Rosenblatts Perzeptron: die Maschine, die lernte (1958)

Im Juli 1958 stellte das Office of Naval Research der US-Marine eine Maschine vor, die lernen konnte. Ihr Erfinder, Frank Rosenblatt, Forschungspsychologe am Cornell Aeronautical Laboratory in Buffalo, New York, nannte sie „die erste Maschine, die fähig ist, eine eigene Idee zu haben.” Die Presse griff die Geschichte auf. Die New York Times berichtete über ein „Navy-Gerät”, das „durch Handeln lernt.”

Die Maschine war das Mark I Perzeptron, und es sollte eine der gefeiertsten, und später umstrittensten, Erfindungen in der Geschichte der künstlichen Intelligenz werden.

Was das Perzeptron war

Im Kern war Rosenblatts Perzeptron ein einschichtiges neuronales Netz: eine Reihe von Eingabeeinheiten (die eine Netzhaut aus Fotozellen simulierten), über einstellbare Gewichte mit einer Ausgabeeinheit verbunden, die eine binäre Entscheidung traf, ja oder nein, links oder rechts.

Die zentrale Einsicht war Lernen durch Anpassung. Wenn das Perzeptron einen Fehler machte, wurden die Gewichte seiner Verbindungen aktualisiert, um die richtige Antwort beim nächsten Mal wahrscheinlicher zu machen. Bei genügend Trainingsbeispielen konvergierte es: Der Perzeptron-Konvergenzsatz, bis 1960 bewiesen, garantierte, dass das Training in endlich vielen Schritten die richtigen Gewichte findet, sofern die Aufgabe von der Architektur lernbar ist.

Rosenblatt demonstrierte dies mit einem einfachen Experiment: Das Mark I konnte Blätter unterscheiden, die links markiert waren, von solchen, die rechts markiert waren. Nach heutigen Maßstäben bescheiden, aber 1958 war eine Maschine, die ihre eigene Leistung verbesserte, ohne explizit programmiert zu werden, wirklich neu.

Ehrgeiz und Gegenwind

Rosenblatt war nicht zurückhaltend, was die Tragweite anging. In seinem Förderantrag von 1957 schrieb er, solche Geräte seien „letztlich zur Begriffsbildung, Sprachübersetzung, Auswertung militärischer Informationen und zur Lösung von Problemen durch induktive Logik fähig.”

Nicht alle waren überzeugt. Marvin Minsky, der Rosenblatt seit der gemeinsamen Schulzeit an der Bronx High School of Science kannte, war zutiefst skeptisch. Die beiden debattierten öffentlich auf Konferenzen, laut, leidenschaftlich und persönlich, während ihre Kollegen staunend zusahen.

1969 veröffentlichten Minsky und Seymour Papert Perceptrons, eine mathematische Analyse, die bewies, dass einschichtige Perzeptrons bestimmte Funktionen nicht lernen können, darunter das einfache logische XOR. Die Theoreme waren korrekt. Aber die Botschaft, die bei Förderinstitutionen und in der breiteren Gemeinschaft ankam, war gröber: „Perzeptrons funktionieren nicht.”

Die Nuance, dass die Einschränkungen für einschichtige Netze galten und dass mehrschichtige Netze sie überwinden könnten, ging verloren. Die Förderung neuronaler Netze versiegte. Der erste KI-Winter (Artikel) hatte begonnen, zumindest für die konnektionistische Forschung.

Ein tragisches Ende, ein bleibendes Vermächtnis

Frank Rosenblatt starb am 11. Juli 1971 bei einem Bootsunfall in der Chesapeake Bay im Alter von 43 Jahren. Er erlebte die Rehabilitierung seiner Ideen nicht mehr.

Diese kam in den 1980er-Jahren, als der Backpropagation-Algorithmus mehrschichtige Netze trainierbar machte, genau der Schritt, den Minsky und Papert für unpraktikabel gehalten hatten. Das Kernprinzip des Perzeptrons, Lernen durch Gewichtsanpassung anhand von Fehlern, ist noch heute die Grundlage jedes modernen Deep-Learning-Systems.

Das Mark I Perzeptron selbst steht im Smithsonian National Museum of American History. 2004 stiftete das IEEE den Frank Rosenblatt Award. Die Maschine, die lernte, hatte recht, nur sechzig Jahre zu früh.