1 历史与起源
1.1 认知革命与信息论
20世纪中叶，行为主义在心理学中的统治地位逐渐动摇。信息论的兴起，特别是克劳德·香农关于信息传递与编码的数学理论，为研究者提供了一种全新的视角——将心智视为处理信息的系统。这一转向标志着“认知革命”的到来，心智不再是不可知的“黑箱”，而成为可以被建模、分析和计算的对象。
1.1.1 图灵测试与计算隐喻
艾伦·图灵于1950年发表的论文《计算机器与智能》中提出了著名的“图灵测试”——如果一台机器能在对话中让人类无法分辨其与真人之间的区别，就可以认为这台机器具有智能。这一思想催生了“计算隐喻”：心智本质上是一台执行符号操作的计算机。该隐喻成为早期认知科学的核心假设，深刻影响了后续的研究框架。
1.1.2 乔姆斯基革命与生成语法
诺姆·乔姆斯基在1957年出版的《句法结构》中提出了生成语法理论，主张人类语言能力基于一套有限的、递归的规则系统，能够生成无限数量的句子。这一观点挑战了行为主义对语言习得的解释，强调内在、先天的认知结构。乔姆斯基的工作直接推动了心理语言学与认知科学中关于语言模块性的研究。
1.2 经典交叉学科的形成
认知科学从诞生之初就是一场跨学科的合作实验。心理学、计算机科学、语言学、神经科学和哲学的研究者们发现，单独一个学科无法解释心智的复杂性，他们需要共享方法、模型与术语。
1.2.1 1956年达特茅斯会议
1956年夏天，约翰·麦卡锡、马文·明斯基、克劳德·香农、纳撒尼尔·罗切斯特等人召集了达特茅斯会议，这常被公认为人工智能（AI）的诞生标志。会上讨论了符号处理、自然语言理解、神经网络等议题，确立了“人工智能”的名称。虽然会议规模不大，但为后续认知科学中AI与心智研究的交叉奠定了基础。
1.2.2 早期研究机构与期刊
20世纪60年代起，多所大学成立了跨学科认知研究中心，例如哈佛大学“认知研究中心”由乔治·米勒和杰罗姆·布鲁纳领导。1977年，《认知科学》（*Cognitive Science*）创刊，成为该领域旗舰期刊。1979年，认知科学学会（Cognitive Science Society）成立，进一步巩固了学科联盟。
1.3 从物理符号系统到联结主义
1.3.1 符号主义AI的兴起
20世纪50-70年代，符号主义（也称“物理符号系统假说”）占据主导地位。艾伦·纽厄尔和赫伯特·西蒙提出，任何能够操作物理符号的系统（包括人类智能）都具有产生智能行为的充分必要条件。他们开发的“逻辑理论家”和“通用问题求解器”等程序，展示了符号操作在推理与问题解决中的强大能力。这一范式强调离散、序列化的规则和表征。
1.3.2 平行分布处理与神经网络回归
20世纪80年代，联结主义（平行分布处理，PDP）复兴。1986年，大卫·鲁梅尔哈特、詹姆斯·麦克莱兰等人出版了《平行分布处理》两卷本，提出了反向传播算法（Backpropagation），使人造神经网络得以有效训练。联结主义挑战了符号主义的严格规则，强调分布式表征、连续激活和统计学习，为后续深度学习浪潮铺平了道路。两种范式之间的张力至今仍在认知科学内部引发争论。
2 核心研究领域
2.1 感知与注意
2.1.1 视觉通路与特征整合
视觉感知是认知科学最活跃的研究领域之一。从视网膜到初级视皮层（V1），再到腹侧通路（“什么”通路）和背侧通路（“哪里”通路），视觉系统逐步提取形状、颜色、运动和空间位置等信息。安妮·特雷斯曼于20世纪80年代提出的“特征整合理论”认为，早期注意阶段对基本特征（如颜色、朝向）进行平行编码，而后期通过焦点注意将特征绑定为完整客体。
2.1.2 选择性注意与认知负荷
环境信息过载时，大脑必须选择性地关注某些刺激而忽略其他。丹尼尔·卡尼曼提出了“认知负荷”概念，认为注意资源是有限的。经典实验如“鸡尾酒会效应”表明，人能在嘈杂环境中只聚焦于一个对话，但当需要注意转移时，未注意的信息也能被无意识加工（如自己的名字被提及时会突然唤醒）。
2.2 记忆与学习
2.2.1 工作记忆与长时记忆
2.2.1.1 经典的多重存储模型
理查德·阿特金森和理查德·谢夫林于1968年提出“多重存储模型”（也称模态模型），将记忆分为感觉记忆、短时记忆（后来演化为工作记忆）和长时记忆。感觉记忆保留极短时间（视觉约0.5秒，听觉约3-4秒）；短时记忆容量有限（约7±2个组块）；长时记忆容量近乎无限。艾伦·巴德利随后又将短时记忆重构为“工作记忆”，包含中央执行系统、语音回路、视觉空间模板和情景缓冲区。
2.2.2 认知学习理论
2.2.2.1 强化学习与模式识别
认知学习理论吸收行为主义与认知心理学的要素。强化学习（如使用奖赏与惩罚信号）最初由行为主义实验提出，后经计算建模（如时序差分学习）发展为智能体通过环境反馈调整策略的理论。模式识别则是人类从感知输入中抽取规律的能力，包括模板匹配、原型理论和特征分析等解释。在认知科学中，这两方面常通过联结主义模型（如神经网络）实现。
2.3 语言与沟通
2.3.1 心理语言学
心理语言学是认知科学与语言学的交叉领域，研究语言的理解、产生和习得。关键议题包括：句子理解中如何利用句法、语义和语境线索；言语产生时从概念到词汇再到语音的计划过程；以及儿童是如何在缺乏显性教学的情况下习得母语的。实验范式如“词汇判断”“自定步速阅读”和“跨通道启动”被广泛使用。
2.3.2 语言相对论与思维的关系
“语言相对论”（也称“萨丕尔-沃尔夫假说”）主张，语言结构会影响甚至决定使用者的思维方式。强版本（语言决定思维）已被大多数研究者否定，但弱版本（语言影响认知）仍有支持。例如，关于颜色词汇的研究发现，拥有更细致颜色词的说话者在颜色分辨任务中表现更好；而关于空间编码（如使用绝对方位而非相对方位）的语言，可能塑造了使用者的空间导航策略。
2.4 推理与决策
2.4.1 演绎推理与归纳偏差
演绎推理（如三段论、条件推理）通常遵循逻辑规则，但人类常受“信念偏差效应”的影响——更易接受结论与已有信念一致的推理。归纳偏差则指人们在获取有限样本后过度概括，例如“可用性启发式”——容易回忆的事件被高估其发生概率。这些偏差在赫伯特·西蒙的“有限理性”框架下被解释为心智使用节省认知资源的捷径。
2.4.2 前景理论与双系统模型
丹尼尔·卡尼曼和阿莫斯·特沃斯基于1979年提出前景理论，描述了人们在风险决策中的非理性现象（如损失厌恶、框架效应）。双系统模型（System 1 / System 2）则进一步刻画了两种认知模式：系统1是快速、自动、直觉式的（例如驾驶中躲避障碍物）；系统2是缓慢、分析、需要意志努力的（例如解决复杂算术题）。大多数日常决策由系统1主导，系统2偶尔介入纠正错误。
2.5 意识与元认知
2.5.1 意识问题的“困难部分”
大卫·查尔默斯在1995年将意识问题区分为“容易问题”（如注意、记忆的神经关联）和“困难问题”（Hard Problem of Consciousness）。困难问题是：为什么这些物理过程的伴随有主观体验（qualia）？例如，当看到红色时，除了脑区的激活，还存在一种“既视感”——红的感受本身是什么？这个问题至今仍是心智哲学与认知科学中最棘手的谜题之一。
2.5.2 内省与认知监控
元认知指个体对自己认知过程（如记忆、理解、决策）的认知。内省是一种直接的、有意识的对自身心理状态的报告，但常因偏见（如事后合理化）而不可靠。认知科学通过实验方法（如使用“知晓感”判断、学习中的自我调节策略）来量化元认知水平。脑成像研究发现前额叶皮质（特别是前扣带回）在元认知监控中扮演关键角色。
3 研究方法与工具
3.1 行为实验
3.1.1 反应时范式
反应时（RT）是最经典的认知实验指标。通过测量从刺激呈现到被试作出反应的时间差，推断认知过程的持续时间、串行/并行加工方式等。例如，斯特鲁普任务中，颜色词与墨水颜色不一致时反应时显著延长，揭示了自动语义加工的干扰效应。
3.1.2 眼动追踪与按键分析
眼动追踪记录注视位置、时间和扫视路径，常用于阅读研究（如词长与注视时间的相关性）和视觉搜索。按键分析（如在自定速阅读实验中记录按键间隔）则可测量词句层次的加工时间。这些无创或微创的行为指标提供了认知过程的实时窗口。
3.2 神经影像学
3.2.1 fMRI与PET
功能性磁共振成像（fMRI）通过检测血氧水平依赖信号（BOLD）间接测量区域脑活动，空间分辨率（毫米级）优秀，可用于定位认知功能（如面孔识别激活梭状回）。正电子发射断层扫描（PET）使用放射性示踪剂测量代谢或受体分布，但因其辐射和较低时空间分辨率，在认知研究中逐渐被fMRI取代。
3.2.2 EEG/ERP与MEG
脑电图（EEG）和事件相关电位（ERP）通过头皮电极记录大脑电活动，时间分辨率极高（毫秒级），适合研究认知过程的时序（如P300成分与注意更新）。脑磁图（MEG）测量神经电流产生的磁场，兼具较高时间与空间分辨率（但设备昂贵），常用于语言和感觉研究。
3.3 计算建模
3.3.1 符号模型（如ACT-R）
ACT-R（Adaptive Control of Thought - Rational）是由约翰·安德森开发的符号认知架构，将知识分为陈述性知识（块，通过检索使用）和程序性知识（产生式规则）。它整合了工作记忆、注意、学习等模块，能够模拟人类在心理算术、记忆搜索等任务中的行为数据。
3.3.2 连接主义模型（如DNN）
连接主义模型使用人工神经网络，特别是深度神经网络（DNN）和递归神经网络（RNN），从大量数据中学习映射关系。例如，Word2Vec模型展示出语义向量空间中类比关系（如“国王-王后≈男人-女人”），暗示分布表征可以捕获语言中的抽象结构。DNN在图像识别、自然语言处理上的成功也引发了在认知科学中用作大脑信息处理模型的讨论。
3.4 跨学科整合策略
3.4.1 理论驱动与数据驱动
认知科学的研究可分为理论驱动（从已有认知理论出发设计实验和模型）和数据驱动（利用大规模机器学习或神经数据发现规律）两种路径。两种策略常常互补：理论提供的因果假设可以由数据验证，而数据中的反例则可以推动理论修正。
3.4.2 收敛操作原则
收敛操作（Converging Operations）指通过多种研究方法（如行为实验、脑成像、计算建模）对同一认知现象进行测试，只有不同方法得到一致结论时，解释才被认为可靠。例如，对工作记忆的容量限制，行为反应时数据、fMRI中前额叶激活强度以及ACT-R模拟结果均指向类似瓶颈，强化了该理论的置信度。
4 主要分支学科
4.1 认知心理学
4.1.1 信息加工观
认知心理学将人视为信息加工系统，流程包括输入（感知）、存储（记忆）、变换（推理、问题解决）和输出（语言、动作）。这一视角促进了实验范式的标准化（如记忆排序、心理旋转）以及数学心理学的产生（如信号检测理论）。
4.1.2 生态效度与日常认知
传统认知心理学多在人工实验室环境进行，批评者指出其缺乏生态效度。20世纪80年代起，日常认知研究强调在自然情境中考察认知（如超市购物中的算术、导航中的空间记忆）。这一运动与吉布森的直接知觉理论（真实环境中的信息足以直接指导行动）部分呼应。
4.2 认知神经科学
4.2.1 脑功能定位与网络
早期通过神经心理学（如失语症患者）及电刺激技术，研究者逐步确定了语言、记忆、视觉等功能的脑区（如布罗卡区、海马体）。现代功能连接分析（如静息态网络、任务态网络）则揭示认知活动依赖大规模脑网络的协同工作，而非单一区域。
4.2.2 认知障碍的神经基础
阿尔茨海默病、精神分裂症、自闭症等疾病的认知缺陷可由特定脑区或环路异常解释。例如，阿尔茨海默病早期内嗅皮层萎缩导致记忆障碍，而自闭症患者可能表现出局部脑区过度连接但全局网络失整合。这些发现推动了认知康复和药物靶点的开发。
4.3 人工智能与认知科学
4.3.1 通用人工智能的认知架构
通用人工智能（AGI）旨在创造能做任何智能任务的人工系统。符号主义架构（如Soar、ACT-R）和新一代神经符号系统尝试结合规则与学习，为AGI提供理论蓝图。认知科学为这些架构提供了关于人类推理、规划和学习的约束，如工作记忆容量限制。
4.3.2 具身认知与机器人学
具身认知强调智能体必须拥有身体，并通过与环境实时交互来感知和行动。机器人学中的认知机器人研究（如模仿学习、主动感官运动环）直接将这一理念付诸实践，使机器人像婴幼儿一样通过探索环境学习物体操纵和社会技能。
4.4 认知语言学
4.4.1 概念隐喻理论
乔治·莱考夫和马克·约翰逊指出，人类的概念系统本质上是隐喻性的。例如，“时间就是金钱”这一隐喻在“花时间”“省时间”等表达中体现，它将抽象概念（时间）映射到具体领域（金钱）。认知语言学通过分析自然语言揭示了这些隐喻如何塑造推理方式。
4.4.2 语言相对性假设
参见第2.3.2节。该假说在认知语言学中常被讨论，支持者（如约翰·路西）发现尤卡坦玛雅语的计数体系影响数字认知；反对者（如史蒂芬·平克）则认为思维独立于语言，语言仅为交流工具。
4.5 认知人类学
4.5.1 文化认知模式
认知人类学研究不同文化中共享的心智模型——即文化认知模式，例如人们对因果、疾病、社会结构的理解。这些模式通过叙事、仪式和教育传承，并影响人们如何分类客体和决策。
4.5.2 跨文化认知比较
通过比较不同文化群体在感知（如缪勒-莱耶错觉的易感性）、记忆（如对背景/物体的偏好）和分类（如颜色命名）上的差异，认知人类学揭示了文化对基本认知过程的影响。例如，东亚人倾向于整体性注意（关注背景关系），而西方人更注重分析性注意（关注独立客体）。
4.6 心智哲学
4.6.1 意向性与感受质
意向性是指心理状态“关于”某物的特性（如信念的内容指向现实）。感受质（qualia）则指主观经验的性质（如红色的“红”。哲学家如丹尼特否认感受质有独立地位，主张用功能主义解释；而查尔默斯等将其视为基本属性。
4.6.2 心身问题与功能主义
心身问题探讨心理现象与物理世界（尤其是大脑）的关系。功能主义主张：心理状态由它们的因果角色（输入-输出关系）定义，而非物质载体。例如，疼痛不论在生物神经中还是硅基芯片中都能体现同一功能（对伤害的排斥）。这一立场为AI的人工意识提供了理论支撑，但也面临“缺失感受质”的挑战。
5 应用与争议
5.1 教育与学习科学
5.1.1 基于认知负荷的教学设计
约翰·斯威勒提出的认知负荷理论指出，教学材料应避免超出工作记忆容量。例：用分割图代替全页文字；提供范例而不是要求独立问题解决（减少“有备负荷”）。多媒体学习中的“冗余原理”（避免同时呈现叙述与完全相同的文本）也基于此理论。
5.1.2 智能辅导系统
智能辅导系统（ITS）利用认知模型（如ACT-R的学生模型）跟踪学习者的知识状态，动态调整练习难度与反馈。例如，卡内基学习公司的“认知导师”在数学和编程领域经过数十万学生测试，比传统课堂更高效。
5.2 人机交互与用户体验
5.2.1 认知工效学
认知工效学将认知科学原理应用于界面设计，提高可用性和减少操作错误。例如，遵循一致性（相同操作产生相同结果）、反馈延时（<0.1秒避免中断注意）、错误预防（例如将保存按钮远离删除按钮）等原则，根本来源是工作记忆与注意的局限性。
5.2.2 脑机接口
脑机接口（BCI）通过解码大脑信号（如EEG、皮层脑电）控制外部设备，常用于瘫痪患者的辅助交流（如P300拼写器）。认知科学中的注意力与决策模型使BCI系统可以即时识别用户的意图。然而，伦理问题包括隐私（读脑数据）和可能的认知增强不平等。
5.3 精神健康与临床实践
5.3.1 认知行为疗法（CBT）
CBT基于“情绪和行为由认知解释（而非事件本身）决定”的观点，帮助患者识别并调整适应不良的思维模式（如“我必须完美”）。认知科学中的自动思维、图式和归因风格等概念直接源自认知心理学基础研究。大量随机对照试验证明CBT对抑郁症、焦虑症等有效。
5.3.2 认知康复训练
脑损伤（如中风、外伤）后，认知康复训练旨在恢复或补偿受损功能（注意、记忆、执行功能）。例如，使用电脑化训练程序反复刺激工作记忆，或教授替代策略（如使用外部日历）。认知神经科学对脑可塑性的发现为康复提供了理论依据。
5.4 伦理与社会影响
5.4.1 认知增强与神经伦理学
认知增强技术（经颅直流电刺激、兴奋剂、智能药）提高了健康个体的认知表现，但引发了公平性、身份认同和副作用等伦理问题。神经伦理学呼吁在批准用于学业或职业前必须进行严格安全性评估。
5.4.2 AI认知偏见与公平性
机器学习系统会从训练数据中习得人类的偏见（种族、性别、年龄等），例如某些招聘算法歧视女性。认知科学关于启发式和偏见的研究为检测和减轻AI偏见提供了框架（如“公平表示学习”）。但算法黑箱性使责任归属模糊，带来法律挑战。
5.5 未解之谜与未来方向
5.5.1 意识起源的“硬问题”
意识如何从非意识的物理过程中涌现出来？当前没有任何计算模型或神经网络能直接模拟主观体验。一些研究者（如托诺尼的整合信息理论）尝试用量化指标（Φ）衡量系统是否具有意识，但仍缺乏经验验证。该问题可能持续推动认知科学向更深层面的哲学和物理学探索。
5.5.2 跨学科整合的挑战（例如：从“计算”到“具身”的范式转型）
认知科学内部存在两种竞争范式：经典的计算认知科学（心智是抽象符号处理器）和新兴的具身动力学范式（心智嵌入身体、环境和时间）。前者擅长解释符号任务（数学证明），后者在感知运动技能（如棒球接球）上更具潜力。如何真正融合二者，构建统一的认知理论，仍是巨大的挑战。此外，数据跨学科共享、理论术语对齐以及方法论分歧，都考验着这个跨学科领域的未来可持续性。