浙大Nature论文颠覆AI认知：模型越大，抽象思维越差？

AI的“抽象困境”：规模增长为何带来能力倒退？

在追求通用人工智能的道路上，“扩大模型规模”已成为行业主流信条。然而，浙江大学研究团队于《自然-通讯》发表的一项突破性研究，对这一路径提出了深刻质疑。研究发现，当SimCLR、CLIP等视觉模型的参数从2200万激增至3亿后，其识别具体物体（如猫、车）的准确率从74.94%提升至85.87%，但理解抽象概念（如“动物”、“工具”）的能力却从54.37%下滑至52.82%。这揭示了一个关键悖论：模型变大，其“抽象思维”能力不升反降。

人脑与AI：两种截然不同的“世界观”

人类认知世界的核心在于构建层次化的概念体系。我们看到天鹅和猫头鹰，能迅速将其归类为“鸟类”，进而与“哺乳类”一同纳入“动物”这一更高阶的抽象范畴。这种从具体到抽象、不断归纳组织的思维能力，使我们能举一反三，快速适应未知情境。

相比之下，当前AI模型的学习严重依赖数据中的统计规律。它能通过海量图片精准区分“波斯猫”和“暹罗猫”，却难以稳定地提炼出“猫”与“狗”同属“宠物”或“动物”的本质共性。其内部表征往往偏向于浅层视觉特征，而非深层的语义关系。这正是AI在零样本学习、小样本迁移等需要抽象理解的任务中表现吃力的根源。

破局之道：用“脑信号”为AI注入抽象思维

浙大团队开创性地提出了一条新路径：不再盲目堆叠参数，而是利用人类观看图像时的脑电图（EEG）或功能磁共振（fMRI）信号作为监督信号，引导AI模型重构其内部的概念组织结构。简言之，是将人脑处理概念的“思维地图”迁移给神经网络。

在实验中，研究团队使用150个已知类别进行训练，并在50个全新类别上测试。结果表明，经过“脑信号”约束的模型，其内部表征与人类脑表征的距离显著缩小。更重要的是，模型在极具挑战性的小样本抽象概念分类任务（如区分生物与非生物）中，性能平均提升了20.5%，甚至超越了参数量大得多的传统模型。

从“更大”到“更智能”：AI进化的结构主义转向

这项研究的意义远超技术本身，它标志着AI发展范式的一次潜在转折：

• 路径反思： 行业需要从“规模至上”（Bigger is Better）的思维，转向“结构优先”（Structured is Smarter）的探索。
• 能力跃迁： 让AI掌握人类式的概念层次与抽象推理，是实现其真正理解世界、获得迁移泛化能力的关键。
• 未来融合： 这为脑科学与人工智能的深度融合打开了大门，启发我们利用神经科学原理来设计更“类脑”的AI架构。

青岚姐视点

这项研究如同一剂清醒针，刺破了“暴力缩放”的盲目乐观。它精准地指出了当前AI与人类智能的核心差距：不在于知识的储量，而在于知识组织的“语法”。浙大团队用“脑信号”作桥梁，是一次优雅的“降维打击”，它试图教会AI人类历经亿万年进化形成的认知压缩与抽象能力。这启示我们，AI的下一波突破，或许不在于建造更大的“图书馆”，而在于为其编写更接近人脑的“图书分类法”。当AI学会了这种高阶思维结构，其进化将不再仅仅依赖数据喂养，而可能开启内源性的、自主的认知成长，这才是通向通用智能的真正钥匙。