從中國(guó)科學(xué)院自動(dòng)化研究所微信公眾號(hào)獲悉，近日該所神經(jīng)計(jì)算與腦機(jī)交互(NeuBCI)課題組與中國(guó)科學(xué)院腦科學(xué)與智能技術(shù)卓越創(chuàng)新中心的聯(lián)合團(tuán)隊(duì)結(jié)合行為實(shí)驗(yàn)與神經(jīng)影像分析，首次證實(shí)多模態(tài)大語(yǔ)言模型（MLLMs）能夠自發(fā)形成與人類高度相似的物體概念表征系統(tǒng)。這項(xiàng)研究不僅為人工智能認(rèn)知科學(xué)開(kāi)辟了新路徑，更為構(gòu)建類人認(rèn)知結(jié)構(gòu)的人工智能系統(tǒng)提供了理論框架。相關(guān)研究成果以 Human-like object concept representations emerge naturally in multimodal large language models 為題，發(fā)表于《自然 機(jī)器智能》(Nature Machine Intelligence)。

　　人類能夠?qū)ψ匀唤缰械奈矬w進(jìn)行概念化，這一認(rèn)知能力長(zhǎng)期以來(lái)被視為人類智能的核心。當(dāng)我們看到“狗”“汽車(chē)”或“蘋(píng)果”時(shí)，不僅能識(shí)別它們的物理特征(尺寸、顏色、形狀等)，還能理解其功能、情感價(jià)值和文化意義 —— 這種多維度的概念表征構(gòu)成了人類認(rèn)知的基石。

　　傳統(tǒng)人工智能研究聚焦于物體識(shí)別準(zhǔn)確率，卻鮮少探討模型是否真正“理解”物體含義。論文通訊作者何暉光研究員指出：“當(dāng)前 AI 能區(qū)分貓狗圖片，但這種‘識(shí)別’與人類‘理解’貓狗的本質(zhì)區(qū)別仍有待揭示。”團(tuán)隊(duì)從認(rèn)知神經(jīng)科學(xué)經(jīng)典理論出發(fā)，設(shè)計(jì)了一套融合計(jì)算建模、行為實(shí)驗(yàn)與腦科學(xué)的創(chuàng)新范式。研究采用認(rèn)知心理學(xué)經(jīng)典的“三選一異類識(shí)別任務(wù)”(triplet odd-one-out)，要求大模型與人類從物體概念三元組(來(lái)自 1854 種日常概念的任意組合)中選出最不相似的選項(xiàng)。通過(guò)分析 470 萬(wàn)次行為判斷數(shù)據(jù)，團(tuán)隊(duì)首次構(gòu)建了 AI 大模型的“概念地圖”。

　　實(shí)驗(yàn)范式示意圖。a，物體概念集及帶有語(yǔ)言描述的圖像示例。b-d，分別針對(duì) LLM、MLLM 和人類的行為實(shí)驗(yàn)范式和概念嵌入空間。

　　研究人員從海量大模型行為數(shù)據(jù)中提取出 66 個(gè)“心智維度”，并為這些維度賦予了語(yǔ)義標(biāo)簽。研究發(fā)現(xiàn)，這些維度是高度可解釋的，且與大腦類別選擇區(qū)域（如處理面孔的 FFA、處理場(chǎng)景的 PPA、處理軀體的 EBA）的神經(jīng)活動(dòng)模式顯著相關(guān)。

　　研究還對(duì)比了多個(gè)模型在行為選擇模式上與人類的一致性(Human consistency)。結(jié)果顯示，多模態(tài)大模型(如 Gemini_Pro_Vision、Qwen2_VL)在一致性方面表現(xiàn)更優(yōu)。此外，研究還揭示了人類在做決策時(shí)更傾向于結(jié)合視覺(jué)特征和語(yǔ)義信息進(jìn)行判斷，而大模型則傾向于依賴語(yǔ)義標(biāo)簽和抽象概念。本研究表明大語(yǔ)言模型并非“隨機(jī)鸚鵡”，其內(nèi)部存在著類似人類對(duì)現(xiàn)實(shí)世界概念的理解。