研究背景与核心问题 - 人类智能核心在于对自然界物体进行概念化 不仅能识别物理特征 还能理解功能 情感价值和文化意义[1] - 研究探讨大语言模型是否能从语言和多模态数据中发展出类似人类的物体概念表征系统[1] 研究方法与设计 - 研究采用创新范式 结合计算建模 行为实验与脑科学方法[2] - 使用认知心理学经典"三选一异类识别任务" 要求模型与人类从1854种日常概念的三元组中选出最不相似选项[2] - 通过分析470万次行为判断数据构建AI大模型的"概念地图"[2] 研究发现与维度提取 - 从海量大模型行为数据中提取出66个高度可解释的"心智维度" 并为这些维度赋予语义标签[2] - 这些维度与大脑类别选择区域(如FFA PPA EBA)的神经活动模式显著相关[2] 模型性能比较 - 多模态大模型(Gemini_Pro_Vision Qwen2_VL)在行为选择模式上与人类一致性表现更优[3] - 人类决策更倾向于结合视觉特征和语义信息 而大模型更依赖语义标签和抽象概念[3] 研究结论与意义 - 研究证实多模态大语言模型能够自发形成与人类高度相似的物体概念表征系统[1][3] - 表明大语言模型并非"随机鹦鹉" 其内部存在类似人类对现实世界概念的理解[3] 研究成果发表 - 相关研究成果以Human-like object concept representations emerge naturally in multimodal large language models为题发表于《自然·机器智能》期刊[3]