O perceptron de Rosenblatt: como começou a história da inteligência artificial

Em 1958, o psicólogo americano Frank Rosenblatt apresentou o perceptron, dispositivo que muitos consideram a primeira rede neural a funcionar na prática. Foi um passo decisivo que abriu caminho para a inteligência artificial moderna.

O que é um perceptron

O perceptron era uma máquina eletrônica que imitava o funcionamento de um neurônio biológico do cérebro. A entrada era uma informação visual (por exemplo, a imagem de um objeto ou de uma letra), convertida em sinais elétricos por uma matriz de fotocélulas. O dispositivo continha componentes eletrônicos e um sistema de pesos que podiam ser alterados mecanicamente. Cada peso determinava o quanto um sinal de entrada influenciava a decisão de saída da máquina.

A principal inovação era que o perceptron podia aprender. O algoritmo de aprendizado era simples: se a máquina errava, os pesos eram ajustados. Com o tempo, o perceptron passava a reconhecer padrões com precisão cada vez maior. Lembrava a forma como o cérebro humano aprende, por repetição e correção de erros.

A história de Rosenblatt e o nascimento das redes neurais

Frank Rosenblatt (1928–1971) foi um psicólogo e cientista da computação americano que trabalhava no Cornell Aeronautical Laboratory. Seu projeto recebeu apoio da Marinha dos Estados Unidos, que enxergava enorme potencial na automação da análise de informações de inteligência e de imagens.

O primeiro perceptron, chamado Mark I, foi uma grande conquista da engenharia. Foi apresentado ao público em 1958, em uma coletiva de imprensa com jornalistas, cientistas e oficiais de alta patente da Marinha. Rosenblatt afirmou com confiança que o perceptron era o início de uma era totalmente nova de inteligência de máquina, que logo acabaria com o trabalho intelectual rotineiro.

Fisicamente, o dispositivo parecia uma parede de eletrônicos do tamanho de uma geladeira. Dentro havia 400 fotocélulas para captar a imagem, um complexo sistema de circuitos eletrônicos e chaves mecânicas para ajustar os pesos.

Capacidades e limitações

O perceptron resolvia tarefas impressionantes para a época, embora hoje pareçam elementares:

• Reconhecer formas geométricas simples (quadrados, triângulos, círculos) com precisão acima de 90%
• Distinguir letras do alfabeto latino com precisão suficiente para uso prático
• Aprender com um pequeno conjunto de exemplos, sem programar explicitamente cada regra de reconhecimento
• Adaptar-se a pequenas variações nos dados de entrada (rotações, deslocamentos, mudanças de escala)
• Operar em tempo real, uma conquista técnica notável para a eletrônica dos anos 1950

Mas, no fim da década de 1960, o matemático Marvin Minsky e seu colega Seymour Papert publicaram um trabalho crítico que provava limitações fundamentais do perceptron. Eles mostraram que um perceptron de uma única camada não consegue resolver nem problemas lógicos simples, como a função XOR. A crítica levou a uma queda brusca do interesse e do financiamento para pesquisas em redes neurais. Começava o que mais tarde seria chamado de "inverno da IA".

O que isso significa

O perceptron de Rosenblatt não foi apenas uma descoberta de engenharia interessante: foi a prova de que máquinas podem aprender na prática. Antes dele, todos os computadores eram meras calculadoras que executavam instruções programadas. O perceptron mostrou que um dispositivo eletrônico pode mudar seu comportamento com base na experiência.

Hoje, mais de 60 anos depois, as redes neurais modernas são descendentes diretas do perceptron de Rosenblatt. Sim, elas têm bilhões de parâmetros em vez de dezenas, rodam em processadores gráficos em vez de chaves eletromecânicas e usam sofisticados algoritmos de retropropagação do erro no lugar da simples regra de Hebb. Mas a ideia básica continua a mesma: um sistema de pesos que se adapta aos dados e aprende a resolver tarefas a partir de exemplos.