感知机、逻辑与机器学习的诞生

今天的人工智能以规模和复杂度让人眼花缭乱，但它的根源却出奇地简单：机器可以通过数据学习模式。这个思想的出现、繁荣与受挫，是科学史上最有趣的故事之一。它始于二十世纪中叶，那是一个机械化的乐观时代，人们相信机器能够模仿神经元。接下来的几十年，逻辑的争论、学界的批评、资金的冷却、再到复兴与腾飞，人工智能的命运跌宕起伏。上一篇文章谈的是人类对智慧的古老幻想，这一篇则是这个幻想第一次变成数学与机械现实的时刻——感知机的年代，以及机器学习的诞生。

五十年代的乐观主义

二战刚结束，雷达、密码学和原子能改写了世界格局。冷战的背景下，计算机与自动化的研究得到空前重视。与此同时，大脑本身作为一种“信息处理机”的设想逐渐流行。1943年，麦卡洛克（Warren McCulloch）和皮茨（Walter Pitts）提出了“阈值逻辑单元”的神经元模型：

每个输入 $x_i$ 被赋予权重 $w_i$，相加后与阈值 θ 比较。若总和超过阈值，则输出 1，否则输出 0。虽然与真实神经元相差甚远，但它抓住了一个关键思想：逻辑可以由简单单元的网络涌现出来。

这种设想在文化上引起轰动。如果神经元能化为逻辑单元，那么智慧是否也能被工程化？1956 年的达特茅斯会议上，麦卡锡（John McCarthy）、明斯基（Marvin Minsky）等人大胆宣称：“智慧的每一个方面，原则上都可以被精确描述，并由机器模拟。”这是人工智能作为独立学科的宣言。

罗森布拉特与感知机

1958年，心理学家弗兰克·罗森布拉特（Frank Rosenblatt）推出了 感知机（Perceptron）。它是一种“模式识别机”，灵感来自视觉皮层。其公式简单而优美：

其中 σ 是阶跃函数：若加权和超过零，输出 1，否则输出 0。

感知机的训练方法是著名的 感知机学习算法：

若机器出错，就把权重往正确方向调整一步。

这个思想直观而有力。罗森布拉特甚至搭建了硬件感知机，用光电管和电机连接，可以通过示例学习识别图形（比如区分圆与三角）。媒体立刻掀起热潮。1958年，《纽约时报》报道称感知机“将能行走、说话、看、写、繁殖并意识到自身的存在”。公众仿佛迎来了机械智能的黎明。

逻辑派的反击

然而乐观之下，批评声音很快出现。1969年，明斯基与帕普特出版了《Perceptrons》，用数学证明了感知机的局限性。最著名的例子是 XOR（异或）问题：输入相同输出 0，不同输出 1。这个函数在平面上不可线性分割，而感知机只能画直线来区分样本，因此永远学不会。

这一结论沉重打击了感知机。它原本被宣称是“万能的模式识别器”，结果竟然连一个基本逻辑函数都无法处理。学界失望，资金削减，第一次 人工智能寒冬 随之而来。公众的幻想从“十年内实现会说话的机器”骤然冷却。

神经网络复苏的种子

然而，局限并不等于死路。研究者意识到：若增加中间层，问题便可解决。两层感知机可以组合线性函数来实现 XOR。事实上，后来被形式化为 万能逼近定理：多层神经网络可以逼近任意连续函数。

关键在于 反向传播（Backpropagation）。虽然原理早在 1960 年代就有人提出，但直到 1980 年代，鲁梅尔哈特（David Rumelhart）、辛顿（Geoffrey Hinton）、威廉姆斯（Ronald Williams）才真正推广开来。反向传播让多层感知机可训练，推动了神经网络的第二次复兴。

其核心公式是梯度下降：