发表于 Nature Computational Science 的论文《A neural network for modeling human concept formation, understanding and communication》提出 CATS Net——一个双模块神经网络,首次模拟人类从感官体验中形成抽象概念的过程,其激活模式与人脑 fMRI 数据中的概念处理模式高度一致。
概念形成为什么是难点
概念形成(concept formation)指从具体经验中抽象出通用概念的能力:人能把不同品种、不同颜色的动物都认作”猫”,也能从具体事件中提炼出”正义”“自由”这类抽象概念。现有 AI 系统在这两端是割裂的——要么擅长处理感官数据(如图像识别),要么擅长处理符号逻辑(如推理),很难像人类一样把两者连接起来。让机器复现”从感知到概念”的通路,因此长期是认知科学与 AI 交叉地带的难题。
双模块的工作方式
CATS Net(Conceptual Abstraction from Sensory-motor experiences,从感官运动经验中抽象概念)由两个核心模块组成。模块一是感官-运动编码器(Sensory-Motor Encoder),处理具体的感官输入和运动经验,功能上对应人的视觉、听觉、触觉系统。模块二是概念压缩器(Concept Compressor),把感官经验压缩成抽象的概念表示,对应人脑形成概念的过程。整个过程可以类比儿童学习”球”的三阶段:先看到不同颜色、大小的球并触摸滚动(感官体验),再把具体经验压缩成一个抽象的”球”概念(抽象压缩),最后用这个概念识别新球、讨论球(理解运用)。
三项主要发现
论文的结果覆盖三个层面:
- 与人类大脑活动对齐:CATS Net 的激活模式与人类 fMRI 数据中观察到的概念处理模式高度相关,表明模型学到的是与人脑相近的概念组织方式,而非单纯拟合任务输出
- AI 之间的概念交流:两个 CATS Net 智能体可以不用人类语言,直接在概念层面交换信息并相互理解,相当于绕开自然语言的”概念对话”
- 知识迁移:学到的概念可以迁移到新的任务上,说明概念表示是可复用的中间结构,而非绑定单一任务的记忆
作者团队包括 Liangxuan Guo、Haoyang Chen、Shan Yu 等研究者,实验在 Nature Computational Science 的同行评审下完成。论文以定性方式报告了上述发现,强调机制对齐而非单一准确率指标。
这项工作的位置
在认知科学一侧,CATS Net 是首个用计算模型系统验证人类概念形成理论的工作,为理解人脑如何从感知通往抽象思维提供了可检验的模型。在 AI 一侧,它指向一条从”模式匹配”走向”概念理解”的路径:如果概念表示能被网络自发压缩出来,下游的推理与交流就可能建立在与人同构的概念之上,人机交互也因此多了一种对齐基础。同类话题可参阅站内《从大脑活动重建视频的 SemVideo》——那项工作从相反方向切入脑与模型的接口:把 fMRI 信号还原为画面,CATS Net 则把人脑的概念组织方式装进网络。