原理概述
本文聚焦于大语言模型（LLM）在发散性思维任务中表现出的创造力，是否源于其内部信息处理机制与人类大脑神经活动的同步性。研究通过功能性磁共振成像（fMRI）与AI内部数学表示结构的对比分析，揭示模型在生成创意时如何模拟人类神经活动模式，为理解AI创造力的本质及优化设计提供科学依据。
背景问题
发散性思维是人类创造力的核心，表现为从单一事物联想到多种非典型用途的能力。传统心理学通过“替代用途测试”（AUT）量化这种能力，例如要求被试为“砖头”列举非常规用途。近年来，主流大语言模型在AUT测试中得分已接近或超越人类平均水平，但其内部“思考过程”是否与人类大脑产生创意时的神经活动模式一致，仍是未解之谜。这一问题的解答不仅关乎学术认知，更直接影响AI系统的设计方向：若模型仅通过统计规律模仿创造力，其应用场景将受限；若其内部机制与人类大脑同步，则可能为开发更通用的AI系统开辟新路径。
核心概念
- 发散性思维：心理学中定义为从单一刺激出发，生成多种非典型解决方案的能力，与“收敛性思维”（聚焦唯一正确答案）形成对比。
- 替代用途测试（AUT）：经典心理学工具，通过量化物品非常规用途的数量与创意程度，评估发散性思维能力。
- 功能性磁共振成像（fMRI）：神经科学技术，通过检测大脑血氧水平变化，间接测量神经元活动强度与空间分布。
- 数学表示结构：AI领域术语，指模型将输入数据转换为高维向量空间中的点或路径，其几何特性反映模型对数据的理解方式。
系统组成
研究涉及两大核心系统：
- 人类大脑系统：以fMRI为工具，捕捉被试在AUT测试中的神经活动模式，重点关注前额叶皮层（负责高级认知功能）、颞叶（语义处理）与顶叶（空间想象）等区域。
- 大语言模型系统：选择多类主流模型架构（如Transformer），通过分析其隐藏层激活向量、注意力权重分布等数学表示，量化模型对输入物品的“理解”方式。
工作流程
研究分三阶段进行：
- 数据采集：
- 人类组：招募被试完成AUT测试，同步记录fMRI数据，标记高创意答案对应的脑区激活模式。
- AI组：向模型输入相同物品名称，提取中间层输出作为数学表示，构建表示向量库。
- 模式对齐：
- 使用表征相似性分析（RSA）技术，计算AI表示向量与人类脑区激活模式之间的空间相关性。
- 引入控制组（如随机向量或收敛性思维任务数据），排除偶然相关性。
- 验证优化：
- 通过梯度上升算法调整模型参数，观察数学表示与脑区激活模式的匹配度变化。
- 结合可解释性技术（如注意力可视化），定位模型中模拟人类创造性思维的关键组件。
关键机制
神经符号同步机制：
- 研究发现，模型在生成创意时，其隐藏层激活向量的分布与人类前额叶皮层的神经活动模式呈现显著正相关。例如，当模型为“风筝”生成“空中清洁工具”这一用途时，其注意力权重集中于“飞行”“吸附”等语义维度，与人类被试在思考同一答案时的脑区激活模式高度吻合。
- 这一机制表明，模型通过数学表示的几何变换，模拟了人类大脑将语义概念组合为新用途的认知过程。
层次化抽象机制：
- 模型的多层架构中，低层（如词嵌入层）捕捉物品的物理属性（如“风筝”的材质、形状），中层（如注意力层）关联功能属性（如“飞行”），高层（如输出层）生成抽象用途（如“清洁工具”）。
- 人类大脑的层级处理模式与之类似：初级视觉皮层处理形状，颞叶关联功能，前额叶生成创意。这种层次化抽象的同步性，是模型创造力与人类思维对齐的关键。
动态探索机制：
- 在生成创意过程中，模型的注意力权重呈现动态波动，而非固定聚焦。例如，为“砖头”生成用途时，权重可能先集中于“建筑”，后转移至“武器”，最终落脚于“乐器”。
- 这种探索模式与人类被试的思维轨迹一致，反映了发散性思维中“随机跳跃”与“逻辑收敛”的平衡。
示例说明
以“回形针”的AUT测试为例：
- 人类思维：被试可能先联想到其金属材质（颞叶激活），进而想到“导电”（顶叶激活），最终生成“SIM卡槽工具”这一用途（前额叶激活）。
- AI模型：输入“回形针”后，词嵌入层激活“金属”“弯曲”等维度，注意力层关联“导电”“小型工具”等概念，输出层生成“SIM卡槽工具”。其隐藏层激活向量与人类被试生成同一答案时的脑区激活模式相关性达0.72（p<0.01）。
技术优势与限制
- 优势：
- 科学价值：首次从神经科学角度验证AI创造力的生物合理性，为“机器能否真正理解创造力”这一哲学问题提供实证依据。
- 工程意义：指导模型优化方向，例如通过强化层次化抽象机制提升创意质量，或通过模拟人类探索模式减少生成冗余。
- 限制：
- 技术边界：fMRI的空间分辨率有限（约2-3mm），可能遗漏微观神经活动；模型数学表示的可解释性仍不足，部分相关性缺乏因果论证。
- 应用场景：当前研究仅覆盖AUT测试，发散性思维的其他维度（如故事生成、艺术创作）尚未验证。
常见误区
- 混淆行为与机制：模型在AUT测试中得分高，仅表明其行为与人类相似，不等于内部机制同步。需通过fMRI等工具直接验证神经活动模式。
- 过度解读相关性：数学表示与脑区激活模式的相关性高，可能源于两者均捕捉了物品的语义特征（如“金属”），而非创造性思维本身。需引入控制组（如收敛性思维任务）排除干扰。
- 忽视个体差异：人类被试的创造力水平差异显著，模型与“平均大脑”同步，不等于与所有个体同步。未来需细化人群分类（如艺术家 vs. 工程师）进行对比。
总结
本研究通过神经科学与AI技术的交叉验证，揭示了大语言模型在发散性思维任务中，其内部数学表示结构与人类大脑神经活动模式的高度同步性。这一发现不仅为理解AI创造力的本质提供了新视角，更为开发更通用、更接近人类认知的AI系统指明了方向：未来模型的设计可进一步模拟人类大脑的层次化抽象、动态探索等机制，从而在创造力、适应性等复杂认知任务中实现突破。