本文来自微信公众号： 心智观察所 ，作者：心智观察所
一个延续了两千多年的争论
语言与思维的关系，是人类思想史上最古老也最迷人的问题之一。
柏拉图曾在《泰阿泰德篇》中把思维定义为“发生于灵魂内部的无声对话”；亚里士多德则认为言说出口的词语是“心灵印象的符号”。到了二十世纪，维特根斯坦在《逻辑哲学论》中写道：“我的语言的疆界意味着我的世界的疆界”。他提出了一套图像理论：语言之所以有意义，是因为它和世界共享同一种逻辑结构。
这种观点的流行程度在二十世纪的语言学转向中达到了顶峰。分析哲学家们甚至宣称：哲学的根本任务就是对语言进行逻辑分析。在他们看来，清楚的思想离不开精准的语言。
但另一派哲学家始终持有不同意见。他们认为，语言只是表达的工具。思想在后台完成计算，语言不过是把计算结果翻译出来而已，就像电脑的显示器，你可以看到画面，但真正的运算发生在CPU里。
到了今天，2026年7月，MIT麦戈文脑科学研究所的一篇论文则用实打实的脑成像数据给出了一个震撼的答案。
失语症患者解开逻辑谜题
这项研究的领衔者是MIT大脑与认知科学系副教授埃韦利娜·费多伦科。她是全球最顶尖的认知神经科学家之一，曾首次精准界定人脑之中专门负责语言的“语言网络”。费多伦科团队中的博士后霍普·基恩及其他成员设计了一个极其巧妙的实验，找了两个因脑卒中而导致语言中枢严重受损的失语症患者。这两位患者几乎无法理解语言，也无法正常说话。但研究团队不要求他们读，也不要求他们听。他们设计了两类完全不依赖语言的逻辑游戏。
第一类：给出一组数字列表，要求找出隐藏的转换规则。比如，给定一组偶数序列和一组奇数序列，你能发现规律吗？
第二类：给出一组几何图案，要求找出缺失的那一块，把表格补全。
结果令人震惊。两位失语症患者的表现与健康对照组没有任何显著差异。他们不仅能完美解开谜题，还能用手势和草图向研究人员解释自己发现的规律。
博士后霍普·基恩说，实验结果真的颠覆了那些认为没有语言能力就无法归纳符号规则的理论。
MRI扫描：语言区静默，推理区亮起
实验的第二部分更加关键。
研究团队对健康志愿者进行了功能性磁共振成像扫描。志愿者在扫描仪内完成两类任务。
语言任务包括理解句子、阅读文字，用以标记大脑的“语言网络”。逻辑推理任务则包括归纳推理，也就是发现隐藏规则，以及演绎推理，即经典的三段论推理，比如“球如果是红色的，那就是大球。球是红色的。它是大球吗？”
结果颇为分明：人在进行逻辑推理时，大脑的语言网络，也即那些负责理解句子、生成语言的区域几乎没有任何激活。
真正亮起来的是另一个系统：多需求网络。这是一个分布在大脑多个区域的高级计算网络，负责工作记忆、问题解决和复杂任务处理。
更令人出乎意料的是：多需求网络只在归纳推理，即发现新规则时活跃，在演绎推理，即应用已知规则时几乎不参与。这就说明，即使是推理本身，也可能拥有不同的神经机制。
逻辑推理不依赖语言，这个结论在脑成像上显而易见。
费多伦科实验室此前已经发现，物体分类、社会推理等其他类型的思维同样不依赖语言。2024年，费多伦科与同事在《自然》杂志上发表了一篇更具纲领性的论文，标题直截了当：《语言主要是交流工具，而非思维工具》。研究团队明确指出：语言既不是思维的必要条件，也不是思维的充分条件。
而最近的这篇论文，则用最严格的实验设计和最直接的脑成像证据，把这一结论推到了极致论文的结论斩钉截铁：语言表征在归纳或演绎逻辑推理之中既没有得到使用，也不是必需的。
当语言模型遇到“非语言智能”
这项研究的意义远远超出脑科学的范畴。
研究发布后不久，图灵奖得主、深度学习三巨头之一的杨立昆就在社交媒体上转发了这项成果。
为什么这样一位AI泰斗会对脑科学研究如此兴奋？
因为杨立昆一直在发出这样的呼声：仅靠大语言模型，无法通往真正的通用人工智能。
他认为，大语言模型所学的主要是语言模式，而非对现实世界的真正理解。它们只能凭统计学预测下一个词应该是什么，却没有没有物理直觉、没有因果推理、没有真正的规划能力。他说，人类智能的核心并不是预测下一个词，而在于预测接下来会发生什么事，好比球飞起来了，下一秒会落地，整个预测过程并不涉及语言，他认为，这才是AI应该学的东西。
MIT的这项研究恰好从神经科学层面印证了他的判断。
既然人脑的逻辑推理根本不经过语言区，那凭什么认为，只靠语言训练的AI能学会真正的推理？
另一项最新佐证来自Anthropic公司。2026年7月，Anthropic刚刚发布一项研究，发现Claude大模型内部存着在一个神秘的“J空间”，一个不直接输出文字、静默运行的“心理工作区”，里面会浮现模型正在考虑和推理的概念。这个空间不是训练出来的，而是Claude自己长出来的，是一种同语言无关的内部推理过程。
换句话说，即使是纯语言模型，在其深处也可能形成非语言的内部表示。这项发现也暗合了MIT的脑科学发现：语言是输出接口，不是计算引擎。
AI正在对人脑进行逆向工程
费多伦科的团队还有另一项研究值得一提。
2026年7月，他们与合作者发表了一项题为《模块化认知架构在大语言模型中涌现》的研究。
他们分析了六个开源大模型，规模从二百四十亿到一千二百三十亿参数不等，覆盖语言、逻辑、物理、社会四大认知域的四十多个任务。
结果令人震惊：大模型内部也出现了类似人脑的功能分工，含语言、逻辑、物理、社会推理，各自依赖不同的神经元集群。
更关键的是因果验证实验。关掉负责语言的神经元，模型的物理推理依然正确，只是话说得不顺了；而关掉负责物理的神经元，句子依然流畅，但结论说反了。
大语言模型和人类大脑走的是完全不同的“发育”路径，一个靠进化，一个靠梯度下降，却长出了相似的结构，这意味着智能本身极可能拥有一些深层的组织规律，超越了碳基和硅基的差异。
AI幻觉的源头
回到文章开头那个两千多年的争论。维特根斯坦早期在《逻辑哲学论》中认为，语言之所以有意义，是因为它和世界共享同一种逻辑结构。然而，到了晚期，维特根斯坦在《哲学研究》中则转向了“语言游戏”理论，认为词语的意义来自其用法。他不再把语言看作思想的牢笼，而是看作一种工具、一种活动。
MIT的研究用脑科学证据站到了晚期维特根斯坦这边：语言是工具，不是牢笼。推理是大脑的独立计算模块，语言只是它的扬声器。
但这一结论还包含一层更加幽微的意思：语言不负责推理，但负责压缩文明。比如一个人经历了上万次战斗，总结出一句话：“不要两线作战。”一句话把一生经验压缩了。一个文明积累了数千年知识，写成一本书。一本书把千万人的智慧压缩了。
所以，大语言模型之所以强大，不是因为它会自行推理，而是因为它读取了人类文明数千年积累的全部“压缩包”。
但问题也在这里：压缩包不是原始数据。没有校验机制，压缩包会失真。
人类用身体经验校验语言，“火会烫手”这句话被婴儿的皮肤验证过。大语言模型没有身体、没有世界模型、没有因果校验。它只能在语言的统计性中自我循环。
这就是AI幻觉的根源：模型可以生成一个语法完美、逻辑自洽的句子，但它不能依靠任何物理现实来验证这个句子是否真实。
AI该换脑了：换成婴儿大脑
MIT的发现说明此前的AI发展可能已经误入歧途，要想达到真正的智能，必须改弦易辙。
真正的智能或许包含几个协同运作的层面。最底层是世界模型，负责预测物理世界、理解因果链条和形成空间直觉。中间层是推理引擎，负责规则归纳和逻辑推演，而这一层恰恰不依赖语言。最顶层才是语言接口，负责表达交流和文化知识的压缩传递。
这和人类婴儿的发育顺序完全一致。婴儿先是拥有世界模型，几个月大时就已经知道物体恒存和因果关系。之后才发展推理能力，在儿童期形成抽象逻辑。最后才学会语言，把一切翻译成可交流的符号。
而目前的大语言模型是倒过来的，先学语言，再试图从语言中“涌现”出世界模型和推理能力。
这条路能不能走通？MIT的脑科学家给出了一个否定的答案。
如果人脑的推理根本不经过语言区，那么，仅仅通过语言训练来培养AI的推理能力，就好比学钢琴只靠读乐谱，理论是懂了，但永远无法真正演奏。
结语
两千多年前，柏拉图把思想比作“灵魂的无声对话”。今天，MIT的功能性磁共振成像机器第一次看见了思想的物理痕迹：不是语言区的电流，而是多需求网络的火花。
所以，你在思考难题的时候，你脑中那个喋喋不休的“内心声音”，其实只是个解说员。真正的思考发生在语言的背后：无声、无形、但无比强大。语言是智能最伟大的发明，但不是智能本身。思维≠语言，这个古老的哲学命题，如今也成了指引AI的航标。
参考文献
https://news.mit.edu/2026/separating-logic-and-language-0708
https://www.pnas.org/doi/10.1073/pnas.2520095123
Modular Cognitive Architecture Emerges in Large Language Models