浙江研究團隊提出新路:教AI如何理解世界

大型模型越來越大 主流觀點越是 模型參數越接近人類的思考方式 4月1日https://www.nature.com/articles/s41467-026-71267-5我不知道 他們發現,當模型(主要是SimCLR,CLIP,DINOV2)的大小增加時,识别特定事物的能力仍然在不断提高,但理解抽象概念的能力沒有提高,甚至沒有降低. 當參數從220.6萬升至304.37萬, 具体的概念任務由74.94%升至85.87%,抽象的概念任務由54.37%升至52.82%。

人和模范思想的分化

當人類大腦的概念被處理後, 一個分類關係被發展出來。 天鵝和貓頭鷹是不同的,人們仍然把它們放在鳥中. 上面,鳥和馬可以繼續被放入動物層 當人們看到新的事物,他們常常開始思考它是什么樣子,以及它可能以前是什么樣子. 人們繼續學習新概念。

模型也可以被分类,但形式不同. 它主要依靠大尺度數據中反复出现的表格. 更具体的物件出現 模型會更容易認出它們 在這個大類別中,模型更加勞動. 它需要捕捉多個物件的共性, 然后將它們分類為同類 。 现存的模型也有明显的板塊。 随着參數的持續增加,特定的概念性工作會上升,抽象的概念性工作有時會下降。

人類大腦和模型的共性 是內部分類關係 人腦的高度視覺區域自然地分開了 生活與非生活類別。 模型可以分別特定物件,但很難穩定這更大的分類. 如此一來我們就能迅速將我們從未見過的事物分類。 另一方面,模型更依赖于已有的知識,因此在遇到新的物件時更容易在表面特征上停止. 以限制模型內部結構, 使其更接近人腦分類。

浙江的解法

由團隊提供的解决办法也很獨特, 這是大腦信號,大腦活動記錄 當人們看照片時 這篇論文原本是用給DNNs的人類概念運輸。 這意味著人類大腦是如何被分類的 如何總結的 如何組合的 如何盡可能教模特兒。

隊伍實驗了150個已知的訓練類別 和50個未認證的測試類別 結果顯示,模型和大腦標誌之間的距離隨著訓練套件的進展而继续缩小. 這項變化出現在兩種類別中, 表示模型沒有從一個樣本中學習。

此模式更能學習, 在一個只提供很少例子但需要模型区分活體和非活體抽象概念的任務中,模型平均增加了20.5%,超过了更大的比對模型. 數種型號的改善近百分之十。

在過去的幾年裡, 建模業熟悉的路徑 是更大的模型。 大隊選擇了另外一個方向 從Bigger到Starred更聰明 但主要是因為熟悉任務的表現, 人類的抽象理解和迁移能力對AI也至关重要, 這方向的價值在于它把業務的注意力從僅僅的尺度轉移到认知结构本身。

Neosoul和未來

因此,AI的演化可能不只是在模范訓練阶段。 建模能決定AI如何組織其概念, 在進入現實世界後, AI的另一層進化才剛開始:它是如何被記錄的, 尼歐索爾就是這麼幹的 Neosoul並非只允許AI提供答案, 而是讓AI antent加入一個持續預測, 持續驗證, 浙江隊伍正與尼奧索爾合作。