1 历史背景
1.1 罗森布拉特与感知机的构想
1.1.1 从生物神经元到数学建模
20世纪50年代初，神经科学家对大脑皮层中单个神经元的信息处理机制有了初步认识：神经元接收来自树突的电信号，经细胞体整合后，若信号总和超过某个阈值，则通过轴突向外发放脉冲。心理学家弗兰克·罗森布拉特借鉴了1943年麦卡洛克-皮茨（McCulloch-Pitts）提出的形式神经元模型，将其简化为一个数学函数：对输入信号赋予不同权重，求和后与阈值比较，输出0或1。这一模型被称为“感知机”（Perceptron），其核心思想是：通过调整权重，机器可以像生物神经元一样“学习”模式。
1.1.2 1957年康奈尔航空实验室的硬件实现
罗森布拉特受雇于康奈尔航空实验室（CAL）。1957年，他利用当时可获得的模拟电子元件，将感知机数学模型的雏形物理化为一台名为“Mark I感知机”的机器。该设备使用光电池作为输入传感器，可变电阻器（电位器）模拟权重，电机和开关电路实现学习算法。尽管体积庞大（占据了实验室一整个房间），Mark I感知机却在演示中展现出了惊人的能力：它能够在经过训练后，区分印刷字母“A”和“B”。
1.2 同时期的其他模式识别尝试
在Mark I感知机诞生的同一年代，其他模式识别方法也在发展。例如，1950年阿兰·图灵提出了“学习机器”概念，而1952年IBM的亚瑟·塞缪尔（Arthur Samuel）编写了跳棋程序，通过搜索树实现决策。但这些方法要么依赖手工规则，要么使用符号逻辑，没有像感知机那样直接从数据中学习权重。此外，贝叶斯分类器与统计方法也在统计学家手中成型，但受限于计算能力，实用性较差。Mark I感知机的硬件实现，首次让人们直观地看到一台机器能够“自学”分类任务。
1.3 感知机在早期人工智能热潮中的地位
1957年至1960年代初期，感知机被媒体广泛报道为“会思考的机器”。《纽约时报》甚至宣告“海军研制出机器人，能够学习和思考”。Mark I感知机成为了人工智能“第一次热潮”的标志性装置之一，带动了大量资金和人才涌入神经网络研究。政府与军方看好其在图像识别、情报处理方面的潜力，纷纷资助相关课题。罗森布拉特本人也因此成为明星科学家。
2 结构与原理
2.1 基本组成
2.1.1 输入层（光电池阵列）
Mark I的输入层是一块20×20的光电池矩阵，共400个单元。每个光电池对入射光的强度敏感，输出一个模拟电压值，代表图像特定位置的明暗程度。这些电压被归一化后，作为后续权重调节的基础。整个输入层相当于一个原始的数字视网膜，能将二维视觉信号转化为电信号。
2.1.2 权重与阈值单元（可变电位器）
输入信号的强度通过可变电阻（电位器）进行加权。每个输入对应一个电位器，其电阻值代表权重。权重可手动调节，或由学习算法自动驱动电机旋转旋钮来改变阻值。此外，还有一个固定的偏置（bias）作为阈值单元，通过单独电位器设定。系统在运行过程中，权重值会随着训练而更新，电阻的物理变化体现了“学习”的实质。
2.1.3 输出单元（电机与开关电路）
经过加权求和后，比较器电路将总信号与阈值进行比较。如果超过阈值，输出单元激活一个电机，使输出指针指向“1”端；否则指向“0”端。同时，学习算法会利用电机驱动电位器，按增量规则微调权重。整个输出单元包括一个机械计数器，记录学习步数，以及用于显示分类结果的灯泡。
2.2 学习算法
2.2.1 感知机收敛定理
罗森布拉特与同事共同证明了感知机收敛定理：如果训练数据是线性可分的，那么感知机学习算法在有限步数内一定能找到一组权重，使得所有训练样本被正确分类。这一定理为感知机的学习能力提供了数学保证，成为早期机器学习最重要的理论成果之一。其证明依赖于权重的有界性和更新次数的递增性。
2.2.2 增量权值更新规则
Mark I使用的学习规则本质上是经典的Habbian学习与错误驱动相结合的变体：对于每个训练样本，若真实类别为1而感知机输出0，则增加被激活输入的权重；若真实类别为0而输出1，则减少激活输入的权重。更新幅度由学习率控制（在Mark I中通常设置为固定小值）。这一规则后来被正式称为“感知机学习规则”，是随机梯度下降的最早工程实现之一。
2.3 局限性与争议
2.3.1 线性不可分问题
Mark I感知机最大的软肋在于它只能学习线性可分的二分类任务。1969年，马文·明斯基（Marvin Minsky）与西摩·佩珀特（Seymour Papert）在专著《感知机》（*Perceptrons*）中尖锐指出：单个感知机甚至无法解决简单的异或（XOR）问题——即无法将两个正样本和两个负样本分布在二维平面的四个象限中正确分类。这一缺陷本质上是单层网络的表达能力不足。
2.3.2 明斯基与Papert的《感知机》批判
明斯基和佩珀特的书系统分析了感知机的局限性，用数学证明了单层感知机只能计算线性判别函数，不能处理非线性可分模式。他们的论证虽然正确，但过于悲观地否定了多层网络的潜力（实际上多层感知机可以解决XOR问题）。这本书的出版直接导致了神经网络研究的“寒冬”，大量研究经费被撤回，罗森布拉特也因此遭受了巨大的学术压力，1969年因故去世。后世学者普遍认为，这一批判虽然理性上合理，但客观上延缓了神经网络发展近二十年。
3 实验与应用
3.1 视觉模式识别演示
3.1.1 字母与形状的辨别
Mark I感知机最著名的演示是辨别印刷字母“A”和“B”。操作员将印有字母的卡片放置在光电池阵列前，机器通过扫描读取明暗分布，然后在几十次训练后，能够正确区分从未见过的同款字母卡片。此外，它还能识别简单几何形状（如三角形和圆形），尽管后者的区分度较低。
3.1.2 测试照片与手写符号
罗森布拉特团队进一步用真实照片测试Mark I的泛化能力。他们将士兵的照片二值化处理后，试图让机器区分“戴帽子”与“不戴帽子”的人脸，结果准确率约70%。手写数字（0和1）的识别也取得了较好效果，但受限于输入分辨率只有20×20，后续研究转向更精细的传感器。
3.2 军事与工业早期尝试
3.2.1 图像分类的原型验证
美国海军对Mark I表现出浓厚兴趣，资助多项实验，包括从航拍照片中识别坦克、桥梁等目标。在实验室条件下，机器成功区分了载重卡车与轿车，但现场测试中因光照变化导致失败。军方最终认为感知机的鲁棒性不足以实战部署，但仍保留了资金用于研究。
3.2.2 气象云图分析的探索
气象学家尝试将云图二值化后输入Mark I，判断“是否有雨”。由于云的类型与降雨关系复杂线性不可分，结果并不理想。但这次实验被认为是计算机视觉与遥感结合的早期尝鲜。
3.3 当代业余复刻与致敬
3.3.1 硬件复刻项目
进入21世纪，一些创客和电子爱好者出于怀旧目的，使用现代元件（如Arduino、光敏电阻、伺服电机）复刻了Mark I感知机的硬件模型。其中著名的有2015年某科技博主制作的“马克一号再现”，其电路原理与1957年版本类似，但体积缩小到鞋盒大小。复刻作品在GitHub和Hackaday上引发了广泛讨论。
3.3.2 软件仿真中的“马克一号”怀旧
TensorFlow、PyTorch等框架中有大量以“perceptron”命名的示例代码。部分开发者会在训练第一个线性分类器时，戏称其为“我的Mark I”。此外，一些复古编程游戏（如“感知机模拟器”）允许用户通过滑动电阻旋钮交互体验1957年的学习过程，从而实现“数字考古”。
4 遗产与后世纪念
4.1 对神经网络兴衰的影响
Mark I感知机直接催生了感知机理论，但其局限性引发的争议也导致神经网络研究在1970-1980年代的沉寂。直至1986年反向传播算法的复兴，多层感知机才重新得到重视。可以说，Mark I既点亮了神经网络的火种，也因自身的先天不足而亲手制造了第一次“AI寒冬”。
4.2 感知机与现代深度学习的关系
现代深度学习中，单层感知机通常作为最后一层分类头使用（例如全连接层）。而其核心思想——可学习的权重、梯度下降、误差驱动——仍然是所有深层网络的基础。尽管有了卷积、Transformer等更复杂的结构，但每个神经元的局部计算依然遵循“加权求和+非线性激活”的模板。这是Mark I在数学上的永恒遗产。
4.3 相关著作与公开出版物
4.3.1 罗森布拉特的原始论文
罗森布拉特1958年发表在*Psychological Review*上的论文《The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain》是感知机领域的开创性文献。1962年他出版了专著《Principles of Neurodynamics》，系统阐述了感知机理论。
4.3.2 科普读物与纪录片中的出场
Mark I出现在多部人工智能科普纪录片中，如PBS的《The Machine That Changed the World》（1992）和Netflix的《The Great Hack》中短暂提及。在图书《人工智能简史》里，Mark I被描述为“人工智能的第一个孩子”。
4.4 在流行文化中的客串（梗文化）
4.4.1 程序员圈内的“感知机永不为奴”调侃
当机器学习开发者遇到线性不可分问题时，常自嘲“我的模型是个Mark I”。由此衍生出“感知机永不为奴”的梗，意为“绝不承认单层感知机不行，硬上XOR”。该梗广泛见于知乎、Reddit等社区，并伴有表情包“罗森布拉特愤怒拍桌”。
4.4.2 影视作品中的“第一台会学习的机器”形象
在美剧《疑犯追踪》（*Person of Interest*）中，有一台名为“Mark”的老式计算机能够通过摄像头识别罪犯，被观众戏称为“Mark I感知机的升级版”。动画《瑞克和莫蒂》某集中，一根电线组成的“感知机”能学会分辨“好球”与“坏球”，直接致敬了罗森布拉特的演示。这些文化符号让Mark I在半个多世纪后依然保有人气。