人类智能与现有人工智能系统的根本差异于概念思维能力；人脑能够将复杂的感官体验抽象为简洁的概念，进而脱离具体感知，在概念层面进行思考和交流，这是语言产生和符号化思维的基础。然而，当前的人工智能技术在该上仍存在明显不足。 传统深度神经网络虽然在感知任务上表现出色，但其知识表示方式存在根本性缺陷。这些网络将学到的知识高度纠缠在海量参数之中，难以提取出具有独立意义的概念单元。此外，近年来备受关注的大规模语言模型虽然显示出强大的语言理解能力，但其概念形成过程高度依赖人类已有的语言符号进行训练，无法真正实现从原始感知经验中"从无到有"地自发生成概念。这一瓶颈制约了人工智能系统向更深层次的认知能力发展。 针对这一关键难题，中国科学院自动化研究所研究员余山团队与北京大学教授毕彦超团队联合开展攻关，提出了一套创新的神经网络框架。该框架的核心创新在于引入了概念抽象模块，能够将高维的视觉输入信息自动压缩转化为紧凑的低维"概念向量"。这些概念向量具有高度的可解释性和独立性，相当于为复杂的视觉信息带来了简洁的"符号标签"。 在此基础上，研究团队设计了分层门控机制，使这些概念向量能够像开启不同功能的钥匙一样，产生多项精准的"开关"信号。这些信号动态调节任务求解模块中神经网络的活动状态，使系统能够高效灵活地完成各类视觉感知任务。这种设计方案既保证了系统的功能完整性，又实现了概念层面的清晰表达。 更具创新意义的是，该系统具备自主学习和概念生成能力。通过与环境的持续互动，系统能够自发生成大量新的概念，并逐步形成属于自己的概念空间。当不同的神经网络系统所生成的概念空间实现匹配对齐后，它们之间可以直接通过概念向量进行知识传递，无需再从原始环境中重复学习。这一过程有效模拟了人类通过语言和其他符号系统进行交流和知识共享的方式。 研究团队的分析结果表明，这套新型框架不仅在功能层面成功模拟了人类的概念认知过程，更重要的是在机制层面揭示了人脑进行概念形成与理解的深层计算原理。这意味着研究成果既具有重要的理论价值，也为开发更接近人类智能的人工智能系统提供了新的技术路径。
从感知到概念化是智能进化的关键一步。这项研究以概念为核心重构学习机制——既推进了类脑智能研究——也为提升AI的适应性提供了新方向。随着理论完善和工程实现，"概念级智能"有望广泛应用，但其可控性、通用性等仍需深入探索。