Le perceptron de Rosenblatt : aux origines de l'histoire de l'intelligence artificielle

En 1958, le psychologue américain Frank Rosenblatt a présenté le perceptron, un dispositif que beaucoup considèrent comme le premier réseau de neurones à fonctionner concrètement. Ce fut un pas décisif vers l'intelligence artificielle moderne.

Qu'est-ce qu'un perceptron

Le perceptron était une machine électronique qui imitait le fonctionnement d'un neurone biologique du cerveau. En entrée, on lui fournissait une information visuelle (par exemple l'image d'un objet ou d'une lettre), convertie en signaux électriques par un réseau de photocellules. Le dispositif comprenait des composants électroniques et un système de poids modifiables mécaniquement. Chaque poids déterminait l'influence d'un signal d'entrée sur la décision de sortie de la machine.

L'innovation majeure tenait à sa capacité d'apprentissage. L'algorithme était simple : lorsque la machine se trompait, les poids étaient ajustés. Au fil du temps, le perceptron reconnaissait les formes avec une précision croissante. Cela rappelait la façon dont le cerveau humain apprend, par la répétition et la correction des erreurs.

L'histoire de

Rosenblatt et la naissance des réseaux de neurones

Frank Rosenblatt (1928–1971) était un psychologue et informaticien américain qui travaillait au Cornell Aeronautical Laboratory. Son projet a reçu le soutien de la marine américaine, qui voyait un énorme potentiel dans l'automatisation de l'analyse du renseignement et des images.

Le premier perceptron, baptisé Mark I, était une prouesse d'ingénierie. Il a été présenté au public en 1958 lors d'une conférence de presse en présence de journalistes, de scientifiques et de hauts gradés de la marine. Rosenblatt a déclaré avec assurance que le perceptron inaugurait une ère entièrement nouvelle d'intelligence des machines, qui mettrait bientôt fin aux travaux intellectuels routiniers.

Physiquement, l'appareil ressemblait à un mur d'électronique de la taille d'un réfrigérateur. À l'intérieur se trouvaient 400 photocellules pour percevoir l'image, un système complexe de circuits électroniques et des commutateurs mécaniques pour régler les poids.

Capacités et limites

Le perceptron savait accomplir des tâches impressionnantes pour l'époque, même si elles paraissent élémentaires aujourd'hui :

• Reconnaître des formes géométriques simples (carrés, triangles, cercles) avec une précision supérieure à 90 %
• Distinguer les lettres de l'alphabet latin avec une précision suffisante pour un usage pratique
• Apprendre à partir d'un petit nombre d'exemples, sans programmer explicitement chaque règle de reconnaissance
• S'adapter à de légères variations des données d'entrée (rotations, décalages, changements d'échelle)
• Fonctionner en temps réel, un exploit technique remarquable pour l'électronique des années 1950

Mais à la fin des années 1960, le mathématicien Marvin Minsky et son collègue Seymour Papert ont publié un travail critique démontrant des limites fondamentales du perceptron. Ils ont montré qu'un perceptron à une seule couche ne peut pas résoudre des problèmes logiques pourtant simples, comme la fonction XOR. Cette critique a provoqué une chute brutale de l'intérêt et des financements pour la recherche sur les réseaux de neurones. Ce que l'on appellerait plus tard l'« hiver de l'IA » commençait.

Ce que cela signifie

Le perceptron de Rosenblatt n'était pas qu'une trouvaille d'ingénierie intéressante : il prouvait que les machines peuvent apprendre en pratique. Avant lui, tous les ordinateurs n'étaient que de simples calculateurs exécutant des instructions programmées. Le perceptron a montré qu'un dispositif électronique peut modifier son comportement à partir de l'expérience.

Aujourd'hui, plus de 60 ans plus tard, les réseaux de neurones modernes sont les descendants directs du perceptron de Rosenblatt. Certes, ils comptent des milliards de paramètres au lieu de quelques dizaines, tournent sur des processeurs graphiques plutôt que sur des commutateurs électromécaniques, et emploient de sophistiqués algorithmes de rétropropagation de l'erreur à la place de la simple règle de Hebb. Mais l'idée de base reste la même : un système de poids qui s'adapte aux données et apprend à résoudre des tâches à partir d'exemples.