问题：长期以来，智能系统视觉识别、语言处理等任务上进展显著，但在“概念”层面的能力仍是短板；人类可以从感官经验中提炼概念，再在概念空间中进行推理、表达与交流；而不少传统深度网络往往把知识分散并“缠绕”在海量参数中，难以明确抽取可复用、可组合的独立概念。依赖语言数据训练的部分模型虽能熟练运用现有符号，却较难从原始感知经验出发实现“从无到有”的概念生成与迁移。 原因：概念能力之所以关键，在于它承担着从高维感知到低维抽象、再由抽象指导感知与行动的双向桥梁作用。缺少这个桥梁，系统容易陷入两种困境：一是只能在固定任务与数据分布内“拟合”，泛化到新场景成本高；二是难以形成稳定的内部表征，导致知识难以模块化复用，跨任务迁移与跨主体交流受限。概念的生成、理解与共享机制，成为类脑智能研究亟待突破的核心环节。 影响：据介绍，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围绕上述难题开展联合研究，构建新型神经网络框架并取得进展。该框架设置概念抽象模块，可将高维视觉输入自发压缩为紧凑的低维“概念向量”；随后，概念向量通过分层门控机制产生多项动态“开关”信号，对任务求解模块的神经活动进行调节，从而以更高效率和灵活性完成特定视觉感知任务。研究表明，该系统还能在与环境交互中持续生成大量新概念，逐步形成自身概念空间。更更，当不同神经网络形成的概念空间实现匹配后，网络间可通过概念向量直接传递知识，在无需重新从环境学习的情况下完成迁移，模拟人类借助语言等符号进行交流与共享的过程。对应的成果近日发表，为概念认知的计算机制提供了新的解释框架。 对策：面向下一步研发与应用，业内人士指出，应在三上同步推进：其一，强化从多模态感知到概念表征的基础能力建设，使概念不仅可用于识别，更能服务于推理、规划与创造；其二，建立概念空间对齐与可解释评测体系，明确不同系统间“可共享”的概念边界与可靠性，避免迁移中的偏差累积；其三，将安全与治理要求前置到系统设计与训练流程中，通过约束机制、评估规范与人机协同监督，提升与人类价值目标一致的可控性，防止概念生成与扩展被误用或产生不可预期后果。 前景：研究团队认为，当前以语言符号为主的训练范式在一定程度上受限于既有语言范畴，而赋予系统自主形成新概念的能力，有望拓展其在更广阔领域的探索空间，例如面向未知问题提出假设、形成新的表征并开展验证式探索，为科学研究与工程创新提供新工具。从更长远看，若概念抽象、概念对齐与安全控制三者形成闭环，这类具备“概念—感知”双向转换能力的系统有望在复杂环境中表现出更强的泛化与协作能力，为下一代智能系统的架构演进提供重要方向。
这项研究标志着我国在人工智能基础理论上取得了重要进展。从感知到概念、从具体到抽象、从被动到主动的转变，触及了人工智能发展的深层问题。当人工智能逐步获得类似人类的概念思维能力，它将不再仅仅是工具，而可能成为真正的探索者和创造者。但这种能力提升也带来了新的责任——我们必须在释放其潜力的同时，建立相应的制约机制，确保其发展方向始终与人类根本利益相一致。这是一场科技进步与人文关怀的平衡之旅。