O quê

Frank Rosenblatt (1928–1971) foi um psicólogo americano da Cornell que inventou o perceptron — a primeira rede neural artificial treinável da história, e o ancestral direto de tudo que hoje chamamos de deep learning. Às vezes é chamado de “pai do deep learning”.

Em 1958, no Cornell Aeronautical Laboratory (com financiamento do Office of Naval Research), Rosenblatt publicou The Perceptron: A Probabilistic Model e apresentou a ideia ao público. O perceptron não era só matemática: ele virou hardware, o Mark I Perceptron, uma máquina que aprendia a classificar imagens por tentativa e erro, ajustando seus próprios pesos. A imprensa da época reagiu com hype exagerado — o New York Times sugeriu que era o embrião de uma máquina que andaria, falaria e teria consciência.

Rosenblatt morreu jovem, em 11 de julho de 1971, no seu 43º aniversário, num acidente de barco na Baía de Chesapeake — antes de ver sua ideia ressuscitar e vencer.

Como funciona

O Mark I Perceptron

A máquina física tinha três camadas:

1. Uma “retina” de 400 fotocélulas de sulfeto de cádmio, numa grade 20×20 — os pixels de entrada.
2. 512 unidades de associação (A-units), cada uma conectada aleatoriamente a um subconjunto da retina, com pesos fixos, calculando uma soma com limiar.
3. 8 unidades de saída (R-units), totalmente conectadas à camada de associação.

O aprendizado acontecia nos pesos da última camada: quando o perceptron errava, os pesos eram ajustados na direção que corrigia o erro. Esse é, em essência, o ato de aprender a partir de exemplos — o gesto fundamental de todo modelo moderno. O perceptron é o avô conceitual de cada neurônio artificial em um LLM de 2026.

O ataque e a vingança

Em 1969, Marvin Minsky e Papert demonstraram em Perceptrons que o perceptron de camada única não aprende funções não-lineares (o caso XOR). A leitura pessimista contribuiu para o primeiro inverno das redes neurais. A limitação era real para uma camada — mas falsa para redes profundas, como o Backpropagation mostraria em 1986. A aposta de Rosenblatt estava certa; faltavam camadas, dados e computação.

Por que importa

Definiu o gesto central da IA moderna: aprender pesos a partir de dados. Todo gradient descent, todo treinamento, é a ideia do perceptron levada a escala absurda.

Foi a primeira encarnação física da aposta conexionista. Onde a ala simbólica programava regras à mão, Rosenblatt construiu uma máquina que se autoajustava — o paradigma que venceria.

É a parábola do pioneiro cedo demais. Rosenblatt estava certo na direção e errado no momento; faltava ~50 anos de hardware. O IEEE criou o Frank Rosenblatt Award (2004) em sua homenagem.

Estado em 2026

• Cada neurônio artificial em cada Transformer treinado hoje é, estruturalmente, um perceptron com mais camadas, ativações não-lineares e otimização sofisticada. A linha Rosenblatt → backprop → AlexNet → LLMs é ininterrupta.
• O Mark I original está no Smithsonian (National Museum of American History), em Washington — peça de museu de uma ideia que venceu.
• No jogo, Rosenblatt é o Avatar fundador conexionista: a primeira semente da qual o deep learning brota.

Tratamento de carta — proposta

Rosenblatt, The First Neuron Legendary Avatar · Founders

Toda vez que um Modelo seu “erra” (é bloqueado ou anulado), coloque um contador de Peso nele. Modelos com 2+ contadores de Peso ganham +2/+2 (eles aprenderam com o erro).

“A máquina percebe, reconhece e identifica — sem treinamento ou controle humano.”

Veja também

Perceptron · Marvin Minsky · Backpropagation