编辑推荐：
大型语言模型（LLM）以以往任何计算系统都未达到的方式掌握了人类语言。基于规则的象征符号系统虽能处理受限且定义明确的问题，却无法容纳自然语言的语境敏感表达性。LLM转而采用统计学习，将语言结构的多样性编码进一个统一的高维嵌入空间。引人注目的是，这种由语境驱动的
大型语言模型（LLM）以以往任何计算系统都未达到的方式掌握了人类语言。基于规则的象征符号系统虽能处理受限且定义明确的问题，却无法容纳自然语言的语境敏感表达性。LLM转而采用统计学习，将语言结构的多样性编码进一个统一的高维嵌入空间。引人注目的是，这种由语境驱动的分布式表征与神经群体编码（neural population code）高度相似，提示人类语言系统可能收敛于一种相近的计算策略。借鉴人工智能与认知神经科学交叉领域日益增多的研究，研究人员表明LLM可作为支撑人脑语言加工的神经计算在认知上可信的模型。研究人员得出结论：解释语言如何自生物与人工系统中的神经群体编码涌现，无法通过对代数-象征（algebraic-symbolic）理论的渐进式精炼实现，而必将呼唤新的理论范式。
研究背景方面，传统语言学自Chomsky以降主张语言是由范畴化象征规则构成、独立于交际功能与语境的代数系统，并将音系、句法、语义、语用等分而治之，预设普遍语法（Universal Grammar）与未习得的特征清单。此类代数-象征范式难以解释真实语言中多维度的、受语境与交际压力塑造的模式，也无法被早期规则系统（如SHRDLU）在开放域中扩展。与此同时，功能语言学与跨语言类型学显示，主语、名词、动词等范畴常从使用中涌现，而非普适原子单位。在此张力下，LLM通过自监督统计学习在统一高维嵌入空间中同时承载语音、形态、句法、语义与语用线索，其分布式表征几何与人脑神经群体编码高度同构，为重审语言神经基础提供新模型。该研究发表于《Neuron》，旨在论证LLM可作为认知上可信的人脑语言计算模型，并指出语言涌现机制需超越代数-象征框架。
关键技术方法上，研究人员依托AI与认知神经科学交叉文献，采用LLM内部表征（embedding）与层级变换分析，将语言输入映射为神经元样单元上的分布式活动模式；利用自然语言处理中Transformer架构模型（如生成式预训练模型）的自监督训练轨迹，提取语音特征、语素屈折、语法构式及语义关系在表征空间中的几何方向；结合人脑神经影像与神经群体编码比较框架，评估LLM隐状态与生物语言网络在语境敏感加工上的拟合度。无独立实验队列，结论来自对已有模型行为与神经证据的理论统合。
研究结果部分，引言（Introduction）指出传统模块观与普遍未学特征观在生态化语言使用中失效，并以“give a book to her/her a book”等例说明音系长度、语义有生性、话语话题性多重约束并行；研究人员据此提出统一嵌入空间假设。Figure 1相关论述展示（A）分治式语言形式体系与（B）神经群体编码在连接主义网络与人脑中的统一计算“语言”：任一单元可对多层级语言特征表现梯度式、语境敏感、异质调谐，群体间连接实现层间与递归动态变换；（C）所有语言结构编码于嵌入间几何关系，语音、语素、句法、语义对应不同方向，话语展开为互联神经群体上的并发轨迹。Box 1强调语言作为交际行为受语境与效率原则（如依赖长度最小化、词长优化）塑造。结论部分研究人员总结：LLM成功源于对统一高维嵌入空间的统计学习承诺，这使其吸收并表达自然语言几乎全部结构；解释语言自神经群体编码涌现不能靠代数-象征理论增量修正，而需新范式。讨论重申人脑与LLM在分布式、语境驱动编码上的收敛，主张以神经群体编码为“通用语”统合音系至语用各层，放弃模块化合取与普遍语法原子特征预设，将语言范畴视为使用中出现的性质。
研究结论部分翻译：解释语言如何自生物与人工系统中的神经群体编码涌现，不会通过对代数-象征理论的渐进精炼达成，而将要求崭新的理论范式。
