浙大研究团队提出新路径：把人脑理解世界的方式教给 AI
浙大研究团队在《Nature Communications》发表论文提出，当前大模型虽随参数增加能提升具体事物识别能力，但抽象概念理解能力反而下降。实验显示，参数从2206万增至3.0437亿后，具体概念任务准确率从74.94%升至85.87%，而抽象概念任务从54.37%降至52.82%。
研究指出，人脑通过分层分类结构处理概念（如将天鹅和猫头鹰归类为“鸟”），并能灵活迁移知识至新场景，而模型依赖数据统计特征，难以形成稳定抽象分类。团队创新性地采用人脑观看图片时的脑信号作为监督信号，将人脑的概念组织结构迁移至深度学习模型（如SimCLR、CLIP）。经训练后，模型与脑表征距离缩小，在少样本学习和抽象任务（如区分生物与非生物）中表现提升超20.5%，甚至优于参数量更大的对照组。
该研究突破了“规模至上”的范式，转向“结构优化”路径，强调让AI模仿人脑的认知结构以实现真正的抽象思维与迁移能力。这一方向与AI智能体（如Neosoul）的持续进化机制相契合，共同推动AI从“机械答题”向“自主思考+进化”迈进。
marsbit04/05 04:40
