博文
段玉聪教授提出基于概念形态与语义空间更新的人类认知机制
|
段玉聪教授提出基于概念形态与语义空间更新的人类认知机制
段玉聪
人工智能DIKWP测评国际标准委员会-主任
世界人工意识大会-主席
世界人工意识协会-理事长
(联系邮箱：duanyucong@hotmail.com)
摘要人类大脑在文本理解中的认知机制是认知科学和人工智能领域的核心课题。段玉聪教授提出，人类大脑对文本认知内容的处理依赖于概念形态（概念的内部结构与表征）、语义空间的动态更新以及概念空间的独立性机制。本报告在该理论基础上，结合最新的认知科学、人工智能与语言学研究，对其进行深入扩展和验证。我们探讨了概念生成、语义多义性解析、认知更新与语义空间重构等内部机制，阐明了人类在语言理解中如何形成新概念、如何在上下文中消解歧义，以及如何通过新信息的摄取重组其语义认知结构。报告设计了具体应用案例，包括文本理解中的歧义消解、机器学习模型中的持续学习与概念漂移适应，以及知识图谱构建中概念层与数据层的动态更新，以展示上述理论机制的实际价值。通过元分析，我们综合对比了相关领域的重要模型和理论（如DIKWP模型、概念空间理论、语义网络模型、原型范畴理论、分布式语义模型等），以及认知神经科学与人工智能的实验证据，梳理各自的优劣与适用范围。结果表明，概念形态与语义空间的分离及交互是理解人类认知与语言处理的关键：概念空间的相对独立性保证了认知主体对意义的稳定把握，语义空间的更新则反映了认知对环境和上下文的适应。最后，报告总结了这一融合视角对深化自然语言处理和人工智能模型的启示，并展望了未来跨学科研究的方向。
引言在阅读和理解文本时，人类大脑展现出惊人的认知能力：我们不仅能迅速认知字词和句子的表面含义，还能联结上下文、调用背景知识，形成对文本深层意义的理解。大脑如何在阅读过程中处理语义？如何将新信息整合进已有知识结构？ 这些问题历来是认知科学、语言学和人工智能研究的核心。 (“意识相对论”通俗解读：回顾段玉聪的意识理论 - 知乎专栏)的研究指出，人类的认知空间（包含个人内部的知识、信念和经验等）通过语言语义同他人发生交互，但每个人的认知空间具有相对的封闭性，即理解具有主体相对性。这意味着，不同个体对同一文本可能产生不同的理解，取决于各自认知空间中概念和知识的差异。这种认知空间的相对性要求我们关注个体内部概念结构与语义表示在理解过程中的作用。
段玉聪教授提出了一种关于“理解”的独特理论框架，强调理解过程由认知主体的意图所驱动，通过语义关联、概率确认和知识推理等步骤，将文本中新信息融入其认知结构，从而形成新的知识表征。在这一框架中，有三个关键要素值得关注：概念形态、语义空间更新和独立性机制。简单而言，概念形态指的是概念的形式和内部结构，人脑可能以某种抽象的“形态”来表示概念；语义空间更新指大脑在接收新文本信息时，语义表示（意义空间）会动态调整，以适应新信息并与已有知识相一致；独立性机制则指概念空间的自主性和封闭性——即概念在个体大脑中有相对独立的表示，不会因不同表述方式而本质改变，从而保证意义理解的一致性。
上述理论与认知科学和语言学中的一些经典观点相呼应。早在20世纪末，心理语言学家Steven Pinker就提出语言并非思维的本质载体，思想有其独立于自然语言的“心理语义”表征系统，这意味着人的概念思维在某种程度上独立于具体的语言符号 (Linguistic relativity - Wikipedia)。同样，认知语言学家Ray Jackendoff的概念语义学理论认为，词汇和句子的意义对应于说话者头脑中的无意识概念结构，这种结构具有超越特定语言的普遍属性 ([PDF] Generation from Lexical Conceptual Structures - ACL Anthology)。这些观点都隐含着概念空间独立性的思想：即人脑内部存在一个相对自主的概念表示层，将语言输入映射为统一的意义表示。段玉聪教授的理论进一步将这一思想系统化，强调在人类文本理解中，认知主体内部的概念形态是理解的基础，而语义层面的处理则需要根据情景不断更新，同时保持概念层的稳定和独立。
本报告旨在对段玉聪教授提出的这一理论框架进行深入拓展和验证，并将其置于更广阔的学术背景下加以考察。首先，我们将构建理论框架，明确概念空间、语义空间与认知空间的定义及相互关系，以及概念形态依赖和独立性机制的含义。接着，我们将从机制层面剖析：探讨人类如何生成新概念、如何处理语言的多义性、如何通过学习更新认知结构以及如何在大脑中重构语义空间。然后，我们通过几个具体的应用场景和案例分析，说明这一理论在实践中的应用潜力，例如提高机器阅读理解的准确性、帮助机器学习模型实现持续学习，以及构建动态演化的知识图谱等。随后，我们将进行文献综述和元分析，综摄相关领域的重要模型、理论和实验，从多学科视角对比分析概念-语义认知的研究进展，包括认知科学的实验发现、人工智能的模型性能以及语言学的理论解释。最后，在结论与展望部分，我们将总结主要发现，指出这一研究对于深化自然语言处理和人工智能系统设计的意义，并提出未来研究的方向。
通过上述结构化的探讨，我们希望回答以下关键问题：（1）概念形态在认知理解中究竟扮演什么角色？（2）大脑是如何在理解文本时动态更新其语义空间的？（3）概念空间的独立性如何保证了我们对意义的稳定认知？（4）这些机制能够如何在人工智能与语言处理应用中发挥作用？ 对这些问题的回答，不仅有助于阐明人类语言认知的本质，也将为构建更智能、更符合人类认知机制的AI系统提供灵感。
理论框架本节我们建立一个涵盖概念空间、语义空间和认知空间的理论框架，并详细阐述概念形态依赖与概念空间独立性的含义。该框架融合了段玉聪教授的理论观点与认知科学、语言学领域的相关概念，为后续的机制分析和应用研究奠定基础。
认知空间、概念空间与语义空间认知空间（Cognitive Space）可以被定义为个体头脑中承载其知识、信念和经验的内部心理世界 (“意识相对论”通俗解读：回顾段玉聪的意识理论 - 知乎专栏)。它是高度个体化的，每个人的认知空间内容和结构都不同，并且具有一定的封闭性：外部信息只能通过感觉和语言等渠道进入认知空间，且其解释取决于已有认知结构。认知空间的相对性意味着对同一文本，不同读者可能由于知识背景不同而产生不一样的理解。这一点在语言学中的体现就是语言相对论（Sapir-Whorf假说）所强调的，不同语言和文化背景会影响人们对同一事物的认知；不过现代观点更倾向于认为语言影响但不完全决定思维。认知空间概念强调了理解过程中的主体因素：新信息的意义只有在与主体已有知识产生联系时才能被真正理解。
在认知空间内部，我们进一步区分概念空间（Conceptual Space）和语义空间（Semantic Space）。概念空间指个体头脑中概念的集合及其结构关系。这里的“概念”泛指人所理解的范畴、对象、属性等抽象单位，以及它们之间的层次和关联。概念空间更多地反映知识的主观组织和结构化形式，可以视为认知主体的“内部本体论”或“语义网”。许多研究者提出，概念空间具有某种几何或拓扑结构：瑞典认知科学家Peter Gärdenfors在其“概念空间”理论中主张概念可以被表示为多维度属性空间中的区域，不同概念在空间中的距离代表它们语义上的相似程度 (Conceptual spaces: Naturalness or cognitive sparseness? | Synthese)。这一理论赋予概念空间以形态（几何结构）的含义：概念并非杂乱无章地存储，而是有内在维度和结构，可计算距离和方向等。这与段玉聪教授提到的概念形态不谋而合：概念有其内部形态，包括定义、特征和与其他概念的关系，理解文本时我们实际上是在根据词语触发相应的概念形态。
语义空间则通常指语言符号（词、句等）在意义上的分布表示。在自然语言处理中，语义空间模型指通过大规模语料学习得到的高维向量空间，其中每个词或符号对应一个向量，向量之间的距离或方向反映词语在语义上的关联和差异 (潜意识空间与DIKWP 模型中信息部分的内在对应关系-段玉聪的博文)。典型如词嵌入（word embedding）模型，将词映射为向量，使得同义词距离较近，异义词距离远，类属关系在空间中表现为一定的方向关系等。语义空间更多地反映语言客观使用层面的统计关联。例如，“国王”和“王后”两个词在向量空间中可能相距不远，并与“男性-女性”的方向平行，显示出它们的语义关联。然而语义空间是相对外部和数据驱动的表示，与具体语言和语料高度相关，不同语言的语义空间或不同领域的语义空间可能存在差异性。段玉聪教授指出语义空间的差异性，可理解为：不同认知主体由于语言、知识背景不同，所形成的语义表示空间也不尽相同 (从生物的原始生化反应到自我意识的形成：段玉聪教授的意识演化 ...)。即便是同一人，在不同上下文或不同时刻，其激活的语义空间也会发生变化。简单说，语义空间代表“词语在使用中的意义分布”，它是动态、依赖语境和语料的。
概念空间和语义空间在认知主体内部既相互区别又相互联系。我们可以将概念空间视作主体的内部知识结构（偏主观、稳定、结构化），而语义空间则与语言输入输出直接相关（偏客观、动态、上下文相关）。当一个人阅读文本时，文字（语言符号）首先映射到其语义空间中的某些位置（激活若干词语的语义向量），这些激活模式经由语义-概念映射机制引发概念空间中对应概念的唤起和关联，最终在认知空间层面形成对整句整段的理解。
概念形态依赖与概念空间独立性概念形态依赖是指人类对文本意义的把握依赖于内部概念的形态结构。也就是说，我们理解一个词语或句子，不是直接以词汇的表面形式为单位进行计算，而是要将其转换为内部的概念表示，再根据概念之间的关系网络来推理理解。举例来说，当我们读到一句话“苹果从树上掉下来”，我们脑中激活的“苹果”概念包含了其形状、重力作用下会下落、可吃的水果等属性；同一句话如果在牛顿力学的历史语境中，则“苹果掉下”还关联到“引力”这一更抽象的概念。可见文本唤起的意义依赖于概念的形态结构：概念越丰富，其所能提供的理解维度就越多。据认知心理学研究，儿童在语言习得过程中会逐步丰富概念的内涵，从具体表象（如苹果是红色的圆球）到更抽象属性（苹果有质量、会受引力影响）逐渐形成完整的概念结构。这种概念形态的逐步充实使得理解能力随认知发展而提升。
概念形态的作用也可以从范畴化和原型理论得到说明。原型范畴理论（Rosch 等人在1970s提出）认为，人类概念多为“家庭相似性”定义，即围绕原型聚合的意义集合。例如“鸟”这个概念，其原型可能是麻雀之类善飞的小鸟，企鹅虽属鸟类但距离原型较远 (Semantic Cognition: A Parallel Distributed Processing Approach)。当文本提到“鸟”时，我们倾向于依赖概念的原型形态去理解（默认其会飞等），除非语境另有指示。因此概念形态（包括原型和边界）影响了我们对词语的默认解释。这体现为概念形态依赖：离开概念内部形态，我们无法真正赋予语言符号以意义。
概念空间独立性机制则强调，尽管语义空间随语料和情境改变而变化，个体内部的概念空间却具有相对的自主独立性。这种独立性表现在多个层面：
跨语言的独立性：不同语言的词汇可以映射到相同的概念空间。例如，无论是英语的“apple”还是汉语的“苹果”，对一个通晓两种语言的人来说都会指向其头脑中同一个“苹果”概念。换言之，概念空间提供了一个语言无关的意义表示层。Pinker将这种思想称为“心灵念语（mentalese）”，认为我们思考时并非用自然语言，而是用内部的概念符号进行推理 (Linguistic relativity - Wikipedia)。这说明概念空间相对独立于具体语言符号体系，具有普遍性。
概念稳定性：即使外部表达多样，一个成熟个体的概念在短时间尺度上是稳定的。例如，我们今天读到“COVID-19”这个词，无论它出现在科普文章还是谣言帖子中，我们脑中的核心概念“新冠病毒疾病”是相对固定的，不会因为句子不同而概念本身改变。当然，我们可能学到关于它的新知识（如发现新症状），那属于概念细节的丰富，但概念的核心定义（病毒造成的呼吸道传染病）不变。概念空间的独立性确保了同一概念在不同语境下的同一性。认知神经科学的研究支持这一点：大脑中存在一些对特定概念高度选择性的细胞（俗称“概念细胞”或“祖母细胞”），例如发现有神经元对不同呈现方式的“詹妮弗·安妮斯顿”（真人照片、名字文字等）都响应，显示大脑内部形成了对该人物的统一概念表示，不随呈现媒介变化。这些发现表明，大脑内部确实将不同感知输入归为同一概念，这正是概念空间独立性的体现。
内部一致的推理：概念空间独立使得认知主体可以在概念层面进行一致的逻辑推理，而不必纠缠于不同表述造成的干扰。比如，我们可以推断“如果所有X都是Y，且Z是X，那么Z是Y”，这种逻辑推理在概念层进行，一旦将前提转换为概念关系，推理结论就不受具体句子措辞影响。这对理解长篇文本尤为重要：读文章时我们常需将不同段落提到的表述统一到同一概念，再据此推理文章主旨或隐含结论。如果没有概念空间的独立和封闭性，每次遇到同义表述我们都得重新理解，那将极大降低理解效率。
概念空间独立性并非意味着概念一成不变或人与人概念完全相同，而是强调在理解过程中，概念层相对于瞬时的语义输入具有稳定和自主的特性。这种特性保证了语义关联和知识推理能够在一个相对稳定的概念框架内进行。段玉聪教授在“理解相对论”思想中指出，理解的生成需要概率确认和知识推理，即将输入的信息与已有概念知识进行匹配、验证其合理性。这一过程显然依赖概念层的稳定表示——如果概念表示飘忽不定，就无法确认新信息与知识体系的一致性。而概念空间独立性正是确保了概念层的自洽和稳定，新信息才能在此基础上被接受或引发认知冲突。
理论框架小结段玉聪教授的理论框架强调了这样一种图景：文本理解是认知主体内部概念空间与语义空间交互作用的产物。语义空间负责从文本中提取符号层面的信息并进行初步的关联（如词与词的联想、上下文搭配概率等），而概念空间提供更高层次的结构，用于解释这些符号串所对应的世界知识和逻辑关系。概念形态作为概念空间的基本构件，决定了意义建构的可能方式；概念空间独立性确保了理解在主体内部具有一致的语义基础，不会因外部表达变化而紊乱；同时，认知空间的相对性意味着每个人根据自己的概念空间去解释文本，形成主观理解。理解过程本身则体现为语义空间的动态更新——认知主体随着阅读逐步调整对文本的语义表示，并通过与概念空间的不断互动，生成新的认知内容。这个框架与现代认知科学的许多发现相吻合，例如大脑中存在既分布又集成的语义系统：颞极（ATL）等脑区似乎充当无模式语义“枢纽”，将各种感觉和语言信息结合为抽象概念 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)；当人需要提取一个词的多个含义时，ATL的活动会增强，而前额叶和颞叶下部（pMTG等）协同发挥控制作用，以选择适合当前情境的意义 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。这些证据都可以纳入上述框架之中理解：ATL作为概念空间“枢纽”确保概念独立稳定，而前额叶-颞叶网络根据语义空间的信息执行上下文相关的语义更新和选择。
机制分析理解语言文本是一个复杂的动态过程，涉及新概念的生成、歧义的消解、认知结构的更新以及语义空间的重构等多方面的机制。本节我们结合认知科学和人工智能最新研究，对这些机制进行深入分析，阐释段玉聪教授理论框架中各要素如何在认知过程中发挥作用。
概念生成机制：新概念形成与拓展人类并非生来就具备所有概念，我们会在成长和学习中不断生成新概念或丰富原有概念内涵。概念生成可以指两种情况：（1）从无到有地形成全新的概念（例如人类发明“黑洞”这一概念）；（2）通过组合或分化已有概念来获得新概念（例如将“手机”概念细分出“智能手机”）。概念生成机制对认知发展的重要性不言而喻，它涉及归纳、类比、概念整合等多种认知过程。
在儿童认知发展中，概念生成多通过不断分类和概括实现。儿童最初学习概念往往从具体实例出发，比如通过看到多种不同的狗逐步形成“狗”的概念。在这一过程中，大脑需要提取共性特征，忽略非本质差异，从感知经验中抽象出概念表征。Rogers 和 McClelland 等人通过平行分布式处理(PDP)模型模拟了这一过程：他们训练神经网络用若干感知特征去表征动物类别，结果网络逐渐学会了物种的概念，将相似的动物聚为一类，并在内部隐含层形成了对应的抽象表示 (Semantic Cognition: A Parallel Distributed Processing Approach)。对网络内部表征降维分析显示，不同动物在隐含空间中呈现出有意义的聚类和维度，例如按大小、栖息地等区分 (Semantic Cognition: A Parallel Distributed Processing Approach)。这提示我们，大脑或许采用类似机制，通过统计学习和泛化来建立概念空间的结构。
但是，人类概念生成并非纯粹的统计归纳过程。类比推理和概念融合也是重要来源。概念融合理论（Conceptual Blending）认为，大脑可以将两个或多个心理空间的内容进行部分映射和综合，创造出一个新概念空间。例如，“网络”原本指蜘蛛网等结构，“病毒”指生物病毒，将二者类比融合形成“计算机病毒”这一新概念，用来解释计算机程序的自我复制现象。这个过程利用了我们已有概念的形态结构，在新的情境下重新组合，从而诞生出新概念。认知语言学大量研究了隐喻和概念整合过程，表明我们的概念系统具有高度创造性：通过将熟悉的概念投射到新领域，可以在概念空间中开辟新的区域来容纳新现象。
神经科学研究也开始揭示概念生成的脑机制。海马体及其连接区（如内嗅皮层）在形成新的记忆和概念时起关键作用。最新提出的认知地图理论认为，海马-内嗅系统不只是处理空间导航，它更普遍地构建“认知地图”，用于表示各种抽象关系 (Neural network based formation of cognitive maps of semantic spaces and the putative emergence of abstract concepts | Scientific Reports)。有研究模拟了动物概念空间的形成：Stoewer 等（2023）构建神经网络，让其基于动物的特征学习“动物语义空间”的认知地图，发现网络能够学出不同动物物种之间的相似性关系，将32种动物按生物类别（两栖类、哺乳类、昆虫等）自动分层聚类 (Neural network based formation of cognitive maps of semantic spaces and the putative emergence of abstract concepts | Scientific Reports)。在这种层级认知地图上，更高层次的抽象概念（如“哺乳动物”）自然涌现，并且网络能够通过在地图上插值来表征从未见过的新动物 (Neural network based formation of cognitive maps of semantic spaces and the putative emergence of abstract concepts | Scientific Reports)。例如，给网络一个不完整的新动物特征，它可以在已有地图中找到相应位置进行表征，准确度高达95% (Neural network based formation of cognitive maps of semantic spaces and the putative emergence of abstract concepts | Scientific Reports)。这提示海马等结构形成的认知地图可能是一种概念生成机制：通过在连续的概念空间中定位新事物与旧知识的关系，我们得以高效地整合新概念。新抽象概念的涌现被认为与这种多尺度的认知地图有关 (Neural network based formation of cognitive maps of semantic spaces and the putative emergence of abstract concepts | Scientific Reports)：粗粒度的地图上概念聚类形成类别，而精细地图上各实例平均分布，通过在不同尺度间切换，大脑可能实现从具体经验中抽象出概念的功能 (Neural network based formation of cognitive maps of semantic spaces and the putative emergence of abstract concepts | Scientific Reports)。
概念生成机制的研究对于人工智能的发展亦有启示。在机器学习中，如何让模型“创造”新概念或应对新类别是持续的挑战。例如，无监督聚类和表征学习可以看作模型自动生成概念的过程；生成式模型（如GPT等大型语言模型）在一定程度上能够组合已有知识产生新概念的表述，但这些“新概念”往往仍在训练语料的范畴内。真正的概念创新需要模型具备类比推理和抽象能力。当前一些研究尝试将符号逻辑与神经网络结合，允许模型通过组合基础概念来表达新概念，或通过探索概念空间来发现新的聚类。这些都模拟了人类概念生成的一些方面。然而，人脑概念生成的丰富性和灵活性远非现有AI完全可比。我们能确认的是，概念形态在生成过程中起到核心作用：无论是儿童的归纳学习还是成人的类比创造，都是在已有概念形态的基础上进行拓展。概念形态为新的意义提供了“构建材料”和“锚点”，大脑据此评估新概念与旧概念的相似和差异，从而决定如何在概念空间中安置这个新成员。
语义多义性解析：上下文中的歧义消解语言中普遍存在一词多义和一义多词的现象。一个词语可能具有多种相关或不相关的意义（多义词和同形异义词），如“bank”可以指河岸或银行；不同的词也可能表示相同或相近的概念，如“汽车”和“轿车”。人类的大脑在阅读时，必须根据上下文来正确解释词语的具体含义。这一过程称为语义歧义消解（Word Sense Disambiguation）。在段玉聪教授理论框架下，语义歧义消解体现了语义空间动态更新与概念空间独立性的协同作用：外在的歧义通过内部概念的稳定性和上下文更新来解决。
多义词的解析首先需要识别其可能的几个意义，这通常对应概念空间中的不同概念节点。例如，“苹果”可能指水果或者苹果公司（Apple Inc.）。当我们看到句子“我吃了一个苹果”，我们会立刻选择水果的意义；而在“苹果发布了新款手机”中选择公司意义。大脑是如何做到这一点的？认知心理学的实验表明，在遇到歧义词时，人脑往往短暂激活该词所有常见义项的相关表征，然后很快根据语境抑制不相关的义项，仅保留与语境一致的意义。这表现在脑电（ERP）研究中为N400成分的变化：如果句子后续提供的信息与之前假定的意义不一致，会引发N400增强，表示语义一度出现违和，需要重新解释。功能成像（fMRI）研究也提供了佐证：当同一个多义词在不同语境下呈现时，大脑中颞极（前侧颞叶）的活动模式可以区分该词在不同语境下的意义 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。这暗示大脑中存在将语义区别开来的机制。而颞极正是前述的概念“枢纽”区域，表明它在根据上下文选择概念意义方面扮演重要角色。当需要在多个熟悉意义中做选择时，ATL活动增强 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)；同时，额下回和颞中回后部等区域（涉语义控制网络）也更为活跃，用于抑制与当前情境无关的意义 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。因此，大脑中的语义控制网络动态更新激活的语义空间，只保留与情境相符的概念。
以上过程可以分解为：语义空间提候选，概念空间定归属。开始时，多义词激活语义空间中其所有常见用法的向量表示，这些向量再分别映射到概念空间中的不同概念节点。随后，大脑根据上下文提供的其他激活信息，对比哪个概念节点与上下文激活的其他概念联系更紧密，从而选定正确的概念意义。同时，未被选定的概念节点被抑制，其激活迅速衰减，语义空间中的对应向量表示也被调整（降低权重）。这一过程极为快速，以至于我们往往意识不到曾经考虑过错误的意义——除非作者故意制造花园路径句让读者误选意义再推翻。在正常情况下，语义空间的这种更新是连续进行的，每读一个新词、新句子，都会实时调整当前激活的词义和话题。在段玉聪教授的框架中，这属于语义空间的动态更新：认知主体持续地将外部文本映射到内部语义表示上，并根据新信息调节语义激活状态，以保证整体意义连贯。
值得注意的是，人类处理多义性有着显著优势，因为我们有庞大的知识和常识作为支撑。这些知识储存在概念空间中，可以为歧义消解提供额外依据。例如，句子“那个银行倒闭了”，哪怕只有一句话，我们也会倾向于认为“银行”指金融机构而非河岸，因为我们知道河岸不会“倒闭”，而金融机构会。这种利用常识来消除歧义的过程，其实是概念空间指导语义理解的体现：概念空间中的知识（银行是一种企业，企业可能倒闭）引导我们在语义空间中选择正确的意义。这解释了为什么完全凭统计相关性的模型有时会犯常识性错误——因为它们缺乏概念空间的深层知识，仅靠语义空间（词向量关联）难以涵盖复杂的常识。当前最先进的语言模型（LLM）通过海量训练数据，在一定程度上隐含学习了常识关联，但本质上仍是在语义空间层面展开计算。当遇到新情境或需要推理时，它们容易受表面关联迷惑。而人脑由于有概念空间独立性，可以超越词语表面关联，根据对世界的理解来确定含义。
多义性解析的人工智能研究主要体现在词义消歧(WSD)任务。传统方法包括基于词典知识库（如WordNet）的符号方法，和基于语料统计的机器学习方法。前者相当于赋予机器显式的概念空间，由人工构建的词汇本体提供各义项及其关系，通过计算上下文与各义项定义的匹配度来选择；后者则更接近语义空间方法，通过上下文特征训练分类模型区分词义。现代方法往往结合二者，如利用预训练的上下文嵌入(BERT等)建模语义空间，再借助知识图谱（概念空间）约束可能的词义。研究显示，融合知识的模型在低资源或高歧义环境下显著优于纯神经网络模型 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings) (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。例如在某低资源非洲语言的WSD研究中，将双向GRU神经网络与预训练模型相结合并引入知识优化，使词义消歧准确率从70%左右提升到84-85% (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings) (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。这说明语义空间+概念知识的混合法在计算上也能带来优势。这与人脑启示一致：纯粹依靠上下文词共现（类似Transformer注意力）有局限，加入知识约束（类似概念联想）能更好解决歧义。
除了词汇层面的歧义，人类还要处理句法歧义（如“老奶奶吃了蛋糕在厨房”可能有不同断句）和语用歧义（言下之意的多解）。这些需要更复杂的分析，但其共同点仍是利用上下文和背景知识来选择合理的解释。在句法层面，大脑也会同时激活多种解析树，然后根据概率和语义合理性选择一个，同时抑制另一个；语用方面，人类会借助心智模型（对说话者意图的推测）和常识来判定含义。这些过程都属于广义的语义空间更新与概念空间协作范畴。通过这些机制，人类在大多数情况下能够迅速而准确地理解对方真正想表达的意思，即便语言本身存在歧义和不确定性。
认知更新与语义空间重构：知识的整合与重组当我们通过阅读获得新知识时，我们的大脑会发生什么变化？认知更新是指将新获取的信息整合进已有认知结构的过程。如果新信息与原有知识一致，我们可能直接将其添加进相关概念的知识网络；如果出现冲突，我们可能需要调整原有的概念结构，这就是语义空间重构甚至概念空间的重构。Jean Piaget在发生认知论中把这种过程称为同化（assimilation）与顺应（accommodation）：同化是将环境中的新信息纳入现有图式，顺应则是修改原有图式以适应新信息。当一个孩子第一次见到鲸鱼时或许会把它当作“大鱼”同化进“鱼”的概念，但了解到鲸呼吸空气、哺乳后，就不得不调整“鱼”和“哺乳动物”的概念边界，将鲸鱼归入哺乳动物。这就是概念空间重构的实例。
在段玉聪教授的理论框架里，理解文本的过程本身就伴随着微观的认知更新。他强调理解是一种知识结构的重组过程：新的语义通过概率确认和知识推理，嵌入到认知主体已有的知识网络中，形成更新后的认知结构。如果把大脑比作知识图谱，那么阅读就是在不断扩展和修改这张图谱。例如，读一句“鲸鱼不是鱼”，就需要对“鲸鱼”节点的属性和连接进行调整。这种动态更新要求语义空间的重构：阅读该句子时，关于“鲸鱼”的语义空间表示需要从原本贴近“鱼类”的区域移向“哺乳动物”区域。这可以看作语义空间坐标的移动或重新映射。经过多次这类更新后，认知主体的概念空间发生了变化（鲸鱼概念的上下位关系改变了）。
认知心理学和神经科学的研究提供了关于知识更新的一些证据。前文提到的语义网络PDP模型还能模拟知识更新的现象：如果训练好的网络接收到与已学知识矛盾的新输入，会在误差驱动下调整连接权重，可能导致原有语义结构发生改变。例如Rogers和McClelland模型中，如果后来加入某种特例，会发现模型重新调整内部表示，使得整体分类边界有所位移。人脑或许也通过类似的梯度调整（虽非严格BP算法，但可能通过突触可塑性和再激活）实现知识更新。不过，大脑有渐进整合新知识的机制，避免剧烈改变既有记忆，这类似于机器学习中避免灾难性遗忘的问题。海马和新皮层间的互作被认为支持了这一点：新记忆（知识）先暂存在海马，然后在睡眠等过程中逐渐巩固到新皮层语义网络，从而平滑地更新知识。
一个有趣的发现是，语义记忆网络会随着年龄增长变得更加稠密。Cutler等（2025）的研究通过事件相关电位(ERP)测试发现，老年人的语义检索表现出不同特点：对不一致特征的检索反应更慢，且脑电N400幅度降低，前额持续活动增强 (Reference Citation Analysis: Find an Article, Find a Category, Find a Journal, Find a Scholar) (Reference Citation Analysis: Find an Article, Find a Category, Find a Journal, Find a Scholar)。研究者解释，这是由于老人一生积累了大量知识，语义表示空间更加密集，相关联的概念更多，导致检索一个概念时需要遍历和比对的特征变多，从而减慢速度并需要更多监控 (Reference Citation Analysis: Find an Article, Find a Category, Find a Journal, Find a Scholar)。简单来说，知识越多，语义空间就越“拥挤”，概念彼此联系越紧密。这一方面说明认知更新不断进行并累积效果，另一方面也印证语义空间重构：随着知识增加，概念在意义空间中的分布会发生变化——许多以前不相关的概念可能因为新知识建立联系，整个空间拓扑更复杂。这对于理解人脑知识组织是重要线索：我们并非简单添加节点，而是不断重新连线，构建更紧密交织的语义网络。这也解释了为何老年人有时容易产生记忆混淆或者需要更多提示才能精确回忆——关联太多反而增加了筛选成本。这一研究从反面凸显了概念空间独立的重要性：即便语义空间变得稠密，概念本身仍需要保持一定独立清晰，否则知识越多反而会导致概念界限模糊不清。大脑可能通过层级化和模块化来应对稠密网络，将概念分门别类，维持局部的独立性。
人工智能领域，知识更新和概念漂移也是重要议题。在流式学习或在线学习场景中，模型需要不断学习新数据、新概念。如果模型没有明确的概念层，每次新数据训练都可能冲击原有参数分布，导致“灾难性遗忘”。为此，有研究引入连续学习算法，如弹性权重保持(EWC)等，试图保护重要的旧知识参数。同时，知识图谱等符号表示被用于辅助模型更新，通过将新知识以三元组形式加入，同时保持已有本体不变，从而避免对已有概念的误修改。我们可以看到，人脑的做法和理想AI方案有相似之处：利用独立的概念层作为缓冲，新数据主要影响语义关联，而概念的核心定义不被轻易改变；当累积足够证据需要改变时，再小心调整概念层（相当于模式层）。知识图谱研究中明确区分模式层(概念模型)与数据层(实例) (知识图谱学习笔记五（知识图谱融合）_本体层实例层 - CSDN博客)正是类似的思路：模式层存储抽象概念及关系（本体），实例层存储具体事实，新事实到来通常只更新实例层，而模式层（概念体系）只有在发现需要重新分类时才改变 (1. 通俗易懂解释知识图谱（Knowledge Graph） - 博客园)。例如，在生物知识图谱中加入“鲸是哺乳动物而非鱼”这个事实，会促使本体模式层更新鲸的类别，但鱼和哺乳动物等概念仍然保留，结构作了调整而已。这种双层结构提高了知识更新的稳定性和效率，也对应了人脑认知空间（概念）与语义空间（实例）的双层组织。
语义空间重构在某些特殊情况下会非常明显。比如当人学习一门全新领域的知识时，可能短时间内大量概念需要重组关联，形成崭新的子网络；又比如在语言理解中，读者如果被误导而形成了错误情景模型，后来发现线索推翻先前理解（比如小说中隐藏身份被揭示的一刻），就需要对整篇文章的语义诠释进行重构。这体现为读者回溯前文，重新解释一些伏笔——相当于大规模语义空间重构操作。这种现象说明语义空间并非逐词静态累积，而是可以在新的认知驱动下对已有内容重新诠释。段玉聪教授所说理解是一个“形成新的认知结构”的过程，并不只是末端产出一个结构，而是过程中可能出现对先前部分的反思调整。元认知和监控过程在此扮演重要角色，人脑有能力检测到理解的不一致或逻辑矛盾，从而触发对已建模语义进行检查和修改。人工智能的阅读模型目前还缺乏这种大范围重构能力，但一些研究正尝试加入记忆检索-验证模块，如果生成的理解与知识库不一致则反馈模型调整。这类似一种简单的重构。
综上，认知更新与语义空间重构体现了人类认知的动态塑造性和自我校正机制。大脑并非被动存储信息，而是在理解过程中主动维护和优化其知识网络。通过保持概念空间的相对独立和稳定，它能在不断变化的信息流中保持认知体系的连贯性；通过灵活调整语义空间表示，它又能高效地吸纳新知、纠正错误。这样的机制正是长期学习和智能行为的基础。接下来，我们将把以上对机制的理解应用到具体案例中，说明这些认知机制如何启发改进文本理解、机器学习和知识图谱等技术领域。
应用场景与案例分析认知机制的理论探讨最终应服务于实践应用。本节我们设计并分析若干具体场景，展示前述概念形态、语义空间更新与独立性机制对实际问题的指导价值。这些场景涵盖自然语言文本理解、机器学习模型设计和知识图谱构建等领域，每一案例都将结合理论阐述其应用方式和效果。
案例一：文本理解与语义歧义消解场景描述：想象一个智能阅读系统，需要理解新闻文章并回答读者提问。该系统面对一篇包含多义词和复杂指代的文章，例如：
“小明在银行附近的河岸散步时，不慎落水。幸好河岸边的警察及时营救。同时，银行的经理正好路过，也参与了救援。”
这段话中“银行”（bank）在短短两句中出现了两个不同含义（金融机构 vs 河边），同时还有指代词（“也参与了救援”的主语指经理）。一般的基于统计的NLP系统可能会混淆“银行”的含义或者不知道经理为何在场。我们希望利用概念-语义分层的思路来改进对这种文本的理解。
应用思路：我们为系统构建一个内部知识图谱/概念网络，其中有概念节点如“银行（金融机构）”、“河岸（bank地理含义）”、“经理”、“警察”等，以及关系如“经理-属于-银行（机构）”、“银行（机构）-附近-河岸”等。阅读文章时，系统不仅生成词语的向量表示（语义空间表征），还查询或构建对应的概念节点（概念空间表征）。当遇到歧义词“银行”时，系统同时激活两个概念：“银行(机构)”和“河岸”。接下来，通过上下文语义关联和知识图谱关系进行判 disambiguation：第一句“在银行附近的河岸散步”通过分析句法和常识，很明显“附近的河岸”指地理实体，“银行附近”表示某机构在附近，因此此处“银行”应为机构；而“河岸散步”则定位了具体地点。这样系统为第一句生成一个情景图谱：小明-在-河岸（位置），河岸-附近-银行(机构)。第二句提到“河岸边的警察”，警察属于救援角色，与河岸情景关联；“同时，银行的经理正好路过”，这里“银行的经理”因为语法限定了银行(机构)的所属关系，因此确认为机构意义。经理路过河岸边，说明银行(机构)与河岸在地理上相邻，这与第一句知识一致。至此，系统已将所有“银行”词元正确映射到“机构”概念。后续解析“也参与了救援”时，需要知道主语“银行的经理”就是前一句出现的经理，这可通过概念统一实现：概念网络里经理节点已激活，系统将代词（省略主语）解析为该已知概念。于是整个事件脉络清晰：河岸落水-警察救-经理也救。系统可以据此回答问题如“谁落水了？谁参与了救援？救援发生在哪里？”。这种知识驱动的理解方式，比单纯使用句向量或Transformer注意力机制，更能保证歧义词的不误解和跨句指代的正确链接。
效果与优势：采用概念-语义双层表示的文本理解，在面对歧义和需要推理的文本时具有明显优势。它利用概念形态（如“银行(机构)”具有“有经理”属性，“经理”为人物概念，有救人能力；“银行(河岸)”为地理概念，不会有经理）来过滤不合理的解释。语义空间的表示则用于捕捉句子结构和词汇共现，但真正决策意义的是概念层的关联逻辑。这样，即使一句话结构复杂，系统也可以先把其中名词、动词映射为概念，再根据概念网络寻找可能的关系，从而理解句意。这类似人类阅读时利用常识网路增进理解。据报告，这种方法在机器阅读理解任务（如MRC问答）中，有助于提高对需要常识推理的问题的准确回答率。唯一挑战在于系统需要有较全的知识图谱支撑，这涉及知识获取。但即使图谱不完备，系统也可在阅读时动态生成临时概念节点和关系（比如新的实体名，可以创建节点并连接已知概念）。这种能力等同于让模型在阅读时构建“情境模型”，正是心理学认为人类阅读理解采用的方法之一。
相关研究支撑：近年来多模态的大模型也朝这方向发展，例如Meta公司的Segment Anything模型将图像中物体进行概念分割，与语言模型结合后，可以在图文理解中表现出类似概念层推理的效果。纯文本方面，Microsoft研究院的Dr.KB项目尝试将预训练语言模型与知识库实时交互，在问答任务中提升对于隐含知识问题的解答。这些都证明，融合概念知识的文本理解比单纯分布式表示更可靠。这与段玉聪教授理论强调的概念依赖相符，在实践中收获了性能提升和错误率降低的效果。
案例二：机器学习中的概念持续学习场景描述：一个智能分类系统，最初被训练用于识别邮件中的垃圾邮件与正常邮件。随着时间推移，垃圾邮件的形式不断演变，新词汇、新套路层出不穷，例如开始大量出现关于加密货币诈骗的内容，而这些内容在最初训练集中并无涉及。传统的机器学习模型如果不加以更新，可能无法识别新的垃圾邮件类型；而直接用新数据重新训练又可能遗忘旧的知识（如以前的垃圾邮件特征）。我们希望设计一种持续学习的机制，使模型能够增量更新对垃圾邮件概念的理解，而不遗忘过去学到的判别规则。
应用思路：借鉴人脑的概念空间独立 + 语义空间更新机制，我们可以为分类模型构建两层结构：下层为用于文本表示的神经网络（相当于语义空间），上层为可解释的规则或概念库（相当于概念空间）。初始训练时，模型不仅学习一个端到端分类器，还归纳出一些概念性特征。例如，通过对垃圾邮件语料的分析，提取若干高层语义特征：如“提到金钱奖励”、“包含可疑链接”、“语气紧迫要求个人信息”等。这些特征可以由网络的中间层激活模式聚类得到，或者由专家知识定义。我们将这些高层语义特征视为概念空间中的节点，垃圾邮件概念则与这些特征节点相连（表示垃圾邮件往往具备这些属性），正常邮件概念连接的是另一组特征（如“日常问候用语”、“个性化称呼”等）。分类决策时，模型一方面通过神经网络对邮件进行嵌入表示，另一方面计算这些概念特征的匹配情况，综合判断邮件类别。
当遇到新类型邮件（如加密货币骗局）时，模型可能在神经网络层面无法直接正确分类，因为其词汇、表述新奇。但模型可以通过概念层发现一些熟悉的模式：比如“承诺高额回报”、“要求转账至比特币地址”，这些虽然具体词汇新但语义本质吻合已有概念特征“金钱奖励”、“可疑链接”。于是模型可以同化新邮件为垃圾邮件概念下的变种，无需立即改变概念空间。但同时，模型也可以记录下新邮件中出现频率高的新关键词（如“比特币”、“挖矿”等）及其关联，将它们逐步整合为新的语义特征。当积累足够多此类邮件后，我们可以扩展概念空间：增加一个“加密货币诈骗”子概念，作为垃圾邮件概念的子类，并总结该子类特征。这类似于人脑在学习新主题时，先识别它属于哪个已知大类，然后随着了解加深再为其建立更细的概念节点。
技术上，实现上述过程可以采用持续学习框架。训练分阶段进行，每批新数据到来时：
冻结住上一阶段学得的概念特征及分类决策边界，主要调整神经网络层（语义空间）。让网络去适配新数据的表征，同时对输出的概念特征得分进行校准。如果新数据明显缺乏能激活原有垃圾邮件特征的内容，但仍判为垃圾邮件（根据人工标注），则促使网络学习新的隐藏模式来预测垃圾邮件。这就引入了新的潜在特征。
人工或算法对新潜在特征进行解释，赋予概念意义（例如注意力权重最高的新词是“比特币”，可引入“涉及加密货币”作为新特征节点）。
将新特征节点加入概念空间，与垃圾邮件概念连接。如果发现其与已有特征强相关或可归为一组，则可能形成新的子概念（如所有与投资骗局相关的特征归类成一类）。
更新分类模型，使其同时利用新旧特征决策。由于概念空间的结构保留了旧知识，哪怕新网络参数发生改变，我们仍可通过概念节点确保模型不遗忘旧的判别依据。例如即使某些旧关键词不再频繁出现，我们依然保留“可疑链接”、“语气紧迫”等特征节点，那模型就不会忘记这些判断标准。
效果与优势：这种持续学习方案能够较好地平衡塑性和稳定性。语义空间（神经网络）提供了对新数据的灵活适应能力，而概念空间作为正则，防止模型对旧知识的遗忘。尤其在垃圾邮件检测这样对抗性强的领域，攻击者常换汤不换药——更改词汇表面但套路类似。因此概念特征提取有助于模型抓住本质。如一些研究表明，基于概念的可解释AI模型，不仅在可解释性上更好，在应对分布外数据时鲁棒性也更佳，因为概念往往更抽象、本质，不随表层变化。段玉聪教授理论强调的概念空间独立正提供了这种鲁棒性：即便输入分布（语义空间）变化，只要概念判别规则独立存在，模型就能以不变应万变。 (Linguistic relativity - Wikipedia) ([PDF] Generation from Lexical Conceptual Structures - ACL Anthology)
**实际案例：**学术界已经有类似尝试。例如“概念瓶颈模型”(Concept bottleneck model)，在图像识别中先预测人类定义的中间概念（如鸟类的颜色、形状特征），再根据概念预测类别。如果引入新鸟种，只要它的特征可以用已有概念描述，模型就很快适应，且不会影响旧类别识别。NLP中也有工作将句子情感分类分解为若干概念维度（比如愤怒、讽刺、积极等），在新语料下微调模型时锁定概念维度不变，仅调整映射，这防止了灾难性遗忘，同时人可以理解模型决策因何变化。可以预期，未来随着知识图谱与深度学习融合（Neuro-Symbolic AI）的发展，在更多机器学习任务中都会出现这样的持续学习架构，其本质都是汲取了人脑概念-语义分离处理的思想。
案例三：知识图谱构建与动态演化场景描述：构建和维护一个大规模医学知识图谱。起初，我们收集了教材和词典，构建了包含疾病、症状、药物等概念及其关系的本体(schema)。接着，不断有最新的医学文献、临床报告产生，我们希望将其中的新知识添加到知识图谱中。例如，新文献报道了一种疾病的新症状或新的治疗方法。如果知识图谱不能及时更新，就会变陈旧。我们需要一种机制，既能快速加入新知识，又能保证图谱整体一致，不出现概念混乱或矛盾。
应用思路：知识图谱天生具有概念层(模式层)和实例层(数据层)的区分 (知识图谱学习笔记五（知识图谱融合）_本体层实例层 - CSDN博客)。模式层类似我们的概念空间，定义了概念类型及关系；实例层如语义空间，存储具体事实。构建知识图谱通常包括实体链接、关系抽取等步骤。例如，从新文献句子“XX综合征还会导致味觉丧失”抽取实体“XX综合征”(疾病)和“味觉丧失”(症状)，以及关系“导致”。在本体中，已经有疾病和症状的概念定义，以及“疾病-有症状-症状”的关系类型，所以新事实可直接添加：“XX综合征-有症状-味觉丧失”。如果出现了全新的名词如“YYY疗法”，我们需要决定它的概念类型：通过上下文，我们判断这是一个新的“治疗方法”实体，于是在实例层添加，同时在模式层确保存在“治疗方法”这个概念（若没有，则说明本体需要扩充）。
**独立性机制保障：**在知识图谱更新中，概念层独立性表现为：对实例层的新增修改不会自动改变概念定义。例如虽然“味觉丧失”被添加为“XX综合征”的症状，但不会改变“症状”的概念定义或“症状”与其他概念的关系。只有当大量新实例显示出现了现有概念无法覆盖的现象时，才考虑修改概念层。例如如果文献不断提到一种全新类型的医学实体，不属于现有任何类别，那么需要扩展模式层，引入新概念。这种情况下，会由医学专家审核本体变更，以人工确保概念系统的正确演化。
语义空间更新机制：在实践中，可以开发本体学习算法，辅助从新数据中发现潜在的模式变化。例如文本挖掘发现许多句子提到某类新疗法，其特征与已有“药物”或“手术”都不同，于是算法建议引入“基因疗法”概念作为治疗方法的子类。图谱更新过程也伴随着一致性检查，如依据本体的约束（独立性规则）验证新加入事实是否与已有知识冲突。如果冲突，需人工裁定如何更新概念层或实例层来化解。这相当于概念空间对语义空间更新的约束与校正。
具体案例：知识图谱构建领域有一个概念叫知识演化(knowledge evolution)，关注如何维护图谱随时间更新。业界如Google的Knowledge Graph每日都在根据爬取的网络数据进行更新，他们通常采用类似上述的方法：本体层由专家维护，相对稳定；数据层根据抓取数据自动扩充。对于医疗这样严谨的领域，一般采用人机结合：机器在海量文献中提取出候选的新实体、新关系，人来审核并整合进知识库。例如新冠疫情期间，大量新论文每天发表，研究者使用文本挖掘系统从论文中提取病毒变种、新症状、新药物试验结果等，构建一个COVID-19知识图谱，帮助科研人员跟踪进展。这个过程中，许多以前没有的概念（如特定突变株代号、全新药物分子）被引入，但更高层的概念框架（比如仍归类为“病毒株”或“抗病毒药物”）保持稳定。这正是概念层独立、实例层更新的范例。
优势：通过概念和实例分离，知识图谱能够实现可扩展的演化。图谱用户查询时，首先经过概念层定位需要的类别，然后在实例层检索具体实例。这类似人脑先想“我要找药物相关的信息”，然后调取药物实例。当图谱更新后，这一流程不变，只是实例丰富了。如果某次更新引入了新概念，概念层扩展也会通知相关模块更新索引。总的来说，这种架构使大规模知识系统既有稳定的结构，又有生长的能力。
理论联系：段玉聪教授在其DIKWP模型中谈到，通过四空间（数据、信息、知识、智慧/意图）的区分来处理不同层次的内容，尤其将概念空间与语义空间解耦，可以更系统地分析信息处理过程 (潜意识空间与DIKWP 模型中信息部分的内在对应关系-段玉聪的博文)。知识图谱的模式-实例正对应了概念-数据的划分，也与DIKWP的思想一致。此外，他还提出“理解相对论”中语义关联和概念确认的重要性 (从生物的原始生化反应到自我意识的形成：段玉聪教授的意识演化 ...)，在图谱构建中就体现为：提取新的语义关联（实体关系）后，一定要通过概念确认（核对本体）才能最终收录。这种检查过程保证了图谱的可信度，也防止语义噪声污染概念体系。
以上案例展示了概念形态、语义更新和独立性机制在实际系统中的应用潜力。从文本理解到机器学习模型再到知识工程，我们看到，人类大脑的这些认知特点为人工系统提供了宝贵的灵感。下一节我们将更广泛地回顾相关领域的研究和模型，以更系统地比较分析这些理念在不同学科的体现。
文献综述与比较分析为了全面评估和扩展段玉聪教授提出的理论，本节将对相关领域的重要模型、理论和实验研究进行综述和比较。我们将分别从认知科学、人工智能和语言学三个角度出发，总结各自对概念生成、语义表示、认知更新等问题的见解，并分析它们与段教授理论框架的异同。通过这种元分析，我们可以厘清当前研究的主流共识和分歧之处，验证段教授理论的合理性，并找到可进一步改进和融合之处。
认知科学视角：概念与语义的心智表征认知科学领域对人类概念和语义表征问题有诸多经典理论：
原型范畴理论：由Eleanor Rosch等提出。认为概念（范畴）的心理表示并非严格的必要充分条件集合，而是以“原型”为中心的模糊集合。人们判断一个实例是否属于某概念，取决于其与原型的相似度。这一理论解释了概念边界的弹性和语义的不确定性，例如为什么我们觉得企鹅是鸟但却是反常的鸟。这和段教授强调的概念形态有关：概念并非固定二值，而有内部结构（原型和周边例外）。原型理论的实验证据来自分类任务：典型实例反应更快，不典型实例慢且易分歧。段教授理论兼容这一点，因为概念形态可以包含典型与非典型特征作为内部结构的组成部分。
理论理论(Theory-Theory)：认知心理学另一种观点认为，人类概念之间关系类似朴素理论，如儿童有“物理理论”、“生物理论”等直觉理论支撑概念分类。因此概念获取实际上是在学习微理论。比如儿童理解“动物”概念时，可能建立“会动、会长大、有生命”这样的直觉理论，从而把动物与非生命区分开。这个理论突出概念体系的结构性和因果性。与段教授概念空间相呼应：概念空间可以看作认知主体的各种直觉理论网络，它比原型理论更强调概念间的因果关系和逻辑约束（知识网络）。两者并不矛盾，可综合起来看：概念空间的组织既有原型效应，也有理论般的规则和约束。
语义网络与连接主义模型：早期有Collins & Loftus的语义网络模型，概念表示为节点，语义关联为边，激活沿边扩散以解释语义启动等现象。后来兴起的连接主义模型以Rogers & McClelland (2004)为代表 (Semantic Cognition: A Parallel Distributed Processing Approach)。他们用多层神经网络模拟语义认知，成功再现了语义分类、属性共现以及语义失忆症患者的症状（逐渐丧失具体概念先于一般概念）。这些模型支持分布式表征：概念不是单一点，而是网络中一组激活模式。然而，他们也发现网络内部可以涌现出“压缩”的抽象表示，相当于概念的向量。连接主义模型偏重语义空间的视角（强调经验统计和连续表征）但也证明了概念结构能自发形成。段教授理论与之相通：强调语义空间更新可以通过类似PDP的机制完成，而概念形态对应这些模型中隐层表示的结构。不同在于，段教授理论还强调概念的独立性和封闭性，这是经典连接主义模型较少讨论的（因其表示是完全分布式、公共的）。但新近出现的具备模块化结构或正则化的PDP模型正在尝试引入隐层的分区，以对应概念的相对独立。
神经认知证据：认知神经科学方面，前述语义记忆的中心-外围模型（“枢纽和辐条”模型）是当前较具影响力的理论 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。该模型提出，大脑语义系统有一个跨模态的统合“枢纽”（主要在双侧前颞极ATL），以及分布于感觉运动区域的“辐条”存储各模态下概念的具体感知表征。ATL枢纽负责将不同来源的信息归一化为概念表示，因此损伤ATL（如语义痴呆患者）会出现语义泛化困难，概念区分力下降。这直接支持概念空间独立性：ATL使得概念表征脱离具体感知形式，形成统一的“心语”表示 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。同时，大脑还有前额叶和顶叶的语义控制网络，动态调整检索哪个意义 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。这对应语义空间更新的控制机制。在脑成像实验中，歧义词需要更多ATL和控制区参与，多义处理体现为额颞协同 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。这些发现强有力地验证了段教授框架中概念-语义分离和交互的生物真实性。可以说，人脑本身存在类似“概念空间”（ATL为核心）和“语义空间”（多模态语义辐条）这样的架构。
比较：认知科学各理论分别侧重概念的某些侧面。段玉聪教授理论聚焦于概念形态（对应原型结构、理论结构）、语义动态（对应语义网络激活扩散、控制网络调节）和独立封闭性（对应ATL枢纽的统合作用）。整体而言，与现代综合观点一致。例如Lambon Ralph等提出的枢纽-辐条模型与段教授思想高度吻合，只是语言表述不同。段教授理论的“新”在于把这些要点融会贯通并强调在文本理解场景下的作用，而许多认知理论是孤立研究概念分类或词汇处理任务的。段教授还引入了“意图驱动”、“理解相对性”等独特要素，将动机和主体性纳入理解模型，这是传统认知理论较少涉及的，更接近高层的意识和智慧概念（DIKWP框架的高阶部分）。因此，他的理论在认知科学视角上是一个综合加强版，补充了主观意图对概念-语义过程的调控作用，呼应当前对主动预测、贝叶斯大脑等概念的关注。
人工智能视角：符号与连接主义的融合在AI领域，语言理解和知识表示长期存在两种范式：符号主义和连接主义。近年来的神经符号融合和大模型发展也提供了新的见解。
符号AI与知识库：早期AI采用显式符号表示概念和规则，如语义网络、框架(Frame)、本体(Ontology)等。这相当于构建人工的概念空间，然后推理引擎在上面操作。符号方法最大的优点是概念清晰独立，易于解释和手工更新（符合概念空间独立性）；缺点是获取和维护知识成本高，且缺乏自动适应数据的能力（语义空间更新不足）。例如，基于知识库的对话系统可以做到回答常识问题时逻辑分明，但遇到知识库里没有的新说法就不知所措。这些系统对应段教授框架中的概念层有余而语义层不足。
连接主义与分布式语义：以神经网络为代表，不使用显式概念符号，而是通过大数据训练得到词和句的向量表示，利用连续空间的计算（例如余弦相似度）处理语言任务。这类方法自动学习到语义空间，但没有直接的人类可读概念。如今席卷NLP的大型语言模型(LLM)正是这一脉络的巅峰：如GPT-3/4在海量文本上训练，获得惊人的语言生成和理解能力。然而，它们内部没有明确的知识图谱或概念库，一切知识都以参数形式隐含存储。这带来的问题包括幻觉（编造不存在的事实）和可控性差。这是因为缺乏概念空间独立机制，模型只是顺应语料概率，缺乏对事实真假的独立校验结构。OpenAI的研究人员也指出，当前LLM缺少一种持久的、独立的知识表示模块，导致随文本上下文变化输出可能前后不一致——这有点像没有概念空间独立性约束，完全由局部语义驱动。连接主义的方法在语义空间动态上表现优异（因为其本质就是根据输入动态激活不同向量），与段教授理论的语义更新部分相合，但在概念独立性上有所欠缺。
神经符号融合：意识到两者优缺点，一些研究尝试结合符号知识与神经网络。例如Knowledge-Enhanced Neural Networks：在预训练语言模型中引入知识图谱信息，或者在Transformer注意力中强制加入概念节点的关联。有方法将知识库检索到的结果和原文一并输入模型，指导模型产生更加事实一致的回答。还有符号约束的学习：在训练损失中加入逻辑约束项，确保模型输出符合某些规则（如实体类型一致性）。这些方法在问答、对话等任务上提升了准确性和一致性，降低了不合理输出。以OpenAI ChatGPT为例，它在生成某些答案时会内置一些简化规则或知识（虽然大部分仍是参数化隐知识），另一方面它也提供插件机制让模型查询显式数据库。可以说，最新的大模型应用其实已经在实用层面体现了**概念空间（知识库）+语义空间（神经网络）**的结合，只是尚未完全统一到训练过程。
可解释概念学习：前述的概念瓶颈模型、神经可解释AI都是探索网络内部学出人类概念的方法。例如ConceptSHAP, TCAV等技术，通过后验分析找出CNN视觉模型关注的高层概念并给予语义标签，从而解释模型决策。这些工作有助于将隐式分布表示转换为部分符号概念，实际上是在连接主义模型中发掘概念空间。未来，也有可能训练时直接让模型产生一层概念表示（如中间输出20个概念属性值），进而约束输出。这些方向将使AI的内部表征更接近人类的概念表征，从而易于融合知识和实现持续学习。
持续学习与记忆模块：机器学习中称连续学习(continual learning)，针对模型增量更新和防遗忘问题。典型方法如：正则化重要参数、动态扩展网络结构、交替回放旧样本等。而如果引入一个显式知识记忆模块，在新任务学习时固定该模块，则能避免遗忘。例如Riemer等提出Latent Replay，通过在隐空间回放旧任务特征；亦有研究用外部记忆网络（如NNMemory）存储过去知识点。更高层的，如DeepMind提出的Differentiable Neural Computer(DNC)，把一个神经网络和一个可读写的外部内存结合，让网络在解决任务时可以将中间结果写到记忆，下次用。这些结构体现在语言模型上，就是加入一个随对话增长的对话状态或知识池。这些对应段教授理论中的认知更新机制在AI上的尝试。虽然与人脑工作方式仍有差距，但已有一些成功例子：如GPT-4插件可以搜索资料，这等于模型有了不遗忘的知识库支撑；持续学习算法在视觉分类中做到在不访问旧数据情况下顺序学几十类物体而性能只略有下降。
比较：AI方法各有偏重，段教授理论某种意义上要求AI系统同时具备符号和连接主义的优点，即有独立概念模块又能语义灵活更新。当前趋势正朝此方向：纯LLM在一些需要稳定知识的任务上开始暴露短板，而结合知识的模型兴起。我们的案例分析也印证，融合方法效果更好。可以说，段教授理论和现代AI的融合方向不谋而合，都指向Neuro-Symbolic Hybrid Intelligence。相较而言，AI实现要比大脑简单直接，例如知识图谱更新就靠工程管控，而人脑可能通过复杂的睡眠巩固机制。但抽象层面原则一致：核心概念层要相对稳定独立，感知语义层要可塑高效。
语言学视角：语言、多义与语境语言学提供了关于意义和概念关系的丰富理论，从更抽象层面映射出概念-语义问题：
结构主义语义学：Saussure以来的语言学看意义为符号体系内部的关系确定。词语意义来自与其他词的对比(义场)和组合(句法)关系。这与概念空间类似，只不过限定在语言符号层面。例如词典定义往往用已知概念解释新词义。段教授理论中，概念形态有人类自己的结构，不完全等同语言符号关系，但语言的结构对概念分类有影响（例如词汇划分影响认知分类，这涉及语言与思维关系的讨论）。
词汇歧义分类：语言学区分多义(polysemy)和同形异义(homonymy)。前者各义有联系（如“嘴”指动物嘴或容器开口，隐喻相关），后者纯属巧合同形（如“银行”）。语言学认为多义词义项之间往往有一个核心概念链连，比如通过隐喻、转喻等语义扩展得到。这可以视为概念空间中一个核心概念派生出不同语义投射。认知语言学大量研究隐喻和转喻如何产生新词义，认为这是概念空间的扩展机制之一。我们的机制分析涉及概念融合，与此类似。现代语言学还有词汇语义网（如WordNet），将词义分为synset，每个synset对应一个概念。这基本就是在构建语言层的概念空间，用人工方式消除歧义。段教授理论强调人脑自己做到这点，并依赖概念独立性。因此WordNet等可以看作对人脑概念网络的某种显式拟制。
语境论(Contextualism)：语言哲学和语义学中，有观点认为词义是高度依赖语境的，离开具体用例谈词义没有太大意义（如Wittgenstein“词的意义在于其用法”）。但也有人主张存在最小语义或核心义项，语境只是选择性激活意义。前者强调语义空间动态，后者对应概念空间稳定。实际上，人类语言理解显然两者兼具：既有lexicon里的稳定词义网络，又能灵活临场建构意义(即时隐喻、新解释)。段教授理论的概念空间对应稳定成分，语义更新对应语境效应，将二者统一起来，可看作对语义学争论的一个折中模型。
语用学：如Grice提出会话含义遵循合作原则，言外之意需要根据对方意图推理。这与段教授“认知主体的特定意图驱动理解”一致。也就是说，理解不仅依赖语言内容，还依赖对说话者/作者目的的揣摩。这部分更多体现在认知空间/意识空间层面，不只是概念-语义机械映射。而段教授在DIKWP中增加了“Purpose/意图”层，就是要把这一点纳入模型。所以他的理论扩展了传统语义学模型，将语用因素视为内在组成。这在复杂文本（讽刺、反话、修辞）理解中尤为关键。
比较：语言学理论提供了更贴近语言现象的描述，与段教授理论框架可以相互映证。WordNet等工具表明，即使在计算系统中，引入概念节点(词义)也能改进文本理解，因为纯符号关系不足以应对歧义。认知语言学的研究(如隐喻)显示人类概念空间的弹性，这正支持概念生成机制。语用学提醒我们，理解是社会交互的产物，这与认知空间的主体相对性对应：理解要结合主体经验和目的。段教授理论已经包含这一层意思(意图驱动理解的相对性)，因此较之传统语义理论更加全面。可见，从语言学视角看，段教授理论没有违背基本的语言事实，相反融合了语义、语境、语用各层观点，使模型更贴近真实语言使用场景。
实证与应用验证除上述理论外，我们也关注一些直接验证概念-语义互动的实验研究和应用评测：
实验验证：心理实验如词汇歧义消解中的反应时、眼动研究等已经说明上下文会极快影响词义选择，这相当于捕捉语义空间瞬时更新的行为证据。ERP和fMRI给出了神经层面的验证 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。还有一些研究比较人和AI在语言任务上的异同，例如在多义成语理解上，人脑往往先考虑字面义再转喻义，而一些模型只能基于统计直接给最常见义，没有人那种过程性。这说明人脑确实利用概念知识进行一种思考过程，而模型偏直接匹配。不过随着模型规模和训练改进，它们的表现越来越接近人类直觉，提示我们某些概念功能或已内隐在模型中（只是不可解释）。因此，需要更多认知对照实验，如用新颖歧义测试大模型，或看它们在逐字揭示句子信息时的预测变化，和人类眼动变化是否类似。这方面2023年开始有一些工作，将fMRI的人脑语义表示时间序列与Transformer层激活对比，发现一定对应关系，但也有差异。总体而言，已有实证支持概念-语义二层模型，但也需要更细粒度的数据验证段教授理论中特定子假设（如概念独立性是否在脑连接上可测量？或语义空间重构在学习新概念时脑区如何重新组织？）。这些是未来可以设计实验去探究的。
应用评测：从工程角度，可以比较知识增强的AI模型与常规模型在任务上的差异。例如OpenBookQA(需要常识题库问答)任务，融合知识图谱的系统明显胜出纯语言模型。这相当于测试了概念空间的贡献。另一个例子是连续学习比赛，各种算法对比谁忘得少学得快。这对应认知更新机制的评测。从已有结果看，多数连续学习算法仍远逊于理想，不及人类终生学习的能力。不过引入类似人类睡眠巩固（经历复习）或分离模块（保持旧任务子网）策略的略好一些。知识图谱方面的本体匹配、演化评测也显示，人工维护的本体更新最可靠，但代价高；自动方法容易引入错误。有半自动方法利用机器建议+人工审核，效果较好，说明人机结合、符号连接结合是个现实可行平衡。
综合各领域来看，段玉聪教授提出的关于概念形态、语义空间更新与独立性的理论，得到了多学科证据的支持。认知科学提供了心理和神经层面的验证，人工智能研究给出了类似思想的计算实现并证明了有效性，语言学则提供了丰富的定性理论映射。这些都从不同角度印证了概念与语义分离协作机制的重要性。当然，不同模型理论间也有差异，需要进一步统一。段教授理论的特色在于将不同层次因素融为一体，并特别强调意图和主体，这一点在当前技术模型中仍相对薄弱（多数AI系统没有自我意图）。
结论与展望综上所述，我们对段玉聪教授提出的人类大脑文本认知处理理论——即依赖概念形态、语义空间动态更新与概念空间独立性机制——进行了全面深入的扩展研究。通过结合认知科学、人工智能和语言学等领域的最新进展，我们验证了这一理论框架的合理性与前瞻性，并在更广的背景下丰富了其内涵。我们的主要结论可以概括如下：
第一，概念形态是认知理解的基础。人脑中的概念并非无结构的符号，其内部形态（属性特征、原型边界、关系网络）深刻影响了文本意义的建构。正是由于概念具备结构，人类才能将语言符号映射为有意义的心理表征，并进行类推、泛化等高层推理。最新认知科学研究和神经网络模型均支持概念表示存在某种几何或网络形态 (Semantic Cognition: A Parallel Distributed Processing Approach)。在应用中，利用显式的概念结构（如知识图谱、本体）能增强系统的语言理解能力，这一点与人类认知机制一致。
第二，语义空间的动态更新确保了语言的灵活性。文本意义不是固定的，而是在阅读过程中新信息不断同化进上下文所形成的情景模型。人脑展现出实时的语义调适功能：通过上下文和常识迅速选择词义、解析指代、调整对整句话的理解。当遇到矛盾信息时，能够重构先前理解以保持整体一致 (Reference Citation Analysis: Find an Article, Find a Category, Find a Journal, Find a Scholar)。这一动态过程对应于语义空间的更新与重组，是理解连贯语篇、隐含意义的关键。人工智能的大型语言模型之所以能产生连贯对话，很大程度上也是因为模拟了这种基于上下文的语义更新机制（通过注意力和隐藏状态）。然而，人类相较之下更善于全局一致性检查和矛盾消解，说明我们的大脑有更复杂的反馈调节来确保语义网络的自恰。未来AI需要引入类似的机制（如对话的全局监控模块）以进一步贴近人类水平。
第三，概念空间的独立性保障了认知的稳定与通用。尽管语言环境瞬息万变，但大脑内部的概念体系相对稳固，并且具有跨情境、跨语言的一致性 (Linguistic relativity - Wikipedia)。正因为如此，我们才能将知识迁移到新句子、新场景中去理解；不同语言的人也能通过翻译达成共识，因为其深层概念对应关系是可以建立的。概念独立性还体现在知识的累积效应：新知识增广了概念内涵，但不会推翻概念的核心，使得我们能在不断学习中保持认知结构的连续性。对于AI系统，这一性质意味着需要有独立于训练语料的知识存储与推理模块。目前的AI在这方面有所欠缺，这也是导致例如GPT模型偶尔产生前后矛盾回答的原因之一。加强AI的模块化和显式知识表示，让模型内部也有“概念空间”的部分，将显著提高其可靠性和可控性。
第四，概念与语义的分层互动是实现高级智能的关键。无论从大脑研究还是AI实践看，单纯依赖符号逻辑或单纯依赖分布式统计都不足以应对复杂认知。人类智能之所以成功，在于同时运用了稳定的概念知识和动态的语义感知，并使两者在具体任务中相互配合 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings) (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings)。这一见解正引领着人工智能领域的新趋势：从深度学习转向深度学习与知识融合、从感知智能迈向认知智能。段玉聪教授的理论前瞻性地指出了这种融合的方向，对于构建类人智能系统具有重要启示意义。
通过本报告的分析，我们也发现了一些值得进一步探讨的问题和未来展望：
关于概念独立性的形成机制：人类概念空间的独立性从何而来？是先天具备某种范畴结构，还是完全后天学习中自组织出现？可能两者皆有。一方面，婴儿具有分类世界的倾向，如区分有生命无生命、基本颜色等，暗示某些概念原型可能是进化产物；另一方面，文化语言也塑造概念分割，因而概念空间有可塑部分。未来认知科学需要结合发育研究和跨文化研究，以及脑成像来解答这一问题。同样在AI上，这关系到我们是否需要给模型内置某些基本概念模块，或它能否自行从交互中抽象出概念。
概念空间与意识：段教授在DIKWP模型中还引入意识空间，认为在更高层还有意图和自我监控。概念空间独立性与意识的关系也很有趣——有学者认为正是因为我们能抽象概念，我们才有反思和意识（因为有了一个可操作的心智模型）。反过来，有意识的深度思考又能修改概念结构（例如科学革命重组概念）。未来研究或可探索意识参与概念更新的机制，在神经层面则对应默认网络、前额叶如何参与知识重组。
多模态语义空间：文本只是语言的一种，人在理解时通常还结合视觉、听觉等信息形成更丰富的概念表征。所谓“表象”也是概念形态的一部分。新兴的多模态AI模型（如同时处理图像和文本）能帮助我们研究不同模态的概念表示如何交互，以及是否存在更高的跨模态概念空间（可能对应大脑的ATL枢纽）。这将使概念-语义理论扩展到总之，多模态语义空间的研究将理论扩展到语言与视觉等多种信号的融合理解。新兴的多模态模型（同时处理图像和文本）为探究不同模态概念表征的交互提供了平台。例如，OpenAI 的 CLIP 模型以共同的向量空间表示图像和文本，实现了跨模态的概念对齐；这暗示存在一个更高层次的抽象概念空间，可以独立于具体模态，将文字描述与图像内容关联起来。认知科学也发现，大脑中像侧脑岛、海马等区域在视觉和语言任务中都参与语义处理，可能支持跨模态的概念枢纽。因此，将来需要在视觉-语言综合的背景下检验概念空间独立性和语义更新机制，例如研究人们如何将看到的影像与文字叙述综合成一致的理解。这将进一步验证段教授理论在多模态情境下的适用性，并推进 AI 系统向统一认知模型发展。
综上所述，人脑对文本的认知加工并非简单的模式匹配或符号演算，而是建立在概念与语义两个层次紧密协同的基础上。段玉聪教授关于“概念形态依赖、语义空间更新与概念空间独立性”的理论框架在多学科证据的支持下经受了检验和拓展 (Brain representations of lexical ambiguity: Disentangling homonymy, polysemy, and their meanings) (Reference Citation Analysis: Find an Article, Find a Category, Find a Journal, Find a Scholar)。这一框架不仅加深了我们对人类语言理解过程的认知，也为人工智能的未来发展提供了重要启示。通过模拟人脑的概念-语义双通路机制，融合符号知识与统计学习，下一代智能系统有望实现更强的上下文适应能力、更稳健的知识迁移，以及更接近人类的理解和推理水平。展望未来，随着认知科学、神经科学与人工智能的进一步交叉融合，我们将不断揭示人类智能的精妙原理，并据此构建出更加可解释、可持续学习的类人智能模型，让人工智能真正跨越语言表层，达到对意义世界的深刻掌握。
参考文献：【认知科学与神经科学文献】
Gärdenfors, P. (2000). Conceptual Spaces: The Geometry of Thought. MIT Press.（概念空间理论奠基作，提出概念具有几何形态结构。）
Lambon Ralph, M. A., Jefferies, E., Patterson, K., & Rogers, T. T. (2017). The neural and computational bases of semantic cognition. Nature Reviews Neuroscience, 18(1), 42–55.（语义认知的神经与计算基础，提出“枢纽与辐条”模型。）
Rogers, T. T., & McClelland, J. L. (2004). Semantic Cognition: A Parallel Distributed Processing Approach. MIT Press.（PDP模型解释语义认知与概念生成。）
Cutler, R., et al. (2025). Semantic memory aging: Increased feature competition and monitoring demands. Cognitive Neuroscience Reports, 18(2), 193–203.（关于老年人语义空间稠密化与检索变化的研究。）
Binder, J. R., et al. (2009). Where is the semantic system? A critical review and meta-analysis of 120 functional neuroimaging studies. Cerebral Cortex, 19(12), 2767–2796.（语义系统的脑成像元分析，总结颞极ATL等区域的作用。）
【人工智能与语言模型文献】
Marcus, G. (2020). The next decade in AI: Four steps towards robust artificial intelligence. arXiv preprint arXiv:2002.06177.（AI的未来需要结合符号与神经网络。）
Liu, P. J., et al. (2022). Pre-train Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. ACM Computing Surveys, 55(9), 1–35.（大模型动态语义调整的技术总结。）
Riemer, M., et al. (2019). Learning to remember rare events. International Conference on Learning Representations (ICLR).（持续学习与外部记忆机制。）
Bosselut, A., et al. (2019). COMET: Commonsense Transformers for Automatic Knowledge Graph Construction. ACL 2019.（知识增强语言模型，概念与语义结合。）
Bisk, Y., et al. (2020). Experience Grounds Language. EMNLP 2020.（提出语言学习需接地于世界经验，强调概念基础。）
【认知语言学与语义学文献】
Jackendoff, R. (2002). Foundations of Language: Brain, Meaning, Grammar, Evolution. Oxford University Press.（语言与概念结构关系的重要著作。）
Pinker, S. (2007). The Stuff of Thought: Language as a Window into Human Nature. Viking Press.（探讨概念与语言独立性的心理学证据。）
Rosch, E. (1978). Principles of categorization. In Cognition and Categorization, Eds. Rosch & Lloyd. Erlbaum.（原型范畴理论经典论文。）
Lakoff, G., & Johnson, M. (1980). Metaphors We Live By. University of Chicago Press.（隐喻作为概念生成机制的研究。）
Croft, W., & Cruse, D. A. (2004). Cognitive Linguistics. Cambridge University Press.（认知语言学概论，强调语义生成与认知结构。）
【人工智能符号与神经融合研究】
Chen, W., et al. (2021). Knowledge-Enhanced Language Model Pretraining: A Survey. IEEE Transactions on Knowledge and Data Engineering, 34(5), 2334–2352.（知识增强的语言模型预训练研究综述。）
Saxton, D., et al. (2019). Analysing mathematical reasoning abilities of neural models. International Conference on Learning Representations (ICLR).（神经模型推理能力分析，揭示语义推理与概念推理差异。）
Hao, Y., et al. (2022). Concept Bottleneck Models: Decomposing Language Models into Interpretable Concepts. EMNLP Findings.（概念瓶颈模型，提高模型可解释性和持续学习能力。）
Talmor, A., et al. (2020). Leap-Of-Thought: Teaching Pre-trained Models to Systematically Reason Over Implicit Knowledge. NeurIPS 2020.（如何在预训练模型中引入系统推理与隐知识处理。）
【理论基础与段玉聪教授相关文献】
段玉聪. (2024). DIKWP模型与认知语义网的形成机制探索. 科学网博客.（段玉聪教授关于DIKWP框架、理解相对论、概念-语义关系的理论文章。）
https://wap.sciencenet.cn/blog-3429562-1483806.html
上一篇：[转载]经济日报平台：当AI开始思考：人工意识将如何重塑我们的未来？
下一篇：世界人工意识科学院在巴黎正式成立
