（问题） 概念是人类认识世界和进行语言交流的核心单位。
人能够把纷繁复杂的感官信息提炼为较为稳定的概念，并在此基础上进行推理、迁移与沟通。
学界普遍认为，这一过程包含“从高维感知压缩为低维概念”以及“由概念反向支持感知与决策”的双向机制，是符号化思维与语言产生的重要基础。
然而，现有多数神经网络在执行任务时往往把知识分散编码在大量参数中，概念难以被明确分离、复用与解释；而依赖语言符号训练的模型体系又难以从感知经验出发“自发生长”概念结构。
这一差距，长期制约着类人概念智能的计算建模与工程落地。
（原因） 造成上述局限的关键，在于传统网络的学习目标多以任务准确率为中心，缺少对“概念可抽象、可组合、可迁移”的结构性约束；同时，网络内部缺乏能够像人脑一样对概念进行提取、操控与选择的动态控制机制，导致模型在面对新情境时容易出现泛化不足、知识难以共享等问题。
换言之，如何让系统在与环境互动中形成更紧凑、更具可解释性的概念空间，并使概念能够成为跨任务、跨个体传递的“通用载体”，成为提升类人智能的重要科学问题。
（影响） 针对这一挑战，中国科学院自动化研究所脑图谱与类脑智能实验室余山团队联合北京大学心理与认知科学学院毕彦超团队提出CATS Net框架，并在视觉任务中验证其有效性。
该框架包含概念抽象模块与任务求解模块：前者将高维视觉输入自发压缩为紧凑的低维概念向量；后者在概念向量的驱动下，通过分层门控方式产生一组可动态调节的控制信号，从而灵活改变网络活动状态，以更高效率完成特定感知任务。
研究者将这一机制类比为“钥匙与开关”关系：概念向量像钥匙触发不同层级的开关，进而引导系统选择合适的处理路径，实现对任务的快速适配。
更值得关注的是，CATS Net在与环境交互中能够生成大量新概念并构建自身概念空间。
当不同网络的概念空间完成对齐后，系统可在不重新依赖环境学习的情况下，通过概念向量实现知识传递，模拟人类借助语言符号进行交流与共享经验的过程。
这一特性为解决“知识难迁移、经验难共享”提供了新的计算思路，有望促进多主体系统协作、跨任务快速适应等方向的发展。
（对策） 为检验其与人类概念认知的关系，研究团队将模型自发形成的概念表征与心理学语义模型以及脑成像数据进行对比。
基于功能磁共振成像数据的表征相似性分析结果显示：模型生成的概念空间与人类认知语义结构呈高度一致；其表征模式与人脑中承担视觉语义表征功能的腹侧枕颞区域活动模式显著相关；同时，概念抽象模块所采用的动态门控机制，与脑中负责概念提取与操控的语义控制网络活动模式相吻合。
上述证据表明，该框架不仅在功能上复现了概念形成与理解的关键特征，也为解释相关脑机制提供了可计算、可检验的模型支撑。
（前景） 业内人士指出，概念形成的可解释计算模型是连接感知、推理与交流的重要桥梁。
CATS Net的提出，一方面有助于从计算角度深化对人类概念认知的理解，为认知科学与脑科学研究提供可操作的分析工具；另一方面也为构建具备类人概念能力的智能系统提供了新的工程范式。
下一步，相关研究仍需在更复杂的多模态环境、更开放的互动情境以及更高层级的组合推理任务中验证其鲁棒性与可扩展性，并推动与神经科学实验的双向闭环：一方面以模型预测指导实验设计，另一方面以实验数据约束模型结构与学习规则，从而不断逼近更可靠、更可泛化的概念智能机制。
相关成果已在线发表于国际学术期刊《自然·计算科学》。
这项突破性研究不仅架起了计算机科学与认知神经科学之间的桥梁，更启示我们：真正意义上的智能革命，或许不在于创造超越人类的机器，而在于深入理解并模拟人类智慧的本质。
当技术发展越来越贴近生命演化的智慧结晶，人类与机器的关系也将迎来全新的哲学思考维度。