Perceptrón

El perceptrón es el modelo más simple de neurona artificial y la piedra fundacional de las redes neuronales. Funciona como un clasificador lineal: recibe varias entradas numéricas y decide a cuál de dos categorías pertenecen. Lo propuso el psicólogo Frank Rosenblatt en 1958, en su artículo «The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain», tomando como base la neurona lógica que McCulloch y Pitts habían formalizado en 1943.

Aquella primera neurona artificial ya decidía «sí» o «no» según un umbral fijo; Rosenblatt añadió el ingrediente decisivo: pesos ajustables que permiten aprender a partir de ejemplos.

Cómo funciona: suma ponderada y umbral

Un perceptrón asigna a cada entrada un peso, que mide su importancia. Multiplica cada entrada por su peso, suma todos los productos y añade un término independiente llamado sesgo (bias). El resultado es una única suma ponderada.

Esa suma pasa entonces por una función escalón: si supera el umbral, la salida es 1; si no, es 0. Por eso el perceptrón produce una salida binaria. Geométricamente, los pesos y el sesgo definen un hiperplano que parte el espacio de entradas en dos regiones, una para cada clase.

La regla de aprendizaje y el límite del XOR

El perceptrón aprende con una regla sencilla: para cada ejemplo compara su salida con la respuesta correcta y, cuando se equivoca, ajusta los pesos en proporción al error. Rosenblatt demostró además el teorema de convergencia: si los datos son linealmente separables —si existe una recta o hiperplano que separa las dos clases—, la regla encuentra ese separador en un número finito de pasos.

El problema es que muchos datos no cumplen esa condición. En 1969, Marvin Minsky y Seymour Papert lo probaron con rigor matemático en su libro «Perceptrons»: un perceptrón simple no puede resolver la función XOR, que no es linealmente separable. El resultado enfrió las expectativas y contribuyó a un «invierno» de la investigación en redes neuronales.

Del perceptrón simple al multicapa

La salida a ese límite fue apilar neuronas: el perceptrón multicapa (MLP). Al intercalar una o más capas ocultas entre la entrada y la salida, con funciones de activación no lineales, la red puede trazar fronteras curvas y resolver el XOR y problemas mucho más complejos.

Lo que faltaba era un modo de entrenar esas capas. Llegó en los años ochenta con la retropropagación (backpropagation), que reparte el error hacia atrás por toda la red y ajusta cada peso. Ese salto reactivó el campo y es el ancestro directo del aprendizaje profundo actual. El humilde perceptrón sigue vivo dentro de cada gran modelo: una suma ponderada seguida de una decisión.