The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain（感知机：大脑信息存储与组织的概率模型）

弗兰克·罗森布拉特（Frank Rosenblatt）的论文《感知机：大脑中信息存储与组织的概率模型》（The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain）发表于1958年的《心理学评论》（Psychological Review）第65卷第6期，第386至408页。^[1] 研究是在康奈尔航空实验室（Cornell Aeronautical Laboratory）完成的，得到了美国海军研究办公室（U.S. Office of Naval Research）的资助。^[2]

要解决的问题

罗森布拉特从三个问题出发：外部世界的信息是如何被感知的？它以什么形式被存储或记住？存储下来的信息又如何影响识别与行为？^[2] 他的回答属于「连接主义」（connectionist）一派：记忆并不是把所见之物的编码图像存起来，而是保存在细胞之间新形成的连接或通路里。他把唐纳德·赫布（Donald Hebb）的工作视为重要的灵感来源。^[2]

做法：光感知机

他称之为「光感知机」（photoperceptron）的模型包含三类部分：由感觉单元（S点）组成的视网膜，一层或多层与之相连的联想单元（A单元），以及输出结果的响应单元（R单元）。学习的过程，就是改变与每个响应相连的A单元的数值。^[2]

可以这样理解训练过程：先给机器呈现一个刺激，记录它的回答，再与正确答案比较。答错时，那些促成错误回答的连接会被调整，下一次就更有可能答对。反复这样尝试，就是论文分析的试错训练。

结果

论文用数学方法分析了这样的系统如何通过试错训练学会对刺激分类，并根据系统的参数预测学习曲线。罗森布拉特把自己的模型放在早先的大脑模型之列，其中提到了麦卡洛克与皮茨（1943年）的工作。^[2]

这不只是一个理论。1958年7月，美国海军研究办公室公开演示了在IBM 704计算机上模拟的感知机。经过50次尝试后，这台机器学会了区分左侧有标记的卡片和右侧有标记的卡片。^[3]

为什么重要

感知机表明，机器可以从例子中改进自己的分类，而不必完全依赖人事先写好的规则。这种从「逐条手写规则」到「用例子训练系统」的转变，正是此后神经网络的核心思路。论文也用数学而不只靠演示来支持这一点。^[2]

后来的影响

感知机成为了可训练神经网络的起点。它的局限，后来在明斯基（Marvin Minsky）与派珀特（Seymour Papert）1969年出版的《感知机》（Perceptrons）一书中得到了分析。^[3]