「感知器值得研究，儘管它有嚴重的限制——甚至正因為如此。」
—— 馬文・明斯基與西摩・派普特，1969 年，《Perceptrons》，節譯。

上一篇，我們把紅點放在左上與右下，藍點放在另外兩個角落，請感知器畫一條線，把兩種顏色分開。

它畫錯了。調整權重，再畫一次，只是換成另一個點站錯邊。

多給幾次例子也沒用。不是它偷懶，而是你拿著尺，確實找不到那條線。

這個四角問題，今天常用 XOR 來說明。把兩個輸入想成開關：剛好只有一個打開時，答案是 1；兩個都開或都關，答案是 0。

四種情況排在平面上，0 與 1 正好交錯。單一感知器不管怎麼調整，都只能畫出一條直的邊界。

不是例子太少，也不是訓練不夠久。它能畫出的答案裡，從一開始就沒有這一種。

那麼，這是感知器的限制，還是整條神經網路路線的判決書？

熱潮過後，有人開始替能力畫邊界

1969 年，馬文・明斯基與西摩・派普特出版了《Perceptrons》。

距離羅森布拉特公開展示感知器，已經過了十多年。當初媒體談的是機器將來可能看見、說話，甚至產生原創想法；這本書問的卻冷靜得多：

一個感知器，究竟能計算什麼？

兩位作者不只拿幾張圖試試看，而是把感知器當成數學對象，研究它處理奇偶性、圖案是否連通等問題時的能力。

結論並不好看。

在他們分析的感知器裡，局部訊號最後仍要由一次加權判斷整合。有些看似簡單的分類，需要的結構會大得不切實際；有些則不是這類簡單配置能完成的。

調整權重可以幫它找到「存在的那條線」，不能讓不存在的線突然出現。

這份批評是有價值的。它把「我覺得這方法很有潛力」，換成「它在哪些條件下做得到」。

只是，能力邊界一旦畫出來，另一個問題也跟著出現：

邊界圈住的，究竟是這個模型，還是整個未來？

一層做不到，不代表多一層也做不到

回到交錯的四個點。

一條線分不開，但可以先用兩條線，各自切出一部分，再讓後面的單元把結果組合起來。

這就是多層網路的關鍵：前面的「隱藏層」先把原始問題換一種表示，後面的單元再進行分類。XOR 不是從此變簡單，而是換到了一個可以分開的空間。

所以，《Perceptrons》的證明不能直接套到所有多層神經網路。明斯基與派普特知道多層結構能表達更多東西，卻對它能否發展成實用的學習系統非常悲觀。他們直言，自己的直覺是多層延伸可能相當「貧瘠」，但也把釐清或推翻這個判斷列為研究問題。

當時的困難也是真的：多加幾層不等於知道怎麼訓練。最後輸出與標準答案一比，可以算出整個網路錯了多少；藏在中間的每個連結，卻沒有一張直接寫給它的標準答案。

後來，感知器研究失去不少資源與注意力。但把這段歷史寫成「兩個人出了一本書，隔天神經網路就死了」，未免太像替複雜歷史畫一條直線。

運算能力、遲遲沒有兌現的應用、研究路線之間的競爭，都在影響資源流向；而神經網路相關工作也沒有完全停止。

真正值得記住的是：一個正確的限制，如果被放大到超出它證明的範圍，也可能帶來錯誤的結論。

模型變大，不代表每種能力一起長大

當年，人們容易把一項限制放大成整條路失敗；今天，也容易把一項進步放大成每種能力都進步。

2026 年 9 月 14 日，《Scientific Reports》刊出一項研究。研究者比較 11 個不同規模與架構的視覺模型，除了看分類表現，也把五種事後解釋方法產生的熱區，拿去和人工標記的目標區域比對。

結果顯示，在這些資料與測量方法下，增加模型深度與參數量，並沒有穩定改善解釋的定位品質。有些模型分類表現很好，解釋熱區卻未必對準標記區域。

這不表示大型模型沒有用，也沒有證明模型「不懂圖片」。研究只測量一件更具體的事：模型規模增加時，事後產生的視覺解釋，有沒有更準確地對上指定區域。

預測準確、模型更大、解釋更可靠，是三件可能相關，卻不能直接畫上等號的事。

方向雖然相反，問題卻一樣：都把某一項結果，擴張到沒有測過的能力。

看到限制時，先問清楚：是哪一種模型、哪一項能力、在哪些條件下的限制？

不然，我們很容易在兩個極端之間擺盪：成功一次，就以為什麼都能做；失敗一題，就宣布整條路走不通。

真正卡住的，是錯誤怎麼傳回去

單層感知器確實分不開 XOR；多層結構卻能表示這種分類。單一模型的限制，不是整個方向的終點。

限制沒有消失，而是幫研究者指出該改哪裡：不是重播同一批例子，而是增加能重新表示問題的中間層。

可是一旦加上隱藏層，上一回那套「答錯就調整權重」立刻遇到新麻煩。

最後答案錯了，究竟是哪一層、哪一條連結該負責？每個中間單元，又該改多少？

系統已經算得出最後錯了多少。

現在，它得想辦法把這個錯誤，一層一層傳回去。