浙大团队新突破：用人脑分类方式提升AI抽象理解能力

近年来，人工智能模型的规模不断扩张，主流观点认为模型参数越多，越能接近人类的思维方式。然而，浙江大学研究团队于4月1日在《Nature Communications》上发表的一篇论文提出了不同的见解（原文链接）。他们的研究表明，当模型（如SimCLR、CLIP、DINOv2）规模扩大后，虽然识别具体事物的能力有所提升，但对抽象概念的理解能力却未见改善，甚至出现下降。

研究数据显示，当模型参数从2206万增加到3.0437亿时，具体概念任务的准确率从74.94%提升至85.87%，而抽象概念任务的准确率却从54.37%下降到52.82%。这揭示了人类与AI在处理信息时的根本差异。

人类大脑在处理概念时，会先形成一套层级化的分类关系。例如，天鹅和猫头鹰虽外形不同，但人们会将它们归类为“鸟”，再进一步归入“动物”这一更大的类别。当面对新事物时，人类会迅速将其与已有经验进行关联，并通过这套分类体系快速适应新情境。相比之下，AI模型主要依赖大规模数据中反复出现的模式进行分类。具体对象出现得越多，模型越容易识别；但在更高阶的抽象分类上，模型表现则显得力不从心。

为解决这一问题，浙大团队提出了一种创新方法：通过少量脑信号对模型进行监督训练，将人类的分类结构传递给深度神经网络（DNNs）。这种方法的核心是利用人类观看图片时的大脑活动记录，让模型学习人类如何归纳和组织相近概念。

实验结果显示，在使用150个已知训练类别和50个未知测试类别的情况下，随着训练推进，模型与脑表征之间的距离逐渐缩小。这表明模型不仅学会了单个样本的特征，更开始掌握一种接近人类的概念组织方式。经过训练后，模型在样本稀缺情况下的学习能力显著增强，尤其在区分生物与非生物等抽象概念的任务中，平均提升了20.5%，甚至超越了参数量更大的对照模型。

过去几年，AI行业普遍遵循“更大即更好”的发展路径。然而，浙大团队的研究表明，“结构化才是更聪明”的方向可能更具潜力。虽然规模扩张能够提升模型在熟悉任务中的表现，但要实现类似人类的抽象理解和迁移能力，仍需让AI的思考结构更加贴近人脑。

这一研究还引发了更深层次的思考：AI的进化或许不仅仅局限于模型训练阶段。未来，AI agent在真实世界中的成长同样重要。Neosoul正是在这一领域展开探索，通过持续预测、验证、结算和筛选，构建一个能够让AI不断优化自身的系统。无论是浙大团队的研究还是Neosoul的实践，其目标都是让AI不仅具备解答具体问题的能力，更能拥有全面的思考能力和自我进化的潜力。