科技日報記者 陸成寬

記者10日從中國科學院自動化研究所獲悉，來自該所等單位的科研人員首次證實，多模態(tài)大語言模型在訓練過程中自己學會了“理解”事物，而且這種理解方式和人類非常像。這一發(fā)現(xiàn)為探索人工智能如何“思考”開辟了新路，也為未來打造像人類一樣“理解”世界的人工智能系統(tǒng)打下了基礎。相關研究成果在線發(fā)表于《自然·機器智能》雜志。

人類智能的核心，就是能真正“理解”事物。當看到“狗”或“蘋果”時，我們不僅能識別它們長什么樣，如大小、顏色、形狀等，還能明白它們有什么用、能帶給我們什么感受、有什么文化意義。這種全方位的理解，是我們認知世界的基礎。而隨著像ChatGPT這樣的大模型飛速發(fā)展，科學家們開始好奇：它們能否從海量的文字和圖片中，自己學會像人類一樣“理解”事物？

傳統(tǒng)人工智能研究聚焦于物體識別準確率，卻鮮少探討模型是否真正“理解”物體含義。“當前人工智能可以區(qū)分貓狗圖片，但這種‘識別’與人類‘理解’貓狗有什么本質(zhì)區(qū)別，仍有待揭示。”論文通訊作者、中國科學院自動化研究所研究員何暉光說。

在這項研究中，科研人員借鑒人腦認知的原理，設計了一個巧妙的實驗：讓大模型和人類玩“找不同”游戲。實驗人員會給出三個物品概念（選自1854種常見物品），要求選出最不搭的那個。通過分析高達470萬次的判斷數(shù)據(jù)，科研人員首次繪制出了大模型的“思維導圖”——“概念地圖”。

何暉光介紹，他們從海量實驗數(shù)據(jù)里總結出66個代表人工智能如何“理解”事物的關鍵角度，并給它們起了名字。研究發(fā)現(xiàn)，這些角度非常容易解釋清楚，而且與人腦中負責物體加工的區(qū)域的神經(jīng)活動方式高度一致。更重要的是，能同時看懂文字和圖片的多模態(tài)模型，“思考”和做選擇的方式比其他模型更接近人類。

此外，研究還有個有趣發(fā)現(xiàn)，我們?nèi)祟愖雠袛鄷r，既會看東西長什么樣，比如形狀、顏色，也會想它的含義或用途；但大模型更依賴給它貼上的“文字標簽”和它學到的抽象概念。“這證明，大模型內(nèi)部確實發(fā)展出了一種有點類似人類的理解世界的方式。”何暉光說道。

（中國科學院自動化研究所供圖）