评论文章：LLM与大脑表征对齐不足以证明二者共享计算机制
一篇针对Nastase等人2026年观点的评论指出，表征对齐虽能约束机制假说，但本身无法识别机制，质疑LLM作为语言“完全机制模型”的结论。
AI解读：这篇论文争论的实质是：AI模型和大脑在表征上相似，能不能说明模型就像大脑一样工作？评论作者承认，用脑成像数据去对齐大语言模型的内部表征，确实能发现两者都依赖分布式、随语境变化的编码方式，也能帮研究者筛掉一些过于简单的脑区功能划分。但他强调，对齐只是说模型内部某个数值模式能预测神经活动，这并不能推出模型和大脑用了同一套算法或机制。Nastase等人的论证在这里出现跳跃——他们一边承认编码模型不代表共享架构，一边又下结论说LLM是语言的“完全机制模型”。对做认知科学或神经语言学研究的人来说，这意味着不能拿对齐结果直接当机制证据，需要在表征相似之外，用因果干预或结构性约束来区分哪些相似是本质的、哪些只是巧合。对普通读者，这项讨论不带来立即要采取的行动，它影响的是未来语言机制研究的设计口径：如果审稿人或基金评审更严格，这类结论会被要求加上更强的证据。
arXiv上发布的一篇评论文章（编号2609.03160，类型为新增）反驳了Nastase等人（2026）的观点。评论作者Elliot Murphy指出，Nastase等人认为大语言模型（LLM）或能启发对语言处理的理解，依据是二者都依赖分布式、语境敏感且由统计学习塑造的表征。Murphy认为对方对简单皮层“盒式模型”的批评有说服力，也认可LLM-大脑对齐研究的价值，但核心主张是：表征对齐原则上能约束机制假说，却不能独自识别出机制。
论证中的逻辑与因果不足
Murphy指出，Nastase等人承认编码模型能捕捉神经活动中表征的特征，但无法确证共享的架构或算法。然而，该文在部分段落从对齐结论滑向“共享计算原则”，最终主张LLM可能体现生物大脑相同的计算原则，并作为语言的“完全机制模型”。Murphy认为这与作者自己声明的方法论保留相冲突。
文章列出的问题集中在逻辑、因果与计算三个维度的“欠确定性”（underdetermination）上。摘要未提供具体的反例或详细论据，以上内容均基于arXiv上的摘要说明。