Il perceptron (1958) e il primo inverno dell’AI

Nell’estate del 1958 il New York Times raccontò ai suoi lettori che la Marina statunitense aveva presentato l’embrione di un computer capace, un giorno, di camminare, parlare, vedere, scrivere e persino riprodursi. L’oggetto della notizia era il perceptron di Frank Rosenblatt, uno psicologo del Cornell Aeronautical Laboratory. La macchina vera, in quel momento, sapeva fare una cosa molto più modesta: guardare un’immagine di poche centinaia di pixel e decidere, dopo un addestramento, se il segno stava a destra o a sinistra. Ma imparava davvero dai propri errori, e nel 1958 questo bastava per far perdere la misura a chiunque.

Quella distanza tra ciò che la macchina faceva e ciò che si prometteva avrebbe fatto è il vero protagonista di questa storia. Perché il perceptron è insieme l’antenato diretto delle reti neurali moderne e la causa del primo grande crollo di fiducia nell’intelligenza artificiale.

Una macchina che si corregge da sola

Il perceptron non era un programma nel senso attuale: il Mark I, costruito nel 1960, era un armadio di cavi, potenziometri e motorini. Una griglia di 400 fotocellule faceva da retina; i «pesi» della rete erano resistenze variabili, regolate fisicamente da motori elettrici durante l’addestramento.

L’idea di fondo, però, è la stessa che oggi gira nei data center. Ogni input (l’intensità luminosa di una fotocellula) viene moltiplicato per un peso; i prodotti si sommano; se la somma supera una soglia, il neurone «scatta» e risponde uno, altrimenti zero. Pensate a una giuria in cui ogni giurato ha un voto che pesa in modo diverso: la decisione finale è sì solo se la somma pesata dei voti supera il quorum. Addestrare il perceptron significa regolare quanto conta ciascun giurato.

La regola di apprendimento di Rosenblatt era di una semplicità disarmante: se la macchina sbaglia, correggi i pesi nella direzione che avrebbe evitato l’errore, di poco; se indovina, non toccare nulla. Rosenblatt dimostrò anche un teorema di convergenza: se esiste una configurazione di pesi che separa correttamente le due classi, questa procedura la trova sempre, in un numero finito di passi. Non era un trucco empirico, era matematica.

Anatomia di un neurone artificiale

Vale la pena fissare lo schema, perché è il mattone con cui ancora oggi si costruisce tutto il deep learning: ingressi, pesi, somma, soglia. Quello che è cambiato in settant’anni non è il mattone, ma quanti ne impiliamo e come li regoliamo.

In alto: il neurone artificiale di Rosenblatt — ingressi pesati, somma, soglia, uscita binaria. In basso: la timeline dall’annuncio del 1958 al primo inverno dell’AI.

Il libro che spense la festa

Nel 1969 Marvin Minsky e Seymour Papert, del MIT, pubblicarono Perceptrons, un’analisi matematica rigorosa di che cosa un perceptron a singolo strato può e non può calcolare. Il risultato più citato riguarda una funzione logica elementare, lo XOR: rispondere uno quando esattamente uno dei due ingressi è acceso, zero altrimenti.

Il problema si visualizza bene. Disegnate quattro punti agli angoli di un quadrato ed etichettate come positivi i due angoli opposti in diagonale. Un perceptron traccia, geometricamente, una sola linea retta che divide il piano in due: da una parte i sì, dall’altra i no. Ma nessuna linea retta può lasciare due angoli opposti da un lato e gli altri due dall’altro. Provateci con una riga e un foglio: è impossibile per costruzione, non per mancanza di addestramento.

Il teorema di convergenza garantiva che il perceptron avrebbe trovato la risposta, se una risposta esisteva. Minsky e Papert mostrarono quanto spesso non esiste.

L’obiezione ovvia — impilare più strati di neuroni — era nota anche allora, e in effetti risolve lo XOR. Ma nel 1969 nessuno sapeva come addestrare in modo efficiente i pesi degli strati interni: la regola di Rosenblatt funziona solo quando l’errore si può attribuire direttamente al neurone d’uscita. La retropropagazione dell’errore sarebbe diventata pratica comune solo a metà degli anni Ottanta. Il libro, quindi, arrivava in un momento in cui il limite dimostrato sembrava strutturale, non temporaneo.

Come si congela un campo di ricerca

Un teorema, da solo, non chiude i laboratori. A chiuderli è il modo in cui la fiducia si sposta. Le agenzie che avevano finanziato l’AI negli anni Sessanta — su tutte la DARPA americana — l’avevano fatto sulla scia di promesse ambiziose: traduzione automatica imminente, macchine capaci di ragionamento generale. Quando i risultati arrivarono col contagocce, i limiti formali del perceptron divennero l’argomento perfetto per chi voleva tagliare.

Nel Regno Unito il colpo definitivo fu il rapporto commissionato al matematico James Lighthill e pubblicato nel 1973: una valutazione severa che accusava la ricerca in AI di non aver mantenuto le promesse e che portò a un drastico ridimensionamento dei fondi britannici. Negli Stati Uniti i finanziamenti alla ricerca esplorativa si assottigliarono nello stesso periodo. Il decennio successivo prese un nome da bollettino meteorologico: il primo inverno dell’AI.

C’è anche una coda amara e personale: Rosenblatt morì in un incidente in barca nel 1971, a 43 anni, senza vedere né il punto più basso dell’inverno né la rivincita delle sue idee.

Il disgelo, e cosa era vero fin dall’inizio

La cosa notevole è che nessuno dei due contendenti aveva torto sui fatti. Minsky e Papert avevano ragione: un singolo strato è geometricamente limitato. Rosenblatt aveva ragione: una macchina può imparare dai dati regolando pesi, e la strada era quella. Ciò che mancava era il pezzo tecnico intermedio — un algoritmo per addestrare gli strati nascosti — e la potenza di calcolo per renderlo utile. Quando negli anni Ottanta la retropropagazione si diffuse, le reti multistrato superarono esattamente i limiti indicati nel 1969, e la linea di ricerca congelata ripartì da dove si era fermata.

È un pattern che vale la pena memorizzare: nella storia dell’AI le idee raramente muoiono perché sbagliate. Più spesso ibernano perché premature, in attesa di un ingrediente mancante — un algoritmo, dati sufficienti, hardware più veloce.

Perché questa storia riguarda anche voi

Se seguite l’AI oggi, il 1958 suona familiare: una capacità reale ma circoscritta, una copertura mediatica che la proietta all’infinito, investimenti che inseguono la proiezione più che la capacità. Non è detto che segua un inverno — le differenze con gli anni Sessanta sono sostanziali, a partire dal fatto che i sistemi attuali generano ricavi — ma il meccanismo di sovrapromessa e delusione non è cambiato di una virgola.

La lezione utile del perceptron è quindi doppia. Per chi valuta annunci e prodotti: distinguere sempre ciò che un sistema fa oggi da ciò che qualcuno dice farà domani. E per chi studia la disciplina: dentro ogni rete neurale moderna, dal modello che vi completa le email a quello con cui conversate, c’è ancora lui — ingressi, pesi, somma, non linearità. Il mattone del 1958, impilato qualche miliardo di volte.