1958: Perceptronen blir stora nyheter

Den 7 juli 1958 höll den amerikanska flottan en presskonferens i Washington, D.C. för att presentera en ovanlig ny maskin: Perceptronen. Den byggdes av psykologen Frank Rosenblatt vid Cornell Aeronautical Laboratory i Buffalo, New York, och var ett tidigt artificiellt neuralt nätverk konstruerat för att känna igen enkla visuella mönster, till exempel att skilja på former markerade på kort. Redan dagen efter rapporterade New York Times om demonstrationen i en artikel med rubriken "New Navy Device Learns By Doing", som beskrev en maskin som flottan förväntade sig skulle kunna gå, tala, se, skriva, reproducera sig själv och vara medveten om sin egen existens. De förutsägelserna var, milt uttryckt, för tidiga.

Själva Perceptronen var en relativt blygsam apparat: en rumsstor uppsättning fotoceller, potentiometrar och motorer som simulerade ett enda lager av justerbara kopplingar, löst inspirerat av neuroner i hjärnan. Rosenblatts verkliga bidrag var teoretiskt. Han visade att ett enkelt nätverk kunde lära sig av exempel genom att justera styrkan i sina kopplingar, en process som förebådade de träningsmetoder som används inom dagens maskininlärning. Avgörande var att detta var en av de första offentliga demonstrationerna av en maskin som förbättrade sin egen prestation genom erfarenhet snarare än att följa fasta regler.

Entusiasmen varade inte länge. År 1969 publicerade Marvin Minsky och Seymour Papert boken "Perceptrons", en rigorös matematisk kritik som visade de tydliga begränsningarna hos enkellagriga nätverk, bland annat deras oförmåga att lösa problem som XOR. Detta bidrog till minskad finansiering och entusiasm för forskning om neurala nätverk, en del av det som senare kom att kallas den första "AI-vintern".

Historien var dock långt ifrån slut. Årtionden senare hittade forskare sätt att kringgå dessa begränsningar genom att stapla flera lager på varandra och utveckla bättre träningsalgoritmer, framför allt backpropagation. Detta lagerbaserade angreppssätt blev så småningom deep learning, grunden för dagens bildigenkänning, språkmodeller och en mängd andra AI-system.

Dagens neurala nätverk är enormt mycket mer komplexa än Rosenblatts ursprungliga maskin, men grundidén, att ett system kan lära sig genom att justera interna kopplingar utifrån data, går direkt tillbaka till den presskonferensen den 7 juli 1958. Den fungerar som en tidig påminnelse om att inom AI kan både hypen och den slutgiltiga nyttan ta betydligt längre tid att infinna sig än vad någon förväntar sig.