El perceptrón es un algoritmo para el aprendizaje supervisado de clasificadores binarios, introducido por Frank Rosenblatt en 1958. Es un tipo de clasificador lineal que realiza predicciones basándose en una función predictora lineal que combina un conjunto de pesos con un vector de características. El perceptrón se convirtió en el primer modelo de red neuronal en obtener una atención generalizada, sentando las bases para el aprendizaje automático y el aprendizaje profundo modernos, a pesar de sus limitaciones iniciales.
Orígenes y desarrollo temprano
El concepto de neurona artificial se remonta a 1943, cuando Warren McCulloch y Walter Pitts publicaron "Un cálculo lógico de las ideas inmanentes en la actividad nerviosa". En 1957, Frank Rosenblatt, trabajando en el Laboratorio Aeronáutico de Cornell, simuló el perceptrón en un IBM 704. Estaba más interesado en implementaciones de hardware y obtuvo financiación de la Rama de Sistemas de Información de la Oficina de Investigación Naval de los Estados Unidos y del Centro de Desarrollo Aéreo de Roma para construir una computadora analógica personalizada, el Perceptrón Mark I. Rosenblatt describió el perceptrón en un artículo de 1958, organizándolo en tres tipos de unidades: sensoriales (S), de asociación (A) y de respuesta (R). Presentó su trabajo en el primer simposio internacional sobre IA, "Mecanización de los procesos de pensamiento", en noviembre de 1958.
Máquina Perceptrón Mark I
El Perceptrón Mark I se construyó entre junio y diciembre de 1959 y se demostró públicamente el 23 de junio de 1960. Tenía tres capas: una matriz de 400 fotocélulas dispuestas en una cuadrícula de 20x20 (unidades S), una capa oculta de 512 unidades de asociación (unidades A) y una capa de salida de ocho unidades de respuesta (unidades R). Rosenblatt lo llamó alfa-perceptrón. Las unidades S se conectaban a las unidades A de manera aleatoria mediante un panel de conexiones para evitar sesgos intencionales, reflejando la creencia de Rosenblatt de que la retina se conecta aleatoriamente a la corteza visual. Las conexiones de A a R tenían pesos ajustables codificados en potenciómetros, actualizados por motores eléctricos durante el aprendizaje. La máquina se encuentra ahora en el Museo Nacional de Historia Estadounidense del Smithsonian.
En una conferencia de prensa de 1958 organizada por la Armada de los Estados Unidos, Rosenblatt hizo afirmaciones audaces, lo que llevó a The New York Times a describir el perceptrón como "el embrión de una computadora electrónica que [la Armada] espera que sea capaz de caminar, hablar, ver, escribir, reproducirse y ser consciente de su existencia". Esto causó controversia entre la incipiente comunidad de IA. De 1960 a 1964, la División de Fotografía de la CIA estudió el Mark I para reconocer objetivos silueteados de interés militar en fotografías aéreas.
Principios de la neurodinámica (1962)
Rosenblatt detalló sus experimentos con variantes del perceptrón en su libro de 1962 "Principios de la neurodinámica", basado en un informe de 1961. Las variantes incluían acoplamiento cruzado (conexiones dentro de la misma capa), acoplamiento inverso (conexiones de capas posteriores a anteriores), perceptrones de cuatro capas con pesos ajustables en las dos últimas capas, unidades con retardo temporal para datos secuenciales y análisis de audio. La máquina fue enviada al Smithsonian en 1967 bajo una transferencia gubernamental.
Limitaciones y la crítica de 1969
Los perceptrones de una sola capa solo pueden aprender patrones linealmente separables. Para una tarea de clasificación con una función de activación escalonada, un solo nodo crea una única línea divisoria; más nodos crean más líneas, pero no pueden combinarlas en clasificaciones complejas. Una segunda capa de perceptrones o nodos lineales puede resolver muchos problemas no separables. En 1969, el libro "Perceptrones" de Marvin Minsky y Seymour Papert mostró que los perceptrones de una sola capa no podían aprender una función XOR, un resultado que a menudo se malinterpretó como una prueba de que las redes neuronales estaban fundamentalmente limitadas. Esto contribuyó a un estancamiento en la investigación de redes neuronales durante muchos años, hasta el reconocimiento de que los perceptrones multicapa (con dos o más capas) ofrecían un mayor poder de procesamiento.
Legado e impacto
La introducción del perceptrón marcó un momento pivotal en la historia de la inteligencia artificial, estableciendo el paradigma de la red neuronal. A pesar de sus contratiempos iniciales, los principios del perceptrón sustentan las arquitecturas modernas de aprendizaje profundo, incluidos los modelos transformadores utilizados en los modelos de lenguaje de gran tamaño. El trabajo de Rosenblatt influyó en desarrollos posteriores en instituciones como el Laboratorio de Informática e Inteligencia Artificial del MIT y el Laboratorio de IA de Stanford, y su legado persiste en la investigación y las aplicaciones contemporáneas de la IA.