1958: Perceptronen presenteras för pressen

Det finns ingen enskild, väldokumenterad milstolpe inom AI- eller datorhistoria som med säkerhet inträffade just den 12 juli, så det här inlägget lyfter i stället fram den närmast liggande händelsen: den offentliga presentationen av Perceptronen för journalister den 7 juli 1958, som några dagar senare, den 8 juli, refererades i New York Times under rubriken "New Navy Device Learns By Doing".

Perceptronen byggdes av psykologen Frank Rosenblatt vid Cornell Aeronautical Laboratory, finansierad av amerikanska flottans forskningsorgan Office of Naval Research. Den var ett tidigt försök att i hårdvara efterlikna hur ett nätverk av enkla, neuronliknande enheter skulle kunna lära sig av exempel i stället för att följa fasta regler. Den första versionen, Mark I Perceptron, använde ett rutnät med 400 fotoceller kopplade till justerbara motstånd. Genom upprepad exponering för märkta bilder kunde kopplingarna stärkas eller försvagas tills maskinen korrekt kunde skilja på enkla mönster, till exempel kort markerade till vänster eller höger.

Presskonferensen ledde till en del nu klassiska överdrifter. Journalister rapporterade att flottan förväntade sig att framtida perceptroner skulle kunna gå, tala, se, skriva, reproducera sig själva och till och med vara medvetna om sin egen existens. Inget av detta inträffade i den takt Rosenblatt föreställde sig, men grundidén, att intelligens kan uppstå ur justerbara, viktade kopplingar tränade på data, visade sig vara anmärkningsvärt hållbar.

Perceptronens historia är också en varning för överdriven hype. År 1969 publicerade Marvin Minsky och Seymour Papert en grundlig kritik som visade att enkla perceptroner inte kunde lösa vissa grundläggande problem, som XOR, och entusiasmen för neurala nätverk svalnade i över ett decennium. Det krävdes utvecklingen av backpropagation och flerlagriga nätverk på 1980-talet, och betydligt mer data och beräkningskraft decennier senare, innan perceptronens efterföljare blev praktiskt användbara.

Varje modernt neuralt nätverk, från modellerna som känner igen tal i en telefon till dagens stora språkmodeller, bygger fortfarande på samma grundidé som Rosenblatt demonstrerade 1958: justerbara kopplingar som finslipas genom exponering för exempel. Glappet mellan en presskonferens djärva förutsägelser och teknikens verkliga, långsammare väg mot användbarhet är ett mönster värt att minnas varje gång nya AI-genombrott presenteras idag.