感知机：第一个神经网络

概述

1957年，康奈尔航空实验室的弗兰克·罗森布拉特发布了感知机——世界上第一个能够从经验中学习的人工神经网络。它最初在IBM 704计算机上实现，后来又以专用硬件的形式呈现。感知机能够识别简单的模式，更关键的是，它能够根据错误自动更新权重——这是所有现代深度学习的概念始祖。

《纽约时报》当时宣称，感知机是"一台电子计算机的胚胎，[海军]期望它能够行走、说话、看见、书写、自我复制，并且具有自我意识"。

感知机的设计灵感来自生物神经元的结构，由以下三部分组成：

核心创新在于学习规则：若输出结果错误，则调整连接输入与输出的权重。经过足够多次重复，感知机就能学会正确分类输入。这正是监督学习的本质——时至今日，这仍是AI训练的主流范式。

最初的成果令人叹服。感知机能学会区分简单图形，罗森布拉特的展示才能吸引了大量媒体关注，资金随之涌入，乐观情绪席卷AI研究界。

随后，反弹来临。1969年，马文·明斯基和西摩·帕普特出版了《感知机》一书，以严密的数学分析证明，单层感知机无法解决某些基本问题——最著名的例子是：它无法计算XOR（异或）函数。这一批判极具杀伤力：它将资金引离神经网络研究超过十年，直接助推了第一次AI寒冬的到来。

明斯基和帕普特的分析所遗漏的，是多层网络。1980年代，杰弗里·辛顿等人普及了反向传播——一种训练多层网络的方法，完全绕开了XOR问题。感知机所开创的神经网络范式，最终战胜了所有替代方案。

如今，驱动对话AI的GPT模型是罗森布拉特感知机的直系后裔——参数规模放大了数万亿倍，但遵循的根本原理相同：依据预测误差调整权重。

感知机代表着两个同等重要的历史教训：

弗兰克·罗森布拉特于1971年在一次划船事故中不幸离世，未能亲眼见证自己毕生工作的平反。他从未看到深度学习时代的到来。