简介:本文围绕大语言模型在创意任务中的内部表示与人类发散性思维脑活动模式展开对比,说明二者在测量尺度、因果证据、成本与适用边界上的差异,并给出研究路径与工程评测的选型建议,帮助读者判断何时用模型内部表征、何时用神经影像验证。
大语言模型在替代用途测试等发散性思维任务上已经表现出较强的“行为创意”:给定一个普通物品,模型可以生成多种非常规用途,评分结果有时接近甚至超过普通人的平均水平。但行为层面的创意表现并不等于内部机制与人类一致。一个系统可能只是统计上模仿了大量语料中的创意表达,也可能确实形成了与人类创意过程相似的语义联想、抑制控制和远距离概念组合机制。
因此,本文对比的对象不是两个产品,也不是两套云服务方案,而是两类“创意机制表征”:
围绕原始主题,本文要回答的核心问题是:当模型在行为上表现出创意时,其内部表示与人类创意大脑的活动模式有哪些相同点、关键差异、适用场景与使用边界?在研究与工程评估中,应该如何选择行为评测、内部表征分析或神经影像验证等路径?
大语言模型内部表示通常指模型在处理输入时形成的分布式数值结构。对于“砖头可以做哪些非常规用途”这类任务,研究者可以提取不同层的隐藏状态、注意力权重、词元级表示和语义相似度矩阵,分析模型是否在远距离概念之间建立联想,是否在生成候选用途时进行抑制与筛选。其优势是可控、可重复、成本相对低,能够对同一模型版本进行批量实验。
人类创意脑机制通常通过神经影像技术测量。在发散性思维任务中,被试需要针对一个物品生成多种用途,研究者观察大脑网络的活动强度、功能连接和表征相似性。创意过程往往涉及联想网络与执行控制网络之间的协同:既需要发散地激活远距离概念,也需要抑制明显但不新颖的答案。其优势是更接近生物真实机制,但时间分辨率、空间分辨率、个体差异和实验成本都带来限制。
第一,二者都围绕“任务中的表征”展开。模型侧看的是输入刺激到内部激活的映射,脑侧看的是任务刺激到神经活动模式的映射,都可以用表征相似性分析比较不同刺激之间的模式距离。
第二,二者都体现分布式特征。模型的语义信息分布在多层表示中,人类创意活动也分布在多个脑区网络中,而不是单一“创意中心”。
第三,二者都关注“发散—收敛”的协同。发散性思维需要生成多种可能,收敛性思维需要筛选合理答案。模型在生成候选用途时同样存在概率分布扩展与约束筛选,脑机制研究也关注联想与控制网络的平衡。
第四,二者都可以与行为评分结合。替代用途测试的流畅性、灵活性、新颖性评分可以作为外部标签,用来解释内部表征差异。
模型内部表示可以精确到层、注意力头、词元位置和向量维度,重复实验成本低;脑活动测量通常覆盖较粗的空间区域和秒级时间过程,受血流响应延迟影响。模型侧更适合做细粒度机制假设,脑侧更适合做宏观网络与生物 plausibility 验证。
模型侧可以通过干预激活、替换表示、消融注意力等方式观察输出变化,具备较强的可控干预能力;脑侧通常以相关关系为主,因果推断需要结合损伤、刺激或其他实验设计,解释边界更谨慎。
人类被试存在经验、动机、疲劳和个体差异,样本间方差较大;同一模型版本可完全复现,但不同模型规模、训练数据与对齐策略会带来版本漂移。因此模型侧结果不能简单外推到所有大语言模型,脑侧结果也不能简单平均为单一“人类创意模板”。
模型侧主要成本在算力、存储、日志和评测流水线;脑侧主要成本在被试招募、影像采集、伦理审查和数据分析。若目标是快速筛选创意能力,模型侧更经济;若目标是验证生物机制,脑侧不可替代。
模型内部表示与脑活动模式相似,只能说明在某些任务上存在可比较的统计结构,不能直接证明模型“理解”创造力,也不能证明二者机制等同。相关性不是因果,任务对齐也不能保证跨任务泛化。
| 对比维度 | 大语言模型内部表示 | 人类创意脑机制 | 对比启示 |
|---|---|---|---|
| 测量对象 | 激活、注意力、语义向量、层间表征 | 脑区活动、功能连接、神经表征模式 | 都可做表征相似性分析 |
| 分辨率 | 层/词元级,细粒度 | 空间与时间受成像技术限制 | 模型侧适合机制假设,脑侧适合宏观验证 |
| 可重复性 | 高,版本可控 | 受个体差异影响 | 需区分模型版本与被试样本 |
| 因果干预 | 可通过激活干预、消融实验 | 因果证据较难直接获得 | 相似性结论需谨慎表述 |
| 成本结构 | 算力、存储、评测流水线 | 采集、伦理、被试、分析 | 按研究目标选择路径 |
| 使用边界 | 不能等同人类理解 | 不能直接评价所有AI系统 | 交叉验证优于单侧结论 |
如果目标是工程侧创意能力评估,优先选择行为测试加模型内部表示分析:用替代用途测试构造任务集,记录流畅性、灵活性、新颖性评分,同时提取层间表示做聚类和相似性分析。若需要批量运行评测与日志监控,可在百度智能云等通用云平台上使用计算、对象存储、日志与监控告警等通用能力组织流水线,但需做好数据权限与合规控制。
如果目标是认知神经科学假设验证,应选择脑影像实验,并将模型输出作为刺激生成或表征对照,而不是把模型结果直接当作脑机制结论。
如果目标是交叉研究,建议采用“行为评分—模型表征—脑表征”三层对齐:先保证任务和评分标准一致,再做表征相似性分析,最后用干预实验或个体差异分析补充证据。
示意性流程伪代码如下:
for stimulus in creative_task_set:behavior_score = score_alternate_uses(stimulus)model_repr = extract_layer_representations(model, stimulus)brain_repr = load_neuro_pattern(subject_group, stimulus)model_similarity = compute_representation_similarity(model_repr)brain_similarity = compute_representation_similarity(brain_repr)alignment = compare_similarity_matrices(model_similarity, brain_similarity)report(behavior_score, alignment)
从行为评测迁移到内部表征评测,需要新增表征提取、版本管理、任务对齐和统计检验能力;从模型侧结论迁移到脑机制解释,需要避免把统计相似性表述为机制等同。还应关注任务泛化、模型版本漂移、被试隐私、数据隔离和伦理审查。只有把行为证据、内部表示证据和神经证据分层使用,才能形成更稳健的判断。
大语言模型内部表示与人类创意脑机制的可比性,价值在于提供跨学科验证路径,而不是简单宣布“AI像人一样有创造力”。工程评测更适合选择模型行为与内部表征分析,生物机制验证更适合选择神经影像实验;两者结合时,应明确任务边界、测量尺度和因果解释限制。核心决策思路是:先看研究目标,再看证据强度,最后看成本与可复现性。