從中國科學(xué)院自動化研究所微信公眾號獲悉，近日該所神經(jīng)計算與腦機交互（NeuBCI）課題組與中國科學(xué)院腦科學(xué)與智能技術(shù)卓越創(chuàng)新中心的聯(lián)合團隊結(jié)合行為實驗與神經(jīng)影像分析，首次證實多模態(tài)大語言模型（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)。這項研究不僅為人工智能認(rèn)知科學(xué)開辟了新路徑，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 機器智能》（Nature Machine Intelligence）。

人類能夠?qū)ψ匀唤缰械奈矬w進行概念化，這一認(rèn)知能力長期以來被視為人類智能的核心。當(dāng)我們看到“狗”“汽車”或“蘋果”時，不僅能識別它們的物理特征（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‘識別’與人類‘理解’貓狗的本質(zhì)區(qū)別仍有待揭示。”團隊從認(rèn)知神經(jīng)科學(xué)經(jīng)典理論出發(fā)，設(shè)計了一套融合計算建模、行為實驗與腦科學(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（來自 1854 種日常概念的任意組合）中選出最不相似的選項。通過分析 470 萬次行為判斷數(shù)據(jù)，團隊首次構(gòu)建了 AI 大模型的“概念地圖”。

實驗范式示意圖。a，物體概念集及帶有語言描述的圖像示例。b-d，分別針對 LLM、MLLM 和人類的行為實驗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“心智維度”，并為這些維度賦予了語義標(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、處理場景的 PPA、處理軀體的 EBA）的神經(jīng)活動模式顯著相關(guān)。

研究還對比了多個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更傾向于結(jié)合視覺特征和語義信息進行判斷，而大模型則傾向于依賴語義標(biāo)簽和抽象概念。本研究表明大語言模型并非“隨機鸚鵡”，其內(nèi)部存在著類似人類對現(xiàn)實世界概念的理解。