人工智能发展面临一个根本瓶颈：现有AI系统虽然擅长数据处理和模式识别，但缺乏人脑的核心能力——从复杂信息中自主抽象出简洁概念，进而基于概念进行思维和交流；这个差距制约了AI向更高层次发展。 传统深度学习模型将知识分散存储海量参数中，难以提取和表达具体概念；大语言模型则过度依赖人类提供的训练数据，无法从实际经验中自发形成新的概念体系。两类系统都未能实现人脑的概念生成机制。 针对这一问题，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与北京大学心理与认知科学学院毕彦超团队联合提出CATS Net新型神经网络框架。该框架的核心创新包括两个上： 一是建立自动概念提炼系统，包含"概念抽象"和"任务求解"两个功能模块。处理图像等视觉信息时，系统能将复杂原始数据压缩转化为精简的"概念向量"——这些向量如同精准指令集——能有效指导系统完成识别、判断等任务。 二是实现跨系统的概念交流机制。不同AI系统可自主生成新概念，形成各自独特的"概念库"。当多个系统的概念库实现对齐后，它们无需重新学习外部信息，便可直接通过概念传递知识，这一过程与人类通过语言交流的方式相似。 研究团队通过脑成像实验进行了验证。结果表明，CATS Net形成的概念空间与人类的认知逻辑和语言结构高度一致，其工作原理也与人脑中负责概念处理的脑区活动模式相匹配。这说明该模型不仅功能层面模仿了人脑的概念处理能力，更重要的是在原理层面揭示了人类形成和处理概念的计算机制。 这项突破具有深远的应用前景。拥有自主"造概念、懂概念"能力的AI系统，有望突破现有大模型在知识迁移、创新应用诸上的局限，在科学探索、复杂决策、跨领域知识融合等领域展现更大潜力。同时，如何确保这类更接近人类思维方式的智能系统与人类价值观和伦理规范保持一致，也成为亟待解决的重要课题。
从"拟合数据"走向"形成概念"，是迈向更高层次智能的重要一步。CATS Net的探索表明，我国科研团队正从机制创新与实证验证两端同时发力，努力缩小机器智能与人类认知之间的关键差距。面向未来，技术突破需要与标准、治理和应用验证同步推进。唯有在可控、可信、可用的轨道上稳步前行，智能技术才能更好服务科学进步与社会发展。