Een neuraal netwerk voor het modelleren van menselijke conceptvorming, begrip en communicatie

Hoe geesten waarnemingen in ideeën omzetten

Als je het woord “diner” hoort, kun je een tafel, geuren en geluiden voor je zien, zelfs zonder daadwerkelijk eten te zien. Dit vermogen om rijke waarnemingen samen te vatten in compacte ideeën en die later weer op te roepen, ligt ten grondslag aan taal, planning en gedeeld begrip. Het artikel introduceert een nieuw soort kunstmatig neuraal netwerk dat probeert deze alledaagse magie van de menselijke geest vast te leggen, en dat inzicht biedt in hoe hersenen kennis kunnen organiseren en hoe toekomstige machines op een menselijkere manier zouden kunnen denken.

Rijke ervaring in eenvoudige codes proppen

De auteurs beginnen bij een eenvoudige vraag: hoe comprimeert het brein gedetailleerde sensorische input tot een kleinere set concepten, en hoe gebruikt het die concepten vervolgens flexibel? Huidige kunstmatige netwerken zijn erg goed in het herkennen van afbeeldingen, maar ze verbergen wat ze leren in miljoenen parameters, waardoor het moeilijk is kennis opnieuw te gebruiken of met andere systemen te delen. Grote taalmodellen daarentegen vertrouwen op bestaande menselijke woorden, in plaats van concepten rechtstreeks uit beelden en geluiden op te bouwen. Het nieuwe raamwerk, CATS Net genoemd, is ontworpen om zowel conceptvorming als conceptgebruik binnen één systeem te modelleren, en begint daarbij uitsluitend met visuele taken.

Twee samenwerkende modules voor concepten en beslissingen

CATS Net splitst denken op in twee interactieve delen. Een conceptabstractiemodule leert voor elk type object, zoals appels of bussen, een korte numerieke code, of “conceptvector”, op basis van visuele voorbeelden. Een aparte taakoplossende module ontvangt afbeeldingskenmerken van een standaard vision-backbone en moet eenvoudige ja/nee-vragen beantwoorden zoals “Is dit een appel?” De cruciale truc is een gating-proces: de conceptvector regelt hoe activiteit door de taakoplossende lagen stroomt, waardoor hetzelfde netwerk wordt herschikt om verschillende concepten te verwerken zonder de kernbedrading te veranderen. Tijdens training wisselen het afstellen van de modules en het aanpassen van de conceptvectoren elkaar af, zodat zowel het netwerk als zijn interne concepten geleidelijk specialiseren.

Een mensachtig betekeniskaart ontdekken

Na training op grote beelddatasets classificeert CATS Net niet alleen ongeziene beelden met hoge nauwkeurigheid, maar ontwikkelt het ook een geordende “conceptruimte.” Nabijgelegen codes staan vaak voor verwante dingen, zoals dieren die samenclusteren of gereedschapsgroepen die hun eigen cluster vormen. De auteurs tonen aan dat deze ordening niet willekeurig is: ze komt overeen met patronen gevonden in menselijke studies waarin mensen beoordelen hoe gelijk objecten aanvoelen, en in taalgebaseerde modellen die betekenis langs vele dimensies beschrijven, zoals voedsel, meubels of emotionele waarde. Opmerkelijk is dat wanneer de onderzoekers de interne gelijkheidspatronen van het netwerk vergelijken met hersenscans gemaakt terwijl vrijwilligers objecten benoemen, ze vinden dat de conceptlaag overeenkomt met activiteit in een hoger gelegen visuele regio en dat de gating-module lijkt op gebieden die betrokken zijn bij het reguleren van de toegang tot betekenis.

Kennis delen via louter concepten

De studie onderzoekt ook of laagdimensionale concepten als gemeenschappelijke munteenheid tussen verschillende netwerken kunnen dienen. Het team traint aparte “teacher”- en “student”-versies van CATS Net op overlappende sets categorieën, en voegt vervolgens een kleine vertaalmodule toe die conceptvectoren van de teacher-ruimte naar de student-ruimte in kaart brengt. Zonder de hoofdgewichten van het netwerk te veranderen, kan de student een vertaalde conceptvector voor een categorie die hij nooit tijdens training zag gebruiken en nog steeds ruim boven toeval presteren op ja/nee-oordelen. In andere tests gebruikt CATS Net met succes menselijk afgeleide conceptruimten, opgebouwd uit taalkundige statistieken en gedragsgegevens, en behandelt ze alsof het zijn eigen interne codes zijn.

Waarom dit ertoe doet voor geesten en machines

Gezamenlijk suggereren deze resultaten dat compacte conceptcodes, gecombineerd met flexibele gating van sensorische verwerking, een bruikbaar recept kunnen bieden voor mensachtige conceptuele denkwijzen. Het model laat zien hoe rijke visuele ervaringen gecomprimeerd kunnen worden tot herbruikbare, deelbare representaties die overeenkomen met patronen in zowel menselijk gedrag als hersenactiviteit. Hoewel het werk zich richt op concrete objecten die we kunnen zien en benoemen, wijst het op toekomstige systemen die ook abstractere ideeën zouden kunnen vastleggen, waardoor kunstmatige intelligentie een stap dichterbij komt bij de manier waarop mensen concepten vormen, begrijpen en communiceren.

Bronvermelding: Guo, L., Chen, H., Chen, Y. et al. A neural network for modeling human concept formation, understanding and communication. Nat Comput Sci 6, 497–511 (2026). https://doi.org/10.1038/s43588-026-00956-4

Trefwoorden: conceptvorming, neurale netwerken, semantische cognitie, hersenaansluiting, conceptcommunicatie