O perceptron é um algoritmo para aprendizado supervisionado de classificadores binários, uma função que decide se uma entrada, representada por um vetor de números, pertence a uma classe específica. É um tipo de classificador linear, fazendo previsões com base em uma função preditora linear que combina um conjunto de pesos com o vetor de características. O perceptron foi introduzido por Frank Rosenblatt em um artigo de 1958, que detalhou sua arquitetura e procedimento de aprendizado, e tornou-se um dos primeiros e mais influentes modelos na história da inteligência artificial e do aprendizado de máquina.
O artigo de 1958 descreveu uma rede de três tipos de células: unidades sensoriais (S), de associação (A) e de resposta (R). Rosenblatt apresentou o trabalho no primeiro simpósio internacional sobre IA, Mechanisation of Thought Processes, realizado em novembro de 1958. O artigo e as demonstrações subsequentes geraram tanto entusiasmo quanto controvérsia, estabelecendo as bases para desenvolvimentos posteriores em redes neurais e aprendizado profundo.
Antecedentes e Desenvolvimento
O neurônio artificial e a rede neural artificial foram concebidos pela primeira vez em 1943 por Warren McCulloch e Walter Pitts em seu artigo seminal "A Logical Calculus of the Ideas Immanent in Nervous Activity". Em 1957, Rosenblatt, trabalhando no Cornell Aeronautical Laboratory, simulou o perceptron em um IBM 704. Ele estava mais interessado em implementações de hardware e obteve financiamento da Information Systems Branch do Escritório de Pesquisa Naval dos Estados Unidos e do Rome Air Development Center para construir um computador analógico personalizado, o Mark I Perceptron. A equipe de Rosenblatt montou e testou a máquina no Cornell Aeronautical Laboratory em Buffalo, Nova York, entre junho de 1959 e 14 de dezembro de 1959. Sua primeira demonstração pública ocorreu em 23 de junho de 1960.
O projeto foi financiado sob os contratos Nonr-401(40) "Cognitive Systems Research Program" (1959-1970) e Nonr-2381(00) "Project PARA" (1957-1963), com PARA significando "Perceiving and Recognition Automata". Em 1959, o Institute for Defense Analysis concedeu um contrato de US$ 10.000 e, em setembro de 1961, o Escritório de Pesquisa Naval havia concedido contratos adicionais totalizando US$ 153.000, com US$ 108.000 comprometidos para 1962. O gerente de pesquisa da ONR, Marvin Denicoff, observou que a ONR, em vez da ARPA, financiou o projeto porque era improvável que produzisse resultados tecnológicos de curto prazo; o financiamento da ARPA normalmente alcançava milhões de dólares, enquanto os contratos da ONR eram da ordem de dezenas de milhares. Enquanto isso, J.C.R. Licklider, chefe da IPTO na ARPA, havia se interessado por métodos inspirados na biologia na década de 1950, mas em meados da década de 1960 tornou-se abertamente crítico deles, favorecendo a abordagem de IA lógica de Simon e Newell.
Máquina Mark I Perceptron
O perceptron foi concebido para ser uma máquina, não apenas um programa. Embora sua primeira implementação fosse software para o IBM 704, foi posteriormente construído como hardware personalizado, o Mark I Perceptron, projetado para reconhecimento de imagens. A máquina está agora no Smithsonian National Museum of American History. O Mark I Perceptron tinha três camadas:
- Uma matriz de 400 fotocélulas dispostas em uma grade 20x20, chamadas de "unidades sensoriais" (unidades S), ou "retina de entrada". Cada unidade S podia se conectar a até 40 unidades A.
- Uma camada oculta de 512 perceptrons, chamados de "unidades de associação" (unidades A).
- Uma camada de saída de oito perceptrons, chamados de "unidades de resposta" (unidades R).
Rosenblatt chamou essa rede de três camadas de alfa-perceptron, para distingui-la de outros modelos. As unidades S eram conectadas às unidades A aleatoriamente via um painel de conexões, usando uma tabela de números aleatórios, para "eliminar qualquer viés intencional particular no perceptron". Os pesos das conexões eram fixos, não aprendidos. Rosenblatt insistiu em conexões aleatórias porque acreditava que a retina era conectada aleatoriamente ao córtex visual, e queria que a máquina se assemelhasse à percepção visual humana. As unidades A eram conectadas às unidades R com pesos ajustáveis codificados em potenciômetros, e as atualizações de peso durante o aprendizado eram realizadas por motores elétricos.
Em uma coletiva de imprensa de 1958 organizada pela Marinha dos EUA, Rosenblatt fez declarações que causaram controvérsia acalorada na nascente comunidade de IA. Com base em suas observações, The New York Times relatou que o perceptron era "o embrião de um computador eletrônico que [a Marinha] espera que seja capaz de andar, falar, ver, escrever, reproduzir-se e ter consciência de sua existência". De 1960 a 1964, a Divisão de Fotografia da Agência Central de Inteligência estudou o uso do Mark I Perceptron para reconhecer alvos silhuetados de interesse militar, como aviões e navios, em fotos aéreas.
Principles of Neurodynamics (1962)
Rosenblatt descreveu seus experimentos com muitas variantes do perceptron no livro Principles of Neurodynamics (1962), uma versão publicada de um relatório de 1961. Entre as variantes estavam:
- "Acoplamento cruzado": conexões entre unidades dentro da mesma camada, possivelmente com loops fechados.
- "Acoplamento reverso": conexões de unidades em uma camada posterior para unidades em uma camada anterior.
- Perceptrons de quatro camadas onde as duas últimas camadas tinham pesos ajustáveis, portanto, um perceptron multicamadas adequado.
- Incorporação de atrasos de tempo nas unidades do perceptron para permitir o processamento de dados sequenciais.
- Análise de áudio em vez de imagens.
A máquina foi enviada da Cornell para o Smithsonian em 1967 sob uma transferência governamental administrada pelo Escritório de Pesquisa Naval.
Perceptrons (1969) e Limitações
Embora o perceptron inicialmente parecesse promissor, foi rapidamente provado que perceptrons de camada única não podiam ser treinados para reconhecer muitas classes de padrões. Isso fez com que o campo da pesquisa em redes neurais estagnasse por muitos anos, até que se reconheceu que uma rede neural feedforward com duas ou mais camadas (um perceptron multicamadas) tinha maior poder de processamento do que perceptrons de camada única. Perceptrons de camada única são capazes apenas de aprender padrões linearmente separáveis. Para uma tarefa de classificação com uma função de ativação degrau, um único nó produz uma única linha divisória; mais nós podem criar mais linhas, mas essas linhas devem ser combinadas para formar classificações mais complexas. Uma segunda camada de perceptrons, ou mesmo de nós lineares, é suficiente para resolver muitos problemas de outra forma não separáveis.
Em 1969, o influente livro Perceptrons de Marvin Minsky e Seymour Papert mostrou que era impossível para essas classes de redes aprender uma função XOR. Esse resultado, frequentemente mal interpretado como se aplicando a todas as redes neurais, contribuiu para um declínio na pesquisa em redes neurais durante a década de 1970, um período às vezes chamado de "inverno da IA". O legado do perceptron, no entanto, persistiu, e seus conceitos sustentam arquiteturas modernas de redes neurais, incluindo transformers usados em grandes modelos de linguagem e sistemas de IA generativa desenvolvidos por organizações como OpenAI, Google DeepMind e Anthropic.
Legado e Impacto
O artigo do perceptron e a máquina Mark I estabeleceram ideias fundamentais em aprendizado de máquina, incluindo o uso de pesos ajustáveis, aprendizado iterativo e arquiteturas em camadas. O trabalho de Rosenblatt influenciou desenvolvimentos posteriores, como o otimizador Adam, a retropropagação (embora não detalhada aqui) e redes residuais. As limitações do perceptron destacaram a necessidade de redes multicamadas, o que eventualmente levou à revolução do aprendizado profundo. Hoje, o perceptron permanece um exemplo canônico em cursos introdutórios de IA, e seus princípios estão incorporados em aceleradores de hardware modernos, como AWS Trainium e TPUs do Google Cloud, bem como em pesquisas em instituições como MIT CSAIL e Stanford AI Lab.
O artigo de 1958 é amplamente considerado um marco na história da inteligência artificial, marcando a transição de modelos teóricos de neurônios para algoritmos de aprendizado práticos. Sua influência persiste na pesquisa contemporânea em IA, desde aprendizado profundo até aprendizado por reforço e além.