El perceptrón de Rosenblatt: así empezó la historia de la inteligencia artificial

En 1958, el psicólogo estadounidense Frank Rosenblatt presentó el perceptrón, un dispositivo que muchos consideran la primera red neuronal que funcionó en la práctica. Fue un paso decisivo que abrió el camino hacia la inteligencia artificial moderna.

Qué es un perceptrón

El perceptrón era una máquina electrónica que imitaba el funcionamiento de una neurona biológica del cerebro. Recibía información visual (por ejemplo, la imagen de un objeto o de una letra), que se convertía en señales eléctricas mediante una matriz de fotocélulas. El dispositivo incluía componentes electrónicos y un sistema de pesos que podían modificarse de forma mecánica. Cada peso determinaba cuánto influía una señal de entrada en la decisión de salida de la máquina.

La principal innovación era que el perceptrón podía aprender. El algoritmo de aprendizaje era sencillo: si la máquina se equivocaba, se ajustaban los pesos. Con el tiempo, el perceptrón reconocía los patrones con una precisión cada vez mayor. Se parecía a la forma en que el cerebro humano aprende mediante la repetición y la corrección de errores.

La historia de

Rosenblatt y el nacimiento de las redes neuronales

Frank Rosenblatt (1928–1971) fue un psicólogo e informático estadounidense que trabajaba en el Cornell Aeronautical Laboratory. Su proyecto contó con el apoyo de la Armada de Estados Unidos, que veía un enorme potencial en automatizar el análisis de información de inteligencia y de imágenes.

El primer perceptrón, llamado Mark I, fue un gran logro de ingeniería. Se presentó al público en 1958 en una rueda de prensa con periodistas, científicos y altos oficiales de la Armada. Rosenblatt afirmó con seguridad que el perceptrón era el comienzo de una era completamente nueva de inteligencia de las máquinas, que pronto acabaría con el trabajo intelectual rutinario.

Físicamente, el dispositivo parecía una pared de electrónica del tamaño de un refrigerador. En su interior había 400 fotocélulas para percibir la imagen, un complejo sistema de circuitos electrónicos y conmutadores mecánicos para ajustar los pesos.

Capacidades y límites

El perceptrón resolvía tareas impresionantes para la época, aunque hoy parezcan elementales:

• Reconocer figuras geométricas simples (cuadrados, triángulos, círculos) con una precisión superior al 90 %
• Distinguir letras del alfabeto latino con la precisión suficiente para un uso práctico
• Aprender a partir de un conjunto pequeño de ejemplos, sin programar explícitamente cada regla de reconocimiento
• Adaptarse a variaciones menores en los datos de entrada (giros, desplazamientos, cambios de escala)
• Funcionar en tiempo real, un logro técnico sobresaliente para la electrónica de la década de 1950

Pero a finales de la década de 1960, el matemático Marvin Minsky y su colega Seymour Papert publicaron un trabajo crítico en el que demostraron limitaciones fundamentales del perceptrón. Mostraron que un perceptrón de una sola capa no puede resolver ni siquiera problemas lógicos simples como la función XOR. Esa crítica provocó una caída brusca del interés y de la financiación para la investigación en redes neuronales. Empezaba lo que más tarde se llamaría el «invierno de la IA».

Qué significa

El perceptrón de Rosenblatt no fue solo un hallazgo de ingeniería interesante: fue la prueba de que las máquinas pueden aprender en la práctica. Antes del perceptrón, todos los ordenadores eran simples calculadoras que ejecutaban instrucciones programadas. El perceptrón demostró que un dispositivo electrónico puede cambiar su comportamiento a partir de la experiencia.

Hoy, más de 60 años después, las redes neuronales modernas son descendientes directas del perceptrón de Rosenblatt. Sí, tienen miles de millones de parámetros en lugar de decenas, funcionan con procesadores gráficos en vez de conmutadores electromecánicos y usan complejos algoritmos de retropropagación del error en lugar de la sencilla regla de Hebb. Pero la idea básica sigue siendo la misma: un sistema de pesos que se adapta a los datos y aprende a resolver tareas a partir de ejemplos.