Простой перцептрон был не первой искусственной, а первой адаптивной нейронной сетью. Это значит, что он умел не только распознавать паттерны, но и обучаться их распознавать (и мог изменять свою конфигурацию, чтобы обучаться иначе). Хотя его достижения примитивны, он считается первым алгоритмом-классификатором. Архитектура нейронной сети тогда была уже известна; чтобы продемонстрировать способность мозговых нейронов к самоорганизации и адаптации, Розенблатт запускал перцептрон со случайными параметрами. Затем согласно алгоритму исправления ошибок ученый корректировал значения параметров и приводил их к оптимальному равновесию с внешними данными, получая таким образом «разум», подобно спонтанному порядку из хаоса.

Ажиотаж вокруг нейронных сетей и теорий самоорганизации (см. главу 6) поначалу вызывал неприязнь и зависть в кругах «искусственной интеллигенции», особенно среди сторонников символического ИИ, которые соревновались за то же финансирование со стороны военных[500]. Чтобы дать ответ критикам, Розенблатт систематизировал результаты своих исследований в объемной монографии «Принципы нейродинамики» (1961). Эта работа мало изучена, но остается лучшим источником по вопросу происхождения искусственных нейронных сетей. Вместе с тем идеальной иллюстрацией исследовательской позиции Розенблатта служит его эссе 1964 года «Аналитические методы изучения нейронных сетей» (Analytic Techniques for the Study of Neural Nets). В этом более позднем тексте Розенблатт, чтобы отстоять экспериментальный характер искусственных нейронных сетей, использовал метод Галилея против метода Аристотеля. Этот второй метод применялся в других исследованиях моделей мозга. Теоретики символического ИИ, например, верили в возможность кодирования правил разума в правила машины напрямую, без экспериментальной проверки:

Две тысячи лет после Аристотеля считалось, что фундаментальные истины природы можно раскрыть с помощью чистого разума и что именно философ, а не экспериментатор, способен разглядеть необходимый порядок природы чистой мощью интеллекта… Но в начале XVII века Галилей написал «Рассуждение о двух новых науках», впервые дав голос учению об экспериментальном методе. Предложив альтернативу аристотелевскому рационализму, Галилей положил этой работой начало эпохе научного роста и открытий в естественных науках, которая еще не закончилась… Полученные результаты могут найти применение в инженерной области, но для достижения целей настоящего времени мы предлагаем работать как первооткрыватели, а не изобретатели; теоретическая работа, которая ведет к научному открытию, сильно отличается от теоретической работы на нужды инженерного синтеза[501].

Претензии Розенблатта на роль «первооткрывателя», а не «изобретателя», можно счесть наивными, но это своего рода защита экспериментального научного метода от «инженерного мышления» многих кибернетиков. Розенблатт исповедовал экспериментальную культуру исследования искусственных нейронных сетей, выступая, в частности, против самодоказывающей логики символического ИИ. Во введении к «Принципам нейродинамики» Розенблатт, по сути, воспроизвел метод «экспериментальной эпистемологии» Мак-Каллока:

Перцептрон является прежде всего и главным образом моделью мозга, а не устройством для распознавания образов. Его использование в качестве модели мозга позволяет определить физические условия образования различных физиологических свойств. Он ни в коей мере не является «полной» моделью, и мы ясно сознаём те упрощения по сравнению с биологическими системами, которые при этом введены; однако принятая модель по крайней мере поддается анализу[502].

Розенблатт стремился объединиться с нейроучеными, размежевавшись с инженерами-компьютерщиками и полагая, что это поможет отстоять предварительную, неполную и незавершенную природу перцептрона как экспериментальной модели. Как и Хайек, Розенблатт утверждал, что модель мозга всегда остается практической реализацией, то есть упрощением и преувеличением некоторых характеристик:

Перцептроны не предназначены служить точной копией какой-либо конкретной нервной системы. Они представляют собой упрощенные сети, созданные для изучения закономерных взаимосвязей между организацией нервной сети, структурой окружающей ее среды и «психологическими» свойствами, которыми может обладать данная сеть. Перцептроны могут соответствовать конкретным частям больших сетей в биологических системах; в этом случае получаемые результаты могут сразу найти непосредственное применение. Чаще всего, однако, они представляют собой предельно упрощенную модель центральной нервной системы. Это приводит к тому, что одни свойства оказываются гипертрофированными, другие – подавленными[503].

Перцептрон представлял собой машину c множеством параметров, которые нужно регулировать ради приближения к результату. Поскольку научное экспериментирование и заключается в тестировании моделей с рядом параметров, нейронная сеть Розенблатта, где их количество можно увеличивать, была экспериментальной моделью par excellence. В символическом ИИ экспериментальное измерение отсутствовало, и алгоритмы исходили из противоположной гипотезы, что неограниченный интеллект может возникнуть из ограниченного набора правил; при этом важнейшей роли практической реализации фактически не уделялось внимания[504]. Числовые параметры перцептронов не выступали представлением мира, как в символическом ИИ, а были относительными и частичными элементами конструкции неизоморфной модели мира. В глубоком обучении и алгоритмических моделях с триллионами параметров (например, GPT), эта черта только усилилась. Несмотря на кажущуюся простоту архитектуры, если добавить несколько слоев и соединений, оперативная мощность нейронной сети вырастет экспоненциально. С точки зрения алгоритмической сложности, то есть если исходить из объема вычислений и использованных ресурсов, статистические нейронные сети, такие как перцептрон, наткнулись на непреодолимое в то время – из-за нехватки вычислительной мощности – препятствие.