浙大研究团队提出新路径：把人脑理解世界的方式教给 AI
大模型一直在变大，主流观点认为模型参数越多，就会越接近人类思考的方式。然而浙大团队4月1日在Nature Communications上发表的一篇论文则提出了不同的观点（原文链接：https://www.nature.com/articles/s41467-026-71267-5）。他们发现当模型（主要为SimCLR、CLIP、DINOv2）规模变大后，识别具体事物的能力确实会继续提高，但理解抽象概念的能力不仅没有提高，甚至会有所下降。当参数从 2206 万增加到 3.0437 亿后，具体概念任务从 74.94% 升到 85.87%，抽象概念任务从 54.37% 降到 52.82%。
人类和模型思考方式的区别
人脑处理概念时，会先形成一套分类关系。天鹅和猫头鹰长得不一样，人还是会把它们放进鸟这一类。再往上，鸟和马还能继续放进动物这一层。人看到新东西时，常常会先想，它和以前见过的什么东西像，大概属于哪一类。人会持续学习新概念，再把经验组织起来，用这套关系去识别新事物、适应新情境。
模型也会分类，但形成方式不同。它主要靠大规模数据里反复出现的形式。具体对象出现得越多，模型越容易把它认出来。到了更大的类别这一步，模型就比较吃力了。它需要抓住多个对象之间的共同点，再把这些共同点归到同一类里。现有模型在这里还有明显短板。参数继续增大后，具体概念任务会提升，而抽象概念任务有时还会下降。
人脑和模型的共同点，是内部都会形成一套分类关系。但是双方侧重点不同，人脑的高阶视觉区域会自然分出生物和非生物这类大类。而模型能把具体对象分开，但很难去稳定形成这种更大的分类。这个差别导致人脑更容易把旧经验用到新对象上，所以面对没见过的东西时，我们能快速分类。而模型则更依赖现有知识，所以遇到新对象时，更容易停在表面特征上。论文提出的方法，就是围绕这个特点展开，用脑信号去约束模型内部结构，让它更接近人脑的分类方式。
浙大团队的解决方案
团队给出的解决方案也很独特，并不是继续堆参数，而是拿少量脑信号做监督。这里的脑信号，来自人看图片时的大脑活动记录。论文原文写的是，把 human conceptual structures transfer 给 DNNs。意思就是把人脑怎么分类、怎么归纳、怎么把相近概念放在一起，尽量教给模型。
团队用 150 个已知的训练类别和 50 个没见过的测试类别做实验。结果显示，随着这套训练推进，模型和脑表征之间的距离持续缩小。这个变化同时出现在两个类别中，这说明模型学到的不是单个样本，而是真正开始学习一种更接近人脑的概念组织方式。
经过这套训练后，模型在样本很少时的学习能力更强，面对新情况时表现也更好了。在一个只给极少示例、却要求模型区分生物和非生物这类抽象概念的任务里，模型平均提升了 20.5%，还超过了参数量大得多的对照模型。团队还另外做了 31 组专门测试，几类模型都出现了接近一成的提升。
过去几年，模型行业熟悉的路径是更大的模型规模。浙大团队则选择了另一个方向，从bigger is better 走向 structured is smarter。规模扩张确实很有用，但主要提高的是熟悉任务里的表现。人类那种抽象理解和迁移能力对AI来说同样至关重要，这需要在未来让AI的思考结构更加接近人脑。这个方向的价值，在于它把行业注意力从单纯的规模扩张，重新拉回到认知结构本身。
Neosoul与未来
这引出了一个更大的可能性，AI 的进化，未必只发生在模型训练阶段。模型训练可以决定AI怎样组织概念，怎样形成更高质量的判断结构。再进入真实世界之后，AI的另一层进化才刚开始：AI agent 的判断如何被记录，如何被检验，如何在真实的互相竞争中不断成长进化，如同人类般自我学习自我进化。这也正是Neosoul现在所做的。Neosoul不只是让AI agent 产出答案，而是把AI agent 放进一个持续预测、持续验证、持续结算、持续筛选的系统里，让其不断在预测与结果中优化自身，让更好的结构被保留，让更差的结构被淘汰。浙大团队与Neosoul共同指向的，其实是同一个目标：让 AI 不再只会做题，更是要具备全面的思考能力，不断进化。
