在1958年，《纽约时报》曾预测海军将创造出能够行走、说话、观察、写作并自我复制的机器。尽管这一愿景尚未完全实现，但AI已经以其他方式彻底改变了世界。2026年，AI正逐步从"生成式对话"转向"自主行动"的新纪元。

一、1957年：心理学教授与思考机器

康奈尔大学的心理学教授弗兰克·罗森布拉特（Frank Rosenblatt）于1957年尝试用电子元件模拟人类大脑的神经元，设计了名为Mark I 感知机的硬件设备。该设备包含400个光电探测器，用于模拟神经元连接权重，并通过电机更新这些权重。

• Mark I的目标是识别图像。
• 尽管当时的技术限制使得它只能处理非常简单的图像，但它激发了人们对真正人工智能的期望。

二、感知机的工作原理与代码实现

感知机的基本思想是接收多个输入信号，乘以各自的权重，加起来后如果总和超过某个阈值则"激活"，否则保持"沉默"。以下是数学表示：

y = 0 (w1x1 + w2x2 ≤ θ)
y = 1 (w1x1 + w2x2 > θ)

通常我们将阈值θ转换为偏置b来简化计算：

y = 0 (b + w1x1 + w2x2 ≤ 0)
y = 1 (b + w1x1 + w2x2 > 0)

使用NumPy实现感知机

import numpy as np

def AND(x1, x2):
    inputs = np.array([x1, x2])
    weights = np.array([0.5, 0.5])
    bias = -0.7
    total = np.sum(weights * inputs) + bias
    return 1 if total > 0 else 0

print(AND(0, 0))  # 输出 0
print(AND(1, 0))  # 输出 0
print(AND(0, 1))  # 输出 0
print(AND(1, 1))  # 输出 1

实现NAND门

def NAND(x1, x2):
    inputs = np.array([x1, x2])
    weights = np.array([-0.5, -0.5])
    bias = 0.7
    total = np.sum(weights * inputs) + bias
    return 1 if total > 0 else 0

print(NAND(0, 0))  # 输出 1
print(NAND(1, 0))  # 输出 1
print(NAND(0, 1))  # 输出 1
print(NAND(1, 1))  # 输出 0

实现OR门

def OR(x1, x2):
    inputs = np.array([x1, x2])
    weights = np.array([0.5, 0.5])
    bias = -0.2
    total = np.sum(weights * inputs) + bias
    return 1 if total > 0 else 0

print(OR(0, 0))  # 输出 0
print(OR(1, 0))  # 输出 1
print(OR(0, 1))  # 输出 1
print(OR(1, 1))  # 输出 1

三、感知机的局限性

单层感知机无法解决异或（XOR）问题，因为没有一条直线可以将输出为0和1的点分开。

多层感知机解决XOR问题

def XOR(x1, x2):
    s1 = NAND(x1, x2)
    s2 = OR(x1, x2)
    output = AND(s1, s2)
    return output

print(XOR(0, 0))  # 输出 0
print(XOR(1, 0))  # 输出 1
print(XOR(0, 1))  # 输出 1
print(XOR(1, 1))  # 输出 0

四、反向传播与MLP的发展

多层感知机通过引入非线性激活函数和隐藏层，可以学习复杂的非线性映射关系。反向传播算法通过梯度下降优化网络参数，使多层感知机成为可能。

五、从感知机到Transformer

感知机的核心思想奠定了深度学习的基础。从MP模型到GPT，每一步都是前人工作的延续和发展。

六、为什么学习感知机？

1. 理解深度学习基础。
2. 了解AI的局限与突破。
3. 掌握AI发展的逻辑。
4. 动手实践代码。

感知机作为深度学习的基石，帮助我们理解现代AI技术的根源。