P01 — El perceptrón

El momento en que una máquina deja de ejecutar reglas escritas por una persona y empieza a ajustar sus propios parámetros a partir de ejemplos.

Nivel: L1 · Motor: perceptron · Notebook: P01_perceptron.ipynb · Anexo: álgebra y geometría

1. Identificación

2. Problema anterior

En los años 50 un programa hacía exactamente lo que su autor había escrito. McCulloch y Pitts (1943) habían mostrado que una neurona de umbral podía computar funciones lógicas, pero sus pesos los fijaba el diseñador: la red no cambiaba con la experiencia. Hebb (1949) había propuesto que el aprendizaje biológico era plasticidad sináptica, pero como principio, no como algoritmo.

Faltaba lo del medio: un procedimiento concreto y ejecutable para que un sistema modifique su comportamiento observando datos etiquetados. Sin eso, «aprender» era una metáfora.

3. Propuesta

Rosenblatt propone una unidad que:

1. recibe entradas x, las pondera con w y suma un sesgo b;
2. decide con una función escalón: positivo → clase 1, negativo → clase 0;
3. y —la parte nueva— corrige w y b solo cuando se equivoca, empujando el hiperplano hacia el ejemplo mal clasificado.

Lo enmarca como modelo probabilístico de almacenamiento de información en el cerebro, no como herramienta de ingeniería. El Mark I Perceptron lo implementó en hardware con conexiones ajustables físicamente.

4. Intuición sin fórmulas

Imagina puntos de dos colores sobre una hoja y una regla que intenta separarlos. Cada vez que un punto queda del lado equivocado, empujas la regla un poco hacia él. Si existe alguna posición de la regla que los separe, este procedimiento la encuentra.

Dónde deja de funcionar la analogía: si no existe ninguna recta que los separe, la regla no se «acerca poco a poco» a una solución aproximada — oscila indefinidamente. No hay degradación elegante.

5. Matemática mínima

z = w · x + b = Σᵢ wᵢxᵢ + b

ŷ = 1  si z ≥ 0
ŷ = 0  si z < 0

Regla de actualización (solo si ŷ ≠ y):
    w ← w + η(y − ŷ)x
    b ← b + η(y − ŷ)

• x ∈ ℝⁿ entrada · w ∈ ℝⁿ pesos · b ∈ ℝ sesgo · η > 0 tasa de aprendizaje.
• w · x + b = 0 define un hiperplano: la frontera de decisión.
• Teorema de convergencia (Novikoff, 1962 — posterior al paper): si los datos son linealmente separables con margen γ > 0 y radio R, el algoritmo converge en a lo sumo (R/γ)² correcciones.

💡 Consejo

Puente matemático. Esta sección da por sabido lo siguiente. Si algo no te suena, léelo primero: está explicado una sola vez, en un solo sitio, y sirve para todas las fichas.

6. Arquitectura o flujo

x₁ ──w₁──┐
x₂ ──w₂──┤
  ⋮      ├──► Σ ──► escalón ──► ŷ
xₙ ──wₙ──┤              │
   b ────┘              │
                        ▼
             ¿ŷ ≠ y?  ──sí──► w ← w + η(y−ŷ)x
                        │
                       no ──► no se toca nada

La última línea es la esencia del paper: sin error no hay aprendizaje.

7. Qué observar en el paper original

• La motivación biológica: Rosenblatt escribe para psicólogos, no para ingenieros. El vocabulario es de sistemas nerviosos, no de optimización.
• El planteamiento probabilístico de la conectividad, hoy poco recordado frente a la versión algorítmica simplificada que circula en los manuales.
• La ausencia de: función de pérdida diferenciable, descenso de gradiente y capas ocultas entrenables. Ninguna de esas ideas está en este trabajo.

8. Evidencia y resultados

El artículo es teórico y conceptual, acompañado del programa experimental del Mark I. La demostración formal de convergencia para datos separables es posterior (Novikoff, 1962; Block, 1962).

Verificar en la fuente primaria antes de citar cualquier cifra de desempeño: este eje no reproduce números de los experimentos originales de 1958 porque no fueron formulados con el protocolo de tarea/dataset/métrica/línea base que hoy se exige.

La miniatura de este eje sí produce evidencia verificable, con otro alcance: AND converge en 6 épocas con 11 correcciones; XOR no converge en 200 épocas.

9. Impacto

• Inaugura el conexionismo como programa de investigación.
• Es el ancestro directo de toda neurona artificial posterior: la forma σ(w·x + b) es la misma en un MLP, en una CNN y en la FFN de un Transformer.
• Su límite provocó el primer invierno de las redes neuronales tras el análisis de Minsky y Papert (1969) — un impacto negativo que resultó igual de determinante que el positivo.

Cuidado con la narrativa retrospectiva: la historia habitual («Minsky mató las redes neuronales») es una simplificación. El libro de 1969 es un análisis matemático riguroso de qué puede y qué no puede computar un perceptrón; la interpretación institucional que se hizo de él es otra cosa.

10. Limitaciones

1. Solo fronteras lineales. Si las clases no son linealmente separables, no hay solución dentro de la clase de hipótesis. XOR es el contraejemplo mínimo.
2. No degrada con elegancia. Con datos no separables no converge a una «mejor aproximación»: oscila. No devuelve nada útil.
3. Sin noción de margen. Cualquier hiperplano que separe le vale; no busca el mejor. Eso lo resolverán las SVM tres décadas después.
4. Sin probabilidades. La salida es 0 o 1: no expresa confianza.
5. Sensible a la escala de las características y al orden de presentación de los ejemplos.
6. Sin capas ocultas entrenables. El paper no ofrece forma de entrenar representaciones intermedias.

11. Errores comunes

12. Relación con trabajos anteriores

• McCulloch y Pitts (1943) — neurona de umbral con pesos fijos. Rosenblatt añade el aprendizaje.
• Hebb (1949) — la plasticidad sináptica como mecanismo de aprendizaje. Rosenblatt la convierte en un algoritmo con señal de error supervisada.

13. Relación con trabajos posteriores

• Minsky y Papert (1969) — Perceptrons: formalizan qué no puede computar.
• Novikoff (1962) — teorema de convergencia con margen.
• P02 Backpropagation (1986) — resuelve el límite entrenando capas ocultas.
• Vapnik y colaboradores (1992–1995) — SVM: separadores lineales con margen máximo y kernels, otra respuesta al mismo límite.

14. Notebook asociado

P01_perceptron.ipynb

Qué implementa: la regla de aprendizaje original en 20 líneas, sobre AND y XOR, con historial de errores por época.

Qué NO implementa: el modelo probabilístico de conectividad del paper, el hardware Mark I, ni ningún experimento de percepción visual.

ai-evolution paper-lab P01 --seed 7

15. Actividades Bloom

16. Autoevaluación

1. ¿Por qué la función escalón impide usar descenso de gradiente?
2. Con w = (0,0), b = 0 y η = 1, ejecuta a mano dos épocas de AND. ¿Qué valores obtienes?
3. ¿Qué garantiza exactamente el teorema de convergencia, y bajo qué condición?
4. ¿Qué le ocurre a la cota (R/γ)² cuando el margen γ tiende a cero? ¿Qué significa eso en la práctica?
5. Si añades la característica x₃ = x₁·x₂ a XOR, ¿se vuelve separable? ¿Qué te dice eso sobre la relación entre representación y separabilidad?
6. Nombra dos límites del perceptrón que no sean «no resuelve XOR».
7. ¿Qué idea que hoy se asocia al perceptrón apareció en realidad después de 1958?

17. Respuestas esperadas

1. La derivada del escalón es 0 en todas partes salvo en el salto, donde no existe. Sin gradiente informativo, no hay dirección de descenso.
2. Debe llegar a valores intermedios y converger hacia w = (2,1), b = −3 alrededor de la sexta época. Lo evaluable es el procedimiento paso a paso, no el número final.
3. Que si existe un hiperplano separador con margen γ > 0, el algoritmo hace un número finito de correcciones, acotado por (R/γ)². No garantiza nada si no hay separabilidad.
4. La cota diverge. Datos casi colineales o casi solapados pueden necesitar un número enorme de correcciones aun siendo técnicamente separables: la garantía existe pero es inútil.
5. Sí. Muestra que la separabilidad no es propiedad de los datos sino del espacio de representación. Es la idea que fundamenta tanto los kernels como las capas ocultas.
6. Se aceptan: ausencia de margen máximo, salida no probabilística, no degradación elegante, sensibilidad a la escala, dependencia del orden de presentación.
7. El teorema de convergencia (1962), el descenso de gradiente sobre pérdidas diferenciables, la idea de margen máximo y cualquier mención a capas ocultas entrenables.

18. Fuentes primarias

• Rosenblatt, F. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review, 65(6), 386–408. doi.org/10.1037/h0042519 · consultado 2026-08-16.
• Minsky, M. y Papert, S. (1969). Perceptrons. MIT Press. ficha del editor · consultado 2026-08-16.
• McCulloch, W. y Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics, 5, 115–133. doi.org/10.1007/BF02478259 · consultado 2026-08-16.

⬅️ Índice de papers · 🗺️ Ruta · 📝 Evaluación · 🏫 Clase 049 del programa · ➡️ Siguiente: P02 Backpropagation