围绕“智能系统距离成为真正意义上的‘人’还有多远”这一公众关切，科研界给出的回答趋于审慎：阶段性突破正在发生，但关键瓶颈依然清晰可见。
中国科学院自动化研究所脑图谱与类脑智能实验室研究人员介绍，团队研发的CATS Net能够在视觉任务中完成概念的形成、提炼与传递，使系统不仅停留在“识别对象”，而是进一步具备“用概念组织信息并进行交流”的能力。
这类进展为提升机器对复杂场景的处理效率、跨主体协作能力提供了新的技术支撑。
问题：从“会做”到“会懂”，仍是需要跨越的核心门槛。
当前不少系统在对话、推理、生成内容等方面呈现出较强的类人表现，容易引发“是否已接近人类智能”的联想。
但研究人员强调，类人表现并不等同于类人心智。
以CATS Net为例，其概念形成与交流服务于完成任务的目标，本质上是对人类认知过程的计算化实现，并不意味着系统拥有理解世界的主观意图，更谈不上情感表达与价值取向。
原因：综合性、成长性与价值判断，是差距最集中的三道关口。
其一，综合性不足。
人类智能并非单一能力的堆叠，而是感知、记忆、经验、情绪与社会互动等多维机制的动态耦合。
现阶段的系统往往在特定任务上表现突出，却难以实现跨领域的融会贯通。
CATS Net虽在概念层面有所突破，但仍主要服务于视觉感知相关任务，与情感、记忆、经验的深层融合尚有距离。
其二，自主成长能力有限。
人的学习往往伴随自我反思与情境迁移，在试错中形成可持续的经验结构；而智能系统更多依赖预设算法与既有数据进行训练，缺乏真正意义上的自我驱动成长机制。
一旦遇到超出训练分布的新情境，误判与失灵风险随之上升。
其三，价值观与伦理判断难以复制。
人类社会的规范来自历史、文化与制度的长期塑造，包含复杂的利益权衡与道德约束。
智能系统即便能模拟语言与行为，也难以天然具备对“应当如何”的内生判断。
如何实现与人类价值的对齐、如何在不同应用场景中落实可解释与可追责机制，仍是必须直面的难题。
影响：技术进展带来能力跃升，也放大应用边界与治理压力。
概念形成与交流能力的提升，意味着系统有望以更少样本、更强泛化的方式理解场景要点，在智能制造、医学影像、交通管理、公共安全等领域形成更高效的辅助决策工具。
同时也应看到，概念层面的抽象与传递一旦与大规模应用结合，可能带来信息偏差的传播、责任归属不清、对复杂社会语境理解不足等问题。
尤其在涉及公共利益与个体权利的场景中，任何“看似合理”的输出都需要接受更严格的验证与审计。
对策：坚持创新驱动与风险治理并重，推动技术、标准与制度协同。
一方面，应持续加强基础研究，围绕跨模态融合、持续学习、因果推理、记忆机制等方向推进突破，探索更贴近人类认知结构的计算框架，并通过可复现的实验体系验证能力边界。
另一方面，应在应用端建立分级分类管理思路：对高风险场景强化准入、评测、监测与追责机制；对一般场景完善数据合规、隐私保护与安全测试；对关键基础设施领域则要建立更严格的红线要求与应急预案。
同时，推动行业标准、测试基准与第三方评估体系建设，提高系统可靠性与可解释性，避免“能力展示”替代“安全证明”。
前景：更强的“类人能力”可期，但“成为人”并非短期命题。
从技术演进看，智能系统在概念抽象、协作交流、工具使用等方面仍将持续进步，并可能在更多任务上呈现更接近人类的行为表现。
研究人员判断，未来一个时期，更现实的方向是让系统在明确边界内更可靠、更可控、更可用，而不是期待其在短期内具备完整的人类心智结构。
是否能够产生自我意识、是否拥有主观体验与情感感知，目前仍缺乏确定路径，也需要哲学、心理学、神经科学与工程技术的跨学科共同探索。
人工智能的发展历程表明，技术进步与认知深化往往相伴相生。
CATS Net的突破提醒我们，人工智能的每一步进展都值得重视，但同时也要保持清醒的认识：模拟与拥有之间存在本质鸿沟，这个鸿沟的存在，恰恰彰显了人类智能的独特性和珍贵性。
在追求人工智能发展的同时，我们更应该思考如何让这一强大的工具更好地服务于人类，而不是盲目追求让机器成为"人"。
这种理性的态度，将引导人工智能朝着更加健康、可控的方向发展。