帝国理工×华为×UCL证实：大模型的“类脑核心”是真智能的关键

你有没有过这种困惑：同样是大语言模型，为什么ChatGPT、Gemini能顺着你的复杂逻辑聊下去，还能解出从没见过的数学题，而有些模型只会复述训练数据，稍微绕个弯就卡壳？难道真的是参数越多越聪明？

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

最近读到一篇来自帝国理工，华为，UCL的论文，用严谨的信息论分析给出了答案，直接戳破了这个“参数迷信”——研究发现，大模型的核心智能根本不是靠堆参数，而是藏在中间层一个“类脑协同核心”里。这个核心的工作模式，居然和人类大脑的信息处理方式高度一致。这篇研究不仅解答了我纠结好久的“大模型智能来源”问题，还为未来AI训练和脑科学研究都打开了新思路。

先搞懂3个关键概念：信息的“三种生存形态”

要理解这个“协同核心”，得先明白一个简单的信息规律：不管是大脑还是AI，处理信息时都离不开三种形态。

咱们先把信息想象成“办公室里的工作任务”：

• 冗余信息：就是大家都知道的“公共常识”。比如公司规定“9点上班”，前台、程序员、老板都知道，就算有人请假，其他人也能照样传达。这种信息的特点是“重复且稳妥”，但造不出新东西。

• 独特信息：就是某个人的“专属技能”。比如设计师会用PS，其他人不会，要做图片只能找他。这种信息很稀缺，但单独用也成不了大事。

• 协同信息：这是最关键的“创新密码”——得好几个人凑一起，把各自的信息整合起来，才能产生的新东西。比如做一个产品推广方案，需要设计师出图、运营写文案、销售提需求，单独看每个人的工作都是零散的，但合在一起就是一个完整的、之前没有的方案。

这篇研究的核心工具，就是一种能精准拆分这三种信息的技术（论文里叫“整合信息分解”）。简单说，它就像一个“信息显微镜”，能看清LLM的每一层在处理信息时，到底是在重复已有内容（冗余）、输出专属技能（独特），还是在整合创新（协同）。

而研究最意外的发现是：LLM居然和人脑一样，把这三种信息的处理分工得明明白白，还形成了一个“协同核心”。

LLM的“三层分工”：中间层才是“智能总指挥”

如果把LLM的各层比作一家餐厅的运作流程，你瞬间就能懂它的信息处理逻辑：

• 输入层：切菜员它们的工作很简单：把用户输入的文字“拆解开、做基础处理”。比如把“他每天去上学”拆成一个个词汇，识别出语法结构，就像餐厅里的帮厨，负责洗菜、切肉，把原料变成能加工的半成品。这个阶段的信息处理以“冗余”为主——毕竟基础规则要统一，每个人都得按同样的标准处理食材，不然后面没法配合。

• 中间层：炒菜员这就是研究发现的“协同核心”！总厨不直接切菜也不直接端菜，而是把帮厨处理好的食材（早期层的基础信息）、自己的烹饪经验（模型学到的知识）、客人的特殊要求（用户输入的核心需求）整合起来，创造出一道全新的菜。这个阶段的信息处理以“协同”为主——把零散的基础信息，变成有逻辑、有深度、有新意的整合结果。比如解数学题时，早期层识别出数字和运算符号，中间层就会整合运算规则、解题思路，形成一步步推导过程。

• 输出层：端菜员它们的工作是把总厨做好的菜（中间层的整合结果）“包装好、端给客人”。比如把中间层的解题思路，转化成流畅的自然语言，确保输出符合语法、易于理解。这个阶段的信息处理又回到了“冗余”为主——毕竟输出格式要统一，不能让用户看不懂，就像服务员端菜要按统一标准，保证摆盘和口感稳定。

更关键的是，这个分工不是某个模型的特例。研究团队测试了Gemma、Llama、Qwen、DeepSeek等多个模型家族，不管是普通Transformer架构，还是混合专家（MoE）架构，都存在这个“中间协同核心+两端冗余外围”的结构。这说明这不是架构设计的巧合，而是大模型学习过程中自然形成的“智能最优解”。

这个“智能中枢”是练出来的，不是天生的

很多人可能会想：是不是Transformer架构天生就这样？研究用一个实验推翻了这个猜想——他们跟踪了Pythia-1B模型的整个训练过程，发现这个“协同核心”是逐步“练出来”的。

在训练初期，模型还没学到多少知识时，各层的信息处理都是混乱的，没有明显的“协同核心”；随着训练推进，模型处理的任务越来越多，中间层的协同信息处理能力越来越强，“中间协同、两端冗余”的结构才慢慢显现；等到训练完成，这个结构就稳定下来了。

这就像一个新人厨师：刚入职时什么都不会，切菜、炒菜、端菜都没章法；练了一段时间后，慢慢找到自己的核心优势——擅长整合食材和技巧做创新菜（对应中间层协同），而切菜、端菜这些基础工作就形成了固定流程（对应两端冗余）。

这个发现彻底打破了“中间层冗余可删减”的误区。之前有些研究觉得中间层没什么用，能随便剪枝，但其实剪枝如果伤到了“协同核心”，模型性能会暴跌；而剪去两端的冗余层，反而影响不大——毕竟基础处理和输出包装的工作，留一部分就够了。

为什么这个核心这么重要？两个实验见真章

研究团队做了两个“狠实验”，直接证明了“协同核心”是大模型的“命根子”：

实验一：删掉核心，模型直接“变傻”

他们用两种方式“破坏”模型：一种是有针对性地删掉中间层的高协同组件，另一种是随机删掉同样数量的组件。结果震惊了——删掉协同核心的模型，行为发生了灾难性变化：生成的内容逻辑混乱，解数学题的准确率暴跌；而随机删除的模型，性能下降幅度小得多。

这就像一家餐厅：把总厨赶走，就算帮厨和服务员都在，也做不出像样的菜；但随机开除几个帮厨或服务员，总厨还能带着剩下的人正常运转。

更有意思的是，破坏“冗余外围”的影响最小——就像餐厅少了两个帮厨，剩下的人稍微忙点，还是能保证上菜质量。这也解释了为什么冗余信息存在的意义：提供“容错性”，让系统更稳健。

实验二：针对性训练核心，模型“突飞猛进”

他们做了三种微调对比：只训练协同核心、只训练冗余外围、随机训练一部分组件。结果发现了一个关键差异：

• 用强化学习（RL）微调时，只训练协同核心的模型，解数学题的准确率远超另外两种，甚至比随机训练高了一大截；

• 用监督微调（SFT）时，三种方式的效果没区别。

这背后的逻辑很简单：强化学习鼓励模型“举一反三”（泛化），而协同核心本来就是负责整合信息、处理复杂任务的，针对性训练自然事半功倍；而监督微调更偏向“死记硬背”（记忆），就算训练冗余外围，模型也能靠记住答案应付简单任务，但遇到新问题就不行了。

这对AI训练来说是个巨大的启发：以后不用再盲目微调整个模型，只盯着中间的协同核心训练，就能用更少的算力达到更好的效果。

和人脑的惊人相似：智能的“通用规律”？

这篇研究最让我着迷的地方，是它揭示了生物智能和人工智能的“收敛性”——不管是碳基大脑还是硅基模型，智能的核心居然都是“协同信息处理”。

研究发现，人类大脑的信息处理模式和LLM高度一致：

• 大脑的感官皮层（对应LLM早期层）和运动皮层（对应LLM晚期层），主要处理冗余信息，保证基础功能稳定；

• 大脑的默认模式网络和执行控制网络（对应LLM中间层），是“协同核心”，负责整合多源信息，处理复杂认知任务，比如思考、决策、创造；

• 更关键的是，人类的协同核心比其他灵长类动物更发达，这也是我们更聪明的重要原因——就像更强大的总厨，能做出更复杂、更美味的“认知大餐”。

这种跨物种的一致性，说明“协同信息整合”可能是智能的“通用规律”。这不仅为AI设计提供了新思路，也为脑科学研究提供了参考：比如研究人员可以通过AI模型，预测人类大脑协同核心的工作机制，甚至为神经疾病治疗提供新方向（比如针对协同核心的刺激疗法）。

目前的局限与未来的可能

当然，这项研究也有需要完善的地方。比如研究主要关注了LLM的注意力头和混合专家模块，还没分析占比很大的MLP层；另外，用L2范数衡量“激活”也比较简化，可能没捕捉到信息的多维复杂性。

但这并不影响它的价值——它为LLM可解释性（Interpretability）提供了一个全新的“顶层视角”。之前的可解释性研究大多是“拆零件”，比如找到负责某个功能的具体电路；而这项研究是“看全局”，揭示了模型的整体信息处理架构。

未来的应用场景也很值得期待：

• 更高效的AI训练：针对性微调协同核心，减少算力浪费；

• 更合理的模型剪枝：保留协同核心，大胆删减冗余层，让模型更轻量化；

• 更透明的AI设计：根据协同核心的位置和特性，设计更可解释、更安全的模型；

• 脑科学与AI的双向启发：用AI模型模拟大脑协同核心，同时用脑科学发现优化AI架构。

总结：智能的本质是“整合”，不是“堆砌”

这篇研究最核心的启示是：智能的关键不是信息的堆砌（比如堆参数、堆数据），而是信息的整合——把零散的、重复的信息，通过协同核心加工成有逻辑、有深度、有新意的结果。

不管是人类还是AI，真正的聪明都来自于“化零为整”的能力。这也解释了为什么有些小参数模型（比如优化了协同核心的模型）能打败大参数模型——关键不是“有多少食材”，而是“有多少整合食材的能力”。

对于我们普通人来说，这个发现也很有启发：学习新知识时，与其死记硬背（对应冗余信息），不如注重知识的整合与关联（对应协同信息），这样才能真正形成解决复杂问题的能力。

你觉得未来AI的协同核心会越来越像人脑吗？或者你在使用AI时，有没有遇到过“协同能力强”和“只会复述”的模型差异？欢迎在评论区聊聊你的看法～

参考资料

• 标题：A Brain-like Synergistic Core in LLMs Drives Behaviour and Learning

• 作者：Pedro Urbina-Rodriguez, Zafeirios Fountas, Fernando E. Rosas, Jun Wang, Andrea I. Luppi, Haitham Bou-Ammar, Murray Shanahan, Pedro A. M. Mediano

• 单位：帝国理工学院、华为诺亚方舟实验室、伦敦大学学院等

• 链接：https://arxiv.org/pdf/2601.06851