Часть 4. Что такое перцептрон: первая обучаемая нейросеть Фрэнка Розенблатта

Оглавление

1. Что такое перцептрон: краткий ответ
2. Чем перцептрон отличался от модели Маккаллока — Питтса
3. Кто такой Фрэнк Розенблатт
4. Как работает перцептрон простыми словами
5. Обычное программирование и машинное обучение
6. Из каких элементов состоит перцептрон
7. Алгоритм обучения перцептрона
8. Как перцептрон исправляет ошибку
9. Что означает «перцептрон обучался»
10. Как перцептрон принимает решение
11. Теорема сходимости перцептрона
12. Как был устроен исторический перцептрон Розенблатта
13. Что такое Mark I Perceptron
14. Что умел Mark I Perceptron
15. Почему перцептрон вызвал ажиотаж
16. Обещал ли Розенблатт создать искусственный разум
17. Что такое однослойный перцептрон
18. Какие задачи решает простой перцептрон
19. Почему однослойный перцептрон не решает XOR
20. Другие ограничения перцептрона
21. Перцептрон и критика Минского и Паперта
22. Был ли перцептрон первой обучаемой нейросетью
23. Перцептрон и современная нейросеть
24. Как перцептрон связан с глубоким обучением
25. Как перцептрон связан с ChatGPT и Claude
26. Почему перцептрон продолжают изучать
27. Краткая история перцептрона
28. Ключевые понятия
29. Частые вопросы
30. Вывод

---

Современные нейросети распознают изображения, переводят тексты, анализируют документы, пишут программный код и поддерживают диалог. Такие ИИ-модели, как ChatGPT и Claude, могут содержать миллиарды параметров и обучаться на огромных массивах данных.

Но один из важнейших шагов к появлению современного искусственного интеллекта был сделан задолго до интернета, видеокарт и больших языковых моделей.

В конце 1950-х годов американский психолог Фрэнк Розенблатт предложил перцептрон — нейросетевую модель, способную изменять свои параметры после допущенных ошибок.

Исследователю больше не требовалось вручную задавать все правила классификации. Машине показывали примеры, сообщали правильные ответы, а она постепенно корректировала связи между элементами.

Перцептрон не понимал изображения так, как человек. Он не умел разговаривать, писать тексты или рассуждать. Тем не менее в нём уже присутствовал принцип, на котором позднее будет построена значительная часть машинного обучения:

Система может улучшать результат, изменяя внутренние параметры на основе полученного опыта.

Именно эта идея проложила путь от первых математических нейронов к глубоким нейронным сетям, а затем — к современным системам искусственного интеллекта.

Что такое перцептрон: краткий ответ

Перцептрон — это простая обучаемая модель искусственной нейронной сети. Она получает входные данные, умножает их на веса, складывает результаты и выбирает один из двух ответов. Если ответ оказывается неправильным, алгоритм корректирует веса.

После многократного повторения этого процесса перцептрон может научиться разделять объекты на два класса.

Принцип его работы выглядит так:

входные признаки → веса → взвешенная сумма → порог → ответ → проверка ошибки → изменение весов.

Например, перцептрон можно обучить отличать карточки с отметкой слева от карточек с отметкой справа. Сначала модель отвечает почти случайно. После каждого неправильного ответа она изменяет параметры и постепенно находит закономерность, разделяющую два типа изображений.

Перцептрон Розенблатта часто называют первой обучаемой нейросетью. Точнее будет сказать, что он стал одной из первых широко известных и практически реализованных нейросетевых систем, способных обучаться классификации на примерах.

До него уже существовали математические модели искусственных нейронов и ранние экспериментальные машины. Однако именно перцептрон объединил несколько ключевых элементов:

• нейросетевую структуру;
• обучение на ошибках;
• математическое обоснование;
• способность к обобщению;
• программную и аппаратную реализацию.

---

Чем перцептрон отличался от модели Маккаллока — Питтса

В 1943 году Уоррен Маккаллок и Уолтер Питтс предложили формальную модель искусственного нейрона.

Такой нейрон получал двоичные сигналы, сравнивал их сумму с порогом и выдавал один из двух ответов — 0 или 1. Сеть из подобных элементов могла выполнять логические операции.

Однако её связи, пороги и структура задавались исследователем заранее. Модель не анализировала собственные ошибки и не изменялась после получения нового примера.

Перцептрон добавил принципиально новую возможность — обучение.

Модель Маккаллока — Питтса	Перцептрон Розенблатта
Предложена в 1943 году	Разработан в 1950-х годах
Описывает пороговый искусственный нейрон	Описывает обучаемую систему распознавания
Связи задаются заранее	Часть связей может изменяться
Не использует ошибки для обучения	Корректирует веса после ошибок
Выполняет заранее построенную функцию	Находит правило классификации по примерам
Прежде всего теоретическая модель	Получил программную и аппаратную реализацию

Главное различие можно сформулировать простыми словами:

Модель Маккаллока — Питтса выполняла правило, которое в неё заложил человек, а перцептрон мог подобрать часть этого правила по обучающим примерам.

Это не означало, что машина обучалась без участия исследователя. Человек по-прежнему:

• определял задачу;
• выбирал архитектуру системы;
• подготавливал входные данные;
• сообщал правильные ответы;
• задавал параметры обучения;
• запускал и контролировал эксперимент.

Но конкретные значения изменяемых весов уже не требовалось вычислять вручную.

Маккаллок и Питтс показали, как искусственная нейронная сеть может выполнять вычисления. Розенблатт сделал следующий шаг и показал, как такая система может изменяться под влиянием опыта.

---

Кто такой Фрэнк Розенблатт

Фрэнк Розенблатт — американский психолог и исследователь, работавший на пересечении психологии, нейрофизиологии, математики и вычислительной техники.

Он родился в 1928 году в Нью-Йорке и учился в Корнеллском университете, где изучал психологию, а позднее защитил докторскую диссертацию.

Розенблатта интересовал не только вопрос о том, как запрограммировать компьютер для выполнения конкретной задачи. Он пытался разобраться в более общих механизмах:

• как живые организмы воспринимают окружающий мир;
• каким образом мозг хранит информацию;
• как предыдущий опыт влияет на новое решение;
• как человек учится узнавать похожие объекты;
• можно ли воспроизвести отдельные свойства восприятия в машине.

После получения докторской степени Розенблатт работал в Корнеллской авиационной лаборатории в Буффало. Там он начал разрабатывать теорию перцептронов.

Исследователь рассматривал перцептрон не просто как компьютерную программу, а как упрощённую модель нервной системы. Его интересовала возможность объяснить обучение, память и восприятие через работу большого количества связанных элементов.

Такой подход позднее стали называть коннекционистским. Его основная идея заключается в том, что знания хранятся не в виде одного готового правила, а распределяются по множеству связей внутри сети.

В 1957 году Розенблатт описал ранний вариант перцептрона. В ноябре 1958 года в журнале Psychological Review вышла его статья The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. В ней перцептрон рассматривался как вероятностная модель хранения и организации информации.

В 1962 году Розенблатт обобщил свои исследования в книге Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms.

Важно понимать, что теория Розенблатта была значительно шире современного учебного примера с одним выходным нейроном. Исследователь рассматривал разные архитектуры, включая более сложные, многослойные и перекрёстно связанные системы.

Однако наиболее известной частью его наследия стал простой однослойный перцептрон — линейный классификатор, который учится на ошибках.

История разработки перцептрона и его ранней демонстрации на IBM 704 подробно описана в архивных материалах Корнеллского университета.

---

Как работает перцептрон простыми словами

Представим, что нужно создать систему, которая определяет, относится ли электронное письмо к спаму.

Каждое письмо можно описать с помощью нескольких признаков:

• встречается ли в нём слово «выигрыш»;
• написана ли тема заглавными буквами;
• содержит ли письмо подозрительную ссылку;
• неизвестен ли отправитель;
• много ли в тексте восклицательных знаков.

Для перцептрона каждый такой признак превращается в число.

Например:

• признак присутствует — 1;
• признак отсутствует — 0.

Каждому входу соответствует собственный вес. Вес показывает, насколько сильно конкретный признак влияет на итоговое решение.

Если подозрительная ссылка часто встречается в спаме, связанный с ней вес может стать положительным и большим. Если письмо пришло от известного отправителя, соответствующий признак может, наоборот, уменьшать вероятность отнесения сообщения к спаму.

Перцептрон выполняет несколько действий:

1. получает числовые признаки;
2. умножает каждый признак на его вес;
3. складывает полученные значения;
4. добавляет смещение;
5. сравнивает результат с порогом;
6. выдаёт ответ 0 или 1.

Математически это можно записать так:

S = x₁w₁ + x₂w₂ + ... + xₙwₙ + b

Здесь:

• x — входной признак;
• w — вес признака;
• b — смещение;
• S — взвешенная сумма.

После этого применяется пороговое правило:

• если S ≥ 0, выход равен 1;
• если S < 0, выход равен 0.

В нашем примере:

• 1 может означать «спам»;
• 0 — «обычное письмо».

Сначала веса могут быть нулевыми или случайными, поэтому модель будет ошибаться. Затем ей показывают правильный ответ.

Если письмо оказалось спамом, а перцептрон отнёс его к обычным сообщениям, алгоритм изменяет веса. Признаки, связанные со спамом, начинают сильнее влиять на будущие решения.

Так появляется обучение:

Модель не получает готовое словесное правило, а подбирает числовые параметры на основе примеров.

---

Обычное программирование и машинное обучение

До появления обучаемых моделей компьютерные задачи обычно решались через явные инструкции.

Обычное программирование

Разработчик задаёт данные и правила:

данные + правила → результат.

Например:

Если в теме письма есть слово «выигрыш»,
а отправитель неизвестен,
пометить сообщение как спам.

Программа выполняет правило, сформулированное человеком.

Машинное обучение

Разработчик предоставляет примеры и правильные ответы:

данные + правильные ответы → настройка модели.

Например:

Письмо 1 — спам.
Письмо 2 — не спам.
Письмо 3 — спам.
Письмо 4 — не спам.

Алгоритм самостоятельно подбирает веса, позволяющие разделить два класса.

Разумеется, современное машинное обучение намного сложнее простого перцептрона. Специалисты по-прежнему определяют архитектуру модели, готовят данные, выбирают функцию ошибки и настраивают процесс обучения.

Однако переход от ручного описания каждого правила к настройке параметров по данным стал одним из главных изменений в истории искусственного интеллекта.

Этим же общим принципом пользуются и современные нейросети: знания модели в значительной степени представлены не отдельными командами, а большим количеством числовых параметров.

---

Из каких элементов состоит перцептрон

В упрощённом представлении перцептрон включает шесть основных компонентов.

Входные значения

Входы описывают объект, который необходимо классифицировать:

x = (x₁, x₂, ... xₙ).

Для чёрно-белого изображения входами могут быть пиксели:

• белый пиксель — 0;
• чёрный пиксель — 1.

Для текстовых данных входы могут обозначать наличие определённых слов или символов. Для измерений — температуру, массу, скорость или размер объекта.

Перцептрон не понимает физический смысл этих признаков. Для него каждый объект является набором чисел.

Веса

Каждому входу соответствует вес:

w = (w₁, w₂, ... wₙ).

Вес показывает, как признак влияет на решение:

• положительный вес поддерживает класс 1;
• отрицательный вес поддерживает класс 0;
• вес около нуля означает, что признак почти не влияет на результат.

Именно веса изменяются во время обучения.

Взвешенная сумма

Входы умножаются на веса и складываются:

S = x₁w₁ + x₂w₂ + ... + xₙwₙ + b.

Чем больше значение суммы, тем сильнее совокупность признаков поддерживает класс 1.

Смещение

Параметр b называют смещением. Он позволяет перемещать границу принятия решения независимо от конкретных входных значений.

В исторических описаниях вместо смещения часто используется порог:

x₁w₁ + x₂w₂ + ... + xₙwₙ ≥ θ.

Обе записи выражают одну идею: модель сравнивает взвешенную сумму с определённой границей.

Пороговая функция

Сумма преобразуется в один из двух ответов:

• y = 1, если S ≥ 0;
• y = 0, если S < 0.

Классический перцептрон применяет резкое пороговое переключение. Современные нейронные сети часто используют более плавные функции активации, которые удобнее для обучения многослойных моделей.

Правильная метка и ошибка

Каждому обучающему примеру соответствует правильный ответ t.

Ошибка рассчитывается так:

e = t − y.

Возможны три ситуации:

• e = 0 — модель ответила правильно;
• e = 1 — модель должна была выдать 1, но выдала 0;
• e = −1 — модель должна была выдать 0, но выдала 1.

Знак ошибки определяет направление, в котором необходимо изменить веса.

---

Алгоритм обучения перцептрона

Обучение перцептрона можно разделить на шесть шагов.

Шаг 1. Инициализация весов

Сначала веса и смещение получают начальные значения.

Например:

• w₁ = 0;
• w₂ = 0;
• b = 0.

Также можно использовать небольшие случайные числа.

Шаг 2. Передача обучающего примера

Модель получает объект:

x = (x₁, x₂, ... xₙ).

Вместе с ним передаётся правильная метка t.

Шаг 3. Расчёт ответа

Перцептрон вычисляет сумму:

S = w₁x₁ + w₂x₂ + ... + wₙxₙ + b.

Затем применяет пороговую функцию и получает прогноз y.

Шаг 4. Расчёт ошибки

Прогноз сравнивается с правильным ответом:

e = t − y.

Если ошибка равна нулю, параметры не меняются.

Шаг 5. Обновление весов

Если модель ошиблась, веса корректируются:

wᵢ ← wᵢ + η(t − y)xᵢ

Смещение обновляется похожим образом:

b ← b + η(t − y)

Здесь η — скорость обучения.

Она определяет размер одного изменения:

• при маленьком значении веса меняются медленно;
• при большом — более резко.

Если конкретный вход равен нулю, соответствующий вес на этом шаге не изменится. Если вход активен, направление изменения будет зависеть от знака ошибки.

Шаг 6. Повторение

Модель получает следующий пример, снова делает прогноз и при необходимости изменяет параметры.

Полный проход по обучающему набору называется эпохой. Если ошибки остаются, начинается следующая эпоха — уже с обновлёнными весами.

Общая схема выглядит так:

пример → прогноз → правильный ответ → ошибка → обновление весов → новый пример.

Современные нейросети, включая модели, лежащие в основе ChatGPT и Claude, обучаются гораздо более сложными способами. Однако в них сохраняется знакомая логика: модель формирует прогноз, рассчитывается ошибка, а параметры изменяются так, чтобы улучшить будущий результат.

Как перцептрон исправляет ошибку

Рассмотрим модель с двумя входами:

• x₁ = 1;
• x₂ = 1.

Пусть начальные параметры равны нулю:

• w₁ = 0;
• w₂ = 0;
• b = 0.

Правильный ответ:

t = 0.

Перцептрон рассчитывает сумму:

S = 1 × 0 + 1 × 0 + 0 = 0.

По выбранному правилу при S ≥ 0 модель выдаёт:

y = 1.

Это неправильный ответ:

e = t − y = 0 − 1 = −1.

Установим скорость обучения:

η = 1.

Обновим параметры:

w₁ ← 0 + 1 × (−1) × 1 = −1

w₂ ← 0 + 1 × (−1) × 1 = −1

b ← 0 + 1 × (−1) = −1

При повторной передаче того же примера получим:

S = 1 × (−1) + 1 × (−1) − 1 = −3

Теперь выход равен:

y = 0.

Ответ совпадает с правильной меткой.

Это элементарный пример, но в нём видна главная идея:

Ошибка не просто фиксируется — она используется для изменения будущего поведения модели.

Перцептрон не сохраняет словесное объяснение того, почему первый ответ был неправильным. Результат обучения представлен новыми значениями весов и смещения.

---

Что означает «перцептрон обучался»

Фраза «машина могла обучаться» легко создаёт ложное впечатление.

Перцептрон не обладал сознанием и не понимал смысл поставленной задачи. Он не выбирал самостоятельно, что изучать, и не искал данные во внешнем мире.

Обучение означало более узкий математический процесс:

1. система получала пример;
2. рассчитывала ответ;
3. получала правильную метку;
4. определяла ошибку;
5. изменяла числовые параметры;
6. применяла обновлённые параметры к следующим примерам.

Такой подход называется обучением с учителем, поскольку правильные ответы известны заранее.

Учителем может быть:

• человек;
• другая программа;
• заранее размеченный набор данных;
• автоматическая система подготовки примеров.

Перцептрон не обязательно запоминает каждый объект как отдельное правило. Его задача — найти общую границу между двумя классами.

Если после обучения модель правильно обрабатывает новый объект, которого раньше не видела, это называется обобщением.

Способность работать с новыми данными, а не только воспроизводить ответы для обучающих примеров, остаётся одной из центральных целей машинного обучения.

---

Как перцептрон принимает решение

С математической точки зрения однослойный перцептрон является линейным классификатором.

Предположим, каждый объект описывается двумя признаками:

• x₁;
• x₂.

Граница решения задаётся выражением:

w₁x₁ + w₂x₂ + b = 0.

На графике это будет прямая линия.

Объекты по одну сторону линии получают класс 0, а объекты по другую — класс 1.

Если признаков три, границей становится плоскость. При большем количестве признаков используется гиперплоскость.

Во время обучения перцептрон изменяет веса и смещение. Геометрически это можно представить так, будто модель постепенно двигает и поворачивает линию, пытаясь правильно разделить два класса.

Если между красными и синими точками можно провести одну прямую так, чтобы точки разных цветов оказались по разные стороны, данные называют линейно разделимыми.

Для таких данных простой перцептрон способен найти подходящую границу.

Если же классы расположены сложнее и одной прямой недостаточно, однослойная модель не сможет классифицировать все примеры без ошибок.

---

Теорема сходимости перцептрона

С перцептроном связан важный математический результат — теорема сходимости.

В упрощённой формулировке она утверждает:

Если обучающие данные линейно разделимы, алгоритм перцептрона за конечное количество обновлений найдёт границу, правильно разделяющую все обучающие примеры.

Это не означает, что алгоритм найдёт единственную или лучшую из всех возможных границ. Подходящих решений может быть несколько.

Теорема также не гарантирует успешное завершение обучения для любых данных.

Если классы нельзя разделить одной линейной границей, перцептрон может продолжать менять веса, переходя от одной ошибки к другой.

Тем не менее теорема имела большое значение для истории машинного обучения. Она показывала, что обучение модели — не просто случайный перебор параметров. При определённых условиях можно математически доказать, что алгоритм придёт к правильному решению.

---

Как был устроен исторический перцептрон Розенблатта

В современных учебниках перцептрон часто изображают как один искусственный нейрон с несколькими входами.

Это удобная схема, но историческая модель Розенблатта была сложнее. Он описывал три основных типа элементов:

1. S-элементы — сенсорные;
2. A-элементы — ассоциативные;
3. R-элементы — реагирующие.

Сенсорные элементы

S-элементы получали сигналы из внешней среды.

В системе распознавания изображений они выполняли роль примитивной электронной сетчатки и реагировали на светлые и тёмные участки.

Ассоциативные элементы

A-элементы объединяли сигналы от сенсорной части системы.

Они могли реагировать не на отдельный пиксель, а на сочетание нескольких входных признаков.

Реагирующие элементы

R-элементы формировали выходной ответ.

Один элемент мог обозначать первый класс, другой — второй. Результат зависел от активности выходных элементов и силы связей, ведущих к ним.

Упрощённая историческая схема выглядела так:

изображение → сенсорные элементы → ассоциативные элементы → изменяемые связи → выходной ответ.

Поэтому реальный Mark I Perceptron не стоит представлять как один современный программный нейрон. Это была экспериментальная электронная машина, воплощавшая отдельные части более широкой теории Розенблатта.

Деление системы на сенсорные, ассоциативные и реагирующие блоки представлено в описании Смитсоновского Национального музея американской истории.

---

Что такое Mark I Perceptron

Mark I Perceptron — аппаратная машина, созданная командой Розенблатта в Корнеллской авиационной лаборатории при поддержке Управления военно-морских исследований США и Rome Air Development Center.

Первые эксперименты проводились с помощью компьютерного моделирования. В июле 1958 года алгоритм демонстрировали на IBM 704 — большой вычислительной машине, занимавшей значительную часть помещения.

Во время демонстрации компьютер учился различать карточки с отметкой слева и справа. После серии попыток система смогла подобрать правило классификации.

Позднее исследователи создали специализированную физическую машину. Смитсоновский Национальный музей американской истории датирует Mark I Perceptron 1958 годом.

В состав системы входили:

• светочувствительная матрица;
• 400 входных сигналов;
• коммутационная панель;
• ассоциативные элементы;
• регулируемые потенциометры;
• выходные блоки;
• измерительные приборы.

Камера Mark I использовала матрицу 20 × 20 светочувствительных элементов. Изображение превращалось в 400 входных сигналов, которые передавались следующим частям машины. Устройство и принцип работы перцептрона также разобраны в учебных материалах Корнеллского университета.

Коммутационная панель позволяла изменять соединения и проводить эксперименты с разными наборами признаков.

Потенциометры представляли адаптивные веса. Их физическое состояние определяло силу влияния отдельных связей на результат.

В современных нейросетях веса хранятся в памяти компьютера в виде чисел. В Mark I часть параметров существовала как состояние реальных электронных и электромеханических компонентов.

Обучение происходило не только как изменение чисел в программе — параметры сети были физически воплощены внутри машины.

Mark I состоял из нескольких крупных шкафов. Сохранившаяся система сегодня находится в коллекции Смитсоновского Национального музея американской истории.

---

Что умел Mark I Perceptron

Главной задачей Mark I было распознавание и классификация простых визуальных образов.

Машине показывали изображения или карточки с отметками. Светочувствительная матрица преобразовывала изображение в набор сигналов, после чего система пыталась отнести его к одному из классов.

Если ответ оказывался неправильным, изменяемые связи корректировались.

Принцип работы отдалённо напоминал современную классификацию изображений:

1. система получает изображение;
2. изображение преобразуется в числа;
3. числовые признаки передаются через сеть;
4. модель выбирает категорию;
5. правильный ответ используется для обучения.

Разница заключалась в сложности и масштабе.

Современная нейронная сеть компьютерного зрения может содержать миллионы или миллиарды параметров и обучаться на огромных наборах фотографий. Mark I получал изображение размером всего 400 входных элементов и решал ограниченные экспериментальные задачи.

Mark I мог

• получать оптический сигнал;
• преобразовывать изображение в числовые входы;
• классифицировать простые образы;
• изменять часть внутренних связей;
• улучшать ответы после обучения;
• переносить найденное правило на похожие примеры.

Mark I не мог

• понимать смысл увиденного;
• распознавать произвольные объекты окружающего мира;
• самостоятельно собирать обучающие данные;
• выбирать цель обучения;
• поддерживать диалог;
• рассуждать;
• решать задачи со сложными нелинейными зависимостями;
• работать в масштабе современных систем искусственного интеллекта.

Тем не менее Mark I доказал главное: обучаемая нейросетевая система может существовать не только как математическая идея, но и как действующая физическая машина.

---

Почему перцептрон вызвал ажиотаж

В 1950-х годах компьютеры воспринимались прежде всего как быстрые вычислительные устройства.

Они:

• складывали числа;
• рассчитывали траектории;
• обрабатывали таблицы;
• сортировали данные;
• выполняли инструкции программиста.

Перцептрон выглядел иначе. Его создатели не задавали окончательное правило классификации напрямую. Машина меняла своё поведение после новых примеров.

Для широкой публики это выглядело почти как рождение электронного разума.

Дополнительное впечатление создавал внешний вид устройства: большие шкафы, панели с проводами, светочувствительная «сетчатка», приборы и регулируемые компоненты напоминали технику из научной фантастики.

Военные ведомства также проявляли интерес к автоматическому распознаванию изображений. Подобные системы потенциально могли использоваться для анализа аэрофотоснимков, обнаружения объектов и обработки сигналов.

В июле 1958 года демонстрация перцептрона получила широкое освещение в американской прессе.

Один из самых известных материалов вышел в The New York Times 8 июля 1958 года под заголовком New Navy Device Learns by Doing — «Новое устройство ВМС учится на практике».

В публикациях обсуждались чрезвычайно смелые ожидания. Предполагалось, что в будущем подобные машины смогут видеть, читать, писать, разговаривать и проявлять другие свойства, связанные с человеческим интеллектом.

Сегодня этот сюжет кажется знакомым. Похожая последовательность возникает во время почти каждого нового бума искусственного интеллекта:

1. исследователи показывают реальный технический результат;
2. пресса переносит его на гораздо более широкий круг задач;
3. ограниченный эксперимент превращается в обещание универсального интеллекта;
4. ожидания начинают расти быстрее возможностей технологии.

Перцептрон действительно был важным достижением. Но публика нередко воспринимала его не как ранний классификатор, а как почти готовую мыслящую машину.

---

Обещал ли Розенблатт создать искусственный разум

Фрэнк Розенблатт был оптимистичным исследователем и действительно рассматривал перцептроны как путь к более сложным системам восприятия, памяти и поведения.

Однако необходимо разделять три вещи:

• возможности конкретной машины Mark I;
• широкую научную программу Розенблатта;
• громкие газетные прогнозы.

Розенблатт исследовал не только систему, различавшую карточки. Он пытался создать общую теорию обучающихся машин, вдохновлённую устройством мозга.

Поэтому его прогнозы относились скорее к будущему развитию целого класса систем, чем к возможностям одной аппаратной установки.

В публичных материалах эта разница часто исчезала.

Фраза «система умеет корректировать веса после ошибки» превращалась в утверждение «машина способна мыслить».

В реальности между этими возможностями лежала огромная дистанция. Требовались:

• более сложные архитектуры;
• эффективные методы обучения нескольких слоёв;
• мощные вычислительные устройства;
• большие цифровые наборы данных;
• новые функции активации;
• более развитая теория оптимизации.

Потребовались десятилетия исследований, прежде чем нейронные сети научились уверенно распознавать объекты, обрабатывать естественный язык и генерировать связный текст.

---

Что такое однослойный перцептрон

Однослойный перцептрон — это модель, в которой входные значения напрямую связаны с выходными элементами, а обучаемого скрытого слоя между ними нет.

Упрощённая схема выглядит так:

входы → обучаемые веса → выход.

Входной набор иногда называют входным слоем. Однако при подсчёте вычислительных слоёв его часто не учитывают, поскольку он сам по себе не выполняет отдельного преобразования.

Если выход один, перцептрон решает задачу двоичной классификации:

• 0 — обычное письмо;
• 1 — спам.

Если выходных элементов несколько, каждый из них может соответствовать отдельной категории.

Главная особенность однослойного перцептрона состоит в том, что он строит линейную границу. Поэтому модель работает только с задачами, в которых классы можно разделить линией, плоскостью или гиперплоскостью.

---

Какие задачи решает простой перцептрон

Перцептрон способен выполнять логические операции, если соответствующие данные линейно разделимы.

Логическая операция И

Операция И возвращает 1, только когда оба входа равны 1.

x₁	x₂	x₁ И x₂
0	0	0
0	1	0
1	0	0
1	1	1

Комбинацию (1, 1) можно отделить одной прямой от трёх остальных точек.

Логическая операция ИЛИ

Операция ИЛИ возвращает 1, если активен хотя бы один вход.

x₁	x₂	x₁ ИЛИ x₂
0	0	0
0	1	1
1	0	1
1	1	1

Точку (0, 0) также можно отделить одной прямой.

Простая классификация

Перцептрон подходит для задач, в которых сочетание признаков последовательно отделяет один класс от другого.

Это может быть классификация по:

• размеру;
• яркости;
• массе;
• температуре;
• наличию определённого свойства;
• частоте слова или символа;
• набору двоичных признаков.

Но возможности модели всегда ограничены геометрией данных.

---

Почему однослойный перцептрон не решает XOR

Самое известное ограничение перцептрона связано с операцией XOR — «исключающее ИЛИ».

Она возвращает 1, когда активен ровно один из двух входов.

x₁	x₂	x₁ XOR x₂
0	0	0
0	1	1
1	0	1
1	1	0

Если разместить четыре комбинации на графике, точки одного класса окажутся в противоположных углах.

Провести одну прямую, которая отделит обе точки класса 1 от обеих точек класса 0, невозможно.

Перцептрон может менять веса сколько угодно, но каждая линейная граница будет неправильно классифицировать хотя бы один пример.

Проблема заключается не в недостаточном времени обучения и не в неудачных начальных значениях.

Для однослойной линейной модели правильного решения просто не существует.

Простой перцептрон способен выучить только линейно разделимую функцию.

XOR можно реализовать с помощью нескольких искусственных нейронов, если добавить промежуточный, или скрытый, слой. Несколько границ совместно способны сформировать более сложную область решения.

Однако в 1950–1960-х годах ещё не существовало достаточно удобного универсального метода обучения многослойных нейронных сетей.

---

Другие ограничения перцептрона

XOR стал самым известным примером, но ограничения однослойного перцептрона этим не заканчиваются.

Только линейная граница

Один перцептрон разделяет пространство признаков одной гиперплоскостью.

Если объекты одного класса образуют несколько отдельных областей или окружены объектами другого класса, простой линии недостаточно.

Жёсткий двоичный ответ

Классический перцептрон выдаёт 0 или 1.

Он не формирует хорошо откалиброванную вероятность и не показывает, насколько уверен в ответе.

Зависимость от входных признаков

Модель работает только с теми признаками, которые получила.

Если полезная закономерность не представлена в исходных данных линейно, перцептрон не сможет самостоятельно построить сложное внутреннее представление.

В глубокой нейронной сети скрытые слои поэтапно извлекают более абстрактные признаки. У классического однослойного перцептрона такой возможности нет.

Отсутствие сходимости на неразделимых данных

Если обучающие примеры нельзя разделить одной линией, алгоритм может продолжать изменять веса, не приходя к окончательному решению.

В реальных данных часто встречаются:

• шум;
• ошибки измерения;
• пересекающиеся классы;
• неправильные метки;
• неоднозначные примеры.

Ограниченные вычислительные ресурсы

Mark I был выдающейся машиной для своего времени, но увеличение количества входов, связей и обучаемых элементов быстро усложняло физическую конструкцию.

Нет эффективного обучения глубоких слоёв

Добавление новых слоёв теоретически расширяло возможности нейросети, но создавало сложный вопрос:

Как определить, какая внутренняя связь отвечает за ошибку на выходе?

Позднее эту задачу начали решать с помощью обратного распространения ошибки и градиентных методов.

Без эффективного обучения многослойных сетей не могли бы появиться современные системы компьютерного зрения, трансформеры, ChatGPT, Claude и другие большие нейронные модели.

---

Перцептрон и критика Минского и Паперта

В 1969 году Марвин Минский и Сеймур Паперт опубликовали книгу Perceptrons: An Introduction to Computational Geometry.

Авторы подробно исследовали математические возможности и ограничения определённых классов перцептронов.

Эту книгу часто описывают как работу, которая доказала бесполезность всех нейронных сетей. Это слишком грубое упрощение.

Минский и Паперт анализировали конкретные виды систем и показали, что однослойные модели не способны решать ряд задач. Они понимали, что многослойные архитектуры теоретически могут обладать более широкими возможностями.

Проблема состояла в другом: эффективного и удобного способа обучать такие сети тогда не существовало, а вычислительные ресурсы оставались крайне ограниченными.

В результате математически обоснованная критика совпала с разочарованием, вызванным завышенными ожиданиями.

Финансирование нейросетевых исследований сократилось, а внимание многих специалистов переключилось на символический искусственный интеллект.

Однако нейросетевое направление не исчезло. Исследования продолжались, а в 1980-х годах интерес к многослойным сетям начал восстанавливаться.

Подробнее о критике перцептрона, проблеме XOR и первой зиме искусственного интеллекта будет рассказано в следующей статье серии.

---

Был ли перцептрон первой обучаемой нейросетью

Ответ зависит от того, что считать нейросетью и обучением.

До перцептрона уже существовали:

• модель искусственного нейрона Маккаллока — Питтса;
• правило Хебба для изменения связей;
• нейросетевая машина SNARC Марвина Минского и Дина Эдмондса;
• исследования адаптивных и самоорганизующихся систем;
• ранние модели обучения и распознавания.

Поэтому утверждение, что до Розенблатта не существовало ни одной обучаемой системы, было бы неточным.

Но перцептрон объединил сразу несколько важных элементов:

• нейросетевую архитектуру;
• автоматическую коррекцию связей;
• обучение на размеченных примерах;
• математический анализ;
• способность к обобщению;
• компьютерное моделирование;
• специализированную аппаратную реализацию;
• публичную демонстрацию.

Поэтому наиболее корректная формулировка звучит так:

Перцептрон Розенблатта стал одной из первых широко известных и практически реализованных нейронных сетей, способных обучаться классификации на основе ошибок.

---

Перцептрон и современная нейросеть

Между Mark I Perceptron и современной нейросетью существует огромная технологическая дистанция.

Перцептрон Розенблатта	Современная нейронная сеть
Решает простую задачу классификации	Решает задачи классификации, генерации и прогнозирования
Имеет небольшое количество обучаемых связей	Может содержать миллионы или миллиарды параметров
Использует пороговую функцию	Применяет разные функции активации
Обновляет веса по простому правилу	Использует градиентный спуск и его варианты
В простом варианте не имеет обучаемых скрытых слоёв	Содержит множество обучаемых слоёв
Работает с небольшими наборами примеров	Может обучаться на огромных массивах данных
Строит линейную границу	Создаёт сложные нелинейные представления
Обычно выбирает один из двух классов	Может генерировать текст, изображения, звук, код и видео

Несмотря на различия, общая конструкция остаётся узнаваемой:

1. модель получает входные данные;
2. применяет к ним обучаемые параметры;
3. формирует прогноз;
4. сравнивает его с желаемым результатом;
5. рассчитывает ошибку;
6. изменяет параметры;
7. повторяет процесс.

Конкретные алгоритмы обучения стали несравнимо сложнее, но идея настройки модели по данным сохранилась.

---

Как перцептрон связан с глубоким обучением

Глубокая нейронная сеть состоит из большого количества вычислительных элементов, организованных в слои.

Каждый слой преобразует информацию и передаёт результат дальше.

Например, нейросеть компьютерного зрения может последовательно выделять:

1. перепады яркости;
2. линии и границы;
3. углы и простые фигуры;
4. текстуры;
5. части объектов;
6. целые объекты;
7. итоговые категории.

Один перцептрон не способен построить такую иерархию.

Но в нём уже присутствует базовая схема обучаемого вычислительного элемента:

входы → веса → сумма → функция активации → выход.

Современный искусственный нейрон можно записать похожим образом:

z = w₁x₁ + w₂x₂ + ... + wₙxₙ + b

y = f(z)

Отличия заключаются в функции f, архитектуре сети и методе обучения.

Вместо жёсткого порога современные нейросети используют разные функции активации:

• ReLU;
• sigmoid;
• tanh;
• GELU;
• другие нелинейные функции.

Для изменения весов обычно применяется обратное распространение ошибки. Оно позволяет оценить вклад параметров не только на выходе, но и во внутренних слоях модели.

Так нейросеть может обучать целую последовательность преобразований, а не одну линейную границу.

---

Как перцептрон связан с ChatGPT и Claude

Перцептрон нельзя назвать уменьшенной версией ChatGPT или Claude.

Современные языковые модели работают на основе архитектуры Transformer. Они обрабатывают последовательности токенов, используют механизм внимания и содержат множество слоёв с огромным количеством параметров.

Классический перцептрон:

• получает небольшой набор числовых признаков;
• выполняет линейную классификацию;
• использует пороговую функцию;
• выдаёт один из двух ответов;
• не работает с длинным контекстом.

Большая языковая модель:

• обрабатывает многомерные векторные представления;
• учитывает связи между токенами;
• содержит большое количество последовательных слоёв;
• прогнозирует вероятности возможных продолжений;
• генерирует текст, код и другие данные.

Прямая технологическая связь между ними прошла через десятилетия исследований:

• многослойные нейронные сети;
• обратное распространение ошибки;
• градиентные методы оптимизации;
• глубокое обучение;
• векторные представления;
• механизм внимания;
• архитектуру Transformer.

Но фундаментальная идея сохранилась:

Вместо ручного описания каждого правила можно создать модель с числовыми параметрами и настроить её на данных.

В перцептроне приобретённая закономерность хранится в нескольких весах. В современных ИИ-моделях она распределена по огромным матрицам параметров.

Поэтому историческая связь между Mark I, ChatGPT и Claude существует не на уровне возможностей, а на уровне общего принципа обучения.

---

Почему перцептрон продолжают изучать

Сегодня классический алгоритм редко используется для создания сложных ИИ-продуктов. Для большинства практических задач существуют более гибкие методы.

Тем не менее перцептрон остаётся важной частью учебных курсов по машинному обучению.

Он наглядно объясняет обучение модели

На его примере легко увидеть весь цикл:

• данные;
• прогноз;
• правильный ответ;
• ошибка;
• изменение параметров;
• повторное обучение.

В сложной нейронной сети этот процесс скрыт за миллионами вычислений.

Он показывает роль весов

Перцептрон помогает понять, что найденное правило может храниться в числовых параметрах.

Вес — это не словесное знание, а сила влияния определённого признака на результат.

Он объясняет линейную классификацию

С его помощью удобно изучать:

• границу решения;
• линейную разделимость;
• классификацию;
• гиперплоскость;
• сходимость алгоритма.

Он показывает ограничения архитектуры

Пример XOR демонстрирует, что иногда модели не хватает не данных и не времени обучения, а способности представить нужную зависимость.

Он связывает историю и современность

Перцептрон находится между двумя эпохами:

• ранними математическими моделями искусственного нейрона;
• современными обучаемыми нейронными сетями.

До него искусственный нейрон был прежде всего логическим элементом. После него центральной стала идея автоматической настройки параметров.

---

Краткая история перцептрона

Год	Событие
1943	Маккаллок и Питтс описывают математическую модель искусственного нейрона
1949	Дональд Хебб публикует теорию изменения связей между совместно активными нейронами
1951	Марвин Минский и Дин Эдмондс создают нейросетевую машину SNARC
1957	Фрэнк Розенблатт описывает раннюю модель перцептрона
1958	Выходит статья о перцептроне как модели хранения и организации информации
1958	Алгоритм демонстрируется на компьютере IBM 704
1958	Появляется аппаратная система Mark I Perceptron
1959	Розенблатт переносит исследования на основную площадку Корнеллского университета
1962	Выходит книга Principles of Neurodynamics
1969	Минский и Паперт публикуют книгу Perceptrons
1980-е	Возвращается интерес к обучению многослойных нейронных сетей
2010-е	Глубокое обучение становится основой многих систем распознавания и генерации
2020-е	Большие нейронные модели массово используются для работы с текстом, изображениями, кодом, звуком и видео

---

Ключевые понятия

Понятие	Значение
Перцептрон	Обучаемая пороговая модель для классификации данных
Вход	Числовой признак объекта
Вес	Параметр, определяющий влияние входа на ответ
Смещение	Параметр, сдвигающий границу решения
Взвешенная сумма	Сумма входов, умноженных на соответствующие веса
Порог	Граница, после которой меняется выход модели
Классификация	Отнесение объекта к определённой категории
Метка	Правильный ответ для обучающего примера
Ошибка	Разница между правильным ответом и прогнозом
Скорость обучения	Размер изменения весов на одном шаге
Эпоха	Один полный проход по обучающему набору
Линейная разделимость	Возможность разделить классы одной гиперплоскостью
Обобщение	Способность правильно работать с новыми примерами
Mark I Perceptron	Аппаратная реализация системы Розенблатта
Обучение с учителем	Обучение на примерах с известными правильными ответами

---

Частые вопросы

Что такое перцептрон простыми словами?

Перцептрон — это простая обучаемая модель, которая получает несколько числовых признаков и определяет, к какому из двух классов относится объект. После неправильного ответа модель изменяет веса, чтобы снизить вероятность похожей ошибки в будущем.

Кто создал перцептрон?

Перцептрон разработал американский психолог Фрэнк Розенблатт в 1950-х годах. Он работал в Корнеллской авиационной лаборатории и рассматривал перцептрон как модель восприятия, памяти и обучения.

Когда появился перцептрон?

Розенблатт описал раннюю модель в 1957 году. В 1958 году вышла его научная статья, а алгоритм продемонстрировали на компьютере IBM 704. К этому же периоду относится создание аппаратной системы Mark I Perceptron.

Что такое Mark I Perceptron?

Mark I Perceptron — специализированная аппаратная машина для экспериментов с обучаемым распознаванием изображений. Она использовала матрицу из 400 светочувствительных элементов, коммутационные панели, ассоциативные блоки и регулируемые компоненты, представлявшие веса.

Как работает алгоритм обучения перцептрона?

Перцептрон получает пример, рассчитывает ответ и сравнивает его с правильной меткой. Если ответ неправильный, веса изменяются с учётом входных значений, направления ошибки и скорости обучения.

Что такое вес перцептрона?

Вес — это числовой параметр, определяющий влияние входного признака на итоговое решение. Во время обучения веса автоматически корректируются.

Что такое смещение?

Смещение — дополнительный обучаемый параметр, который позволяет передвигать границу решения. Благодаря ему линия разделения классов не обязана проходить через начало координат.

Что такое однослойный перцептрон?

Это модель без обучаемого скрытого слоя. Входные признаки напрямую связаны с выходным элементом через веса. Такой перцептрон строит линейную границу между классами.

Какие задачи решает перцептрон?

Он решает линейно разделимые задачи классификации. Например, простой перцептрон способен выучить логические операции И и ИЛИ или разделить два класса объектов, если между ними можно провести одну линейную границу.

Почему перцептрон не решает XOR?

Точки XOR нельзя разделить одной прямой. Поскольку однослойный перцептрон создаёт только линейную границу, подходящей комбинации весов для этой задачи не существует. Для решения XOR нужен скрытый слой или другое нелинейное преобразование признаков.

Всегда ли обучение перцептрона заканчивается успешно?

Нет. Алгоритм гарантированно сходится только для линейно разделимых данных. Если классы пересекаются, модель может продолжать изменять веса, не достигая идеального результата.

Был ли перцептрон первой нейросетью?

До него существовали формальные модели нейронов и ранние нейросетевые машины. Однако перцептрон стал одной из первых широко известных систем, сочетавших алгоритм обучения, математическое обоснование и аппаратную реализацию.

Является ли перцептрон искусственным нейроном?

Классический перцептрон близок к современному искусственному нейрону по общей схеме: входы умножаются на веса, складываются и проходят через функцию активации. Современные нейроны используют другие функции и работают в составе многослойных сетей.

Используется ли перцептрон сегодня?

Классический алгоритм используется преимущественно в образовании, исследованиях и отдельных задачах линейной классификации. Для сложных систем чаще применяются логистическая регрессия, методы опорных векторов, ансамбли и глубокие нейронные сети.

Чем перцептрон отличается от логистической регрессии?

Обе модели строят линейную границу, но классический перцептрон использует жёсткую пороговую функцию и обновляет веса после ошибок классификации. Логистическая регрессия выдаёт значение, которое можно интерпретировать как вероятность, и обучается через оптимизацию непрерывной функции потерь.

Чем перцептрон отличается от ChatGPT?

Перцептрон — простой линейный классификатор, обычно выбирающий один из двух классов. ChatGPT работает на основе многослойной архитектуры Transformer, обрабатывает последовательности токенов и генерирует текст. Общей для них остаётся идея настройки числовых параметров по данным.

Можно ли считать перцептрон искусственным интеллектом?

Перцептрон относится к истории искусственного интеллекта и машинного обучения, поскольку способен находить правило классификации по примерам. Но его возможности крайне ограничены: он не понимает смысл данных, не рассуждает и не обладает универсальным интеллектом.

---

Вывод

Перцептрон Фрэнка Розенблатта стал одним из важнейших этапов в истории нейронных сетей и машинного обучения.

Модель Маккаллока — Питтса показала, что работу искусственного нейрона можно описать математически. Перцептрон добавил следующий необходимый элемент — способность изменять параметры после ошибок.

В простом виде перцептрон:

• получает входные признаки;
• умножает их на веса;
• складывает результаты;
• добавляет смещение;
• сравнивает сумму с порогом;
• выдаёт один из двух ответов;
• сопоставляет прогноз с правильной меткой;
• корректирует веса после ошибки;
• постепенно находит линейную границу между классами.

Mark I Perceptron продемонстрировал, что эта идея может существовать в виде физической обучаемой машины. Его светочувствительная матрица получала изображение, а регулируемые компоненты меняли состояние системы в процессе обучения.

Возможности перцептрона были ограничены. Однослойная модель не могла решать задачи, в которых классы нельзя разделить одной линейной границей. Она не понимала содержание изображений, не обладала сознанием и была бесконечно далека от универсального искусственного интеллекта.

Но историческое значение перцептрона определяется не сложностью решаемых задач.

Розенблатт показал, что вычислительная система может не только выполнять неизменное правило, но и формировать его на основе примеров.

Этот принцип сохранился в современных нейросетях:

Модель получает данные, создаёт прогноз, оценивает ошибку и изменяет параметры, чтобы в следующий раз получить более точный результат.

Позднее исследователи научились обучать множество последовательных слоёв, извлекать сложные признаки и работать с огромными наборами данных. Так появились глубокое обучение, системы компьютерного зрения, трансформеры и большие языковые модели.

Следующим этапом истории стала критика перцептрона. Исследователи обнаружили задачи, которые однослойная сеть не могла решить независимо от продолжительности обучения. Завышенные ожидания начали сменяться разочарованием, а нейросетевое направление на годы потеряло прежнюю популярность.

Современные модели — GPT, Claude, Gemini и другие — несравнимо сложнее перцептрона. При этом они отличаются архитектурой, обучением, настройкой и оптимизацией, поэтому могут по-разному отвечать на один и тот же запрос.

В Riser можно работать с моделями разных провайдеров в одном интерфейсе, переключаться между ними и сравнивать результаты на реальных задачах.

---

Продолжить чтение

Предыдущая статья — «Первый искусственный нейрон: модель Маккаллока — Питтса» Предыдущая статья — «Первый искусственный нейрон: модель Маккаллока — Питтса»