Исследователи из Чжэцзянского университета представили новый метод обучения искусственного интеллекта, который использует сигналы человеческого мозга для улучшения категоризации моделей, как подробно описано в статье, опубликованной в Nature Communications. Исследование показывает, что увеличение количества параметров модели улучшает распознавание конкретных объектов, но не способствует, а иногда даже препятствует пониманию абстрактных понятий. Интегрируя данные о нейронной активности, команда стремится более точно согласовать модели ИИ с когнитивными структурами человека, улучшая их способность обобщать и категоризировать понятия. Предложенный метод продемонстрировал значительные улучшения в производительности ИИ, особенно в задачах, требующих распознавания абстрактных понятий. Эксперименты показали улучшение на 20,5% в различении абстрактных понятий при минимальном количестве примеров, превосходя более крупные модели. Этот подход ставит под сомнение преобладающую тенденцию увеличения размеров моделей, предполагая, что структурированное когнитивное согласование может быть более эффективным, чем просто масштаб, в разработке ИИ с человеческими способностями мышления.