从机械记忆到概念生成：AI智能的新突破

当你看到一个红苹果时，大脑会立刻识别出“苹果”这个词，同时联想到“甜、脆、水果”等特征。即使没有实物在场，你也能清楚地告诉他人“请帮我买个苹果”，而对方绝不会误解成别的东西。这正是人类智能的高明之处：我们能将视觉信息压缩为简洁的符号（即概念），并随时调用这些概念进行交流和推理。而如今的AI虽然能通过大量图片学会识别苹果，但若问“苹果和香蕉有什么共同点”，它可能会说“都是水果”，但这个答案只是从文字统计中得来，实际上它并没有在脑中形成“水果”这个抽象概念。因此，科学家认为：概念的形成和理解，才是智能的关键，而AI尚未掌握。 一个名为CATS Net的“概念相机”模型 最近，中国科学院自动化研究所等团队在《自然·计算科学》上发表了一项研究，他们设计了一种叫作CATS Net的神经网络，专门用于解决概念理解问题。 该模型的设计出人意料地简洁，但思想却很巧妙：将“概念”从模型参数中“提取”出来，形成一个独立的模块。 CATS Net包含两个部分： 概念抽象（CA）模块：就像一个“压缩器”，将高维视觉信息（比如一张猫的图片）压缩成一个几十维的“概念向量”——这是AI对“猫”的内部编码。 任务求解（TS）模块：像一个“执行者”，负责处理具体任务（比如判断图片里是不是猫）。 关i键机制是门控：概念向量不是简单的标签，而是像一把把“钥匙”，能打开不同的“计算通道”。当你输入“猫”的概念时，网络会切换到猫的判断模式；输入“车”，则切换到车的模式。同一个图像，概念不同，判断结果就不同。 这就像你手机里装了多个滤镜：概念就是选择滤镜的那个“旋钮”。 概念是“长”出来的，不是预设的 更厉害的是，这些概念不是人工定义的，而是模型自己从数据中“长”出来的。训练时，模型同时学习网络参数和概念向量，结果概念空间自发形成了有语义结构的小宇宙——动物、家具、交通工具自动聚成不同的群落。而且，这个概念空间与人类心理学的语义模型高度一致。 换句话说，模型自己悟出了“猫和狗都是动物，桌子和椅子都是家具”。这比死记硬背高级多了。 最惊艳：概念可以“隔空传送” 研究团队还做了一个脑洞实验：训练两个网络，一个（老师）学习全部类别，另一个（学生）故意漏掉“苹果”这个类别。两个网络独立训练后，各自形成了不同的概念空间。然后，用一个“翻译模块”把老师的概念空间映射到学生的空间。结果，学生仅凭接收到的一个“苹果”概念向量，就能识别出从未见过的苹果图片。 这就像你从来没吃过芒果，但朋友告诉你“芒果是黄色的、甜的、热带水果”，你第一次见到就能认出它。知识不再依赖复制参数，而是通过低维概念传递。这正是人类语言的本质：用极少的符号，传递复杂的经验。 古人云：“心有灵犀一点通。”CATS Net做到了AI之间的“灵犀一点”。 这项研究能解决什么日常问题？ 第一，为什么现在的AI经常“一本正理地胡说八道”？ 因为它没有真正的概念。它只是记住了词与词的统计关系，并不理解“苹果”和“香蕉”共享“水果”这个抽象属性。CATS Net的方向是让AI先建立概念，再说话。 第二，AI能像人一样“举一反三”吗？ 理论上可以。一旦形成了概念空间，给AI一个从未见过的新物体，它能根据概念向量判断它属于哪个类别（比如“这是一种新水果”）。这比传统AI的“刻板分类”更接近人类的学习方式。 对未来AI有什么影响？ 它可能催生真正的“可沟通的AI”——不同AI之间可以通过概念向量交换知识，而不需要共享原始数据。就像两个人用语言交流，而不是互相复制大脑。 免责声明：本文基于前沿研究，CATS Net目前仍是实验室模型。AI的“理解”与人类有本质差异，请勿过度拟人化。 如果你教一个AI认识“苹果”，你会用什么概念来描述它？评论区聊聊你的“概念教学法”。 资料