浙大團隊最新NC：給AI注入“心理表征”，重塑深度神經網絡的認知泛化能力

認知神經科學前沿文獻分享

基本信息

Title:Human-like cognitive generalization for large models via mental representation-guided supervision

發表時間:2026-4-1

發表期刊:Nature Communications

影響因子:15.7

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

當前的大型語言模型和深度神經網絡在圖像與自然語言任務上表現驚艷，似乎只要不斷增加數據和參數，人工智能就能無限逼近人類智能。然而事實并非如此。當涉及到理解抽象概念、邏輯推理以及適應全新場景等人類特有的復雜認知能力時，現有的深度神經網絡依然舉步維艱。

認知科學家曾指出，神經網絡缺乏“心理表征的系統性”，這可能是它們難以實現類人認知的核心阻礙。目前的模型更多是在海量數據中尋找統計相關性，而不是像人類那樣，通過結構化的知識組織來理解物理世界。

為了打破這一認知瓶頸，浙江大學團隊近期在 Nature Communications 發表了最新研究。他們沒有選擇繼續堆疊算力，而是另辟蹊徑，直接利用人類大腦的神經信號作為監督信號，試圖將人類的“概念結構”轉移到大模型中。這項工作不僅揭示了規模法則在抽象概念理解上的局限，還為開發具備真正認知泛化能力的類人智能系統提供了一條全新路徑。

研究核心總結

一、單純增加模型參數無法提升對抽象概念的理解

研究者首先測試了不同規模的經典視覺模型，包括 SimCLR、DINOv2 和 CLIP。結果表明，參數量的增加確實能讓模型更好地識別“襪子”或“天鵝”等具體概念，但在面對“衣物”或“鳥類”等抽象概念的單樣本學習時，性能卻幾乎沒有提升，甚至出現了下降。

通過表征相異度矩陣分析，研究者找到了癥結所在。模型雖然能精準區分具體物體，但根本無法像人類高級視覺皮層那樣，自發形成“生物”與“非生物”等宏觀語義聚類。缺乏對概念間內在關系的把握，是限制模型抽象理解能力的致命弱點。

Fig 1. 隨著參數量增加，模型對具體概念的分類能力穩步提升，但在抽象概念上卻停滯不前甚至出現性能下降。

為了解決這一問題，研究者提出了一種“心理表征引導的監督學習”框架。他們提取了人類受試者在觀看物體時的高級視覺皮層 fMRI 信號，并利用圖匹配算法，將深度神經網絡的概念圖結構與人類大腦的概念圖結構進行對齊。

奇妙的是，僅僅使用 150 個具體物體的腦信號進行對齊，模型不僅在未見過的概念上實現了泛化，其內部還自發涌現出了與人類詞匯數據庫 WordNet 高度一致的概念層級結構。在模擬人類的三選一判斷任務中，引導后的模型做出的選擇也顯著更接近人類直覺。

Fig 2. 研究者提出了一種心理表征引導的監督學習框架，通過圖匹配技術將深度神經網絡的概念表征與人類大腦的表征結構進行對齊。

Fig 4. 經過大腦信號引導后，模型內部自發涌現出了與人類高度一致的概念層級結構，并在認知行為測試中表現得更像人類。

擁有了類人概念結構后，模型在多項極具挑戰性的認知任務中迎來了性能飛躍。在僅提供一個示例的抽象概念分類任務中，經過腦信號引導的基礎版模型，其表現甚至超越了參數量是其近五倍的大型基線模型。

此外，在廣義分布外識別任務中，模型能夠僅憑極少的類別監督，準確推斷出未見過的物體是否屬于某個宏觀類別。在腦到圖像和圖像到圖像的跨模態檢索中，模型也展現出了超越表層視覺特征的深層語義捕捉能力。

Fig 3. | Mental representation-guided supervision enhances the ability to understand abstract concepts for DNNs. a. Silhouette coefficient (SC) sco...

Fig 5. 具備類人概念結構的模型在抽象概念的單樣本學習、分布外識別以及跨模態檢索等復雜任務中，均實現了顯著的性能飛躍。

為了探究性能提升的根源，研究者對模型的潛在表征空間進行了降維和文本解碼分析。結果顯示，腦信號引導讓模型的概念流形具備了極強的局部語義一致性。

在這個重塑的空間里，概念之間不僅邊界清晰，還能進行符合邏輯的平滑過渡。例如在車輛和有蹄類動物的表征之間進行插值，解碼器會輸出“馬”。模型甚至能完成復雜的概念算術，比如將“騎摩托車的男人”減去“摩托車”加上“馬”，模型會準確將其理解為“騎馬的男人”。

Fig 6. 引導后的模型在潛在空間中形成了連續且符合人類直覺的語義流形，不僅支持概念間的平滑過渡，還能完成復雜的概念算術。

研究意義

這項工作從根本上挑戰了當前人工智能領域盛行的規模法則，有力地證明了在通往高級認知的道路上，結構化往往比單純的規模擴張更智能。

從理論與方法學上看，該研究表明人類大腦內在的表征幾何結構包含著可轉移到人工系統中的高級抽象規律。它提供了一種將生物認知先驗與數據驅動學習相結合的全新范式，讓模型在不依賴海量標注數據的情況下，也能獲得強大的泛化與推理能力。

當然，目前該框架仍依賴于特定受試者的 fMRI 數據，存在個體差異和數據獲取成本的限制。但它為未來利用大規模神經影像數據提取群體不變的概念結構指明了方向。這不僅有助于我們理解大腦如何組織知識，更為開發更具解釋性、適應性和類人智慧的人工智能系統奠定了堅實基礎。

分享人：飯鴿兒

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場探索未知的長跑，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵關注，點亮星標 ? 前沿不走丟！

一鍵分享，讓更多人了解前沿