人类智能与当前人工智能系统的根本区别在于什么？
这是困扰业界多年的核心问题。
人脑具有从感官体验中抽象出概念的独特能力，能够脱离具体感知，直接在概念空间进行思考和交流。
而现有的人工智能系统，尤其是广受关注的大型语言模型，往往高度依赖人类已有的语言符号进行训练，缺乏从感知经验中自发形成新概念的能力。
传统深度神经网络存在的根本局限在于知识表示方式的低效性。
这类网络将学到的知识纠缠在海量参数中，难以提取出具有独立意义的概念单元。
相比之下，人脑能够通过符号化思维将复杂的感知信息压缩为简洁的概念表示，进而支撑语言产生与知识传递。
这种能力使得人类可以跨越不同个体之间的感知差异，通过共享概念进行高效交流。
为突破这一难题，中国科学院自动化研究所研究员余山团队与北京大学教授毕彦超团队展开合作攻关。
他们提出的新型神经网络框架采用了全新的架构设计。
系统的核心在于概念抽象模块，它能够自发地将高维的视觉输入信息压缩成紧凑的低维"概念向量"。
这些概念向量并非人为定义，而是神经网络通过与环境的交互自主生成的。
这套系统的创新之处还在于其动态调节机制。
概念向量如同开启功能模块的钥匙，通过分层门控机制产生一系列控制信号，动态调节任务求解模块中的神经网络活动。
这种设计使得系统能够高效灵活地完成各类视觉感知任务，同时保持了概念表示的独立性和可解释性。
更为重要的是，该系统具备自主生成新概念的能力，能够根据与环境的互动不断扩展自己的概念空间。
研究团队的实验结果表明，当不同神经网络所生成的概念空间相匹配时，它们可以绕过环境学习的过程，直接通过概念向量在网络间传递知识。
这一特性模拟了人类通过语言等符号系统进行交流的过程，标志着人工智能在认知机制上向人脑靠近迈出了关键一步。
从功能层面看，该系统实现了对人类概念认知的模拟；从机制层面看，它揭示了人脑概念形成与理解的计算原理，为神经科学与人工智能的交叉研究提供了新的视角。
这项突破具有重要的现实意义。
当前，大语言模型的能力范围受到人类已有语言范畴的限制。
赋予人工智能系统自主形成新概念的能力，有望使其在更广阔的领域发挥作用。
特别是在基础科学研究中，这种能力可能帮助人工智能从事全新的科学探索，发现人类尚未认识到的规律和现象。
这为人工智能从工具属性向创造属性的转变奠定了基础。
同时，科研团队也清醒地认识到，如何确保这些具备自主概念形成能力的智能系统与人类的价值观相符，将成为接下来必须解决的关键问题。
这涉及到人工智能伦理、安全性以及社会治理等多个维度，需要科学家、伦理学家和政策制定者的共同努力。
这项突破不仅代表着技术层面的进步，更引发对智能本质的深层思考。
当机器开始拥有概念化思维能力，人类需要以更开放而审慎的态度，在技术创新与伦理规范之间寻求平衡，让科技真正服务于文明进步。