Nature子刊：CATS Net双模块框架揭示机器“概念”形成的计算机制

事件概述

《自然·计算科学》（Nature Computational Science）于2026年3月24日发表题为《A neural network for modeling human concept formation, understanding and communication》的研究论文。该研究提出了一种名为CATS Net的双模块神经网络框架，旨在解决现有AI模型缺乏自主概念形成能力的问题，弥合感知经验与抽象理解之间的鸿沟。

核心信息

1. 架构设计：概念与任务的解耦

CATS Net由两个独立但协同工作的模块组成：

• 概念抽象模块（Concept Abstraction, CA）：负责接收高维感知输入，将其压缩为低维的概念向量（concept vector），并生成控制信号。
• 任务求解模块（Task Solving, TS）：处理具体的感知判断任务，但其内部计算路径受CA模块生成的概念信号进行动态调制（层级门控）。

这种设计使得“概念”不再是隐含在参数中的静态标签，而是直接改变网络行为逻辑的控制变量。同一输入图像在不同概念信号下会被重新解释和分类。

2. 可学习的语义结构与功能特异性

• 自组织语义空间：训练后的模型自发形成了一个20维的概念空间，无需预设语言符号。该空间呈现出显著的语义聚类结构（如动物、家具、交通工具等群组），且与人类语义模型（Binder65、SPOSE49）具有显著相关性。
• 功能熵分析：研究发现，训练后的概念空间表现出低熵和强选择性特征，证明概念是任务中涌现的功能性结构，而非人为定义的类别。相比之下，使用固定概念空间（如Word2Vec或one-hot编码）会导致性能显著下降。

3. 概念通信与知识迁移

研究展示了类似人类语言的“概念通信”机制：

• 实验设置：构建Teacher-Student体系，Teacher学习全部类别，Student缺失特定类别（如“苹果”）。
• 翻译模块：通过一个独立的翻译模块将Teacher的概念向量映射到Student的空间。
• 结果：Student仅凭接收到的低维概念向量，即可识别从未见过的类别，准确率远超随机水平。这表明知识可以通过低维符号进行传递，而无需复制庞大的模型参数。

4. 脑 - 模型对齐（Model–Brain Alignment）

通过fMRI数据分析，模型与真实大脑神经机制表现出高度一致性：

• 表征对应：模型的“概念层”与人类腹侧视觉皮层（VOTC）的表征高度相关，负责对象表征。
• 控制对应：CA模块与人类的语义控制网络（semantic-control network）显著相关，负责信息的调度与选择。
• 最优解假设：多个独立训练的模型收敛至相似的概念结构，且这些高一致性模型与人脑的对应关系更强，暗示概念结构可能是计算约束下的“最优解”。

值得关注

该研究的核心价值在于推动了AI范式的转变：

• 问题重构：从关注“如何预测”转向探究“如何形成概念”。
• 技术路径：指出实现类人智能的关键不在于扩大模型规模，而在于构建更结构化的表示系统（压缩表示 + 可调度计算 + 可通信接口）。
• 理论意义：为理解人类认知机制提供了统一的计算框架，证明了语义结构可以从纯感知任务中自然涌现，而非语言专属。