人脑的结构并不匀称。。经由漫长的演化，，，，它长出了一套分工明确的组织：语言、逻辑、物理直觉、社会推理，，，，各自盘踞在皮层相对牢靠的区域，，，，既分工又协作。。困扰研究职员许久的一个问题是：大脑的功效分区，，，，事实是任何智能系统都躲不开的必定，，，，照旧人类演化路上的一个无意？？？？？

最近，，，，MIT 团队的一项研究“Modular Cognitive Architecture Emerges in Large Language Models ”批注，，，，谜底更倾向于前者。。事实，，，，大语言模子的来路完全差别。。它没有身体，，，，也没有履历演化，，，，只是在海量的文本上做基于下一词元展望（next-token prediction）的训练。。当一个结构云云差别的系统也泛起了这套分工，，，，它更可能是智能自己的深层纪律，，，，而不是碳基大脑的无意。。不过作者也审慎地强调，，，，这只是“证据的指向”，，，，还谈不上定论。。

这项研究由两位资深学者带队。。一位是 MIT 脑与认知科学系教授 Evelina Fedorenko，，，，她因界定出人脑中专门认真语言的“语言网络”而着名，，，，2025 年刚获美国国家科学院揭晓的 Troland 研究奖；；；；；另一位是 MIT 盘算机科学与人工智能实验室（CSAIL）教授 Jacob Andreas，，，，他是 AI 与自然语言处理领域的着名学者。。而研究的第一作者是韩芃睿，，，，他是伊利诺伊大学厄巴纳-香槟分校（UIUC）盘算机科学硕士，，，，导师是尤佳轩教授；；；；；他的事情揭晓于 ICML、EMNLP 等 AI 与 NLP 顶级聚会，，，，曾获 NeurIPS Workshop 最佳论文声誉提名。。

（泉源：Github）

在这项研究中，，，，团队剖析了六个 24B 到 123B 的主流开源模子，，，，笼罩语言、逻辑、物理、社会四大认知域共 46 个使命，，，，用电路级要领定位每个使命真正依赖的神经元。。他们不但发明同域使命共享神经元、跨域险些互不相关（同域重叠是跨域的四倍多），，，，还做了一个很清洁的验证：关掉认真语言的神经元，，，，模子物理照样推理得对，，，，只是话说得欠亨顺；；；；；关掉认真物理的神经元，，，，句子流通，，，，却把结论说反了。。这套分工不但是统计上的巧合，，，，而是有实着实在的因果效力。。

围绕这项研究，，，，以及它用 AI 明确智能自己的理念，，，，DeepTech 和韩芃睿举行了一次对话。。

用另一种智能，，，，回覆一个只有一个样本的问题

DeepTech：你们是怎么想到用 LLM 来切入大脑的功效分区是“智能系统的必定”，，，，照旧“生物演化的无意”？？？？？

韩芃睿：这个问题光靠研究大脑自己很难回覆。。由于我们只有一个样本，，，，并且生物组织还背着许多和使命无关的约束，，，，好比能量代谢。。

趋同演化在生物学里是一个很强的证据逻辑：若是一个性状在亲缘很远的物种里各自自力泛起——好比蝙蝠和鲸鱼各自演化出回声定位——我们就有理由相信，，，，它是被问题自己逼出来的，，，，而不是无意。。

LLM 给了我们一个全新的时机。。它是另一类智能系统，，，，走的是完全差别的优化路径，，，，实质上是在展望下一个词元（next-token prediction）上做梯度下降，，，，和生物演化很是差别。。同时它又具备许多人类独吞的高级认知能力，，，，好比明确人类语言、解决重大的数学问题。。以是若是？？？？？榛 LLM 里也自力泛起了，，，，那它更可能是任何朝着智能优化的系统都会收敛到的解，，，，而不是碳基大脑的无意。。这就是我们用 LLM 切进来的焦点念头。。

DeepTech：团队里既有认知科学家 Evelina Fedorenko，，，，也有 AI 研究者 Jacob Andreas。。这双方看问题的方式很纷歧样，，，，你们怎么协调这些视角？？？？？

韩芃睿：着实双方的摩擦比想象中小许多。。由于 Jacob 和 Ev 都研究语言和 AI，，，，共享了很是多的兴趣和判断，，，，只是着重纷歧样。。Jacob 会更聚焦在算法这一层。。举个详细的例子：我们最最先用的要领更偏神经科学一点，，，，直接拿最小比照对（minimal pair）去比激活值，，，，看哪些神经元在统计上是显著的。。但厥后发明，，，，这样识别出来的单位没有很好的因果影响，，，，Jacob 就建议我们换成 patching 这类更严酷的要领，，，，这直接决议了后面整套流程。。

Ev 这边更在意科学层面的洞见，，，，好比怎么让使命和脑网络的对应更扎实，，，，以及我们究竟能磨练哪些真正有意思的假设。。一个稍微偏要领上站不站得住，，，，一个稍微偏科学上值不值得问，，，，两个视角着实是互补的，，，，最后拼在一起，，，，研究才完整。。

？？？？？榛，，，，是“同时解决许多问题”逼出来的

DeepTech：若是用最简朴的一句话概括你们的研究发明，，，，你会怎么说？？？？？

韩芃睿：一个只靠展望下一个词元、靠反向撒播训练出来的语言模子，，，，会自觉长出和人脑相似的？？？？？榛止ぃ河镅浴⒙呒⑽锢怼⑸缁嵬评砀髯杂梢慌静恢氐的神经元支持。。并且这种分工是有因果效力的：关掉某个域的神经元，，，，只会破损谁人域的能力。。

DeepTech：你们有一个很直观的效果，，，，统一类使命用的是重叠的神经元，，，，差别类使命用的是险些不相关的神经元，，，，同域重叠是跨域的四倍多。。LLM 为什么会形成这种分工？？？？？

韩芃睿：我们提出的一个可能诠释是：LLM 要在海量、异质的语料上实验展望，，，，而这种展望经常需要多种推理同时上场。。好比，，，，想象你要展望一本侦探小说最后的下一个词：可能同时需要演绎推理去缩小嫌疑人规模，，，，社会推理去推死心头，，，，物理推理去判断作案在物理上是否可能，，，，而这些还都得息争析句子结构的语言处理交织在一起。。

当多种盘算要在统一个输入上同时运行，，，，系统就面临一个压力：别让它们相互滋扰。。这个压力有两层。。一层是处理层面，，，，几种信息要同时体现，，，，编码就必需相互可分，，，，否则会撞在一起、相互污染。。另一层是学习层面，，，，若是差别盘算的神经元混在一起，，，，刷新一个域的更新就会扰动另一个域，，，，这就是漫衍式系统里灾难性滋扰的老问题。。

把差别盘算分给差别的神经元，，，，正好同时解决了这两种滋扰。。以是？？？？？榛芸赡懿皇潜凰杓频，，，，而是来自于同时解决许多种问题的压力。。

DeepTech：损伤实验里泛起了一个征象：关掉认真语言的神经元，，，，模子推理是对的，，，，但语法最先蜕化；；；；；关掉认真物理的神经元，，，，语法流通，，，，却把物理结论说反了。。这种形式与内容的疏散，，，，你会怎么明确？？？？？

韩芃睿：对，，，，这正是我们在损伤实验里看到的双疏散（double dissociation），，，，并且它很是清洁。。 用统一个物理问题：一根橡皮筋热老化之后的弹性来测试。。关掉语言神经元，，，，模子的物理推理照旧对的：更弱的回弹力、回弹不完全、耗散更多能量，，，，但语法和词法最先蜕化。。反过来关掉物理神经元，，，，句子依然通顺流通，，，，但物理结论说反了。。

这说明模子内部确实把“把话说通顺”和“把原理说对”交给了两套差别的系统。。它们在统一个输出上协作，，，，但可以被自力地破损。。这种可疏散性自己，，，，就是？？？？？榛钪苯拥男形ぞ荨。这着实也和 Ev 之前在人身上的发明很呼应。。好比语言能力严重受损的失语症患者，，，，他们险些无法明确语言，，，，却依然能完成很重大的推理、数学和逻辑使命。。

DeepTech：Transformer 没有神经科学的能量价钱，，，，损失函数也不在乎详细用了几多神经元，，，，它却照样泛起了？？？？？榛。你以为是什么在驱动它？？？？？

韩芃睿：神经科学里的诠释是代谢约束：大脑每次只激活一小部分神经元，，，，比普遍激活省能量，，，，而给每类使命分一套专属神经元，，，，正好能实现这种希罕。。但这个压力对我们研究的 LLM 完全不适用。。Transformer 的前向盘算在任何生物意义上都没有代谢本钱的差别，，，，损失函数里也没有任何一项行止罚某个输入激活了几多神经元。？？？？？杉幢阍圃，，，，一个显着可识别的、类人的？？？？？榛橹昭浩鹆恕。

这说明，，，，代谢压力不管在塑造人类皮层时起了多着述用，，，，它都不是功效特化泛起的须要条件。。那真正在驱动的是什么？？？？？我们以为一种可能，，，，就是前面说的那种滋扰压力，，，，它不需要任何能量价钱就能建设。。

DeepTech：比照实验里，，，，小模子 GPT-2 做差池这些推理使命，，，，它只能分出“语言 VS 其他”，，，，分不出更细的？？？？？椤。你们也提到“？？？？？榛辉谀Ｗ诱婺芙饩鍪姑辈欧浩稹薄。你可以详细诠释一下吗？？？？？

韩芃睿：先讲清晰我们这套要领的一个性子：归因修补（attribution patching）实质上是在找那些对做对使命有因果孝顺的神经元。；；；；；痪浠八，，，，若是模子基础做差池、或者明确不了某个使命，，，，它内部就没有一套对的盘算可言，，，，修补出来的工具自然也没有意义。。GPT-2 的比照正好佐证了这一点。。我们把完全一样的流程、完全一样的数据放到 GPT-2 上，，，，它做不了大部分推理使命，，，，效果就只能分出“语言 vs 其他”。。这说明凯时AG框架测的是底层盘算，，，，而不是数据自己的假象。。

虽然，，，，我们也认可，，，，换一套别的要领或者换更简朴的使命，，，，GPT-2 有可能也展现出某种？？？？？榛。以是，，，，凯时AG发明想强调两点：第一，，，，我们这个框架测到的是盘算，，，，而不是数据的假象。。我们还专门做了一个关于语义的比照实验来佐证，，，，光靠 prompt 的语义相似度是还原不出这个结构的；；；；；第二，，，，也正由于这样，，，，与其说这种细腻分工是“涌现的副产品”、或者去谈它和规模的关系，，，，我们更愿意说：模子真正能解题，，，，是它泛起的条件。。只有能明确、能做对，，，，才谈得上盘算、才谈得上电路。。

把 LLM 看成“第二种智能系统”来研究

DeepTech：你们在文章里提到一个很有意思的定位：LLM 可以看成“第二种智能系统”去磨练我们关于人类认知的理论。。这对研究大脑有什么详细的启示？？？？？

韩芃睿：LLM 作为一个科学研究工具，，，，在拥有许多重大行为和能力的同时，，，，比人脑有更多可控性，，，，也更容易交互。。我们可以随意探测它、干预它、把某部分关掉再看会爆发什么，，，，这些在人身上要么做不到，，，，要么价钱极高。。以是它自己就是一个很适合拿来做科学研究的工具，，，，能帮我们更高效地磨练关于智能和认知的假设。。

对神经科学，，，，我们有两个挺详细的偏向。。一是展望：凯时AG要领可以从 LLM 出发，，，，对一个全新的使命会挪用人脑哪个网络天生假设，，，，再拿去用 fMRI 验证，，，，即是给脑科学多了一个爆发假设的泉源。。二是研究信息流：差别脑网络之间怎么把信息传给相互，，，，这在人脑里极难研究，，，，由于你需要同时具备很高的空间和时间分辨率，，，，而这个组合在人类神经成像里基本做不到。。但在 LLM 里，，，，我们能同时会见所有神经元和它们的毗连，，，，以是可以去构建和磨练一些机制层面的假设，，，，好比语言系统究竟是怎么把剖析好的输入喂给某个推理系统的。。

DeepTech：反过来，，，，你以为这项发明对做 AI 的人有什么用？？？？？知道模子内部是？？？？？榛，，，，能帮我们把模子造得更好或者更可控吗？？？？？

韩芃睿：最直接的一条，，，，和现在很火的混淆专家模子（mixture-of-experts，，，，MoE）有关。。MoE 被接纳主要是出于效率思量，，，，把每个 token 路由给一部分专家，，，，能镌汰激活的参数目。。但凯时AG发明提醒，，，，？？？？？榛橹约嚎赡芑勾刺亓硗馀趟阌攀，，，，而不但是省算力。。

已经有事情往这个偏向走了，，，，好比让专家之间形成类脑的特化，，，，既保住了推理的性能，，，，又让模子更可诠释、更可指导。。以是知道模子内部是？？？？？榛，，，，未来可能真的能反过来指导我们把模子设计得更好、更可控。。这块还很开放，，，，值得深挖：？？？？？榛托阅苤，，，，究竟是什么关系。。

AI 像大脑，，，，最怕被太过解读

DeepTech：AI 像大脑这种说法很容易被太过解读。。作为研究者，，，，你最希望公共不要从这项研究里武断得出的过失结论是什么？？？？？

韩芃睿：这是个很好的问题。。做这类研究一个很主要的注重事项，，，，就是不要太过地把 LLM 当人。。随着研究深入，，，，许多实验室确实发明了越来越多 AI 和大脑相似的地方，，，，从行为到机理，，，，这很是令人兴奋。。但不可否认，，，，LLM 和大脑有着根天性的差别，，，，并且它只由语言这一个模态驱动。。

以是我的态度是：LLM 是一个很好的工具，，，，可以拿来磨练假设、去交互、去探测，，，，把它当成一个科学研究工具来研究，，，，这比研究人有更多可控性、也更高效。。但不可盲目。。每一个实验我们都要起劲去分清，，，，这个相似背后真正的泉源是什么。。它可能来自一个真正的原理，，，，也可能只是某些人类数据的假象，，，，或者其他种种因素。。把这些分清，，，，才华让研究更经得起推敲。。

DeepTech：抛开这项详细的研究，，，，在“用 AI 明确智能自己”这个偏向上，，，，你以为最大的挑战是什么？？？？？

韩芃睿：我以为最大的挑战，，，，恰恰就是上一个问题的延伸：怎么系统性地把一个真正的原理和一个假象区脱离。。

现在我们缺一套公认的标准，，，，去判断某个 AI 和大脑相似究竟算不算数。。它是两类智能系统面临统一个问题各自收敛出的深层原理，，，，照旧只是训练数据、使命设计、或者怀抱方式带来的外貌巧合。。每一个这样的相似，，，，都需要单独去设计比照、去扫除掉浅层的诠释，，，，才敢说它有意义。。

运营/排版：何晨龙

注：封面/首图由 AI 辅助天生

重复内容治理：焦点主题页异常背后的SEO证据

从手艺SEO照料的视角看，，，，《重复内容治理：焦点主题页》不是一篇只为笼罩要害词的文章，，，，而是一次围绕真实问题睁开的诊断、修复和复盘。。用户通常不是一最先就能说清根因，，，，他只会形貌页面打不开、收录异常、排名波动、咨询镌汰或内容看起来不可信。。专业处理要先把这种模糊感受拆成可验证的问题，，，，再决议是手艺修复、内容重写、结构调解照旧信任补强。。这个主题的焦点难点在于：搜索系统没有稳固明确页面价值，，，，常见原因是抓取入口、索引控制、规范地点、重复内容或页面质量之间泛起冲突。。若是团队只凭履历连忙操作，，，，容易泛起越修越乱的情形。。

更稳的做法是先建设证据表，，，，把征象、时间、URL、影响规模、工具泉源、日志位置、认真人和验证效果放在统一处，，，，确保每一次判断都能被复核连系来看，，，，要害是让搜索引擎和真适用户都能看到稳固、可验证的页面信号。。

重复内容治理：焦点主题页页面的可信度优化重点

高端SEO内容要同时解决搜索明确和用户信任。。履历性来自真实场景，，，，专业性来自可执行要领，，，，权威性来自角色、审核和泉源，，，，可信度来自界线、更新和证据。。本文优化后会围绕抓取日志、状态码、robots、canonical、sitemap、内链入口、页面快照和索引笼罩睁开，，，，不使用包管排名、包管收录、绝对有用这类不可证实的允许，，，，而是把问题、证据、行动和复盘写清晰

重复内容治理：焦点主题页异常的分层解决方案

应优先执行：先扫除阻断抓取和过失规范化，，，，再合并低价值页面，，，，最后用主题内链和内容深度支持焦点页。。这让文章不但是说明问题，，，，而是把用户从履历、判断、处理到复盘的路径完整泛起出来。。先界定问题，，，，而不是先堆叠行动 内容SEO的焦点不是增添段落数目，，，，而是让一个页面清晰回覆一个问题，，，，并提供足以支持判断、行动和验证的证据。。关于“相似页面疏散索引和要害词笼罩”这一征象，，，，建议先建设最小判断单位：明确目的URL或盘问、异？？？？Ｗ钕仁奔洹⑹苡跋熳氨富虻厍⒂涤畔燃，，，，以及是否保存同期宣布、迁徙、模板调解或外部需求转变。。只有这些界线清晰，，，，后续数据才有诠释力。。

本主题的要害证据包括：文内情似度、模板重复、筛选页、问题结构和盘问意图。。这些证据不应划分由差别人生涯在各自工具里，，，，而应进入统一张排查表。。排查表至少包括征象、证据泉源、时间规模、可复现条件、假设、责任人、变换号和验证结论。。这样做的目的不是增添流程，，，，而是阻止“一个人看到排名、另一个人看到日志、第三个人看到投诉，，，，却没有人能把它们连起来”的常见失误。。问题履历：用可复核证据取代主观判断 一次典范排查履历是：某B2B站点在一次内容与模板宣布后的第7天，，，，内容认真人发明与“重复内容治理”相关的重点页面泛起相似页面疏散索引和要害词笼罩。。

团队没有连忙大规模重写页面，，，，而是先冻结非须要宣布，，，，导出前后28天的搜索体现、会见日志、页面速率与转化事务，，，，并选取3个正常页面作为比照。。效果可能显示问题集中在某个模板、某类URL或某段用户路径，，，，也可能证实转变主要来自搜索需求和竞争效果。。这段履历的价值不在于给出某个牢靠结论，，，，而在于展示：任何优化都应建设在可复核证据上。。宣布时不要把履历写成“我们让流量提升X%”之类无法证实的效果。。更切合E-E-A-T的表达方式是说明视察到什么、怎样丈量、使用了哪些数据、做了哪些转变、哪些效果仍在视察，，，，以及哪些结论不适用于其他站点。。

检查清单 - 核对用户盘问、SERP内容形态和页面意图是否一致 - 检盘问题、H1、摘要、目录和正文是否围绕统一主题 - 识别重复页面、逾期结论、空泛表述和无效内链 - 确认作者、更新时间、证据泉源和适用界线是否清晰 - 从用户行为与搜索数据验证内容是否真正被明确 - 围绕“重复内容治理”确认页面角色、目的用户与优先级是否被写清。。- 纪录每次检查的日期、工具泉源、原始截图或导出文件位置，，，，阻止只保存口头结论。。操作方法 - 建设重复内容治理的工具清单：把焦点URL、支持页、盘问词、营业行动和认真人对应起来。。

- 以“按保存、合并、重写、noindex四类行动建设处理清单”作为首轮战略，，，，先处理能阻断用户或抓取的高优先级问题。。- 先写清页面要回覆的问题、适用工具和不适用界线 - 用案例、流程、检查表和验证要领补足证据 - 删除偏离主题的段落，，，，把关联问题迁徙到支持页 - 建设主题内链，，，，让焦点页和支持页有明确分工 - 安排审核、更新和历史版本维护 - 把修复效果写回主题地图：哪些页面保存、哪些合并、哪些更新、哪些暂缓索引，，，，都应有明确理由。。验证要领与验收口径 焦点主题页的验收不可只看单天数据，，，，应至少笼罩一次抓取、一次宣布后回归和一个完整的营业视察周期。。

- 抽查页面首段能否在短时间内回覆用户问题 - 视察目的盘问的展现、点击、停留和下一步行动 - 复核内链、问题和摘要没有与其他页面爆发冲突 - 凭证用户咨询和搜索词增补真实缺口 - 针对“重复内容治理”保存至少一份改动前后比照纪录，，，，并注明数据窗口。。- 检查修复是否改善了用户路径，，，，而不是只改善了某个工具里的简单评分。。E-E-A-T宣布要求 正式宣布前，，，，请补齐作者角色、审核角色、更新时间、适用规模、数据泉源和变换纪录。。涉及真实客户、流量、排名、故障或转化的内容，，，，应使用已获授权且可复核的数据；；；；；无法果真的数据可以说明要领与规模，，，，但不要编造效果。。

文章内的案例必需标明为“示例情境”或“经授权案例”。。引用第三方规范、平台说明或手艺文档时，，，，应保存原始泉源、会见日期和与本文结论的对应关系。。这样做不但能提高可信度，，，，也能让后续更新有依据。。手艺增补：阻止只修外貌信号 手艺类问题往往会跨越模板、缓存、网络、服务端和内容层。。处理重复内容治理时，，，，建议把“用户看到什么”“爬虫拿到什么”“服务器现实返回什么”脱离纪录。。初始HTML、渲染后DOM、HTTP响应、缓存掷中、接口耗时与真适用户行为是差别层面的证据，，，，不可相互替换。。

当问题只在部分地区、部分装备或部分时间泛起时，，，，更需要保存情形信息：网络运营商、浏览器版本、装备性能、请求头、缓存状态、CDN节点、宣布批次和过失追踪ID。。没有这些信息，，，，团队很容易在问题消逝后仍无法诠释原因。。手艺修复应优先思量可逆性。。先用小规模灰度、单页面验证或暂时开关确认偏向，，，，再扩大到全站。。把上线时间与监控图表对齐，，，，阻止把自然波动误判为修复效果。。关于影响抓取和索引的变换，，，，还应预留视察周期，，，，由于搜索系统对页面转变的处理并不是即时完成。。结语 重复内容治理不应被当成一次性使命。。

真正成熟的做法，，，，是把每次异常、优化和验证沉淀为可复用的判断框架：先界说问题，，，，再建设证据；；；；；先做小规模变换，，，，再检查用户路径；；；；；最后把履历写进内容、架构、监控或宣布流程。。这样页面质量、搜索体现和营业信任才会形成同向循环。。复盘与落地 文章宣布后，，，，不应只看是否被收录，，，，还要视察搜索展现、点击率、页面停留、咨询质量、客服追问和后续转化。。若是数据变好但用户仍然重复追问，，，，说明内容没有把界线和下一步讲清晰；；；；；若是收录正常但转化缺乏，，，，说明页面可能只知足了搜索需求，，，，没有真正解决决议疑虑。。一连复盘这些信号，，，，才是E-E-A-T内容库能恒久施展价值的原因