浙大提出类脑AI训练法：抽象概念识别提升20.5%

浙江大学研究团队近日提出一种受人类认知机制启发的AI训练方法，核心思路是将人脑神经活动信号引入模型训练过程，以提升人工智能对概念的分类与泛化能力。相关研究成果已发表于Nature Communications。

参数变大并不必然带来更强抽象理解

研究指出，当前主流AI发展路径通常依赖扩大模型参数规模，以增强对具体对象的识别能力。然而，实验结果显示，参数增加虽然有助于识别特定物体，却未能同步提升对抽象概念的理解，在某些情况下甚至可能带来负面影响。这意味着，模型“更大”并不等于在高层次认知任务上“更聪明”。

用神经信号帮助模型贴近人类认知结构

为解决这一问题，研究团队尝试将神经活动数据整合进训练框架，使AI模型的内部表征更接近人类大脑处理概念的方式。研究人员认为，这种“认知结构对齐”有助于模型不只记住样本特征，还能更有效地把握概念之间的关联，从而提升对新情境的适应与泛化表现。

少样本任务中表现突出

根据论文披露的实验结果，该方法在需要识别抽象概念的任务中表现尤为明显。尤其是在仅有少量样本可供学习的情况下，模型区分抽象概念的能力提升了20.5%，且表现优于一些规模更大的模型。这一结果对当前“以规模换能力”的行业趋势提出了挑战。

整体来看，这项研究释放出一个明确信号：与其持续追求更大的参数量，围绕人类认知规律设计训练机制，可能是推动AI迈向更高层次理解能力的另一条重要路径。对于关注AI底层能力演进的科技与加密行业参与者而言，这类研究也可能影响未来智能代理、数据分析与自动化系统的发展方向。