編輯｜Panda

生物智能與人工智能的演化路徑截然不同，但它們是否遵循某些共同的計(jì)算原理？

最近，來自帝國(guó)理工學(xué)院、華為諾亞方舟實(shí)驗(yàn)室等機(jī)構(gòu)的研究人員發(fā)表了一篇新論文。該研究指出，大型語言模型（LLM）在學(xué)習(xí)過程中會(huì)自發(fā)演化出一種協(xié)同核心（Synergistic Core）結(jié)構(gòu)，有些類似于生物的大腦。

• 論文標(biāo)題：A Brain-like Synergistic Core in LLMs Drives Behaviour and Learning
• 論文地址：https://arxiv.org/abs/2601.06851

研究團(tuán)隊(duì)利用部分信息分解（Partial Information Decomposition, PID）框架，對(duì) Gemma、Llama、Qwen 和 DeepSeek 等模型進(jìn)行了深度剖析。

他們發(fā)現(xiàn)，這些模型的中層表現(xiàn)出極強(qiáng)的協(xié)同處理能力，而底層和頂層則更偏向于冗余處理。

協(xié)同與冗余：LLM 的內(nèi)部架構(gòu)

研究團(tuán)隊(duì)將大型語言模型視為分布式信息處理系統(tǒng)，其核心實(shí)驗(yàn)設(shè)計(jì)旨在量化模型內(nèi)部組件之間交互的本質(zhì)。為了實(shí)現(xiàn)這一目標(biāo)，研究者選取了 Gemma 3、Llama 3、Qwen 3 8B 以及 DeepSeek V2 Lite Chat 等多種具有代表性的模型系列進(jìn)行對(duì)比分析。

實(shí)驗(yàn)方法與量化指標(biāo)

在實(shí)驗(yàn)過程中，研究者向模型輸入了涵蓋語法糾錯(cuò)、邏輯推理、常識(shí)問答等 6 個(gè)類別的認(rèn)知任務(wù)提示詞。

針對(duì)每一個(gè)提示詞，模型會(huì)生成一段 100 個(gè) Token 的回答，實(shí)驗(yàn)設(shè)備則同步記錄下每一層中所有注意力頭或?qū)＜夷K的激活值。

具體而言，研究人員計(jì)算了這些輸出向量的 L2 范數(shù)，以此作為該單元在特定時(shí)間步的激活強(qiáng)度數(shù)據(jù)。

基于這些時(shí)間序列數(shù)據(jù)，研究團(tuán)隊(duì)?wèi)?yīng)用了整合信息分解（Integrated Information Decomposition, ID）框架。

這一框架能夠?qū)⒆⒁饬︻^對(duì)之間的交互分解為「持續(xù)性協(xié)同」和「持續(xù)性冗余」等不同原子項(xiàng)。

通過對(duì)所有注意力頭對(duì)的協(xié)同值和冗余值進(jìn)行排名并求差，研究者得到了一個(gè)關(guān)鍵指標(biāo)：協(xié)同-冗余秩（Synergy-Redundancy Rank）。該指標(biāo)能夠清晰地標(biāo)示出模型組件在處理信息時(shí)，究竟是傾向于進(jìn)行獨(dú)立的信號(hào)聚合，還是在進(jìn)行跨單元的深度集成。

跨模型的空間分布規(guī)律

實(shí)驗(yàn)數(shù)據(jù)揭示了一個(gè)在不同架構(gòu)模型中高度一致的空間組織規(guī)律。在歸一化后的模型層深圖中，協(xié)同分布呈現(xiàn)出顯著的「倒 U 型」曲線 ：

• 冗余外周（Redundant Periphery）：模型的早期層（靠近輸入端）和末期層（靠近輸出端）表現(xiàn)出極低的協(xié)同秩，信息處理以冗余模式為主。在早期層，這反映了模型在進(jìn)行基本的解詞元化（Detokenization）和局部特征提??；而在末期層，則對(duì)應(yīng)著 Token 預(yù)測(cè)和輸出格式化的過程。
• 協(xié)同核心（Synergistic Core）：模型的中層則展現(xiàn)出極高的協(xié)同秩，形成了核心處理區(qū)。例如，在對(duì) Gemma 3 4B 的熱圖分析中，中間層的注意力頭之間表現(xiàn)出密集且強(qiáng)烈的協(xié)同交互，這正是模型進(jìn)行高級(jí)語義集成和抽象推理的區(qū)域。

架構(gòu)差異與一致性

值得注意的是，這種「協(xié)同核心」的涌現(xiàn)并不依賴于特定的技術(shù)實(shí)現(xiàn)。

在 DeepSeek V2 Lite 模型中，研究者即使是以「專家模塊」而非「注意力頭」作為分析單位，依然觀察到了相同的空間分布特征。

這種跨架構(gòu)的收斂性表明，協(xié)同處理可能是實(shí)現(xiàn)高級(jí)智能的一種計(jì)算必然，而非單純的工程巧合。

這種組織模式與人腦的生理結(jié)構(gòu)形成了精確的映射：人腦的感官和運(yùn)動(dòng)區(qū)域同樣表現(xiàn)出高冗余性，而負(fù)責(zé)復(fù)雜認(rèn)知功能的聯(lián)合皮層則處于高協(xié)同的「全局工作空間」中心。

智能的涌現(xiàn)：學(xué)習(xí)驅(qū)動(dòng)而非架構(gòu)使然

一個(gè)關(guān)鍵的問題在于：這種結(jié)構(gòu)是 Transformer 架構(gòu)自帶的，還是通過學(xué)習(xí)習(xí)得的？

研究人員通過分析 Pythia 1B 模型的訓(xùn)練過程發(fā)現(xiàn)，在隨機(jī)初始化的網(wǎng)絡(luò)中，這種「倒 U 型」的協(xié)同分布并不存在。隨著訓(xùn)練步數(shù)的增加，這種組織架構(gòu)才逐漸穩(wěn)定形成。

這意味著，協(xié)同核心是大模型獲得能力的標(biāo)志性產(chǎn)物。

在拓?fù)湫再|(zhì)上，協(xié)同核心具有極高的「全局效率」，有利于信息的快速集成；而冗余外周則表現(xiàn)出更強(qiáng)的「模塊化」，適用于專門化處理。這種特征再次與人類大腦的網(wǎng)絡(luò)架構(gòu)形成了精確的平行關(guān)系。

協(xié)同核心的功能驗(yàn)證

為了驗(yàn)證協(xié)同核心是否真的驅(qū)動(dòng)了模型行為，研究團(tuán)隊(duì)進(jìn)行了兩類干預(yù)實(shí)驗(yàn)：消融實(shí)驗(yàn)和微調(diào)實(shí)驗(yàn)。

消融實(shí)驗(yàn)：研究發(fā)現(xiàn)，消融那些高協(xié)同性的節(jié)點(diǎn)，會(huì)導(dǎo)致模型出現(xiàn)災(zāi)難性的性能下降和行為背離，其影響遠(yuǎn)超隨機(jī)消融或消融冗余節(jié)點(diǎn)。這證明協(xié)同核心是模型智能的核心驅(qū)動(dòng)力。

微調(diào)實(shí)驗(yàn)：在強(qiáng)化學(xué)習(xí)微調(diào)（RL FT）場(chǎng)景下，僅針對(duì)協(xié)同核心進(jìn)行訓(xùn)練，獲得的性能提升顯著優(yōu)于針對(duì)冗余核心或隨機(jī)子集的訓(xùn)練。有趣的是，在監(jiān)督微調(diào)（SFT）中這種差異并不明顯。研究者認(rèn)為，這反映了 RL 促進(jìn)通用化而 SFT 更多傾向于記憶的特性。

結(jié)語

這項(xiàng)研究為大模型的可解釋性開辟了新路徑。它表明，我們可以從「自上而下」的信息論視角來理解模型，而不僅僅是「自下而上」地尋找特定的電路。

對(duì)于 AI 領(lǐng)域，識(shí)別協(xié)同核心有助于設(shè)計(jì)更高效的壓縮算法，或者通過更有針對(duì)性的參數(shù)更新來加速訓(xùn)練。對(duì)于神經(jīng)科學(xué)，這提供了一種計(jì)算上的驗(yàn)證，預(yù)示著協(xié)同回路在強(qiáng)化學(xué)習(xí)和知識(shí)遷移中可能扮演著至關(guān)重要的角色。

大模型雖然基于硅基芯片和反向傳播算法，但在追求智能的過程中，它們似乎不約而同地走向了與生物大腦相似的組織模式。這種智能演化的趨同性，或許正是我們揭開通用智能奧秘的關(guān)鍵線索。

更多詳情請(qǐng)參閱原論文。