隨著大型語言模型(Large language model, LLM)在各類複雜任務上展現出驚人的表現，一個核心的問題浮現：AI 真的具備類似人類的「思考」與「推理」機制嗎？本演講將結合認知神經科學、功能性磁振造影技術與計算模型，探討人類大腦與 LLM 在處理邏輯與語言轉換時，其內部表徵是否具有高度相似性，即所謂的「大腦與 AI 的表徵對齊」。
我們以數學應用題做為跨領域實驗載體。數學應用題披著自然語言的外衣，實際上卻要求高階的邏輯運算與執行控制。透過 fMRI 實驗，我們比較受試者閱讀需要運算與無運算需求的非算術應用題時的大腦反應。結果發現單純的語意理解和隱藏邏輯運算的句子活化不同的網絡。
在確立人類大腦的神經基礎後，我們進一步建構了編碼模型（Encoding Models），將 fMRI 記錄到的大腦反應與LLM內部表徵進行連結，結果發現LLM 的特徵不僅能顯著預測大腦的神經活動，也能重現了人類實驗中的解題差異，顯示LLM的底層結構能捕捉句子的認知負荷與執行需求，且這種對齊現象具有網絡特異性。