人类大脑最特别的能力，就是能把复杂的画面、声音提炼成简单概念，再用概念思考、说话。比如，当我们看到不同的猫，就会总结出“猫”这个概念，不用每次都重新认识。但目前主流AI存在明显短板：传统深度学习模型的知识都“缠”在海量参数里，没法独立提取概念；而大语言模型则高度依赖人类现成语言训练，不能自己从经验里“无中生有”形成新概念。中国科学院自动化研究所脑图谱与类脑智能实验室余山团队携手北京大学心理与认知科学学院毕彦超团队，提出CATS Net新型神经网络框架，成功实现类人的概念形成、理解与交流。相关研究成果近日在线发表在国际学术期刊《自然・计算科学》上。这个新型AI系统有两大核心“本领”：一是自动提炼概念系统包含“概念抽象”和“任务求解”两个模块。处理图片等视觉信息时，能把复杂信息压缩成简洁的“概念向量”，像一把钥匙，精准指挥系统完成识别、判断等任务。二是跨系统“概念交流”AI能自主生成大量新概念，形成专属“概念库”。当不同AI的“概念库”对齐后，不用再重新学习外界信息，可以直接用概念传递知识，模拟人类用语言交流的过程。研究团队通过脑成像实验发现，CATS Net形成的概念空间同人类认知、语言逻辑高度一致，它的工作模式也与人脑负责概念处理的脑区活动高度匹配。这意味着，该模型不仅在功能上模仿人脑，更在原理上揭示了人类形成概念的计算机制。
团队专家表示，这项突破为研发下一代类人智能打下基础。未来，拥有自主“造概念、懂概念”能力的AI，有望突破现有大模型的局限，在科学探索、复杂决策等领域发挥更大作用。同时，如何确保这类智能系统与人类价值观保持一致，也将成为下一步重点研究方向。
在原有工业 AI 开发平台的基础上，迭代聚焦多模态数据融合与 Transformer 架构升级两大方向。构建跨模态统一建模引擎，通过分层注意力机制整合文本、时序、图像数据，使故障特征识别完整度提升 60%；将 LSTM/CNN 替换为混合模态 Transformer，集成 ViLT 预训练技术，在半导体缺陷检测中误检率降至 1.2%；开发动态知识图谱系统，结合图神经网络实现设备故障因果链推演，根因分析效率提高 45%；新增工业 Copilot 交互系统，支持语音指令联动知识图谱查询，形成决策闭环；建立轻量化推理引擎，内存占用减少 70%并实现云边端协同部署。
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。