问题：当前主流人工智能学习方式上存在明显短板。传统深度学习将知识"隐式存储"在大量参数中，难以形成可迁移、可解释的概念；大语言模型高度依赖人类已有的语言和标注，缺乏从感知经验中自发抽象概念的能力。这导致AI在跨任务迁移、未知场景理解以及多系统协作上表现不足。原因：人类智能的关键优势于概念化能力。人脑能将复杂的视觉、听觉等信息提炼成抽象概念，并据此推理与交流。现有AI框架多以模式匹配为主，缺少"概念形成—概念驱动—概念交流"的完整机制。研究人员基于认知科学与类脑计算思路，提出更接近人脑机制的新型神经网络结构来弥补这个差距。影响：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的CATS Net，实现了两个关键能力：一是将复杂输入压缩为"概念向量"并驱动任务求解，完成识别、判断等功能；二是不同系统在"概念库"对齐后可直接交流概念，实现无需重复学习的知识传递。这一机制在视觉与认知任务中表现出接近人类的概念抽象能力。脑成像实验发现，模型的概念空间与人类认知、语言逻辑高度一致,其工作模式与人脑概念处理对应的脑区活动相吻合，说明该模型不仅在功能上模拟人脑，也在原理上揭示了概念形成的计算机制。对策：技术层面，需更扩大模型在多模态场景中的验证范围，构建可解释、可验证的概念库体系，加强与认知科学、神经科学的交叉研究。同时应在数据治理、算法透明度、系统可控性上完善规范，确保新一代类脑智能的安全性与可靠性，推进价值对齐与伦理审查的制度框架建设。前景：研究团队认为，该成果为下一代类人智能奠定了基础。具备自主"造概念、懂概念"能力的智能系统有望突破当前大模型的局限，科学发现、复杂决策、多系统协同等领域发挥更大作用。未来，概念驱动的AI将从"经验依赖型"向"理解型"转变，在理解世界、解释问题、提出新假设诸上实现能力提升。
当机器开始学会像人类一样"思考概念而非数据"，我们正站在智能进化的新临界点。这项突破不仅标志着我国在类脑计算领域取得领先优势，更引发对智能本质的深层思考：未来的人机协作，或将建立在共同的概念认知基础之上。正如研究者所言，理解智能的终极目标，始终是为了更好地理解人类自己。