感知机：首个神经计算机
Frank Rosenblatt 发明感知机 Mark I，首个基于神经网络原理的硬件实现。
事件概述
1958年，康奈尔大学的 Frank Rosenblatt 发明了感知机（Perceptron），这是一种基于神经网络原理的模式识别机器。感知机 Mark I 通过光敏传感器阵列接收视觉输入，能够通过学习识别简单的几何形状和字母。Rosenblatt 提出了感知机学习算法，通过调整连接权重来改善识别能力。《纽约客》杂志将其描述为"一台能思考的机器"，引发了公众对人工智能的极大兴趣。感知机是连接主义范式的首个重大硬件实现。
深度学习笔记
背景、原理、影响与要点，一次读懂这个事件
背景与脉络
1958 年，康奈尔航空实验室的心理学家 Frank Rosenblatt 在海军研究办公室资助下提出感知机。灵感来自对生物神经元的简化，目标是造出能从样本中「学习」而非执行固定程序的机器。它先在 IBM 704 上以程序实现，随后被做成名为 Mark I 的专用硬件。当年 7 月，Rosenblatt 向媒体演示，《纽约时报》以「海军新装置通过实践学习」为题大幅报道，使其一时声名大噪，也埋下过度炒作的隐患。
核心要点
- 1Rosenblatt 受生物神经元启发，提出可调整权重的「学习机器」感知机。
- 2先在 IBM 704 上以软件实现，再制成 Mark I 专用硬件。
- 3Mark I 含 400 光电池组成的 20×20「视网膜」与 512 关联单元。
- 41958 年 7 月媒体演示后，《纽约时报》以「学习装置」为题热炒。
- 5海军宣称它未来能看、说、写甚至自我复制，预言远超实际。
- 6Rosenblatt 在 1962 年出版《神经动力学原理》系统总结其变体。
原理与技术细节
感知机的结构很像一支「带调节旋钮的判别器」。它把输入（如 20×20 光电池阵列）连到若干神经元，每个连接有一个可调权重，相当于旋钮。给定样本后，神经元先求加权和，再经阈值函数得到输出（比如「这是三角形」或「不是」）。若判断错了，就按「感知机学习规则」微调整权重——对的连接加强、错的减弱，如此反复直至分类正确。打个比方，它像学生通过不断纠正错题来建立直觉。注意：单层感知机只能画一条直线把两类分开（线性可分），这是它日后被人诟病的根本弱点。
影响与后续
感知机是首个可训练的神经网络模型，奠定了「权重从数据中学习」这一现代机器学习的基石。它直接催生了神经网络研究的热潮，却因 1969 年 Minsky 与 Papert 对其局限的批判而骤冷，导致神经网络研究停滞十余年。直到 1980 年代反向传播与多层网络复兴，其「可调连接」思想才重获新生，并延续至今日的深度学习。
学习要点
- 可学习性来自「输入—权重—阈值—纠错」这一极简闭环，至今仍是训练基础。
- 硬件原型能极大助推公众认知，但也容易放大不切实际的预期。
- 线性可分是单层的天花板：能力边界的精确刻画，与夸大为全盘失败同样重要。
术语表
根据预测对错逐个样本调整连接权重的在线算法，是误差驱动学习的早期范例。
两类数据能用一条直线（或超平面）完全分开的性质，单层感知机仅能处理此类问题。
Rosenblatt 团队制造的专用硬件，以光电池阵列与可调电位器模拟神经元连接，现藏史密森尼。