Ngày 12/10/2026, nghiên cứu mang mã số arXiv:2610.12842 công bố một khung phân tích mới chứng minh mạng neural nhân tạo vẫn sở hữu cấu trúc mô-đun chức năng ở cấp độ không gian con (subspace), bất chấp việc từng nơ-ron đơn lẻ thường xử lý nhiều tác vụ cùng lúc. Phát hiện này thách thức quan điểm phổ biến cho rằng mạng neural thiếu tính tổ chức mô-đun do các nơ-ron không chuyên biệt hóa.
Để làm rõ cấu trúc này, nhóm tác giả đề xuất một hệ thống phân cấp mô-đun lồng nhau gồm ba cấp độ: cấp đơn vị (unit-level, đòi hỏi các phép tính khác nhau phải nằm trên các nơ-ron rời rạc), cấp trực giao (orthogonal, kiểm tra xem phép xoay có làm lộ ra các không gian con độc lập hay không) và cấp tuyến tính (linear, kiểm tra xem ánh xạ tuyến tính bị chặn có thể tách các phép tính thành các không gian con độc lập hay không). Nghiên cứu xây dựng một khung thống nhất để học các phép phân rã này và đánh giá quan hệ nhân quả thông qua phương pháp triệt tiêu có chọn lọc (selective ablation).
Thử nghiệm trên các mô hình thị giác, mô hình ngôn ngữ và mạng hồi quy đa nhiệm (multi-task RNN) cho thấy những mạng lưới không có tính mô-đun ở cấp đơn vị vẫn biểu hiện sự phân tách chức năng rất rõ ràng ở cấp không gian con. Trong các mô hình thị giác và ngôn ngữ, các cặp yếu tố gồm nội dung với phong cách, hay cú pháp với ngữ nghĩa, có thể bị triệt tiêu độc lập thông qua không gian con tương ứng dù chia sẻ chung một tập hợp nơ-ron.
Đáng chú ý, các không gian con thu được còn tương thích với dữ liệu hoạt động của não bộ. Không gian con nội dung và phong cách dự đoán tương ứng hoạt động của vỏ não thị giác bậc cao và bậc thấp, trong khi không gian con ngữ nghĩa vượt trội hơn không gian con cú pháp trong việc dự đoán hoạt động vỏ não ngôn ngữ. Trên các mô hình RNN huấn luyện cho nhiều tác vụ nhận thức vốn từng bị xem là thiếu cấu trúc mô-đun, phương pháp phân rã này đã tái hiện lại sự phân ly kép (double dissociations) rõ nét giữa các tác vụ.
Kết quả này khẳng định việc thiếu vắng tính mô-đun ở cấp nơ-ron đơn lẻ hoàn toàn có thể cùng tồn tại với tính mô-đun cấp không gian con trên nhiều lĩnh vực. Khám phá mở ra khả năng can thiệp chính xác vào từng phép tính cụ thể trong mạng neural ngay cả khi không có nơ-ron chuyên biệt, mang lại ý nghĩa cho lĩnh vực diễn giải cơ chế (mechanistic interpretability) cũng như việc tìm hiểu tổ chức chức năng của hệ thống thần kinh sinh học và nhân tạo.