被低估的 1969 年《感知机》证明：一次学术批评如何引发十年的 AI 寒冬

现在的 AI 圈子里，大家在讨论 Scaling Law 和 Transformer 架构时，往往倾向于把技术演进看作是一条线性的上升曲线。但回顾历史，神经网络的进化路径其实极其坎坷，其中最著名的转折点莫过于 1969 年 Marvin Minsky 和 Seymour Papert 出版的那本 279 页的著作——《感知机》（Perceptrons）。

很多教科书在提到这段历史时，会将其简化为“单层感知机无法处理非线性问题”，但如果深入挖掘，你会发现这次“学术打击”的杀伤力远超数学证明本身。

当时 Minsky 在书中通过严谨的数学推演证明了一个极其简单但致命的结论：单层感知机根本无法实现异或（XOR）逻辑运算。对于任何线性分类器来说，如果数据分布不是线性可分的，它在逻辑上就存在天然的天花板。这意味着，只要任务稍微复杂一点，感知机就会陷入无法收敛的瘫痪状态。

在今天看来，这不过是深度学习入门课上的一个常识，只要增加隐藏层并引入非线性激活函数，异或问题轻而易举就能解决。但在 1969 年，这个结论直接抽掉了当时“连接主义”派系的脊梁骨。最糟糕的是，这次证明的时机精准得像是一场外科手术。60 年代末，美国国防高级研究计划局（DARPA）等资助机构对感知机的热情已经开始退烧，Minsky 的这本书恰好在此时出现，为那些想要削减预算的决策者递了一把极其锋利的刀。

结果就是，整个领域陷入了长达十年的死寂。在那个阶段，如果你在论文中提到“神经网络”，很可能会被评审员直接秒拒，经费申请更是成了奢望。这种寒冬直到 80 年代，随着反向传播算法（Backpropagation）的成熟，多层感知机才真正证明了自己能够突破线性限制，连接主义才得以卷土重来。

有趣的是，Minsky 在晚年面对质疑时，曾试图否认自己想要终结神经网络，他强调自己仅仅是在指出技术的局限性，而非全盘否定。但从工程实践的角度来看，历史从来不关心你的动机，只看结果。一次精准的学术批评，在特定的政治和经济环境下，可以迅速转化为一种“技术共识”，从而导致整个方向的资源枯竭。

把这段历史映射到今天，你会发现很多惊人的相似之处。现在的社交媒体和学术论文中，充满了对大语言模型（LLM）的批评：有人指责 LLM 缺乏真正的逻辑推理能力，有人在讨论 Sora 生成的视频不符合物理规律，还有人在计算 Agent 在复杂任务中的低成功率。

这些批评本身是客观且必要的，但问题在于，当这些“局限性”被放大并被资本市场或政策制定者捕捉到时，它们是否会成为下一轮砍预算的借口？1969 年的教训告诉我们，技术路线之争从来不是纯粹的数学讨论，它始终与资金流向、政治判断和时代情绪深度绑定。

我们现在正处于一个极其狂热的周期，但谁在扮演 1969 年的 Minsky？也许现在还没有一个具体的人，但某种关于“LLM 触及天花板”的共识可能正在悄悄形成。下一场 AI 寒冬的到来，或许并不是因为技术真的走到了死胡同，而是一本现代版的《感知机》精准地定义了当前的局限，从而让人们失去了继续投入的耐心。