中科院团队突破AI'概念黑箱'：新型神经网络框架实现类人符号

探索宇宙奥秘 · 理性思考

人类看到一个苹果，脑海中浮现的不仅是红色圆形，还有"水果"等抽象概念。这种将感官体验压缩为符号的能力，正是人类智能的精髓。当前人工智能虽能识图辨音，却始终困在"感知"层面，难以形成真正的概念认知。

中国科学院自动化研究所团队近日提出CATS Net框架。该系统首次让神经网络展现出类人的概念形成与理解能力。这项发表于《自然-计算科学》的研究，为破解AI"有智能无常识"的困局提供了新路径。

CATS Net包含概念抽象（CA）模块与任务求解（TS）模块。CA模块扮演"信息压缩器"角色，将高维视觉输入提炼为紧凑的低维"概念向量"。这些向量如同精密的钥匙，携带了物体的本质特征。

概念向量通过分层门控机制产生开关信号，动态调节TS模块的神经网络活动。这种设计让系统能够根据概念内容，灵活调用不同的感知处理能力，高效完成特定视觉任务。

研究团队发现，CATS Net的工作机制与人脑高度相似。功能磁共振成像显示，系统生成的概念空间与人类心理学认知语义模型一致。其表征模式对应大脑腹侧枕颞皮层的视觉语义处理区域。

而动态门控机制则模拟了前额叶的语义控制网络。这意味着CATS Net不仅实现了功能层面的类人智能，更在计算机制层面揭示了人脑概念形成的生物学原理。系统能够通过与环境互动自主生成新概念。

人工智能领域长期存在两大流派之争。联结主义依赖海量数据训练深度网络，擅长感知却缺乏可解释性；符号主义强调逻辑推理，却难以处理模糊感官输入。CATS Net架起了两者之间的桥梁。

该框架让神经网络自发形成离散的符号化概念，实现了从"感知智能"到"认知智能"的跨越。这标志着神经符号融合从理论设想走向技术实现，为构建可解释、可推理的下一代AI奠定了基础。

中国在该领域布局已久。中科院自动化所类脑智能研究中心持续探索脑启发的认知架构，清华、北大等高校也在神经符号计算领域取得系列进展。CATS Net的独特价值在于其双验证体系。

该研究既实现了工程目标，又通过人脑数据验证了生物学合理性。相比欧美侧重纯工程优化的路径，中国团队更注重"机制类比脑，功能类人"的类脑智能范式。这种结合认知科学与计算模型的研究思路，正成为中国在通用人工智能赛道上的特色优势。

当不同CATS Net系统的概念空间对齐后，它们可直接通过概念向量传递知识，无需重新训练。这种能力为构建多智能体协作系统、实现真正的人机自然交互开辟了可能。从感知到认知，AI正在获得"理解"世界的能力。