Le perceptron de Rosenblatt : la machine qui apprenait (1958)
Le perceptron de Frank Rosenblatt fut la première machine à apprendre de l'expérience, célébrée par la presse, attaquée par les critiques et réhabilitée des décennies plus tard.
En juillet 1958, l’Office of Naval Research de la marine américaine dévoila une machine capable d’apprendre. Son créateur, Frank Rosenblatt, psychologue chercheur au Cornell Aeronautical Laboratory à Buffalo, New York, l’appela « la première machine capable d’avoir une idée originale ». La presse s’empara de l’histoire. Le New York Times rapporta l’existence d’un « dispositif de la Marine » qui « apprend en faisant ».
La machine était le Mark I Perceptron, et elle allait devenir l’une des inventions les plus célébrées, puis les plus controversées, de l’histoire de l’intelligence artificielle.
Ce qu’était le perceptron
En son cœur, le perceptron de Rosenblatt était un réseau neuronal à une seule couche : un ensemble d’unités d’entrée (simulant une rétine de photocellules), connectées par des poids ajustables à une unité de sortie produisant une décision binaire, oui ou non, gauche ou droite.
L’idée clé était l’apprentissage par ajustement. Quand le perceptron commettait une erreur, les poids de ses connexions étaient mis à jour pour rendre la réponse correcte plus probable la fois suivante. Avec suffisamment d’exemples d’entraînement, il convergeait : le théorème de convergence du perceptron, démontré vers 1960, garantissait que si la tâche était apprenable par l’architecture, l’entraînement trouverait les bons poids en un nombre fini d’étapes.
Rosenblatt le démontra avec une expérience simple : le Mark I pouvait distinguer des feuilles de papier marquées à gauche de celles marquées à droite. Modeste selon les standards actuels, mais en 1958, une machine qui améliorait ses propres performances sans être explicitement programmée était véritablement nouvelle.
Ambition et contre-attaque
Rosenblatt ne manquait pas d’ambition. Dans sa demande de financement de 1957, il écrivait que de tels dispositifs « devraient être capables à terme de formation de concepts, de traduction linguistique, d’analyse de renseignements militaires et de résolution de problèmes par logique inductive ».
Tout le monde n’était pas convaincu. Marvin Minsky, qui connaissait Rosenblatt depuis le lycée à la Bronx High School of Science, était profondément sceptique. Les deux débattaient publiquement lors de conférences, de manière bruyante, passionnée et personnelle, tandis que leurs collègues observaient avec stupéfaction.
En 1969, Minsky et Seymour Papert publièrent Perceptrons, une analyse mathématique qui prouva que les perceptrons à une seule couche ne pouvaient pas apprendre certaines fonctions, dont le simple XOR logique. Les théorèmes étaient corrects. Mais le message qui parvint aux agences de financement fut plus brutal : « les perceptrons ne marchent pas ».
La nuance, que les limitations s’appliquaient aux réseaux à une seule couche, et que les réseaux multicouches pourraient les surmonter, fut perdue. Le financement des réseaux neuronaux se tarit. Le premier hiver de l’IA (article) était arrivé, du moins pour la recherche connexionniste.
Une fin tragique, un héritage durable
Frank Rosenblatt mourut dans un accident de navigation dans la baie de Chesapeake le 11 juillet 1971, à l’âge de 43 ans. Il ne vécut pas assez longtemps pour voir la réhabilitation de ses idées.
Celle-ci vint dans les années 1980, quand l’algorithme de rétropropagation rendit les réseaux multicouches entraînables, exactement l’étape que Minsky et Papert avaient jugée impraticable. Le principe central du perceptron, apprendre en ajustant les poids à partir des erreurs, reste aujourd’hui le fondement de tout système moderne d’apprentissage profond.
Le Mark I Perceptron lui-même est conservé au Smithsonian National Museum of American History. En 2004, l’IEEE a créé le Frank Rosenblatt Award en son honneur. La machine qui apprenait avait raison, juste soixante ans trop tôt.