Cincuenta intentos y una promesa gigantesca
En julio de 1958, una demostración financiada por la Oficina de Investigación Naval de Estados Unidos atrajo atención por un motivo sencillo: una computadora IBM 704, enorme para nuestros estándares, podía mejorar al clasificar tarjetas marcadas a la izquierda o a la derecha. Según la reconstrucción histórica de Cornell, después de cincuenta pruebas distinguía los dos patrones. Frank Rosenblatt, psicólogo e investigador, había mostrado una versión del perceptrón: una idea inspirada por redes de unidades simples que modifican conexiones a partir de ejemplos.
El relato periodístico de la época fue mucho más lejos que aquella tarea. ¿Una máquina capaz de aprender? Parecía un salto hacia una mente electrónica. Rosenblatt tenía ambiciones científicas reales, pero conviene mirar el experimento original sin añadirle capacidades que no demostró. Reconocer dos clases de tarjetas es interesante; no equivale a comprender el mundo.
Lo que el perceptrón podía —y no podía— hacer
Una red de una sola capa puede aprender ciertas separaciones entre entradas. Si la tarea no se ajusta a esa estructura, sus limitaciones aparecen rápidamente. Con el tiempo, el entusiasmo inicial se enfrentó a críticas técnicas y a la dificultad de generalizar los resultados. Eso no convirtió el proyecto entero en un fraude: mostró que la ruta hacia sistemas capaces de aprender era más complicada de lo que habían sugerido los titulares.
Cornell conserva parte de esa historia y el Smithsonian registra la construcción del Mark I Perceptron, un aparato dedicado que pertenecía a la misma línea de trabajo. Conviene no confundir la demostración hecha con un IBM 704 con cualquier fotografía posterior del Mark I. Incluso las imágenes históricas necesitan contexto.
El regreso de una idea que parecía demasiado pequeña
Las redes actuales no son simplemente perceptrones gigantes sin cambios. Usan arquitecturas, datos, métodos de optimización y recursos muy diferentes. Pero existe una conexión intelectual importante: ajustar parámetros usando ejemplos y evaluar qué errores quedan. Décadas después, aprender representaciones internas en redes de varias capas ayudaría a superar parte de aquellas limitaciones.
Fathom no necesita presentar a Rosenblatt como un profeta infalible ni como un investigador derrotado. Su historia es más humana: una idea brillante, expectativas desmesuradas, límites reales y descendientes técnicos que triunfaron en condiciones que él no podía controlar. La pregunta es cuánto sabemos distinguir entre lo que demuestra una máquina y lo que deseamos que demuestre.