AI【简史03】:感知机:AI的第一个脑细胞,从封神到寒冬(1957-1969)

这是「AI简史」系列的第三篇文章。

上一篇我们讲到，1956年的达特茅斯会议，给「人工智能」正式起了名字，一群平均年龄30出头的天才，画下了AI未来的蓝图，也开启了人工智能的第一个黄金时代。

可蓝图再美好，也需要落地的实体。

达特茅斯会议上，西蒙和纽厄尔带来的「逻辑理论家」，虽然能证明数学定理，可本质上还是一套写死了规则的程序，它不会学习，不会成长，更谈不上拥有「智能」。

所有人都在等一个答案：到底什么样的模型，才能真正实现图灵说的「机器自主学习」？

1957年，就在达特茅斯会议结束的第二年，答案来了。

28岁的心理学家弗兰克·罗森布拉特，发明了一个足以改写AI历史的模型——感知机（Perceptron）。

它是人类历史上第一个能自主学习的人工神经元，是AI真正意义上的「第一个脑细胞」。它的诞生，让AI从纸上的概念，变成了能跑、能看、能学习的实体，瞬间封神；可仅仅12年后，它又被同一本著作打入地狱，直接让整个AI领域坠入了长达十几年的第一次寒冬。

今天，我们就来讲讲这个AI的起点模型，从封神到陨落的完整故事。

一、感知机诞生：给AI造一颗会学习的「脑细胞」

故事的主角弗兰克·罗森布拉特，和人工智能领域的大多数天才一样，是个不折不扣的跨界奇才。

1928年，罗森布拉特出生在纽约的一个犹太家庭，他本科读的是康奈尔大学心理学，博士却研究起了数学和神经科学，满脑子都在琢磨一件事：人类大脑的神经元，到底是怎么工作的？我们能不能用数学，把它复刻出来？

当时的神经科学已经搞清楚了，人类大脑的神经元，工作逻辑其实特别简单：

树突接收其他神经元传来的电信号，信号不断累积，一旦超过某个阈值，神经元就会被「激活」，通过轴突把信号传给下一个神经元；没到阈值，就不传递信号。

这个过程，听起来是不是特别简单？

可在罗森布拉特之前，没人能把这个生物过程，真正变成一个能在机器上跑起来的数学模型。1943年，麦卡洛克和皮茨提出了MP神经元模型，可这个模型只能做固定的逻辑运算，不会学习，不会根据结果调整自己，本质上还是个死板的计算器。

而罗森布拉特做的最伟大的事，就是给这个死板的神经元模型，加上了自主学习的能力。

1957年，在美国康奈尔航空实验室，罗森布拉特正式提出了感知机模型。1958年，他把自己的研究成果，发表在了顶级心理学期刊《Psychological Review》上，论文标题是《感知机：一种用于大脑中信息存储与组织的概率模型》。

这篇论文，成了现代神经网络和深度学习的奠基之作。

而罗森布拉特并不满足于纸上的模型，他居然真的造了一台实体机器出来——Mark I 感知机。

这台机器，堪称当时的「黑科技」。它占地足足有一个衣柜那么大，用了400个光电管、8000个电位器，能通过摄像头，直接识别简单的字母和图形。

它最震撼的地方在哪？

不是能识别图形，而是它能自己学习。

罗森布拉特不需要给它写死任何识别规则，只需要拿着卡片，一遍遍地给它看：左边画着三角形，右边画着正方形。它识别错了，就给它反馈；识别对了，就给它正向激励。

只需要几十次尝试，它就能自己学会「看到三角形亮左边的灯，看到正方形亮右边的灯」。哪怕换了新的、从没见过的三角形卡片，它也能准确识别出来。

这件事在1958年，无异于天方夜谭。

要知道，当时的计算机，还只能做人类写死规则的事，让它算题可以，让它自己从数据里学规律，简直是天方夜谭。

媒体瞬间炸了锅。

《纽约时报》直接头版头条报道，用了一句轰动全美的话：「这是一台会学习的机器！它将能够走路、说话、写字、自我复制，甚至意识到自己的存在。」

美国海军更是直接放话：「这个感知机，将是第一台能像人脑一样思考的计算机。」

一夜之间，罗森布拉特封神。

他成了人工智能领域最耀眼的明星，感知机也成了整个AI黄金时代的绝对主角。所有人都相信，只要把无数个感知机拼在一起，就能复刻出人类的大脑，通用人工智能的时代，马上就要来了。

二、大白话讲透：感知机到底是什么？为什么它是AI的起点？

很多人一听到「感知机」三个字，就觉得是高深的计算机科学，可事实上，它的数学本质，就是我们初中学过的一元一次函数，简单到离谱。

它的核心公式，就是我们再熟悉不过的：

y = w·x + b

我们不用任何专业术语，只用生活化的例子，把这个公式拆解得明明白白，你就知道，为什么它能成为AI的第一个脑细胞。

感知机的核心作用，就是做二分类判断——是/不是、对/不对、亮灯/不亮灯，所有只有两个结果的判断，它都能做。

我们就用它最经典的「识别三角形」的例子，来拆解它的完整工作逻辑：

1. x：输入，也就是判断的依据
   摄像头拍到的图片，会被拆成一个个像素点，每个像素点的明暗、颜色，就是感知机的输入x。x1、x2、x3……分别对应每一个像素点的特征。
2. w：权重，也就是每个特征的重要程度
   不同的像素点，对「是不是三角形」的影响是不一样的。图片边缘的像素点，大概率是三角形的轮廓，权重就高；图片中间的空白像素点，对判断没影响，权重就低。权重w，就是感知机给每个特征打的「重要性分数」，权重越高，这个特征对最终结果的影响越大。
3. b：偏置，也就是判断的基础阈值
   简单说，就是感知机的「判断底线」。比如我们规定，所有特征加权加起来，得分超过5，就判定是三角形，亮左边的灯；没超过5，就判定不是，不亮灯。这个5，就是偏置b。
4. y：输出，也就是最终的判断结果

感知机把每个像素点的数值，乘以对应的权重，全部加起来，再加上偏置b，就得到了一个综合得分。再通过一个简单的「激活开关」，得分超过阈值，就输出「是三角形」，没超过，就输出「不是三角形」。

你看，整个过程，没有任何复杂的东西，本质上就是「加权打分，按分判断」。

而感知机和之前所有的机器模型，最本质、最伟大的区别，就是它能根据反馈，自己调整权重w和偏置b。

一开始，感知机里的权重和偏置，全是随机的。就像一个从没见过三角形的人，只能瞎猜：它可能会觉得图片中间的像素点最重要，结果把正方形也认成了三角形。

这时候，你只需要告诉它：「你猜错了，这不是三角形。」

感知机就会立刻调整每个像素点的权重：把猜错的那个像素点的权重调低，把真正有用的轮廓像素点的权重调高。

调整完，它再看下一张图片，再判断，再看对错，再调整。

这个「判断→算误差→调权重→再判断」的循环，就是我们现在天天说的机器学习。

在罗森布拉特之前，从来没有一台机器，能真正做到「自主学习」。

是感知机，第一次让机器拥有了和人类大脑神经元一样的学习能力。哪怕它只有一个神经元，也为后来的神经网络、深度学习，乃至今天的大模型，打下了最核心的底层框架。

三、狂欢之下，藏着致命的缺陷

感知机的爆火，让整个AI领域陷入了前所未有的狂欢。

当时的学术界和资本界，都把感知机当成了通用人工智能的终极答案。无数经费涌入，无数学者一头扎进感知机的研究里，大家都觉得，只要把感知机越堆越多，就能造出和人脑一样的智能机器。

可在这场狂欢里，有一个人始终保持着清醒，甚至对感知机嗤之以鼻。

这个人，就是达特茅斯会议的发起人之一，罗森布拉特的大学同班同学，后来的「人工智能之父」——马文·明斯基。

明斯基从一开始就不相信，一个简单的感知机，能复刻人脑的智能。他盯着感知机的模型，一点点抠，最终发现了它的致命缺陷：单层感知机，只能处理线性可分的问题，根本解决不了最简单的「异或问题」。

这句话听起来有点绕，我们用大白话，把它拆解得明明白白。

什么是线性可分？

线性可分的事物，核心是规律统一、无例外、一刀切就能分明白。

简单说，就是你能在坐标系里，画一条直线，把两类东西完全分开。

比如「西瓜越重越甜」，我们就能画一条直线，把「甜」和「不甜」的西瓜分开。

什么是异或问题？

它是计算机里最基础的逻辑运算，规则特别简单：两个输入一样，就输出0；两个输入不一样，就输出1。

举个最通俗的例子：

• 你出石头，我也出石头，平局，输出0；

• 你出布，我也出布，平局，输出0；

• 你出石头，我出布，有输赢，输出1；

• 你出布，我出石头，有输赢，输出1。

现在，你试着在坐标系里画一条直线，能不能把「平局（0）」和「有输赢（1）」的两种情况分开？

答案是：根本不可能。

这种没法用一条直线分开的问题，就叫线性不可分问题。

而明斯基用严谨的数学证明了：单层感知机，永远解决不了这种最简单的线性不可分问题。

这个结论有多致命？

要知道，异或运算，是计算机最基础的四大逻辑运算之一，连这个都解决不了，就意味着感知机连最基础的计算机逻辑都跑不通，更别说复刻人脑的智能了。

更关键的是，罗森布拉特和当时的感知机狂热者，不是不知道这个缺陷。他们说：单层感知机不行，我们就把感知机叠起来，做多层感知机，不就能解决非线性问题了吗？

理论上，确实是这样。两层感知机，就能完美解决异或问题；只要隐藏层的神经元足够多，多层感知机能逼近任何复杂的数学模型。

可问题是，在1960年代，没人知道怎么训练多层感知机。

单层感知机的权重调整很简单，可一旦叠了层，误差该怎么从输出层，传回前面的每一层？该怎么调整每一层的权重？当时没有反向传播算法，没有梯度下降的成熟方法，更没有足够的算力，来支撑多层感知机的训练。

换句话说，多层感知机，在当时只是个纸上的理论，根本没法落地。

明斯基精准地抓住了这一点。他知道，这不是一个能轻易解决的小问题，而是整个感知机模型，乃至当时整个AI领域的死穴。

四、致命一击：一本《感知机》，终结了一个时代

1969年，明斯基和他的同事西摩·佩珀特，出版了一本足以改写AI历史的书——《感知机：计算几何导论》。

这本书，用极其严谨、无懈可击的数学推导，把感知机钉在了「耻辱柱」上。

书里核心讲了三件事，每一件，都对感知机造成了毁灭性的打击：

1. 严格证明了，单层感知机，只能解决线性可分问题，永远无法处理异或这种最简单的线性不可分问题。 连最基础的逻辑运算都做不到，所谓的「通用智能」，根本就是天方夜谭。
2. 明确指出，多层感知机，在当时的技术条件下，根本没有有效的训练方法。 哪怕理论上能解决问题，现实里也根本实现不了，只是空中楼阁。
3. 给整个感知机研究，乃至当时的AI领域，下了一个悲观的定论： 基于感知机的神经网络研究，是一条死胡同，根本不可能实现真正的人工智能。

这本书一出版，瞬间在学术界和资本界引发了地震。

之前有多狂热，现在就有多幻灭。

所有人都突然反应过来，原来自己追捧了十几年的「智能机器」，居然连最简单的异或问题都解决不了。原来媒体吹的「能自我复制、有自我意识」，全是不切实际的幻想。

政府和资本，第一时间按下了暂停键。

原本源源不断的AI研究经费，一夜之间被砍得干干净净；原本火热的感知机项目，全被叫停；原本抢着发的感知机论文，瞬间成了学术界的「垃圾」，没人愿意再碰。

罗森布拉特本人，更是从神坛跌落谷底。

他拼尽全力反驳明斯基的观点，可在无懈可击的数学证明面前，他的辩解显得苍白无力。他的研究没人再关注，他的成果被全盘否定，曾经的封神之作，成了人人喊打的「伪科学」。

更令人唏嘘的是，就在这本书出版的两年后，1971年7月11日，罗森布拉特在生日当天，于切萨皮克湾划船时意外溺水身亡，年仅43岁。

这位AI神经网络的奠基人，最终没能看到自己的研究，王者归来的那一天。

而随着感知机的陨落，整个人工智能领域，也坠入了长达十几年的第一次AI寒冬。

曾经热闹非凡的AI实验室，变得门可罗雀；曾经信心满满的学者，纷纷转行；曾经被吹上天的人工智能，成了学术界的笑话，人人避之不及。

达特茅斯会议开启的第一个黄金时代，仅仅持续了十几年，就以这样惨烈的方式，落下了帷幕。

看似陨落，实则火种不灭

很多人说，明斯基的《感知机》，是AI历史上的「千古罪人」，是它扼杀了神经网络的研究，让AI发展停滞了十几年。

可站在今天回头看，明斯基的批判，并非恶意。他只是戳破了当时AI领域不切实际的泡沫，让狂热的研究者们，从幻想回到了现实。他指出的缺陷，也确实是当时神经网络无法解决的死穴。

更重要的是，哪怕感知机的研究陷入了停滞，它埋下的火种，也从未熄灭。

罗森布拉特提出的「神经元模型」「权重调整」「自主学习」的核心逻辑，从来都没有过时。几十年后，当反向传播算法成熟，当GPU算力爆发，当激活函数被优化，曾经被打入冷宫的多层感知机，以「神经网络」的名字，王者归来。

再后来，隐藏层越叠越多，它有了一个新的名字——深度学习。

从AlexNet横扫图像识别大赛，到AlphaGo击败李世石，再到ChatGPT引爆大模型时代，如今所有的AI成果，追根溯源，都离不开1957年，罗森布拉特发明的那个小小的感知机。

它是AI的第一个脑细胞，是深度学习的起点，是整个AI时代，最底层的基石。

1957年，罗森布拉特用一个简单的函数，给AI注入了第一缕生命；1969年，明斯基用一本书，让AI从狂热回归理性。而正是这场从封神到寒冬的洗礼，才让人工智能，在后来的日子里，走得更稳、更远。

下一篇预告：

AI简史04｜第一次AI寒冬：梦想破灭，全世界放弃人工智能（1969-1980）

互动话题：你觉得明斯基对感知机的批判，是扼杀了AI发展，还是让AI回归了理性？欢迎在评论区留下你的看法。

参考资料

1. Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain[J]. Psychological Review, 1958, 65(6): 386-408.（感知机原始论文，神经网络与深度学习的奠基性研究）
2. Minsky M, Papert S. Perceptrons: An introduction to computational geometry[M]. MIT Press, 1969.（明斯基《感知机》原著，AI发展史上的标志性著作）
3. McCulloch W S, Pitts W. A logical calculus of the ideas immanent in nervous activity[J]. The bulletin of mathematical biophysics, 1943, 5.（MP神经元模型原始论文，感知机的理论前身）
4. McCorduck P. Machines who think: a personal inquiry into the history and prospects of artificial intelligence[M]. A K Peters/CRC Press, 2004.（人工智能史权威著作，完整还原感知机从诞生到陨落的全过程）
5. 尼尔·尼尔森. 人工智能的探索[M]. 机械工业出版社, 2017.（AI领域权威历史著作，梳理感知机对AI发展的核心影响）
6. 周志华. 机器学习[M]. 清华大学出版社, 2016.（国内AI权威教材，详细阐述感知机的原理与历史意义）
7. Goodfellow I, Bengio Y, Courville A. Deep Learning[M]. MIT Press, 2016.（深度学习领域公认权威教材「花书」，梳理感知机与神经网络的演进关系）