认知机（Cognitron）是由日本计算机科学家福岛邦彦于1975年提出的一种早期人工神经网络模型。它被设计为一个自组织系统，能够通过无监督的竞争性学习来识别模式，无需外部标签或误差信号。该模型为后来的分层架构（最著名的是新认知机）奠定了基础，并推动了机器学习和计算机视觉中生物启发方法的发展。
认知机作为一个多层网络运行，每一层由兴奋性和抑制性细胞组成。其学习规则是局部的、类似赫布式的：当细胞间的活动相关时，连接会增强，而抑制性相互作用则在层内强制细胞间竞争。这种自组织机制使网络能够发展出对输入中存在的模式（如边缘或简单形状）进行调整的特征检测器，而无需监督。
架构与学习机制
认知机的结构由一系列层组成，每层包含一个二维细胞阵列。每个细胞接收前一层局部区域的输入，模拟视觉皮层中的感受野组织。在每一层中，兴奋性细胞通过抑制性细胞进行竞争，确保只有部分细胞对给定输入产生强烈响应，，这是一种赢家通吃的动态形式。福岛提出的学习规则根据突触前和突触后活动的乘积调整突触权重，并结合阈值以防止权重无限增长。这种无监督机制使网络能够在信号逐层传播时提取越来越复杂的特征。
与新认知机的关系
认知机是新认知机的直接前身，后者由福岛于1980年提出。新认知机通过交替使用简单（S）细胞和复杂（C）细胞层扩展了认知机的架构，实现了平移不变性，从而能够在不依赖输入位置的情况下识别模式。尽管认知机可以通过自组织学习特征，但它缺乏新认知机所达到的应对空间变化的能力。新认知机在Deep learning领域产生了重要影响，启发了现代系统中使用的卷积架构。
历史背景与影响
福岛在日本NHK放送科学基础研究所工作期间开发了认知机。该模型于1975年发表在《生物控制论》期刊上，当时人工智能研究主要以符号方法为主。认知机代表了一种替代性的连接主义范式，强调从数据中学习和生物合理性。它推动了1980年代神经网络研究的广泛复兴，与伯纳德·威德罗等人的工作相辅相成。尽管认知机本身并未在实际应用中得到广泛部署，但它的原理为后来的模型提供了参考，并帮助确立了分层、自组织网络的可行性。
遗产与现代相关性
认知机对无监督、局部学习的关注在当代机器学习和深度学习研究中依然具有意义。现代卷积神经网络（例如图像识别中所用的那些）在概念上与认知机的分层、感受野设计相似，不过它们通常使用监督式的反向传播。该模型还前瞻了自监督学习的发展，即网络从数据本身的结构中提取表征而无需显式标签。来自MIT CSAIL和斯坦福AI实验室等机构的研究者将认知机视为生物动机架构的早期例子，并常常在讨论神经网络发展历史时提及。
局限性与批评
尽管认知机具有创新性特征，仍存有若干局限。其学习规则在某些条件下可能导致权重不稳定或饱和，并且由于缺乏平移不变性，网络处理复杂真实图像的能力有限。训练过程需要仔细调整参数，且该模型的扩展效率远低于后来有一些监督方法。这些不足促使福岛后续工作，并这表明了1980年代和1990年代基于反向传播的方法最终主导地位。
参见
参考文献
- Fukushima, K. (1975). Cognitron: A self-organizing multilayered neural network. Biological Cybernetics, 20(3-4), 121-136.
- Fukushima, K. (1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics, 36(4), 193-202.