浙大研究團隊提出新路徑：把人腦理解世界的方式教給 AI

大模型一直在變大，主流觀點認為模型參數越多，就會越接近人類思考的方式。然而浙大團隊4月1日在Nature Communications上發表的一篇論文則提出了不同的觀點（原文連結：https://www.nature.com/articles/s41467-026-71267-5）。他們發現當模型（主要為SimCLR、CLIP、DINOv2）規模變大後，識別具體事物的能力確實會繼續提高，但理解抽象概念的能力不僅沒有提高，甚至會有所下降。當參數從 2206 萬增加到 3.0437 億後，具體概念任務從 74.94% 升到 85.87%，抽象概念任務從 54.37% 降到 52.82%。

人類和模型思考方式的區別

人腦處理概念時，會先形成一套分類關係。天鵝和貓頭鷹長得不一樣，人還是會把它們放進鳥這一類。再往上，鳥和馬還能繼續放進動物這一層。人看到新東西時，常常會先想，它和以前見過的什麼東西像，大概屬於哪一類。人會持續學習新概念，再把經驗組織起來，用這套關係去識別新事物、適應新情境。

模型也會分類，但形成方式不同。它主要靠大規模數據裡反覆出現的形式。具體對象出現得越多，模型越容易把它認出來。到了更大的類別這一步，模型就比較吃力了。它需要抓住多個對象之間的共同點，再把這些共同點歸到同一類裡。現有模型在這裡還有明顯短板。參數繼續增大後，具體概念任務會提升，而抽象概念任務有時還會下降。

人腦和模型的共同點，是內部都會形成一套分類關係。但是雙方側重點不同，人腦的高階視覺區域會自然分出生物和非生物這類大類。而模型能把具體對象分開，但很難去穩定形成這種更大的分類。這個差別導致人腦更容易把舊經驗用到新對象上，所以面對沒見過的東西時，我們能快速分類。而模型則更依賴現有知識，所以遇到新對象時，更容易停在表面特徵上。論文提出的方法，就是圍繞這個特點展開，用腦信號去約束模型內部結構，讓它更接近人腦的分類方式。

浙大團隊的解決方案

團隊給出的解決方案也很獨特，並不是繼續堆參數，而是拿少量腦信號做監督。這裡的腦信號，來自人看圖片時的大腦活動記錄。論文原文寫的是，把 human conceptual structures transfer 給 DNNs。意思就是把人腦怎麼分類、怎麼歸納、怎麼把相近概念放在一起，盡量教給模型。

團隊用 150 個已知的訓練類別和 50 個沒見過的測試類別做實驗。結果顯示，隨著這套訓練推進，模型和腦表徵之間的距離持續縮小。這個變化同時出現在兩個類別中，這說明模型學到的不是單個樣本，而是真正開始學習一種更接近人腦的概念組織方式。

經過這套訓練後，模型在樣本很少時的學習能力更強，面對新情況時表現也更好了。在一個只給極少示例、卻要求模型區分生物和非生物這類抽象概念的任務裡，模型平均提升了 20.5%，還超過了參數量大得多的對照模型。團隊還另外做了 31 組專門測試，幾類模型都出現了接近一成的提升。

過去幾年，模型行業熟悉的路徑是更大的模型規模。浙大團隊則選擇了另一個方向，從bigger is better 走向 structured is smarter。規模擴張確實很有用，但主要提高的是熟悉任務裡的表現。人類那種抽象理解和遷移能力對AI來說同樣至關重要，這需要在未來讓AI的思考結構更加接近人腦。這個方向的價值，在於它把行業注意力從單純的規模擴張，重新拉回到認知結構本身。

Neosoul與未來

這引出了一個更大的可能性，AI 的進化，未必只發生在模型訓練階段。模型訓練可以決定AI怎樣組織概念，怎樣形成更高品質的判斷結構。再進入真實世界之後，AI的另一層進化才剛開始：AI agent 的判斷如何被記錄，如何被檢驗，如何在真實的互相競爭中不斷成長進化，如同人類般自我學習自我進化。這也正是Neosoul現在所做的。Neosoul不只是讓AI agent 產出答案，而是把AI agent 放進一個持續預測、持續驗證、持續結算、持續篩選的系統裡，讓其不斷在預測與結果中優化自身，讓更好的結構被保留，讓更差的結構被淘汰。浙大團隊與Neosoul共同指向的，其實是同一個目標：讓 AI 不再只會做題，更是要具備全面的思考能力，不斷進化。