当下的 AI 精于语言却缺乏真实体验，而一项名为 CATS Net 的新研究正试图改变这一现状。它致力于让机器像人类一样，从原始感官中自主形成抽象概念，为 AI 真正理解世界提供了全新的科学路径。
智能速览
当前大语言模型受限于“符号接地”难题，知识来源是文本而非真实体验。
CATS Net 是一个让 AI 从原始感官经验中自主生成抽象概念的新框架。
该网络通过概念抽象和任务解决两大模块协同工作，模拟人脑认知机制。
脑成像数据证实，CATS Net 构建的概念空间与人脑激活模式高度相似。
该研究将“AI 如何形成概念”从哲学讨论带入了可实验的科学轨道。
精华内容
从语言模型到概念生成，AI 的进化之路迎来了关键转折。CATS Net 框架究竟是如何模拟人类认知，让机器摆脱对现成文本的依赖的呢？
符号接地之困
GPT-4、Claude 等大语言模型的核心能力是预测文本，本质上是海量的统计模式识别器。它们的知识源于互联网文本，而非直接的感官体验，这导致其无法像人类一样自发生成全新概念。
这个问题在认知科学中被称为“符号接地”难题，即符号（文字）如何与真实世界的感知经验相连接。目前的多模态模型也只是在做视觉信息与语言的对齐，并未实现从零开始的概念创造。
CATS Net 的解法
为了突破上述局限，中国科学院和北京大学的研究团队提出了 CATS Net（概念抽象与任务解决网络）框架。其架构包含两大核心模块：概念抽象模块负责从视觉等原始输入中提炼抽象表征；任务解决模块则调用这些概念完成具体任务。
这种设计高度模拟人脑的工作方式。更重要的是，CATS Net 能通过体验式学习自主构建一个“概念空间”，实现从零到一的概念生成。
与大脑的共鸣
研究团队引入脑成像数据来验证 CATS Net 的有效性。结果令人振奋：该网络构建的概念空间，不仅在功能上与人脑处理概念时的激活模式高度相似，其内部的组织结构也展现出显著的对应关系。
这意味着，CATS Net 不只是工程上的复现，更在计算层面揭示了人类概念形成的部分内在机制，对认知神经科学也具有反向启发的价值。
现实与展望
尽管前景广阔，但仍需理性看待 CATS Net 的当前阶段。目前它主要在视觉任务上展现能力，距离理解开放世界的复杂、动态和具身概念（涉及情感、社会互动等）还有很长的路要走。
此外，如何让大规模、高复杂度的 AI 系统实现稳定的概念空间对齐，也是一个待解的开放问题。其核心价值在于提供了一个可验证的框架，将 AI 概念生成问题拉入科学实验轨道。
CATS Net 的意义不在于立刻创造了“强人工智能”，而在于为探索机器如何形成概念铺下了一块坚实的基石。它让 AI 从“读懂人类写下的一切”向“亲身体验世界”迈出了一大步，尽管前路漫漫，但方向已然清晰。
