让机器在错误中改一改

两张卡片，一个标记在左边，一个在右边。对人来说，这几乎不需要思考。可如果让机器学会区分，而不是直接告诉它每一次的答案呢？

一个可以调整的判断

1950年代，弗兰克·罗森布拉特研究感知机。它把输入特征按不同权重组合，再作出判断。如果判断有误，就依照学习规则调整权重。

这里的“学习”有很具体的含义：经验改变了系统的参数，使它在训练任务上的表现发生变化。机器并没有因此获得人的生活经验，但它也不再只能机械照着一张固定答案表执行。^[1]

1958年的一次演示引起了公众关注。康奈尔大学的历史回顾区分了当时在IBM 704上的实验与后来的Mark I实物。论文、演示和机器建造，并不是同一个事件。

当人们看见一个系统通过练习改善表现，想象很容易跑到远处：它以后能识别任何东西吗？会读书、会思考吗？一个有限任务的进展，开始承载对整个未来的期待。^[2]

一次学习怎样发生

反复经历这个过程，模型可能在任务上改善表现。示意图省略了具体训练细节。

简单感知机的能力有边界。可以把它想成在一张图上画一道分界线：某些点容易分开，另一些关系却无法用这样一条线表达。增加更多训练，并不会自动改变模型可以表达什么。

这些局限后来成为重要争论的一部分。但一个受限模型做不到某件事，不代表所有神经网络都做不到。模型结构、训练方法与计算条件，都影响研究能够走到哪里。^[3]^[4]