在人类认知科学领域，概念形成能力长期被视为智能的核心特征。
人类通过将高维感知信息抽象为低维概念，进而实现符号化思维与语言交流。
然而，现有智能系统普遍存在"概念依赖困境"——或陷于海量参数难以提取有效概念，或受限于预设语言符号无法自主生成新认知。
这一瓶颈严重制约了智能系统在未知领域的探索能力。
针对这一世界性难题，中科院自动化所余山团队与北大心理学院毕彦超团队开展跨学科攻关。
研究团队创新性地提出"概念自主生成与转换系统"（CATS Net），其核心突破在于模拟人类大脑的双向信息处理机制：既能将感知数据压缩为抽象概念，又能反向重构感知信息。
实验数据显示，该系统自主构建的概念空间与人类语言概念相似度达78%，神经表征相关性超过传统模型3倍。
该研究的科学价值体现在三个维度：首先，为解释人类概念认知机制提供了可验证的计算模型；其次，证实了智能系统脱离预设符号自主学习的可行性；更重要的是，其"感知-概念"双向转换机制为突破现有大语言模型的能力边界开辟了新路径。
技术突破背后是科研团队对认知本质的深度思考。
项目负责人指出："传统智能如同使用现成积木搭建建筑，而CATS Net实现了自主烧制砖块的能力。
"这种根本性创新有望推动智能系统在科研探索、教育辅助等需要原创性思维的领域实现质的飞跃。
值得注意的是，随着智能系统自主认知能力的提升，价值对齐问题日益凸显。
研究团队已着手构建"概念伦理评估矩阵"，通过引入人类认知发展规律验证机制，确保自主生成概念符合社会伦理规范。
业内专家认为，这项研究标志着我国在类脑智能基础理论领域已进入国际第一梯队。
从感知到概念、从概念到理解，是智能走向深层次发展的关键环节。
CATS Net所展示的思路提示人们：提升智能系统能力，不仅在于扩大规模与数据，更在于补齐概念生成与结构化认知的“底座”。
在加快基础研究突破的同时，坚持安全、可控、可验证的原则，推动科学认识与工程应用相互促进，才能让相关进展更好服务于人类对世界的理解与探索。