问题： 如何让智能系统像人类一样从感官体验中生成概念，再用概念指导感知与推理，一直是类脑智能与机器学习领域的核心挑战。人类能将复杂的高维感知压缩为稳定的低维概念，并通过符号进行交流与迁移学习，从而脱离具体经验进行抽象思考。相比之下，传统深度网络的知识分散大量参数中，难以形成独立可调用的“概念”；而近年来的通用大模型主要依赖已有语言和文本训练，在“从经验中自发形成新概念”上仍有明显不足。 原因： 概念难以现有模型中自然形成，主要由于表征与控制机制的缺失。一上，模型对视觉等感知数据的学习通常以任务目标为导向，得到的隐变量虽与任务有关但可解释性差；另一方面，缺乏将“概念”作为中间层显式调度的结构，导致系统无法像人脑那样灵活切换任务、复用知识。此外，依赖语言符号的训练方式也限制了系统能力，使其难以应对未被命名或缺乏文本记录的新现象。 影响： 针对这些问题，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合作，开发了一种新型神经网络框架，实现了“感知到概念、概念到任务控制”的双向过程。该框架的概念抽象模块可将高维视觉输入压缩为低维“概念向量”，并通过分层门控机制生成动态“开关”信号，调节任务求解模块的神经活动，从而更高效、灵活地完成视觉感知任务。更重要的是，系统能在与环境互动中持续生成新概念，逐步构建自身的概念空间。当不同网络的概念空间匹配后，知识可直接通过概念向量传递，无需反复试错学习，模拟了人类借助语言交流的过程。相关成果近日发表，为理解概念的形成与调用提供了新的计算框架。 对策： 该研究为解决“参数纠缠”与“语言依赖”提供了结构性思路：一是以概念向量作为可压缩、可传递的中介表征，提升知识的复用性与迁移性；二是通过门控机制连接“概念”与“行动/任务”，使系统能像使用工具一样调用概念资源；三是通过概念空间对齐实现跨系统沟通，为未来构建可协作的智能体群体奠定基础。研究团队同时指出，随着系统自主概念能力的增强，如何建立安全约束与价值对齐机制将成为关键议题。 前景： 通用大模型的能力边界往往受限于语言材料的覆盖范围。如果智能系统能从感知与交互中直接生成新概念，并用于推理、规划与交流，其应用场景有望从问答与内容生成扩展到更开放的领域，如复杂环境中的自适应决策、跨学科规律发现乃至科学探索。同时，这也对算力、数据采集、评测体系和治理框架提出了新要求：不仅要评估任务表现，还需衡量概念的稳定性、可解释性、共享性，以及在现实场景中的可控性、可靠性与可追责性。
从感知生成概念，再用概念组织行为与交流，是人类智能的核心特征之一。北京科研团队提出的新型神经网络框架为智能系统补上了“概念层”这个关键环节。未来技术突破值得期待，但越接近“类人能力”，越需要重视安全、可控与价值一致，以确保创新真正服务于科学进步与社会福祉。