围绕"如何让智能系统像人一样形成概念并概念层面交流"这个国际前沿问题，中科院自动化研究所脑图谱与类脑智能实验室与北京大学心理与认知科学学院联合提出一种新型神经网络框架，实现从感知经验中自发抽象概念、并以概念驱动任务求解的机制。 问题：智能系统缺乏"脱离感官的概念思维" 在人类认知中，个体能将纷繁的感官输入提炼为相对稳定、可复用的概念，并在概念空间中进行推理、表达与交流。这种从"看见和经历"走向"理解与概括"的能力，是语言产生与知识传播的基础； 传统深度神经网络往往依赖海量参数拟合数据，知识表征高度纠缠，难以抽取独立操作的概念单元。近年发展的通用模型虽然擅长利用既有文本范畴进行生成与组合，但在"从经验中自生概念"上仍有明显不足。 原因：表征方式与学习路径限制了概念的可解释性与可迁移性 概念形成困难主要源于两方面：其一，感知信息高维且噪声复杂，系统缺少有效的压缩与抽象机制，难以形成紧凑稳定的概念表征；其二，任务学习往往被绑定具体场景与参数配置上，导致知识难以在不同系统间复用。 探索"感知—概念—再生成"的双向通路，以及概念在任务控制中的作用机制，成为突破类人认知能力的重要方向。 影响：构建"概念向量+门控调节"机制，提升自主学习与交流能力 该框架引入概念抽象模块，将高维视觉输入压缩为低维、紧凑的"概念向量"，在表征层面形成相对独立的概念单位。概念向量通过分层门控机制生成调节信号，动态影响任务求解模块的神经活动，使系统以更高效率、更强灵活性完成视觉感知任务。 系统还可在与环境互动中持续生成新概念并扩展自身概念空间，为在未知场景下的学习与适应提供支撑。 更值得关注的是，当不同神经网络的概念空间实现匹配后，系统可直接通过概念向量在网络间传递知识，无需环境重新训练，模拟了人类借助语言实现经验分享与协同的过程。这为提升智能系统的迁移能力、复用能力与跨主体协作能力提供了新的技术路径。 对策：以"自主概念形成"补齐能力短板，同时强化可控与可解释 科研团队认为，当前不少系统能力的边界受到既有语言范畴的约束。推动智能系统具备自主形成新概念的能力，有望使其在更广阔领域发挥作用，尤其是在需要提出新假设、建立新范畴的科学研究与复杂探索任务中，可能带来新的方法论增量。 概念向量及其门控调节过程相对清晰，为理解系统决策依据、改进可解释性提供了抓手，有助于提升技术的可审计与可治理水平。 但也需看到，概念生成能力增强意味着系统的开放性提升，如何在能力扩展的同时确保目标一致、价值相符与风险可控，将成为更应用不可回避的课题。业内专家指出，未来需在数据规范、训练约束、评测体系与安全边界各上同步完善，推动技术创新与治理框架相互促进。 前景：为下一代智能系统奠定基础，面向科学探索与产业应用拓展 智能系统正从"拟合数据"迈向"构建世界模型"，从"语言驱动"走向"概念驱动"。此次研究在机制层面给出了概念形成、理解与交流的可计算实现路径，有望为后续构建具备类人概念推理能力的智能系统提供基础框架。 下一步的关键在于，如何将该机制扩展到多模态感知、更复杂的交互环境以及更长期的学习过程，并形成可复现、可评测、可落地的技术体系，这将决定其在科研与产业场景中的实际影响力。
从"会做题"到"会长概念"，是智能系统走向更高层次通用能力的关键跨越。此次北京科研团队的探索为破解概念抽象、概念交流与知识迁移等难题提供了新思路。面向未来，技术突破与安全治理需要并行推进：既要推动机制创新与应用落地，也要以可控、可信为底线完善评测与规范，让前沿成果更好服务科技进步与社会发展。