大脑与 AI 的对齐：跨模态、尺度和训练轨迹中的收敛进化证据
神经元与认知
2025-07-04 v1
摘要
人工系统与生物系统可能因体系结构和学习机制的根本差异而演化出类似的计算解决方案——一种收敛进化形式。我们通过大规模分析人类脑活动与 600 多项 AI 模型内部表征之间的对齐情况，揭示了这一现象，这些模型涵盖语言和视觉领域，从 133 万参数到 72 亿参数。分析 6000 万项对齐测量结果表明，更高性能的模型在无显式神经约束的情况下，自发地发展出更强的脑对齐性，语言模型显示出显著更强的相关性（r=0.89, p<7.5e-13），而视觉模型相关性较弱（r=0.53, p<2.0e-44）。关键的是，纵向分析表明，脑对齐始终在训练中性能提升之前发生，暗示发展出类似脑的表征可能是实现更高能力的必要步骤。我们发现系统性模式：语言模型显示出对 limbic 和整合性区域的最强对齐，视觉模型呈现对视觉皮层的渐进式对齐；更深的处理层在不同模态间趋于一致；随着表征规模的增加，对齐系统性地从一级感觉区转向更高阶关联区。这为优化任务性能自然驱动 AI 系统向脑类计算策略演进提供了有力证据，为开发更具能力的 AI 系统提供了基本洞见和实用指导。
引用
@article{arxiv.2507.01966,
title = {Alignment between Brains and AI: Evidence for Convergent Evolution across Modalities, Scales and Training Trajectories},
author = {Guobin Shen and Dongcheng Zhao and Yiting Dong and Qian Zhang and Yi Zeng},
journal= {arXiv preprint arXiv:2507.01966},
year = {2025}
}