问题——长期以来，机器学习图像识别、语音处理和文本生成等领域进展很快，但在“概念”层面的能力仍被视为迈向类人智能的关键短板。人类可以从多样的视觉、听觉输入中提炼出稳定概念，并借助概念进行推理、表达与交流：例如面对不同品种、不同姿态的猫，依然能迅速归纳为“猫”此抽象类别。相比之下，传统深度学习往往把知识分散固化在大量参数里，难以以可迁移、可交流的形式独立呈现；大型语言模型虽然能生成流畅文本，却高度依赖既有语言与标注数据，对“从经验中自发生成新概念”的能力仍有限。 原因——概念难以在现有系统中“自然产生”，关键在于学习目标与表征方式不同：一上，主流模型多以拟合输入输出为目标，强调特定任务上降低误差，缺少将复杂感知压缩为可泛化概念机制；另一上，不同系统间的知识共享主要依赖数据再训练或参数迁移，成本高、可解释性弱，也不利于像人类那样通过“对齐概念”实现快速交流。围绕这些瓶颈，中国科学院自动化研究所脑图谱与类脑智能实验室余山团队与北京大学心理与认知科学学院毕彦超团队开展跨学科合作，提出新型神经网络框架CATS Net，探索“概念抽象—任务求解—概念交流”的一体化路径。 影响——研究介绍，CATS Net将概念形成作为系统核心能力来实现：其一，概念抽象与任务求解上，框架可将图片等复杂信息压缩为更简洁的“概念向量”，并以此指导识别、判断等任务，从而降低对“参数记忆式学习”的依赖，提升对场景变化的适应性。其二，概念交流上，系统可自主生成概念并形成“概念库”，不同系统完成概念对齐后，能够通过概念直接传递知识，无需反复从外部数据重新学习，从而模拟人类以语言为载体进行知识共享的过程。研究团队结合脑成像实验指出，该框架形成的概念空间与人类认知与语言逻辑具有较高一致性，其工作方式也与人脑中与概念处理对应的脑区的活动呈现匹配特征。这表明相关研究不仅在功能层面借鉴人脑机制，也为理解人类概念形成的计算机理提供了新的技术线索。上述成果已在线发表于国际学术期刊《自然·计算科学》。 对策——面向应用与治理需求，业内人士认为，推动技术落地的同时应强化“可评测、可解释、可控制”的研发路径：一是建立更贴近真实世界的概念能力评测体系，不仅看任务准确率，也评估概念的稳定性、可迁移性与跨系统一致性；二是推动跨学科协同，将脑科学、心理学关于概念学习与语言表达的研究转化为工程可用的约束与指标；三是在系统设计阶段同步引入安全机制与边界约束，降低概念对齐与知识共享在开放环境中的误用风险，避免引发不可预期行为，确保技术发展与公共利益相协调。 前景——专家表示，具备“自主生成概念、理解概念、进行交流”能力的智能系统，有望在科学研究、复杂决策、跨场景任务协同等领域释放更大潜力：在科研探索中，更高效地归纳现象并形成可复用的抽象变量；在复杂系统治理与工业优化中，在多源信息下实现更高层次的表征与推理；在多系统协作中，通过概念对齐降低数据与训练成本，提升协同效率。另外，随着概念能力增强，如何确保系统目标与人类价值取向一致、如何在可解释框架下追踪概念来源及其演化路径，也将成为下一阶段必须直面的重点课题。
从模仿人类行为到理解人类认知，从被动接受知识到主动构建概念，该跨越意味着智能技术正向更深层次演进。当机器开始具备自主形成概念的能力，我们不仅看到技术能力的提升，也需要思考如何引导其用于增进人类福祉。科技创新的价值不在于工具本身有多强大，而在于能否帮助人类更好地认识世界、解决问题、提升生活品质。在迈向类人智能的过程中，技术突破与伦理治理需要同步推进，才能走得稳、走得远。