Perceptrón

El perceptrón es el modelo más sencillo de neurona artificial que aprende de ejemplos. Recibe varias entradas numéricas, multiplica cada una por un peso, suma los resultados y, si la suma supera un umbral, responde «sí» (1); si no, «no» (0). Cuando se equivoca, ajusta sus pesos un poco en la dirección que habría dado la respuesta correcta.

Lo propuso el psicólogo Frank Rosenblatt en el Cornell Aeronautical Laboratory. Lo simuló primero en una computadora IBM 704 en 1957 y lo describió en un artículo de 1958 en Psychological Review. Después construyó el Mark I Perceptron, una máquina física que aprendía a reconocer patrones simples en imágenes captadas por una matriz de fotoceldas. La prensa de la época recibió el proyecto con un entusiasmo desmedido.

En 1969, Marvin Minsky y Seymour Papert publicaron el libro Perceptrons, en el que demostraron con rigor sus límites: un perceptrón de una sola capa sólo separa clases que pueden dividirse con una línea recta (o un plano). No puede, por ejemplo, aprender la función lógica XOR. Ese análisis contribuyó a enfriar el interés por las redes neuronales durante años, en el contexto del primer invierno de la IA.

La solución llegó al apilar varias capas de neuronas con funciones de activación no lineales y entrenarlas con retropropagación, lo que se popularizó en los años ochenta. Así, el perceptrón es el antepasado directo de las redes neuronales y del aprendizaje profundo actuales; el término «perceptrón multicapa» todavía se usa para las redes densas clásicas.