神经网络并非不能模块化：子空间层面可实现功能解耦

事件核心：发生了什么

长期以来，AI 可解释性研究常发现神经网络中的单个神经元会参与多个任务，因此很多观点认为这类网络缺乏模块化组织。但这篇论文没有停留在“单个神经元是否专一”这个层面，而是把模块化重新拆成三个层级：单元级、正交级和线性级。单元级要求不同计算使用完全不相交的神经元；正交级则判断是否存在某个旋转，让功能独立子空间显现；线性级看的是是否存在一个有界线性映射，把任务相关计算分离到独立子空间。

论文摘要称，作者为这三个层级开发了统一的学习与评估框架，并通过选择性消融来因果检验这些子空间是否真的承载特定功能。目前公开信息显示，他们在视觉模型、语言模型和多任务 RNN 上做了实验，发现缺乏单元级模块化的网络，在子空间层面仍可能表现出清晰的功能模块。例如在视觉和语言模型中，内容与风格、句法与语义在神经元群体重叠的情况下，仍能通过子空间消融实现分离；多任务 RNN 中也能恢复出任务之间的双重分离。摘要还提到这些子空间与脑数据的对应关系存在差异：内容子空间更多预测高级视觉皮层，风格子空间对应较低视觉皮层；语义子空间在预测语言皮层活动时优于句法子空间。

为什么重要

这项研究挑战了“单个神经元不专一就等于网络没有模块化”的直觉判断。如果功能模块可以存在于子空间而非单个神经元，那么 AI 可解释性、模型编辑和机制分析的工具箱都可能需要调整。对行业来说，这意味着未来对模型内部的计算进行干预时，未必需要先找到某个专属神经元，而可以通过线性或正交变换定位功能子空间——这为精细调节大模型行为、分离内容与风格、语法与语义等任务提供了理论路径。它也可能帮助连接人工神经网络与生物神经系统的功能组织研究：两者可能都更依赖分布式子空间，而不是一一对应的功能单元。

对用户/开发者/创作者的影响

对开发者和可解释性研究者而言，这项工作的潜在影响是工具层面的：如果子空间模块化被进一步验证，未来可能出现更精确的模型调试和消融方法，用于定位某个任务到底依赖网络中的哪个子空间，而不是依赖单个神经元或注意力头。对使用图像生成、语言模型或 AI 应用的创作者来说，短期内不会有直接产品变化，但长期看，如果能按内容与风格、语义与句法做更细粒度的干预，提示词之外的控制方式可能更丰富。不过要注意，目前论文仍处于 arXiv 预印本阶段，摘要中并未说明已被同行评审，也没有提供可直接调用的 API、模型权重或产品界面。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

第一，看论文是否公开代码、实验细节和评估指标，尤其是选择性消融在不同模型架构上的可复现性。第二，看这套子空间分解方法是否能扩展到更大规模的开源或闭源大模型，而不只是在相对受控的视觉与语言模型实验中出现。第三，看它能否与现有的稀疏自编码器、因果追踪等可解释性工具形成互补，并进一步验证与生物脑数据的对齐结论。这些方向将决定它究竟是理论上的新视角，还是能落地为开发者日常可用的模型诊断手段。

来源：arXiv cs.AI