El perceptrón de Rosenblatt: la máquina que aprendió (1958)
El perceptrón de Frank Rosenblatt fue la primera máquina que aprendió de la experiencia, celebrada por la prensa, atacada por los críticos y reivindicada décadas después.
En julio de 1958, la Oficina de Investigación Naval de EE.UU. presentó una máquina que podía aprender. Su creador, Frank Rosenblatt, psicólogo investigador en el Cornell Aeronautical Laboratory en Buffalo, Nueva York, la llamó “la primera máquina capaz de tener una idea original.” La prensa recogió la historia. El New York Times informó sobre un “dispositivo de la Marina” que “aprende haciendo.”
La máquina era el Mark I Perceptrón, y se convertiría en uno de los inventos más celebrados, y posteriormente más controvertidos, en la historia de la inteligencia artificial.
Qué era el perceptrón
En esencia, el perceptrón de Rosenblatt era una red neuronal de una sola capa: un conjunto de unidades de entrada (que simulaban una retina de fotocélulas), conectadas mediante pesos ajustables a una unidad de salida que producía una decisión binaria, sí o no, izquierda o derecha.
La idea clave era el aprendizaje mediante ajuste. Cuando el perceptrón cometía un error, los pesos de sus conexiones se actualizaban para hacer más probable la respuesta correcta la próxima vez. Con suficientes ejemplos de entrenamiento, convergía: el teorema de convergencia del perceptrón, demostrado hacia 1960, garantizaba que si la tarea era aprendible por la arquitectura, el entrenamiento encontraría los pesos correctos en pasos finitos.
Rosenblatt lo demostró con un experimento simple: el Mark I podía distinguir hojas de papel marcadas en el lado izquierdo de las marcadas en el derecho. Modesto según los estándares actuales, pero en 1958, una máquina que mejoraba su propio rendimiento sin ser programada explícitamente era genuinamente nueva.
Ambición y reacción
Rosenblatt no fue tímido con las implicaciones. En su propuesta de financiación de 1957, escribió que dispositivos de este tipo “se esperaba que fueran capaces en última instancia de formación de conceptos, traducción de idiomas, procesamiento de inteligencia militar y resolución de problemas mediante lógica inductiva.”
No todos estaban convencidos. Marvin Minsky, que conocía a Rosenblatt desde la secundaria en la Bronx High School of Science, era profundamente escéptico. Los dos debatían públicamente en conferencias, de forma ruidosa, apasionada y personal, mientras sus colegas observaban asombrados.
En 1969, Minsky y Seymour Papert publicaron Perceptrons, un análisis matemático que demostró que los perceptrones de una sola capa no podían aprender ciertas funciones, incluyendo el simple XOR lógico. Los teoremas eran correctos. Pero el mensaje que llegó a las agencias de financiación fue más burdo: “los perceptrones no funcionan.”
El matiz, que las limitaciones aplicaban a redes de una sola capa, y que redes multicapa podrían superarlas, se perdió. La financiación de redes neuronales se agotó. El primer invierno de la IA (artículo) había llegado, al menos para la investigación conexionista.
Un final trágico, un legado duradero
Frank Rosenblatt murió en un accidente de navegación en la bahía de Chesapeake el 11 de julio de 1971, a los 43 años. No vivió para ver la reivindicación de sus ideas.
Esa reivindicación llegó en los años 1980, cuando el algoritmo de retropropagación hizo entrenables las redes multicapa, exactamente el paso que Minsky y Papert habían considerado impracticable. El principio central del perceptrón, aprender ajustando pesos a partir de errores, sigue siendo la base de todo sistema moderno de aprendizaje profundo.
El Mark I Perceptrón reside en el Smithsonian National Museum of American History. En 2004, el IEEE estableció el Frank Rosenblatt Award en su honor. La máquina que aprendió tenía razón, solo sesenta años antes de tiempo.