PsyBrain 脑心前沿 / AI 与脑科学：顶刊文献解读专题 / A · 文献解读 / A024 · 浙大团队最新NC：给AI注入“心理表征”，重塑深度神经网

A024 浙大团队最新NC：给AI注入“心理表征”，重塑深度神经网络的认知泛化能力

来源：公众号 PSY-Brain_Frontier ｜发布：2026-04-18 ｜原文链接

认知神经科学前沿文献分享

基本信息

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

发表时间: 2026-4-1

发表期刊: Nature Communications

影响因子: 15.7

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

研究背景

当前的大型语言模型和深度神经网络在图像与自然语言任务上表现惊艳，似乎只要不断增加数据和参数，人工智能就能无限逼近人类智能。然而事实并非如此。当涉及到理解抽象概念、逻辑推理以及适应全新场景等人类特有的复杂认知能力时，现有的深度神经网络依然举步维艰。

认知科学家曾指出，神经网络缺乏“心理表征的系统性”，这可能是它们难以实现类人认知的核心阻碍。目前的模型更多是在海量数据中寻找统计相关性，而不是像人类那样，通过结构化的知识组织来理解物理世界。

为了打破这一认知瓶颈，浙江大学团队近期在 Nature Communications 发表了最新研究。他们没有选择继续堆叠算力，而是另辟蹊径，直接利用人类大脑的神经信号作为监督信号，试图将人类的“概念结构”转移到大模型中。这项工作不仅揭示了规模法则在抽象概念理解上的局限，还为开发具备真正认知泛化能力的类人智能系统提供了一条全新路径。

研究核心总结

一、单纯增加模型参数无法提升对抽象概念的理解

研究者首先测试了不同规模的经典视觉模型，包括 SimCLR、DINOv2 和 CLIP。结果表明，参数量的增加确实能让模型更好地识别“袜子”或“天鹅”等具体概念，但在面对“衣物”或“鸟类”等抽象概念的单样本学习时，性能却几乎没有提升，甚至出现了下降。

通过表征相异度矩阵分析，研究者找到了症结所在。模型虽然能精准区分具体物体，但根本无法像人类高级视觉皮层那样，自发形成“生物”与“非生物”等宏观语义聚类。缺乏对概念间内在关系的把握，是限制模型抽象理解能力的致命弱点。

Fig 1. 随着参数量增加，模型对具体概念的分类能力稳步提升，但在抽象概念上却停滞不前甚至出现性能下降。

二、引入大脑信号让模型涌现出“类人概念层级”

为了解决这一问题，研究者提出了一种“心理表征引导的监督学习”框架。他们提取了人类受试者在观看物体时的高级视觉皮层 fMRI 信号，并利用图匹配算法，将深度神经网络的概念图结构与人类大脑的概念图结构进行对齐。

奇妙的是，仅仅使用 150 个具体物体的脑信号进行对齐，模型不仅在未见过的概念上实现了泛化，其内部还自发涌现出了与人类词汇数据库 WordNet 高度一致的概念层级结构。在模拟人类的三选一判断任务中，引导后的模型做出的选择也显著更接近人类直觉。

Fig 2. 研究者提出了一种心理表征引导的监督学习框架，通过图匹配技术将深度神经网络的概念表征与人类大脑的表征结构进行对齐。

Fig 4. 经过大脑信号引导后，模型内部自发涌现出了与人类高度一致的概念层级结构，并在认知行为测试中表现得更像人类。

三、类人概念结构大幅提升了复杂认知任务表现

拥有了类人概念结构后，模型在多项极具挑战性的认知任务中迎来了性能飞跃。在仅提供一个示例的抽象概念分类任务中，经过脑信号引导的基础版模型，其表现甚至超越了参数量是其近五倍的大型基线模型。

此外，在广义分布外识别任务中，模型能够仅凭极少的类别监督，准确推断出未见过的物体是否属于某个宏观类别。在脑到图像和图像到图像的跨模态检索中，模型也展现出了超越表层视觉特征的深层语义捕捉能力。

图10

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

图11