「至於感知器，看來我們必須對『機器能否產生原創想法』這個問題，給出肯定的答案。」
—— 法蘭克・羅森布拉特，1958 年 7 月 7 日感知器展示談話，節譯。

上一篇，我們把「你自己想辦法」交給了機器，最後卻發現，人類仍得先把目標、條件與可用的方法準備好。

但有些事情，麻煩不在忘了交代，而是你自己也很難交代。

拿一張潦草的手寫字來看。你一眼認出那是「5」，現在請你把規則寫給電腦：上面要多平？轉角幾度？下面那個圈要閉合到什麼程度？

寫著寫著，你大概會先發現一件事：

人類的「一眼就知道」，展開來可能是一份永遠寫不完的規格書。

如果不把辨識規則逐條寫好，還有別的方法嗎？

1958 年，法蘭克・羅森布拉特給出了一個很不一樣的答案。

這次，老師只改答案，不寫解法

1958 年 7 月 7 日，在美國海軍研究辦公室安排的展示裡，一台 IBM 704 接連收到一些簡單圖案：方塊出現在左邊，或出現在右邊。

系統的任務，就是把兩類分開。

先說清楚，現場跑的是感知器的電腦模擬，不是後來照片裡那台布滿電線、帶著光感應器的 Mark I。當時真正被展示的能力，也不是認人、讀小說或欣賞莫札特。

只是左，或右。

這種題目，當然可以用傳統程式完成。量出方塊位置，再寫一條判斷式就好。羅森布拉特自己也沒有否認。

真正不同的地方是：研究者沒有把「怎麼分左右」那條規則直接寫進去。他們給系統例子，讓它答，再告訴它答對還是答錯。

同一套學習方式，換一組例子，也可以拿去學別的分類。

機器不再只接到一份寫好的判斷表。它開始根據經驗，調整自己的判斷。

這套系統叫做：Perceptron，感知器。

每個訊號都有一票，只是票值不同

把感知器的核心做法簡化來看，可以想成一場很小型的投票。

圖案進來後，不同位置的明暗會形成一組輸入。每個輸入都能投票，而且各自有不同的權重：有些訊號很重要，一票抵十票；有些幾乎沒影響，坐在後排滑手機也沒人發現。

系統把這些票加起來，超過某個門檻，就選一邊；沒有超過，就選另一邊。

第一次投票，權重還沒調好，答案很可能是錯的。這時候，人類提供正確類別，系統便修改相關連結的權重。下一張再猜，錯了再調。

反覆看過例子後，某些輸入的影響變大，另一些變小。最後，新圖案即使從來沒有出現過，只要跟學過的模式夠接近，系統也可能分對。

沒有人替它寫下「第三欄連續變黑時，答案就是左邊」。那條判斷界線，是它從一輪輪答對與答錯中調出來的。

不過，人類並沒有因此下班。

誰決定要分哪兩類？誰準備例子？誰告訴它正確答案？這些工作仍然存在。

規則沒有憑空消失，只是有一部分從程式碼，搬進了例子與標記裡。

它會從例子學，也可能學到你沒打算教的事

把時間拉回現在。

2026 年 9 月 2 日，電腦視覺平台 Roboflow 發表一篇實作紀錄，示範如何替布料瑕疵模型找出漏網案例。

訓練圖片裡的破洞，出現在單純、對比清楚的布面上；真正拿到生產圖片裡，洞變小了，背景也換成忙碌的彩色花紋，模型便容易漏掉。

處理方法不是開會要求模型「看仔細一點」。他們把低信心或沒偵測到東西的圖片挑出來，由人重新檢查、標記，再放回資料裡訓練。

今天的深度視覺模型，當然不是把 1958 年的單一感知器放大而已；模型規模、訓練方法與能處理的任務，都複雜得多。

但兩段故事共用同一個問題：當判斷方法是從例子裡學出來，例子涵蓋了什麼，就會直接影響它能認出什麼。

如果所有「破洞」照片都是白底黑點，模型可能把真正有用的形狀學起來，也可能太依賴那個乾淨背景。它只知道哪些線索能幫它把訓練題答對，不會自動知道人類心裡認定「真正重要」的是哪一項。

所以，給例子不是比寫規則更省事的魔法。

它只是把難題換了位置：以前要問「規則寫完整了嗎」，現在還要問「例子夠不夠、標記對不對、學到的是不是我們要的線索」。

學會判斷，不等於什麼都學得會

感知器讓一件事在可計算、可實作的系統裡變得非常具體：有些判斷，不必先由人類整理成完整規則，機器也能從被標記的經驗中逐步調整。

這條路後來成為機器學習與神經網路歷史裡的重要起點。

但它也帶來一個新的邊界。

最簡單的感知器，擅長的是用一條直線，把兩類資料分到兩邊。假如桌上的紅點與藍點剛好各站一邊，它可以慢慢找到那條線。

可是假如紅點在左上與右下，藍點在右上與左下，你拿著尺怎麼擺，都會有一種顏色站錯邊。

這時候，再多看幾遍同樣的例子，也不會讓一條直線突然學會轉彎。

研究者終於找到一種不必逐條寫規則的做法。

接下來卻得面對更尖銳的問題：

如果不是例子太少，而是這套方法本來就分不開呢？