Le perceptron de Rosenblatt : comment l'histoire de l'AI a commencé

En 1958, le psychologue américain Frank Rosenblatt a présenté le perceptron — un dispositif que beaucoup considèrent comme le premier réseau de neurones pratiquement fonctionnel. Ce fut une étape décisive qui a ouvert la voie vers l'intelligence artificielle moderne.

Qu'est-ce qu'un perceptron ?

Un perceptron est une machine électronique qui imitait le fonctionnement d'un neurone biologique dans le cerveau. Des informations visuelles (par exemple, une image d'un objet ou d'une lettre) étaient introduites en entrée et converties en signaux électriques via un réseau de photocellules. Le dispositif contenait des composants électroniques et un système de poids qui pouvaient être ajustés mécaniquement.

Chaque poids influençait la force avec laquelle un signal d'entrée affectait la décision de sortie de la machine. L'innovation principale était que le perceptron pouvait apprendre. L'algorithme d'apprentissage fonctionnait simplement : si la machine commettait une erreur, les poids étaient ajustés.

Au fil du temps, le perceptron devenait de plus en plus précis dans la reconnaissance de motifs. Cela ressemblait à 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 a travaillé au Laboratoire aéronautique de Cornell. Son projet a reçu le soutien de la Marine américaine, qui voyait un énorme potentiel dans l'automatisation de l'analyse des informations de renseignement et des images. Le premier perceptron, nommé Mark I, était une réussite remarquable de l'ingénierie.

Il a été présenté au grand public en 1958 lors d'une conférence de presse en présence de journalistes, de scientifiques et de hauts officiers de la Marine. Rosenblatt a affirmé avec confiance que le perceptron était le début d'une ère entièrement nouvelle de l'intelligence de machine qui mettrait bientôt fin au travail intellectuel de routine. Physiquement, le dispositif ressemblait à un mur d'électronique de la taille d'un réfrigérateur.

À l'intérieur se trouvaient 400 photocellules pour la perception des images, un système complexe de circuits électroniques et de commutateurs mécaniques pour ajuster les poids.

Capacités et limitations

Le perceptron pouvait résoudre des tâches impressionnantes pour l'époque, bien qu'elles semblent élémentaires selon les normes actuelles :

• 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 une application pratique
• Apprendre à partir d'un petit ensemble d'exemples sans programmation explicite de chaque règle de reconnaissance
• S'adapter aux légères variations des données d'entrée (rotations, décalages, mise à l'échelle)
• Fonctionner en temps réel, ce qui était une réussite 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 des travaux critiques dans lesquels ils ont prouvé les limitations fondamentales du perceptron. Ils ont montré qu'un perceptron monocouche ne pouvait même pas résoudre des tâches logiques simples comme la fonction XOR. Cette critique a entraîné une baisse marquée de l'intérêt et du financement de la recherche sur les réseaux de neurones. Une ère a commencé, que l'on appellerait plus tard l'« hiver de l'IA ».

Ce que cela signifie

Le perceptron de Rosenblatt n'était pas simplement une découverte d'ingénierie intéressante — c'était la preuve que les machines pouvaient apprendre en pratique. Avant le perceptron, tous les ordinateurs n'étaient que des calculatrices qui exécutaient des instructions programmées. Le perceptron a montré qu'un dispositif électronique pouvait changer son comportement en fonction de l'expérience.

Aujourd'hui, plus de 60 ans plus tard, les réseaux de neurones modernes sont les descendants directs du perceptron de Rosenblatt. Oui, ils contiennent des milliards de paramètres au lieu de dizaines, fonctionnent sur des processeurs graphiques au lieu de commutateurs électromécaniques, et utilisent des algorithmes de rétropropagation complexes au lieu de la simple règle de Hebb. Mais l'idée fondamentale reste la même : un système de poids qui s'adapte aux données et apprend à résoudre des tâches par des exemples.