Как перцептрон Розенблатта почти погубил нейросети и что спасло их развитие

Краткая хроника развития искусственного интеллекта

• 1957‑1962 – Фрэнк Розенблатт представил перцептрон – простейшую модель искусственного нейрона, способную обучаться простым линейным задачам. Публикация вызвала огромный интерес и открыла путь к исследованию нейронных сетей.
• 1969 – Мэрианн Мински и Сеймур Паперт опубликовали книгу «Перцептроны», в которой показали фундаментальные ограничения однопроходных линейных моделей: невозможность решить задачу XOR. Их выводы привели к AI‑зиме – резкому снижению финансирования нейросетевых исследований.
• 1986 – Джон Хинтон, Дэвид Румельхарт и Рональд Уильямс возродили интерес к нейронным сетям, предложив алгоритм обратного распространения ошибки (backpropagation). Это позволило обучать многослойные сети и решать нелинейные задачи, которых не хватало у перцептрона.
• 1998‑2012 – Появление конволюционных и рекуррентных сетей, рост вычислительных мощностей (GPU) и больших датасетов привели к «взлёту» глубокого обучения. Ключевыми вехами стали AlexNet (2012) и последующие модели, превзошедшие традиционные подходы в компьютерном зрении и обработке речи.
• 2017‑2026 – Внедрение трансформеров (Vaswani et al., 2017) изменило весь ландшафт AI. Архитектура позволила масштабировать модели до сотен миллиардов параметров, что привело к появлению систем, пишущих код, генерирующих тексты и веду­щих диалоги на уровне человека.

Почему это важно сейчас?

Перцептрон стал символом первого падения нейросетей, а последующие прорывы – пример того, как фундаментальные исследования и улучшения алгоритмов могут вернуть индустрию из «зимы». Статья на Habr ML подробно разбирает эти этапы, подчёркивая, что даже провальные идеи могут стать фундаментом будущих успехов.

Читать оригинал