这次中国科学院自动化研究所余山团队和北京大学心理与认知科学学院毕彦超团队联手搞出了一个新东西。他们提出了CATS Net这个框架，能让人造智能也能像人那样理解概念、交流想法。余山给这个系统下了定义，说它能在没有人类干预的情况下，自发地把高维的视觉信息压缩成低维的概念向量。这个过程就像给门找钥匙一样，利用分层门控机制把这些概念向量转化成开关信号。毕彦超指出，这些信号就能动态调节任务求解模块的活动，让系统能高效灵活地完成各种视觉感知任务。 最关键的是，CATS Net不需要从环境里学新东西就能生成概念空间。只要不同神经网络里的概念空间对齐了，系统就能直接通过传递概念向量来互相交流，就像人类通过语言沟通一样。余山还提到，他们特意把CATS Net形成的概念表征和人类的大脑活动数据做了对比。 北京大学心理与认知科学学院的毕彦超透露，他们用功能磁共振成像（fMRI）的表征相似性分析（RSA）发现，CATS Net的概念空间和心理学上的人类认知语义模型高度一致。不仅如此，它的表征模式还和人脑里负责视觉语义的腹侧枕颞皮层活动模式非常相关。同时，CA模块的动态门控机制也跟人脑里负责概念提取与操控的语义控制网络活动模式吻合。 这种AI网络展现出了一种独特的能力——能把高维感知压缩成低维概念，再由概念重构感知。这其实就是符号化思维的基础。虽然现在AI大模型很火，但它们还是高度依赖人类已有的语言符号进行训练，很难真正从无到有地从感知经验中自发形成概念。这也是当前AI和人脑之间最大的差别。 余山团队提出的这个CATS Net框架解决了传统神经网络知识纠缠在海量参数里的问题。它不仅提供了理解人类概念认知的计算模型，还为建立具有类人概念智能的人工智能系统打下了基础。这项成果已经发表在了《自然•计算科学》这本国际学术期刊上。中国网和中国发展门户网都报道了这次研究的最新进展。 要让AI拥有像人一样抽象概念的能力一直是个难题。传统的深度网络往往把知识纠缠在海量的参数中，很难提取出独立的概念。而受到广泛关注的AI大模型则高度依赖人类已有的语言符号进行训练，无法真正“从无到有”地从感知经验中自发形成概念。这次研究正好弥补了这些不足。 毕彦超团队认为，CATS Net的核心是概念抽象（CA）模块和任务求解（TS）模块。处理视觉任务时，CA模块会自发地把高维的视觉输入压缩成紧凑的低维“概念向量”。随后这些向量像开锁的钥匙一样，通过分层门控机制产生一系列“开关”信号来调节TS模块的活动。 这种机制模拟了人类概念的形成和理解过程。系统可以根据与环境的互动自主生成大量新概念并形成自己的概念空间。当不同神经网络所生成的概念空间对齐之后，就可以直接通过概念向量在网络间传递知识，实现模拟人类通过语言等符号来交流的过程。 进一步分析发现，CATS Net自发形成的概念表征不仅和人类的概念空间高度一致，还与人脑内的表征显著相关。这表明它不仅在功能层面模拟了人类的概念认知，同时也在机制层面揭示了人脑概念形成与理解的计算原理。 总之，这次合作研究为理解人类智能提供了新的视角。它不仅解决了当前AI系统难以实现从感知到概念的转化问题，还为开发具有类人智能的AI系统提供了重要基础。