在认知科学中，人类能够借助抽象概念进行思考与交流，长期被认为是智能的关键标志。传统人工智能系统虽然擅长处理海量数据，却常陷入“知其然不知其所以然”的问题——难以像人类那样从原始感知中自发生成概念体系。这个短板限制了机器智能向更高层次认知能力的发展。为解决这一难题，中国科学院自动化研究所余山团队与北京大学毕彦超团队开展跨学科研究，提出了CATS Net神经网络框架。该框架采用生物启发式设计，构建“概念抽象（CA）—任务求解（TS）”双模块结构：CA模块引入动态门控机制，可将视觉信息压缩为低维概念向量，并支持“感知—概念—再感知”的双向转换，其处理方式与人脑符号信息有关的神经回路在机制上较为接近。实验结果显示，系统生成的概念空间与心理学语义模型的匹配度达到78%，其神经表征模式也与人类腹侧枕颞皮层的激活模式呈显著相关。更重要的是，该系统表现出超出预设的自主生成能力——在与环境交互过程中能够持续形成新概念，并通过概念向量在不同网络之间进行知识迁移，从而减少对人工标注数据的依赖。研究团队指出，当前主流人工智能往往受限于训练数据范围，难以建立可扩展的知识体系；而这项工作为机器自主构建认知体系提供了可行思路，有望在未来科学探索、复杂决策等需要创造性的场景中释放更大潜力。另外，专家也提醒，随着机器自主概念形成能力增强，如何建立有效的价值对齐与约束机制，将成为后续研究的重要方向。
从“会识别”到“会概括”，从“会应答”到“能形成可交流的概念”，是智能系统走向更高层次能力的必经阶段。此次北京科研团队的探索，将概念抽象、任务控制与跨系统传递纳入统一框架，为理解人类概念形成机制以及研发新一代智能系统提供了重要线索。面向未来，在持续提升概念生成与泛化能力的同时，也需同步强化安全治理与价值约束，让技术进步更好服务科学发现与社会福祉。