Perceptrón
Etapa 2 · Nace la IA (1943–1979) › Redes neuronales y aprendizaje
- Linaje
- Neuronas y redes
- Tipo
- Implementación
Quién
Cornell Aeronautical Laboratory, Oficina de Investigación Naval
Qué ocurrió
Frank Rosenblatt, psicólogo del Cornell Aeronautical Laboratory, describe el perceptrón en un informe de 1957 y en un artículo de 1958 en Psychological Review. En julio de 1958 la Marina estadounidense presenta una simulación en un IBM 704, y en 1960 se presenta la máquina Mark I Perceptron.
Qué aportó
Primera red que aprende sus pesos a partir de ejemplos, con una regla que corrige las conexiones cada vez que se equivoca.
Desarrollo
Rosenblatt partió de la neurona de McCulloch y Pitts y de la regla de Hebb, pero hizo una pregunta distinta: no cómo calcula una red ya construida, sino cómo una red puede organizarse sola a partir de la experiencia. Su perceptrón tenía una capa de sensores, como una retina, conectada al azar con unidades intermedias, y estas con unidades de respuesta cuyos pesos se ajustaban. Si la respuesta era errónea, los pesos se corregían en la dirección que habría dado la respuesta correcta.
En julio de 1958 la Oficina de Investigación Naval mostró a la prensa una simulación en un IBM 704: tras unas cincuenta pruebas, el sistema aprendió a distinguir tarjetas marcadas a la izquierda de tarjetas marcadas a la derecha. El New York Times tituló que un nuevo aparato de la Marina «aprende haciendo», y Rosenblatt habló de una máquina capaz de percibir y reconocer su entorno sin control humano. Después se construyó el Mark I Perceptron, un clasificador visual con una retina de 400 fotocélulas y pesos guardados en potenciómetros que movían motores eléctricos. Se montó en el Cornell Aeronautical Laboratory de Buffalo en 1959, se presentó en público el 23 de junio de 1960 y hoy lo conserva la Smithsonian.
Solo aprendía la última capa: la primera tenía conexiones aleatorias fijas. Rosenblatt demostró que, si un problema se puede resolver con una sola capa ajustable, su regla encuentra la solución, pero no tenía un método para entrenar varias capas, aunque en 1962 ya escribía sobre propagar los errores hacia atrás.
Las promesas de la prensa y los límites que señalaron Minsky y Papert en 1969 marcaron su reputación. Rosenblatt murió en 1971, y su idea revivió con la retropropagación de los años ochenta.
Tres entradas, x1, x2 y x3, se unen con líneas a un nodo que las suma. Cada línea lleva un peso, w1, w2 y w3. La suma pasa por un umbral con forma de escalón y sale como 0 o 1.
Nivel técnico
La unidad de respuesta calcula y = 1 si w₁x₁ + w₂x₂ + … + wₙxₙ + b > 0, y y = 0 en caso contrario. Los pesos w y el sesgo b son lo que se aprende.
La regla de aprendizaje solo actúa cuando la respuesta es errónea: suma a cada peso su entrada si la unidad debía responder 1, y la resta si debía responder 0. Si acierta, no cambia nada. Rosenblatt demostró que, si existe algún conjunto de pesos que clasifica bien todos los ejemplos, la regla lo encuentra tras un número finito de correcciones.
En el Mark I solo se ajustaba esa última capa. Las conexiones de la retina de fotocélulas con las unidades intermedias eran aleatorias y fijas.
Viene de
Neurona de McCulloch y Pitts (diciembre de 1943)
Influencia directa documentada
Rosenblatt parte de la neurona de umbral de McCulloch y Pitts y discute su modelo en el artículo de 1958
Regla de Hebb (1949)
Influencia directa documentada
El artículo de 1958 cita a Hebb y toma de él la idea de que las conexiones cambian con la actividad
Lleva a
Perceptrons (1969)
Influencia directa documentada
El libro analiza matemáticamente el perceptrón y le da nombre
Hilos que pasan por aquí
- El perceptrón y sus límites (paso 4 de 5)
Bibliografía
Fuente original
Estudios y contexto
Cómo citar
«Perceptrón». En La historia de la IA, revisión del 13 de noviembre de 2026. https://thehistoryofai.com/es/hito/rosenblatt-perceptron
Última revisión de esta ficha: 13 de noviembre de 2026.