人类智能的一个独特能力，是能够从感官体验中抽象出概念，从而脱离直接的感官输入，在概念空间中思考与交流。一般认为，将高维感知“压缩”为低维概念、再由概念“重构”感知的双向过程，构成了人类符号化思维的基础，并进一步支持了语言的产生。然而，当前的人工智能（AI）系统却难以实现这一过程：传统深度网络往往将知识纠缠在海量参数之中，难以提取出独立的概念；而近年来备受关注的大语言模型则高度依赖人类既有的语言符号进行训练，无法真正“从无到有”地从感知经验中自发形成概念。如何在计算系统中实现类人的概念形成，是认知科学和人工智能领域中的核心问题。

近日，北京大学心理与认知科学学院毕彦超课题组与中国科学院自动化研究所余山课题组合作，在《自然·计算科学》（Nature Computational Science）在线发表题为“A neural network for modeling human concept formation, understanding and communication”的研究论文。该研究提出一种新型神经网络框架CATS Net，系统模拟了概念形成、概念理解和概念交流三个核心过程。研究发现，神经网络可以从感知经验中自发形成结构化的概念空间，且这一概念空间与人类语义空间和人脑神经表征具有显著对应关系，为理解人类概念认知提供了新的计算模型，也为构建具备类人概念智能的人工智能系统提供了重要基础。

图1 CATS Net模型框架示意

为解决这一问题，研究团队提出了CATS Net，即概念抽象与任务求解双模块神经网络。该模型包含两个核心组成部分：概念抽象模块（Concept Abstraction，CA）和任务求解模块（Task Solving，TS）。在视觉任务中，CA模块能够将高维视觉输入压缩为紧凑的低维概念向量；这些概念向量随后通过分层门控机制调节TS模块的神经网络活动，使模型能够根据当前概念灵活完成相应的视觉判断任务。

这一过程模拟了人类概念认知中的两个关键环节：一方面，个体可以从感知经验中抽象出概念；另一方面，概念又可以反过来调节感知和行为，使系统能够根据“正在使用的概念”选择性地处理相关信息。

图2 CATS Net自发形成的概念空间与人类语义模型的对齐

研究发现，CATS Net可以在与环境交互的过程中自主形成大量新概念，并组织出结构化的概念空间。进一步地，当不同神经网络形成的概念空间被对齐后，模型之间可以不再依赖外部环境重新学习，而是直接通过概念向量传递知识。这一过程模拟了人类通过语言等符号系统进行概念交流的核心机制。

图3 独立训练的CATS Net之间的概念交流

研究团队进一步将CATS Net形成的概念表征与人类认知语义模型及脑成像数据进行比较。基于功能磁共振成像（fMRI）的表征相似性分析显示，CATS Net自发形成的概念空间与人类语义空间具有显著相似性，并与人脑腹侧枕颞皮层中视觉语义表征的活动模式显著相关。同时，模型中CA模块的动态门控机制与人脑语义控制网络的活动模式相吻合，提示该模型不仅在功能层面模拟了人类的概念形成和理解，也在机制层面为人脑概念认知提供了可能的计算解释：概念并不是静态储存在系统中的标签，而是可以通过动态门控机制调节神经网络的信息处理过程。

图4 CATS Net概念表征与人脑语义表征、语义控制网络的对应关系

该研究为理解人类如何从感知经验中形成概念、如何利用概念指导认知行为以及如何通过符号进行概念交流提供了统一的计算框架。与此同时，该工作也为发展具备自主概念形成能力的新一代人工智能系统奠定了基础。未来，如果人工智能系统能够超越人类已有语言范畴，自主形成新的概念结构，将有望在科学发现、复杂环境适应和开放式知识学习等领域发挥重要作用。

本研究的共同第一作者为中国科学院自动化研究所博士研究生郭良轩、北京大学博士研究生陈昊扬及中国科学院自动化研究所陈阳副研究员；余山、毕彦超与陈阳为共同通讯作者。研究得到中国科学院、国家自然科学基金委及科技部等的支持。