فريق بحثي من جامعة تشجيانغ يقترح مسارًا جديدًا: تعليم الذكاء الاصطناعي طريقة فهم الدماغ البشري للعالم

null

一直在变大的大模型，主流观点认为：模型参数越多，就会越接近人类的思考方式。然而，浙江大学团队在4月1日于Nature Communications上发表的一篇论文提出了不同的观点（原文链接：从 22.06M增加到 304.37M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

当人脑处理概念时，会先形成一套分类关系。天鹅和猫头鹰长得不一样，但人仍会把它们归到“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，并把经验组织起来，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中反复出现的形式来判断。具体对象出现得越多，模型越容易把它识别出来。到了更大的类别这一步，模型就比较吃力。它需要抓住多个对象之间的共同点，并把这些共同点归到同一类里。现有模型在这里仍有明显短板。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在于，内部都会形成一套分类关系。但双方的侧重点不同。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。而模型则更依赖既有知识，因此遇到新对象时，更容易停留在表面特征上。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。

浙江大学团队的解决方案

团队给出的解决方案也很独特：并不是继续堆参数，而是用少量脑信号进行监督。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。意思就是尽量把人脑如何分类、如何归纳、如何把相近概念放在一起的方式教给模型。

团队使用150个已知的训练类别和50个未见过的测试类别进行实验。结果显示，随着这套训练推进，模型与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，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。

完成这套训练后，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。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，各类模型都出现了接近一成的提升。

过去几年里，模型行业熟悉的路径是更大的模型规模。浙江大学团队则选择了另一个方向：从 bigger is better 转向 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：它把行业的注意力从单纯的规模扩张中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如何组织概念、如何形成更高质量的判断结构。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，如何在真实的相互竞争中不断成长与进化，如同人类那样自我学习、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，让它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。浙江大学团队与Neosoul共同指向的，其实是同一个目标：让AI不再只会做题，更要具备全面的思考能力，并不断进化。