Um perceptron é um modelo inicial de neurônio artificial e um classificador binário linear, introduzido pelo psicólogo Frank Rosenblatt em 1958, amplamente considerado um dos blocos fundamentais da tradição rede neural e conexionista na inteligência artificial. Ele calcula uma soma ponderada de suas entradas, adiciona um termo de viés e passa o resultado por uma função de degrau para emitir uma de duas classes.
Mecanismo
O perceptron de Rosenblatt recebe um vetor de entradas numéricas, multiplica cada uma por um peso ajustável, soma os resultados e compara o total com um limiar para produzir uma saída binária. Os pesos são ajustados por meio de uma regra simples de aprendizado supervisionado, o algoritmo de aprendizado do perceptron, que ajusta os pesos para reduzir o erro de classificação em exemplos de treinamento rotulados. O teorema de convergência do perceptron garante que esse procedimento encontrará uma solução separadora em um número finito de passos, mas apenas se os dados de treinamento forem linearmente separáveis, ou seja, se uma única linha reta, ou hiperplano em dimensões mais altas, puder dividir as duas classes.
A revelação de 1958
Rosenblatt construiu o perceptron no Laboratório Aeronáutico de Cornell com financiamento do Escritório de Pesquisa Naval dos EUA e demonstrou uma implementação inicial de hardware, o Mark I Perceptron, usando uma grade de fotocélulas como entrada visual. A cobertura da imprensa na época, incluindo um artigo do New York Times de 1958, descreveu alegações de que a máquina eventualmente seria capaz de "andar, falar, ver, escrever, reproduzir-se e ter consciência de sua existência", um exemplo inicial de exagero em IA que mais tarde contribuiu para a decepção quando as limitações da tecnologia se tornaram aparentes.
A crítica de Minsky-Papert
Em 1969, Marvin Minsky e Seymour Papert publicaram "Perceptrons", uma análise matemática rigorosa demonstrando que perceptrons de camada única não conseguiam resolver problemas que não são linearmente separáveis, mais notavelmente a função lógica XOR. Embora o livro reconhecesse que redes multicamadas poderiam, em princípio, superar essa limitação, ele foi amplamente interpretado, de forma justa ou não, como um argumento mais amplo contra a pesquisa em redes neurais, e é frequentemente creditado por contribuir para um declínio acentuado no financiamento e no interesse que durou até o inverno da IA dos anos 1970 e além.
Legado e perceptrons multicamadas
O interesse em modelos inspirados em neurônios reviveu nos anos 1980 com a popularização do retropropagação por David Rumelhart e colegas, um algoritmo que tornou prático o treinamento de perceptrons multicamadas, redes com uma ou mais camadas ocultas entre entrada e saída, que podem representar fronteiras de decisão não lineares e superar exatamente a limitação identificada por Minsky e Papert. Arquiteturas de perceptron multicamada continuam sendo um bloco básico dos sistemas modernos de aprendizado profundo, e o modelo original de camada única de Rosenblatt é agora ensinado principalmente como um ponto de partida histórico e pedagógico para entender o aprendizado baseado em descida de gradiente e o desenvolvimento mais amplo do aprendizado de máquina.