、隐喻映射与心理模拟等一般认知过程。概念隐喻理论认为抽象领域通过系统性映射到具体具身经验得以理解，语法结构常反映底层概念表征；具身认知理论进一步提出语言理解内在依赖于感觉运动经验的再激活与动态心理模拟。尽管该视角统一解释了语言与认知，但概念隐喻、心理模拟等核心构念难以操作化与量化，限制了其生成可直接与神经数据比对的可检验预测的能力。三大框架分别对应不同的语言计算组织与神经实现假说：生成语法预测神经语言系统应对层级句法关系、递归及超越表层序列统计的长距离依赖敏感；功能语言学预测语言相关神经活动应受交际目标、话语语境、语用需求及说话者-听者交互的强烈调制；认知语言学则预测语义理解涉及感知、动作、情感、记忆与概念模拟等多模态神经表征。这些差异直接影响计算神经科学研究：生成语言学需验证形式句法层级能否解释超出词汇可预测性与语义相似性的神经变异；功能语言学需检验语篇、语用与交互变量能否提升自然交际中神经反应的预测力；认知语言学需验证具身、感觉运动或多模态特征能否改善语义理解时的神经活动对齐。核心问题在于哪些理论构念可被操作化为计算变量并接受神经数据的检验。
语言学理论的跨文化演化
全球数千种语言在结构与表达上呈现显著多样性，这推动着语言学理论的修订，也凸显了构建统一解释框架的挑战。早期生成语法主要基于少数语言发展，虽引入参数设定机制解释类型学变异，但对结构高度复杂或非印欧语系语言的解释力仍存争议，表明有限参数可能不足以捕捉语言多样性的全貌。功能语言学将跨语言变异置于交际与文化语境中考察，敬语系统、语境依赖表达及话语差异被视为语法分析的核心对象，但这使其难以提炼普适性原则。认知语言学关注普遍具身经验与文化特定概念化之间的交互，许多空间与情感隐喻具有跨语言共性，但空间参照、颜色分类与亲属术语等领域存在显著文化特异性。这种共性与多样性的并存表明语言同时受生物约束与文化经验的塑造。跨语言研究进一步揭示，语言结构既反映共享认知基础，也体现文化历史积淀。以发展性阅读障碍的跨文字系统研究为例，拼音文字与表意文字系统中的阅读损伤涉及部分不同的神经回路，说明阅读障碍的神经相关既受普遍约束，也受书写系统特异性适应的影响。这对模型-脑对齐研究具有重要启示：若对齐研究仅基于少数高资源语言，将难以区分观察到的对应关系反映的是人类语言处理的普遍原则，还是特定语言类型、书写系统或社会文化语境的属性。类型学多样性不仅是语言学的理论议题，也是评估语言-脑关系计算解释适用范围与普适性的必要条件。近年多语言神经影像资源为检验这一问题提供了可能，基于可比叙事材料的多语言自然主义fMRI数据集，使得研究者能够考察神经语言表征是跨语言共享，还是受特定语言形态句法与书写系统属性的塑造。跨语言脑解码则为检验语义与句法表征是语言通用还是语言特异提供了计算框架。
现代语言学理论的挑战
语言学理论的差异也明确了神经对齐的难点：各框架强调不同的解释变量，但这些变量在形式化、量化及与可测神经信号关联的难易程度上存在显著差异。当前挑战主要包括六方面：一是缺乏显式量化机制，多数语言与认知研究停留在现象描述与定性解释层面，语言处理的底层计算机制常未明确界定，例如N400事件相关电位虽被广泛观察到且振幅受语境信息调制，但其背后的预测与整合计算如何在神经回路中实现仍缺乏具体说明。二是研究局限于特定语言现象，高度控制的实验设计虽保障可靠性，但多聚焦于去语境化或局部语言现象，难以推广至自然语言使用的丰富性与变异性；且语言学关注精细结构区分，神经科学侧重脑区功能组织，研究尺度的错位进一步限制了生态效度。三是难以形成统一解释框架，碎片化研究发现难以整合为大脑如何增量构建完整句子意义的连贯解释。四是抽象语言学构念难以映射至神经测量，递归、题元角色、概念隐喻等核心概念缺乏清晰操作定义，且神经活动分布于大规模网络而非单一脑区，阻碍了简单的一一映射。五是缺乏对跨语言差异的统一解释，关于结构差异源于先天机制还是文化学习与经验的争论，使得神经影像研究难以确定加工差异反映的是生物倾向还是经验适应。六是解释语言处理动态性与可塑性的能力不足，主流理论多基于静态句子分析，难以解释实时预测、语境更新及社会交互等自然交际过程，也无法统一解释语言习得、二语学习及脑损伤后恢复中的可塑性现象。综上，抽象语言学理论不足以直接建立语言与神经机制的关联，需将语言学构念转化为可计算模型，并结合神经数据进行定量检验。计算神经科学正为此提供了关键平台，推动语言研究从描述性解释向机制性解释转变。
面向语言学的计算神经科学方法
计算神经科学提供了一套连接形式化语言学理论与实证神经数据的方法论工具，将抽象语言结构转化为可与神经活动定量比较的计算表征。计算神经科学采用模块化、可组合的建模策略，模型评估强调对神经数据的解释力与预测力、形式简洁性及生成可检验假说的能力。传统建模可分为三类：描述性模型，用于量化观测神经活动，包括尖峰序列统计与群体解码方法；规范理论，通过功能优化原则（如高效编码与贝叶斯推断）解释神经计算；生物仿真模型，旨在不同生物细节水平上复现神经结构与动力学。深度学习模型特别是LLMs的出现挑战了这一传统分类：LLMs并非为拟合神经数据或遵循生物约束而设计，但其与人类语言行为、表征结构及神经反应的强对应关系，使其成为独特的中尺度计算参考框架。这推动了多尺度整合新框架的发展：LLMs在计算层面刻画语言结构，算法层面引入认知可解释性，实现层面逐步纳入生物约束。研究方法论由此从拟合神经数据转向建立表达性计算模型与神经生物学机制的原则性连接。
语言任务下的脑活动测量
检验语言学理论需要可靠测量语言处理期间的神经活动，研究采用多种技术手段在不同空间、时间与表征尺度上捕捉神经响应。功能性磁共振成像（fMRI）基于血氧水平依赖（Blood Oxygen Level–Dependent, BOLD）效应，具有高空间分辨率，可精确定位参与语言处理的皮层与皮层下区域，包括左侧裂周区（布洛卡区、韦尼克区、缘上回、角回）及尾状核、丘脑等，但时间分辨率低（BOLD响应延迟约4–8秒），难以捕捉毫秒级语义整合过程，且信号为血流动力学变化的间接指标。脑电图（EEG）通过头皮电极阵列记录大群神经元同步放电产生的微弱电场波动，具有毫秒级时间分辨率，可精确追踪语言处理中的快速神经动态，包括语义与句法相关响应，但空间定位性差，难以精确定位神经源。事件相关电位（Event-Related Potential, ERP）是EEG的重要分析手段，通过锁时叠加提取刺激相关神经响应，其中N400与P600是研究最广泛的成分，分别关联语义处理与句法处理。脑磁图（MEG）测量神经元电流产生的微弱磁场，时间分辨率达毫秒级，空间定位优于EEG，因磁场受颅骨与头皮组织畸变较小，但对径向源不敏感，且源定位仍为不适定逆问题。功能性近红外光谱（fNIRS）通过近红外光吸收变化间接推断神经活动，设备便携，无需屏蔽环境，适用于婴幼儿、患者及包含明显言语动作的任务，但空间分辨率低于fMRI，穿透深度有限，难以测量皮层下结构。皮层脑电图（ECoG）通过手术植入的硬膜下电极栅直接记录皮层表面电位，信号幅度高，时空分辨率优异，可解析语言处理的精细区域动态，但为有创技术，仅适用于临床患者。立体定向脑电图（SEEG）通过立体定向植入的深度电极记录深部脑结构与皮层沟回活动，提供三维空间的神经动态信息，尤其适用于语言控制、语义记忆与语用整合相关网络的映射，同样受限于临床应用场景。此外，微电极记录的单个与多个神经元活动虽罕见，但为评估脉冲神经网络等模型提供了最直接的电生理尺度证据。
词嵌入
词嵌入（分布式词表征）是自然语言处理与神经语言机制计算研究的基础工具，其核心思想是将离散词语映射至连续高维向量空间，语义相似性通过向量间的几何关系反映。词嵌入基于分布假说，即词义源于语境使用模式，主要分为两类：静态嵌入模型（如Word2Vec、GloVe）生成固定向量，捕捉语义相似性与类比关系；上下文相关嵌入由Transformer架构预训练语言模型产生，可动态生成依赖语境的表征，解决一词多义问题。为表征短语、句子与语篇等复杂结构，现有方法包括简单算术组合（如词向量平均）、结构化组合（如张量积表征）及任务驱动的动态表征方法。词嵌入在连接计算语言学与神经语言学、为语言模型提供数值输入基础、以及指导复杂语言结构的神经表征研究方面发挥核心作用。脑成像研究表明，嵌入空间的相似性常与fMRI、MEG测量的神经活动模式对应，验证了分布式表征原理与大脑语义表征的一致性。
演进中的语言模型
语言模型是计算神经科学与语言学交叉领域的核心工具，通过学习大规模文本语料库的统计规律，提取潜在语义与句法信息。其发展经历了从统计方法到神经架构的演进：n元语法（n-gram）模型基于固定长度前序词的共现统计预测后续词，计算简单但无法建模层级结构与长距离依赖；概率上下文无关文法（Probabilistic Context-Free Grammars, PCFG）显式建模层级句法结构，但泛化能力有限；循环神经网络（Recurrent Neural Networks, RNNs）及其变体长短期记忆网络（Long Short-Term Memory, LSTM）通过隐藏状态的序列更新捕捉语境依赖，适合建模在线语言理解与预测，是连接早期统计模型与现代Transformer架构的重要桥梁；Transformer架构通过注意力机制实现序列元素的全局交互，支持并行计算与长程依赖建模，为现代LLMs奠定了技术基础；预训练大语言模型（Pre-trained LLMs）采用大规模自监督预训练与下游任务微调的两阶段范式，在语言理解与生成上显著超越早期模型。当前LLMs可分为自回归模型（如GPT系列）、自编码预训练模型（如BERT及其变体）、编码器-解码器混合模型（如T5、mT5）及多模态超大模型（如Gemini系列），分别适用于文本生成、语义理解、跨模态推理等不同场景。
神经编码
神经编码、神经解码与表征相似性分析（Representational Similarity Analysis, RSA）是连接计算模型与语言神经机制的核心分析框架。神经编码通过统计或机器学习模型构建刺激表征与神经响应之间的映射，常用回归或浅层神经网络训练模型，以预测未见刺激的脑活动，预测精度越高表明模型表征与神经机制的对齐度越好。RSA则通过比较模型衍生特征与神经活动模式在共享刺激集上的表征相异矩阵（Representational Dissimilarity Matrices, RDMs），评估表征几何结构的对应关系，无需假设模型单元与神经信号的一一映射。神经编码不仅为评估语言模型的生物合理性提供了量化标准（超越困惑度等行为指标），也为检验LLMs内部表征是否匹配人脑机制提供了关键工具。需注意，表征对齐不等同于完全的机制等价，高神经预测性或表征相似性仅表明模型捕捉到了与脑语言处理相关的信息维度，其机制性解释需结合行为证据、时间动态、因果扰动及与简单基线模型的对比。
计算神经科学中的模型-脑对齐工作流
上述方法构成集成框架而非孤立组件。典型对齐研究流程包括：神经数据采集，如被试在fMRI扫描中阅读句子，记录全脑BOLD响应；计算表征提取，将相同句子输入预训练LLM，提取不同Transformer层的激活向量作为候选表征；模型-脑映射，将数据分为训练集与测试集，针对选定感兴趣区（Region of Interest, ROI）训练回归型编码模型，在测试集上评估预测准确性（如皮尔逊相关系数r）；对齐解释，较高预测精度表明在测试刺激与任务条件下模型表征与神经活动的对应性更强，但机制性解释需验证效应是否跨任务泛化、能否抵御适当控制模型，并与行为及时序证据汇聚。通过比较不同层的对齐效果，可识别哪一层级表征最匹配特定脑区，例如中间层与语义区的强对齐提示该层捕捉到了神经处理相关的语义信息。
语言-脑计算研究的基础洞见与框架转变
早期模型对可预测性与结构特征的探索
早期语言-脑关系研究聚焦于可预测性、序列与结构信息及神经编解码框架，将语言理解概念化为在线、随时间展开的过程。n元语法等序列模型通过词惊喜度（surprisal）预测神经响应，发现惊喜度可靠调制N400等神经成分，支持预测机制在理解中的持续作用。后续研究引入短语结构语法与递归句法模型，证实层级信息能独特解释EEG与fMRI响应，表明人类语言处理同时整合局部词汇统计与抽象结构依赖。神经编码框架的兴起使得系统比较不同语言学模型成为可能，词汇语义、句法结构与语义更新过程均被发现贡献于模型-脑对应。互补的解码框架则从神经活动模式中分类识别语言刺激，证实语音、词汇与语义信息可从皮层活动中可靠解码。N400成分的建模研究表明，惊喜度、语义相似性与语义更新指标可独立或互补地影响其振幅，反映语言处理中预测与整合的联合作用。这些早期研究确立了RNN等循环模型在语言-脑计算研究中的过渡地位，其增量更新的内部状态特性契合了时序神经数据与在线理解建模的需求。
音系处理与言语动态
音系与言语处理是语言-脑计算研究中相对独立的基础维度，其紧密耦合于言语的时间展开特性，连接连续声学输入与语音分类、音系表征、词汇提取及发音规划。EEG、MEG等高时间分辨率技术可追踪从言语输入到音系与词汇表征的快速转换，颅内记录如ECoG则提供了更精细的音素编码与发音规划信息，fMRI则辅助定位言语处理的广泛皮层系统。早期自然言语知觉研究表明，神经响应可由时间展开的言语特征预测，解码研究证实可从言语加工的皮层活动中恢复语音、词汇与语义信息。相比之下，当前对齐研究多集中于文本基LLMs，对扎根于连续言语输入的音系表征关注不足。加强该方向研究有助于将音系处理更清晰地纳入计算神经科学议程，弥补当前以文本与高层语义为中心的模型-脑对齐研究的不足。
LLM驱动的神经对齐框架
LLMs的涌现极大加速了语言学、神经科学与人工智能的交叉研究。大规模自监督预训练使模型能捕捉广泛的句法、语义与语言使用模式，深度神经架构则提供了整合长程语境信息的分布式表征。LLMs在歧义消解、指代理解等任务上的表现接近或超越人类基准，成为探究语言认知计算特性的重要工具。更重要的是，LLMs提供了连接语言输入、行为结果与神经响应的显式表征系统。近年研究系统比较LLMs的层级表征与人脑影像数据，以推断语言网络的组织原则、处理的时间动态及语义表征的神经编码策略。
语言对知觉的调节：跨模态表征（视觉与音乐）
语言是否主动塑造人类对外部世界的知觉是认知科学长期争议的话题。近期视觉-语言模型（如CLIP）通过大规模图文对的联合训练，学习了跨视觉与语言模态的统一表征空间，为检验语言对视觉表征的调制作用提供了新工具。神经影像研究发现，视觉-语言模型表征与高级视皮层（如腹侧枕颞皮层）神经表征的对应性强于纯视觉模型。语言通路受损患者的对照研究表明，通路完整性显著影响腹侧枕颞皮层的表征结构，支持语言对视觉表征的因果调制作用。跨模态交互也存在于语言与音乐之间，音乐生成模型（如MusicLM）的文本-音乐映射能力为研究音乐语义表征提供了新途径，fMRI研究显示其表征可预测听觉皮层响应并实现音乐片段的神经重建。
语言交流中的脑间神经耦合：说话者-听者回路
语言的核心功能是跨个体信息传递与认知协调。超扫描技术与LLMs的结合为研究自然交际中的脑间耦合提供了新框架。研究发现，成功交流时说话者产生网络与听者理解网络的神经活动呈现显著耦合，且该耦合不能由声学相似性单独解释，其强度随双方语义表征对齐程度增高。耦合模式在时空维度上适应交际需求：空间上扩展至颞顶联合区、后扣带回与内侧前额叶等社会认知相关区域；时间上表现出预测特性，高阶皮层有时能在关键信息完全表达前预见说话者的意图。这为语言理解的预测加工理论提供了实证支持。
层级语言计算：人脑与LLMs的比较
语言具有从音系、词汇到句法与语义整合的层级结构。神经科学研究表明，左侧额下回（布洛卡区）、颞上回与颞中回等核心语言区参与层级处理。Transformer基LLMs在嵌套依赖与长距离一致等任务上表现优异，但关于其是否真正实现了类脑层级计算仍存在争议。层级频率标记等方法发现，模型中句法信息倾向于在中间及更高层编码，而低层主要捕捉词汇特征；人脑中低层句法信息与前颞区关联，高层句法处理则涉及布洛卡区及周边区域。时间对应性分析显示，浅层模型表征对齐早期神经响应，深层表征对应晚期神经活动，尤其在核心语言区内。预测加工研究进一步揭示，颞上区支持类似浅层模型或n元语法的局部词汇预测，而默认模式网络区贡献于句子与语篇尺度的全局预测，与LLMs处理长文本时的层级预测模式相呼应。
语义组合：连接语言学理论、脑活动与LLM表征
语义组合是人脑将词汇意义组合为短语、句子与语篇层级表征的核心过程。近期研究提出的基于LLM内部表征的组合分数（Composition Score），可量化句子理解过程中的意义组合程度，并与左侧额下回、前颞叶等脑区的fMRI响应相关，表明LLM衍生特征能捕捉人脑从序列输入构建复杂意义的部分机制。但需注意，高组合分数与神经活动的对应并不证明LLMs与人脑实施了相同的组合算法，仅表明其表征编码了与人类意义建构相关的变量。未来研究需将LLM组合指标与句法节点计数、依存关系、题元角色指派等理论驱动的语言学预测因子进行比较，以厘清模型-脑对齐的认知基础。
学习策略与数据分布敏感性：人脑与LLMs的比较
人类与LLMs的学习机制差异是核心科学问题。标准化图像-标签联想学习框架的比较研究显示，在多样数据分布下，人类与LLMs均主要依赖情境学习；在重复数据分布下，两者均转向记忆巩固策略；在混合分布下，两者均能灵活切换策略。但人类在分布偏移时表现出更强的韧性，能维持旧策略并快速恢复，而LLMs则表现出策略遗忘，需大量新样本才能重新适应。这揭示了人类学习涉及长时巩固与情境推理的协调交互，为改进LLMs的情境学习能力提供了方向。
语言可塑性、个体差异与共享表征
人脑语言系统需在适应口音、方言等变异的同时保持音系与语义范畴的稳定性。EEG研究显示，听者在口音适应过程中会对不可靠声学线索进行选择性降权，而不改变核心语义处理，实现了适应性灵活性与表征稳定性的平衡。针对神经数据个体差异大的挑战，共享响应模型（Shared Response Model, SRM）可将不同个体的神经响应对齐至共享低维表征空间，显著提升跨个体神经编码与语义解码性能，为脑-机接口等临床应用提供了技术支持。但个体差异的神经机制、SRM在双语等复杂场景的泛化能力，以及共享表征与LLMs层级表征的对应关系仍需深入探索。
发展、双语处理及语言/言语相关障碍
语言发展为检验表征如何涌现、稳定与重组提供了关键窗口，发育性阅读障碍等研究揭示了神经组织的共享约束与文字特异性适应。语言/言语障碍（如失语症、口吃、自闭症）则通过展示典型神经组织受损后的处理崩溃，为机制性解释提供了强约束。当前对齐研究对发展人群、双语者及临床群体的覆盖仍显不足，未来需将这些群体系统性纳入研究框架，以提升理论的解释广度与临床转化价值。
讨论
当前局限
尽管取得显著进展，语言-脑计算研究仍面临四方面局限。第一，机制解释受限于黑箱映射，功能对齐不等于结构同源。当前基于RSA与神经编码的对齐仅证明功能相似性，而非共享计算机制。人类语言习得根植于多模态交互经验，LLMs仅从单模态文本学习，且模型注意力机制与生物选择性注意在底层实现上存在本质差异。LLMs在分布语义、词汇可预测性、语境整合等方面对齐较好，但对具身感觉运动基础、交互语用、发展学习、双语适应、社会交际意图、神经可塑性及生物精确时间动态的刻画仍不足。第二，技术约束限制研究深度与实时交互验证。脑-机接口中神经信号与模型参数的信息传输率不足，神经记录信噪比低且个体差异大，多数研究停留于离线相关分析，难以开展实时闭环实验。第三，研究覆盖在数据类型、类型学广度与任务设计上受限。现有对齐研究集中于少数高资源语言与标准化书面材料，LLM训练数据亦以规范书面文本为主，对口语、方言及多语混合表征不足；实验范式多限于阅读或听故事等被动任务，对主动对话、语用推理及交际意图传递的关注不够；被试群体以健康青年为主，老年及语言障碍患者的数据匮乏。第四，评价框架狭窄，脑对齐度量不完整。当前研究过度依赖神经预测准确率，模型可能通过统计捷径（如利用表层词汇统计预测句法加工相关活动）获得高分，却未复现真实层级语言计算。评价体系亦较少纳入语言可塑性、长时记忆巩固等人类特有认知属性。
未来研究展望
未来研究需向四个互补方向发展。第一，通过脑启发建模与因果干预加强结构-功能匹配。脉冲神经网络（SNNs）因其事件驱动通信、时空脉冲编码及高能效特性，在时间精确神经动力学、事件驱动计算及低功耗实时交互场景中具有潜在优势，但其在解释基于fMRI等场电位的对齐问题上的优越性仍需实证检验。未来需结合模型组件靶向扰动、回路水平消融与因果中介分析，并联合神经刺激或损伤数据，验证模型与人脑是否具有同源功能角色。第二，构建实时闭环语言-脑交互系统。将低功耗事件驱动SNN模型与在线神经记录模态结合，支持语言信息的自适应编解码，捕捉语言处理与学习的动态特性。整合SRM等跨个体对齐方法与个性化微调策略，可望实现可扩展、个性化的实时语言-脑交互系统。第三，扩展多模态与多群体语言神经数据。重点建设言语神经记录对齐语料库，纳入声学、发音与韵律信息；整合视觉、动作等多模态输入；建立涵盖多样人群、语言与发展阶段的脑成像数据库，特别关注类型学多样性，以区分模型-脑对应关系是反映普遍语言处理原则，还是特定语言结构的产物。第四，建立多维脑-语言对齐评价框架。除神经预测准确率外，应纳入记忆巩固（稳定性-可塑性权衡、长时信息保留）相关指标，开发机制一致性模型以量化内部动态是否与已知神经原则（如层级处理、时间整合、因果信息流）对齐，结合行为表现、神经可预测性、认知合理性与机制一致性进行综合评估。
结论
语言学与神经科学传统上沿相对独立的轨迹发展，前者强调语言能力的形式化描述，后者聚焦语言处理的生物机制。计算神经科学通过翻译语言学构念为可计算表征，提供了操作性桥梁。跨学科进展已从描述性拟合转向机制性对齐，但当前对齐仍多为相关性，相似性可能仅反映对统计结构的共同敏感性而非共享计算机制。未来需发展受功能与结构原则共同约束的对齐方法，整合因果分析、模型解构与生物基础约束。计算神经科学有望为语言研究提供生成性理论框架，但从当前对齐证据迈向完全机制性、可检验的神经计算解释仍存在显著鸿沟，需超越表层对应，深入探索机制、因果与生物实现。
