{"id":151075,"date":"2025-12-14T11:44:23","date_gmt":"2025-12-14T10:44:23","guid":{"rendered":"https:\/\/www.madrimasd.org\/blogs\/matematicas\/?p=151075"},"modified":"2025-12-14T20:25:34","modified_gmt":"2025-12-14T19:25:34","slug":"historias-de-la-ia-el-cognitron-de-kunihiko-fukushima","status":"publish","type":"post","link":"https:\/\/www.madrimasd.org\/blogs\/matematicas\/2025\/12\/14\/151075","title":{"rendered":"Historias de la IA: el cognitr\u00f3n de Kunihiko Fukushima"},"content":{"rendered":"

En un art\u00edculo publicado en la revista Biological Cybernetics en 1975 y titulado Cognitron: A self-organizing multilayered neural network, <\/strong>Kunihiko Fukushima introduc\u00eda el concepto de cognitron. Como una de las primeras redes neuronales que pod\u00eda ver y aprender, el cognitr\u00f3n y su secuela el neocognitr\u00f3n, son reconocidos como la base de los desarrollos modernos en inteligencia artificial (IA) y aprendizaje autom\u00e1tico en redes neuronales.<\/p>\n

\"\"<\/a>
Kunihiko Fukushima<\/figcaption><\/figure>\n

 <\/p>\n

En el resumen inicial del art\u00edculo ya se pod\u00edan ver las intenciones:<\/p>\n

Se propone una nueva hip\u00f3tesis para la organizaci\u00f3n de las sinapsis entre neuronas: \u00abLa sinapsis de la neurona x a la neurona y se refuerza cuando x se activa, siempre que ninguna neurona cercana a y se active con m\u00e1s fuerza que y\u00bb. Al introducir esta hip\u00f3tesis, se puede deducir un nuevo algoritmo con el que se organiza eficazmente una red neuronal multicapa. Se construye una red neuronal multicapa autoorganizada, denominada \u00abcognitr\u00f3n\u00bb, siguiendo este algoritmo, y se simula en un ordenador digital. A diferencia de la organizaci\u00f3n de los modelos cerebrales habituales, como el perceptr\u00f3n de tres capas, la autoorganizaci\u00f3n de un cognitr\u00f3n progresa favorablemente sin necesidad de un \u00abmaestro\u00bb que instruya en todos los detalles c\u00f3mo deben responder las c\u00e9lulas individuales. Tras presentaciones repetitivas de varios patrones de est\u00edmulos, el cognitr\u00f3n se autoorganiza de tal manera que los campos receptivos de las c\u00e9lulas se vuelven relativamente m\u00e1s grandes en una capa m\u00e1s profunda. Cada c\u00e9lula de la capa final integra la informaci\u00f3n de todas las partes de la primera capa y responde selectivamente a un patr\u00f3n de est\u00edmulo espec\u00edfico o a una caracter\u00edstica.<\/em><\/p>\n

 <\/em>Fukushima concluye en su art\u00edculo:<\/p>\n

El cognitr\u00f3n que se analiza en este art\u00edculo no pretende ser un sistema completo para el reconocimiento de patrones: si queremos crear un reconocedor de patrones con un cognitr\u00f3n, debemos a\u00f1adirle otras funciones.<\/em> <\/em><\/p>\n

Para finalizar con estas frases:<\/p>\n

El autor conjetura que la hip\u00f3tesis sobre la organizaci\u00f3n sin\u00e1ptica aqu\u00ed propuesta se cumple no solo en el centro superior del cerebro, sino tambi\u00e9n en las partes distales de los sistemas sensoriales. Sin embargo, esto no significa que esta hip\u00f3tesis sea la \u00fanica regla que controla la organizaci\u00f3n de todos los tipos de sinapsis. Quiz\u00e1s la organizaci\u00f3n de algunos tipos de sinapsis <\/em>est\u00e9 controlada por otras reglas.<\/em><\/p>\n

\"\"<\/a><\/p>\n

Recordemos qui\u00e9n es Kunihiko Fukushima. Obtuvo una licenciatura en Ingenier\u00eda Electr\u00f3nica en 1958 y un doctorado en Ingenier\u00eda El\u00e9ctrica en 1966 por la Universidad de Kioto, Jap\u00f3n. Fue profesor en la Universidad de Osaka de 1989 a 1999, en la Universidad de Electrocomunicaciones de 1999 a 2001, en la Universidad Tecnol\u00f3gica de Tokio de 2001 a 2006 y profesor visitante en la Universidad de Kansai de 2006 a 2010. Antes de su c\u00e1tedra, fue investigador cient\u00edfico s\u00e9nior en los Laboratorios de Investigaci\u00f3n Cient\u00edfica y Tecnol\u00f3gica de la NHK. Actualmente es investigador cient\u00edfico s\u00e9nior en el Instituto de Sistemas de L\u00f3gica Difusa (puesto a tiempo parcial) y suele trabajar desde su casa en Tokio. En su p\u00e1gina web<\/a> se puede encontrar m\u00e1s informaci\u00f3n sobre Fukushima.<\/p>\n

El nombre de cognitr\u00f3n lo explica el propio investigador. \u00abLo llamamos cognitr\u00f3n, que combina cognici\u00f3n y -tr\u00f3n. El nombre es similar al del perceptr\u00f3n, que combina percepci\u00f3n y -tr\u00f3n. El perceptr\u00f3n, popular en las d\u00e9cadas de 1950 y 1960, utiliza un algoritmo de aprendizaje supervisado\u201d.<\/p>\n

Cinco a\u00f1os m\u00e1s tarde, Kukushima public\u00f3 otro art\u00edculo titulado Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position (Biological Cybernetics 36, 193 202 (1980)), donde introduc\u00eda el neocognitr\u00f3n:<\/p>\n

En este art\u00edculo se propone un modelo de red neuronal para un mecanismo de reconocimiento de patrones visuales. La red se autoorganiza mediante el aprendizaje aut\u00f3nomo y adquiere la capacidad de reconocer patrones de est\u00edmulo bas\u00e1ndose en la similitud geom\u00e9trica (Gestalt) de sus formas, sin verse afectada por sus posiciones. Esta red recibe el apodo de \u00abneocognitr\u00f3n\u00bb. Tras completar la autoorganizaci\u00f3n, la red presenta una estructura similar al modelo jer\u00e1rquico del sistema nervioso visual propuesto por Hubel y Wiesel.<\/em><\/p>\n

 <\/em>Es importante la referencia al modelo visual desarrollado por David Hubel y Torsten Wiesel, dos neurofisi\u00f3logos que ganaron el Premio Nobel en 1981 por sus revolucionarios descubrimientos sobre c\u00f3mo el cerebro procesa la informaci\u00f3n visual, identificando c\u00e9lulas selectivas a caracter\u00edsticas espec\u00edficas (como bordes, orientaciones y movimiento) y organizadas en columnas en la corteza visual, lo que explic\u00f3 c\u00f3mo se construyen las im\u00e1genes a partir de est\u00edmulos simples.<\/p>\n

\"\"<\/a>
David Hubel y Torsten Wiesel<\/figcaption><\/figure>\n

La extensi\u00f3n del neocognitr\u00f3n contin\u00faa en la actualidad. Mediante la introducci\u00f3n de conexiones descendentes y nuevos m\u00e9todos de aprendizaje, se han desarrollado diversos tipos de redes neuronales. Cuando se presentan dos o m\u00e1s patrones simult\u00e1neamente, el \u00abmodelo de atenci\u00f3n selectiva\u00bb puede segmentar y reconocer patrones individuales por turnos cambiando su atenci\u00f3n. Incluso si un patr\u00f3n est\u00e1 parcialmente oculto por otros objetos, los seres humanos a menudo podemos reconocer el patr\u00f3n oculto.<\/p>\n

Fukushima contin\u00faa investigando y trabajando en estos temas. En un art\u00edculo de 2021<\/a> sobre sus logros comentaba: <\/p>\n

En Jap\u00f3n, tenemos un dicho com\u00fan: \u00abEscuchar una palabra significa entender diez\u00bb. Esto significa que escuchar una palabra basta para comprender el significado de diez. Actualmente, la IA escucha a miles de millones y comprende a millones \u2014dijo\u2014. Pero el objetivo de la IA en el futuro es escuchar a millones y comprender a miles de millones.<\/em><\/p>\n

Y para finalizar, les dejamos con un video de una conferencia del profesor Kunihiko Fukushima<\/p>\n