Nat Commun：潘纲/祁玉团队揭示通过大脑表征增强深度网络认知能力

本文背景在于当前人工智能深度网络模型虽参数规模不断扩大，但在抽象概念理解、跨场景泛化和概念关系推理等认知任务上存在局限性。研究目的为探索如何利用人类大脑的语义表征结构来增强大模型，突破“规模驱动”的认知瓶颈。浙江大学潘纲、祁玉课题组在Nature Communications上发表研究，提出了一种大脑表征驱动的监督学习方法。该方法通过从神经信号中学习大脑表征，并借助图匹配与最优传输技术，将人类概念结构迁移至深度神经网络。实验表明，仅使用少量具体概念的神经信号进行监督，即可显著提升模型对抽象概念的理解能力，使其自发形成分层概念语义结构，并在少样本学习、分布外识别及对抗攻击鲁棒性等下游任务中展现更强的泛化能力。研究揭示了脑机增强模型能形成高效的认知低维流形，实现概念聚类、语义运算与总结归纳。结论表明，基于脑信息的人机知识交互为提升AI认知能力提供了区别于传统“规模驱动”的新范式。