Puntos clave
- El perceptrón es un dispositivo que multiplica cada entrada por un peso distinto, las suma, y solo responde si se superó un umbral.
- La respuesta es una de dos: superado o no superado. No dice por cuánto se superó.
- Con él llegó también una regla para corregir el peso cada vez que se equivocaba. Fue uno de los primeros casos ampliamente conocidos de una máquina que aprende su propio criterio a partir de ejemplos.
- Un solo perceptrón solo puede trazar una frontera recta. Al descubrirse este límite, la investigación se congeló durante un buen tiempo.
- Apilando varios en capas, y cambiando el umbral por una regla continua cuya pendiente se pueda calcular, se llegó a la red neuronal de hoy.
La analogía
Cuando una academia selecciona a los alumnos para el grupo avanzado, no suma sin más la nota de matemáticas y la de inglés. Si el grupo avanzado se centra en matemáticas, se le da más peso a esa nota y menos a la de inglés. A eso se le suma, según cuántos cupos haya ese año, subir o bajar un poco el punto de corte. Si el puntaje calculado así supera el corte, entra al grupo avanzado; si no lo supera, se queda donde estaba. Solo sale si superó o no, sin decir por cuántos puntos. Cuando la selección se equivoca seguido, al semestre siguiente se ajustan un poco el peso de cada materia y el corte. Repitiendo esto durante varios semestres, sin que nadie haya escrito la regla, se termina llegando a un criterio bastante razonable. Justo así funciona el perceptrón.
En detalle
Multiplicar, sumar y comparar con el umbral
Lo que hace el perceptrón se resume en tres pasos. Primero multiplica cada valor de entrada por un peso fijo. Luego suma todos esos productos y añade un valor que desplaza la línea de corte. Por último compara si esa suma supera cero: si la supera, entrega 1; si no, entrega 0.
Lo que hace el peso es la clave. Si el peso es grande, considera importante esa entrada; si es pequeño, la deja pasar; si es negativo, la toma incluso como argumento en contra. El valor que desplaza la línea de corte decide qué tan generoso o exigente es el criterio en general. Con la misma tabla de notas, ese único valor puede subir o bajar por completo el punto de corte.
Aprender corrigiendo el peso al equivocarse
Lo que de verdad dejó el perceptrón no fue la forma de calcular, sino la forma de corregir. Se le muestran ejemplos con la respuesta correcta, uno por uno; si acierta, no se toca nada. Solo cuando se equivoca se ajusta, y la dirección es muy simple: si debía superar el umbral y no lo superó, se sube un poco el peso de las entradas que eran grandes en ese ejemplo; si no debía superarlo y lo superó, se baja un poco.
Repitiendo este proceso ejemplo tras ejemplo, los pesos se van acomodando poco a poco. Sin que ninguna persona escribiera una sola regla, la máquina terminó construyendo un criterio de decisión solo con ver ejemplos. El entrenamiento de hoy tiene la misma raíz: la idea de mover el valor poco a poco, según cuánto se falló, sigue siendo exactamente esa.
Un problema que no se puede cortar con una sola línea
El límite era evidente. Multiplicar, sumar y comparar con un umbral equivale a trazar una única línea recta. Problemas como "verdadero solo si ambas condiciones son verdaderas" o "verdadero si al menos una lo es" se separan con claridad usando esa única línea.
El problema aparece cuando el resultado debe ser verdadero solo si exactamente una de las dos condiciones es verdadera. Por más que se marquen los cuatro casos en un papel y se intente trazar una línea, no hay forma de separarlos con una sola. Llevado a la analogía de la academia, sería como pedir seleccionar solo a quienes son buenos en una materia mientras se descarta tanto a quienes son buenos en las dos como a quienes no lo son en ninguna. No hay peso ni corte que cumpla esa condición. Cuando esta observación se hizo ampliamente conocida, la investigación en redes neuronales entró en un invierno de más de una década.
Apilando perceptrones llegó la red neuronal de hoy
Hubo dos soluciones. Una fue poner varios perceptrones en fila y volver a meter sus resultados en otro perceptrón. Cada posición intermedia traza su propia línea recta, y la posición final combina esos resultados, con lo que se puede formar incluso una frontera curva.
La otra fue cambiar el umbral por una regla continua. Con una respuesta de solo superado o no superado, no había forma de devolver hacia atrás cuánto se había fallado. Al cambiar el umbral por una regla continua cuya pendiente se puede calcular (al principio una curva suave, hoy a menudo una línea quebrada) se abrió un camino para que ese error fluyera hacia atrás, y así se volvió posible entrenar también redes con varias capas apiladas. La red neuronal que se usa hoy desciende de un perceptrón que reúne estas dos ideas.
Con más precisión
El perceptrón es la forma más simple de neurona artificial, propuesta a fines de la década de 1950. Multiplica cada entrada por un peso, suma, añade un sesgo, y hace pasar el resultado por una función escalón para entregar 0 o 1. La regla de aprendizaje solo mueve el peso cuando la respuesta fue incorrecta, en dirección al valor de entrada o en la contraria según el sentido del error, y está demostrado que siempre encuentra la solución si los datos se pueden separar con una línea recta.
La analogía también tiene sus límites. El corte de la academia lo decide una reunión de personas, pero el peso del perceptrón se fija automáticamente al ver ejemplos. Además, las notas suelen ser positivas, mientras que la entrada y el peso del perceptrón admiten libremente valores negativos. Otra diferencia es que la neurona de las redes actuales usa una regla continua en vez de un escalón, y por eso entrega un valor graduado y no solo superado o no superado. Y el corte de la academia, una vez fijado, se mantiene todo el semestre, mientras que el peso del perceptrón se ajusta apenas se encuentra un ejemplo equivocado.
Pruébalo
Malentendidos comunes
Es fácil pensar que el perceptrón es lo mismo que la red neuronal de hoy, pero en realidad es un dispositivo mucho más simple, con una sola capa y una respuesta de solo dos valores.
Es fácil pensar que un problema que no se puede cortar con una línea es algo que la red neuronal nunca podrá resolver, pero en realidad apilando varios perceptrones en capas se puede resolver, y desde que el umbral pasó a ser una regla continua, los pesos de esas capas también se pueden encontrar entrenando.
Es fácil pensar que el perceptrón es una historia vieja sin ninguna utilidad hoy, pero en realidad el esqueleto de multiplicar las entradas por pesos, sumarlas con un valor base y pasar el resultado por una función sigue vivo en cada neurona de hoy. Solo cambió la parte del umbral por otra regla.
Resumen en una línea
El perceptrón es la red neuronal más simple: pondera las entradas, las suma y responde solo si supera un umbral, y al apilarlo en varias capas comenzó la red neuronal de hoy.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización 2026-10-17