人类和现有AI之间，有一道看似不起眼、却极难跨越的鸿沟：抽象概念的形成能力。
你看见一把椅子，再看见另一把形状完全不同的椅子，你的大脑会自动把两者归到同一个概念之下，并且能向从未见过椅子的人用语言解释清楚什么是"椅子"。这整个过程，对人类来说是如此自然，以至于我们根本意识不到它有多复杂。而对于绝大多数AI系统来说，这件事直到现在都是一个真正的难题。
2026年2月，中国科学院自动化研究所余山团队与北京大学毕彦超团队联合发表于《自然·计算科学》的研究，正面挑战了这个难题。他们提出的新型神经网络框架CATS Net，首次在AI系统中实现了类人的概念形成、理解与跨网络交流能力。
当前的AI在这方面究竟卡在哪里？传统深度神经网络的问题是"知识纠缠"，信息被混在数以亿计的参数里，很难从中提取出独立的、可操作的概念单元。而以GPT为代表的大语言模型虽然表现亮眼，但它们学习概念的方式高度依赖人类既有的语言符号，本质上是在统计人类写下来的文字，而不是从零开始、从感知经验中自主生长出概念。
CATS Net的思路，走的是完全不同的一条路。
一个"压缩-解压"的双模块设计
CATS Net的架构分为两个紧密协作的模块：概念抽象模块（CA）和任务求解模块（TS）。
工作流程是这样的：当系统处理一张图像时，CA模块负责将高维的视觉输入"压缩"为紧凑的低维概念向量，就像人类大脑能把复杂的感知经历浓缩成一个抽象的词语或符号。这些概念向量随后通过一套分层门控机制，向TS模块发出一系列"开关"信号，动态调节神经网络的活动，引导系统高效完成特定的视觉感知任务。
这个设计的关键在于"自发性"。CA模块不依赖人类标注好的语言标签，而是在与视觉环境的持续互动中，自主生成大量新概念，逐步构建出属于自己的概念空间。
更有趣的部分来自两个不同CATS Net网络之间的交流实验。当两个独立训练、各自形成了不同概念空间的网络进行对齐之后，它们可以不再从环境中重新学习，而是直接通过概念向量传递知识。这在功能上模拟了人类用语言交流的过程，却不依赖任何预设的语言符号，而是在纯粹的概念层面完成知识传递。
类人AI概念图。图片由AI生成
论文作者、自动化所副研究员陈阳将这个过程描述为"开锁的钥匙"：概念向量像一把精准的钥匙，打开了神经网络中特定的功能模块，让系统能够灵活、高效地应对不同任务。
不只是功能上像人，机制上也像
研究团队做了一步通常被工程导向的AI研究省略掉的事：把CATS Net生成的概念表征，和真实人类大脑的神经活动数据做了系统比较。
结果相当令人意外。功能磁共振成像的表征相似性分析显示，CATS Net生成的概念空间，不仅与心理学上已有的人类认知语义模型高度吻合，其内部表征模式还与人类大脑腹侧枕颞皮层（vOTC）的活动模式显著相关。腹侧枕颞皮层正是大脑中负责视觉语义表征的关键区域，处理"我看到的这个东西是什么"这类问题。
更进一步，CA模块的动态门控机制，与大脑中语义控制网络的活动模式也存在显著关联。语义控制网络的核心区域恰好涉及前额叶皮层，这一区域长期被认为是人类抽象思维和概念提取的"指挥中枢"。
毕彦超在接受采访时指出，这意味着CATS Net不只是在"行为上"像人类那样形成了概念，它的内部计算机制也与人脑处理概念的方式存在结构性的相似。这一发现反过来也为认知神经科学提供了新的洞见：前额叶的情境化信息处理机制，可能正是人类概念智能的核心计算原理所在。
CATS Net能告诉AI界什么？余山的答案直接指向大语言模型的天花板。当前的大模型，无论规模多大，其思维空间的边界本质上被人类语言的边界所框定，它处理的概念都是人类已经定义过、命名过的东西。赋予AI自主形成新概念的能力，意味着它有可能进入人类语言尚未触及的认知领域，在全新的科学问题上独立探索，而不只是整合人类已有的知识。
当然，余山也明确提出了这项能力带来的另一面：一旦AI能够自主构建超出人类认知框架的概念系统，如何确保这些系统仍然与人类的价值观保持对齐，将成为无法回避的下一道难题。
信息来源：https://news.sciencenet.cn/htmlnews/2026/2/560603.shtm
热门跟贴