感知机是一种早期的人工神经元模型和线性二分类器，由心理学家弗兰克·罗森布拉特于1958年提出，被广泛视为神经网络和人工智能中联结主义传统的基础构件之一。它计算输入的加权和，加上偏置项，并通过阶跃函数将结果输出为两个类别之一。
机制
罗森布拉特的感知机接受一个数值输入向量，将每个输入乘以可调整的权重，求和结果，并将总和与阈值比较以产生二值输出。权重通过一种简单的监督学习规则，即感知机学习算法，进行调整，该算法推动权重以减少标记训练样本上的分类误差。感知机收敛定理保证该过程能在有限步骤内找到分离解，但前提是训练数据线性可分，即一条直线，或在更高维度中的超平面，能够划分两个类别。
1958年的亮相
罗森布拉特在美国海军研究办公室的资助下，于康奈尔航空实验室建造了感知机，并演示了早期硬件实现，即Mark I感知机，使用光电池网格作为视觉输入。当时的媒体报道，包括1958年《纽约时报》的一篇文章，描述了该机器最终将能够“行走、说话、观看、书写、自我复制并意识到自身存在”的说法，这是AI炒作的一个早期实例，后来在技术局限性显现时导致了失望。
明斯基-帕珀特批评
1969年，马文·明斯基和西摩·帕珀特出版了《感知机》，这是一项严谨的数学分析，证明单层感知机无法解决非线性可分的问题，最著名的是XOR逻辑函数。尽管该书承认多层网络原则上可以克服这一限制，但它被广泛解读为，无论公平与否，对神经网络研究的更广泛反对，并常被认为促成了资金和兴趣的急剧下降，这种状态持续到1970年代的AI寒冬及以后。
遗产与多层感知机
对神经元启发模型的兴趣在1980年代随着反向传播由戴维·鲁梅尔哈特及其同事推广而复兴，该算法使训练多层感知机变得实用，即输入和输出之间有一个或多个隐藏层的网络，能够表示非线性决策边界，并克服明斯基和帕珀特指出的确切限制。多层感知机架构仍是现代深度学习系统的基本构件，而罗森布拉特的原始单层模型现在主要作为理解基于梯度下降的学习和机器学习更广泛发展的历史和教学起点来教授。