正文

浙大团队新突破：用人脑分类方式提升AI抽象理解能力

编辑：星球日报发布时间：15小时前

当前大模型的发展趋势是不断增大参数规模，主流观点认为模型参数越多，就越接近人类思考的方式。然而，浙江大学研究团队的一项最新研究表明，这种观点并不完全正确。他们的研究发现，当模型规模扩大时，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并未同步提高，甚至可能出现下降。

研究显示，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%提升到85.87%，而抽象概念任务的准确率却从54.37%下降到52.82%。这一现象揭示了当前AI模型在处理抽象概念时的短板。

人类大脑在处理概念时，会自然形成一套分类关系。例如，天鹅和猫头鹰虽然外形不同，但人类会将它们归为“鸟”这一类别；再往上，“鸟”和“马”会被归入“动物”这一更大的类别。当面对新事物时，人类会基于已有经验快速判断其所属类别，并将其融入已有的知识体系中。

相比之下，AI模型的分类方式主要依赖于大规模数据中反复出现的形式。对于具体对象，模型能够通过大量样本学习识别，但在更大类别的归纳上，模型的表现则较为吃力。这导致模型在面对新事物时，往往停留在表面特征，难以像人类一样灵活运用已有经验。

针对这一问题，浙大团队提出了一种全新的解决方案：通过少量脑信号对模型进行监督，使其内部结构更接近人脑的分类方式。研究团队利用人类观看图片时的大脑活动记录，将人脑的分类结构（human conceptual structures）传递给深度神经网络（DNNs）。

实验结果表明，经过这种训练后，模型与人脑表征之间的距离显著缩小。无论是训练类别还是测试类别，模型都表现出更强的学习能力，尤其是在样本较少的情况下，其性能提升尤为明显。

团队使用150个已知训练类别和50个未见过的测试类别进行了实验。结果显示，在极少示例的情况下，模型区分生物和非生物等抽象概念的能力平均提升了20.5%，甚至超过了参数量更大的对照模型。此外，团队还进行了31组专门测试，几类模型的表现均提升了近一成。

过去几年，AI行业的主要发展方向是不断扩大模型规模。然而，浙大团队的研究表明，单纯追求规模扩张并不能解决所有问题，尤其是抽象理解和迁移能力的提升。未来，AI的发展需要更加关注认知结构本身，让模型的思考方式更接近人脑。

这一研究也引出了更大的可能性：AI的进化不仅限于模型训练阶段。进入真实世界后，AI agent还需要通过持续预测、验证和优化来实现进一步成长。Neosoul正是在这一方向上进行探索，通过构建一个持续筛选和优化的系统，让AI agent在真实环境中不断进化。