{
  "id": "frank-rosenblatt",
  "title": "弗兰克·罗森布拉特",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "美国心理学家，提出了早期可学习神经网络模型感知机，为机器学习奠定了基础。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "person",
  "aliases": [
    "弗兰克·罗森布拉ټ",
    "法兰克·罗森布拉特"
  ],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/frank-rosenblatt/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/frank-rosenblatt/",
      "json": "https://aiwiki.page/en/frank-rosenblatt.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "弗兰克·罗森布拉特（1928年7月11日—1971年7月11日）是美国心理学家和研究人员，以提出感知机而闻名。感知机是一种早期的可学习人工神经网络模型。他将数学分析、计算机仿真与实验硬件相结合，研究感知和记忆。尽管他的工作后来被纳入人工智能和机器学习的发展史，但其研究最初旨在理解大脑如何通过经验获取和组织信息。(ecommons.cornell.edu)"
    },
    {
      "heading": "教育背景与研究生涯",
      "text": "罗森布拉特出生于纽约州新罗谢尔，曾就读于布朗克斯科学高中。他随后进入康奈尔大学，于1950年获得文学学士学位，1956年获得心理学博士学位。他在本科阶段专攻社会心理学。攻读博士学位期间，他研制了一台用于分析人格数据的电子剖面分析计算机，将心理学研究与计算方法联系起来。(ecommons.cornell.edu)\n\n博士毕业后，他加入了位于纽约州布法罗的康奈尔航空实验室，先后担任研究心理学家、高级心理学家及认知系统部门负责人。1959年，他转至康奈尔大学伊萨卡校区，担任认知系统研究计划主任和心理学讲师。1966年，他成为该校新成立的生物科学部下属神经生物学与行为学分部的副教授。(ecommons.cornell.edu)"
    },
    {
      "heading": "感知机研究计划",
      "text": "罗森布拉特于1957年阐述了感知机，并于1958年11月在《心理学评论》上发表了影响深远的论文《感知机：大脑中信息存储与组织的概率模型》。该论文探讨了感觉信息如何存储，以及积累的经验如何影响识别和行为。论文采用统计方法，借助概率将假设的神经组织方式与可观测的学习过程联系起来。(si.edu)\n\n感知机属于如今称为联结主义的研究传统：通过相互作用的单元及其连接来解释信息处理，而非仅仅依赖明确编程的符号规则。罗森布拉特研究了包含感觉单元、联想单元和反应单元的网络。这些术语反映了他对感知、内部处理和行为的关注，而不只是对数值分类的兴趣。(users.cs.utah.edu)\n\n他的早期实验包括在IBM公司的704型计算机上进行仿真。此后，他又研制了专用硬件，从而能够将学习过程作为电子网络中的物理变化加以研究。因此，这项研究计划既涵盖了大脑机制理论，也包括对自适应计算的实践探索。(ieeexplore.ieee.org)"
    },
    {
      "heading": "学习规则与数学意义",
      "text": "在如今常见的表述中，感知机是一种二分类器。它通过可调节的权重组合数值输入，再应用阈值激活函数确定输出。在监督学习中，训练数据中的样本带有预期标签。当某个样本被错误分类时，学习算法会调整权重，使该样本对后续决策的影响朝正确方向变化。(deeplearning.cs.cmu.edu)\n\n其中最关键的数学条件是线性可分性。如果一个有限训练集可以由某个超平面分开，那么标准感知机算法就能在有限次更新后找到一个分离解。这一收敛结果证明，简单的误差纠正机制能够可靠地学习某一类决策规则。不过，对于线性不可分的样本，它并不保证收敛；而训练样本被正确分类，本身也不能证明模型对未见过的数据具有泛化（机器学习）能力。(cs.cornell.edu)\n\n异或是说明其表示能力局限的一个基本例子：在原始的二维输入空间中，它的两个类别无法由单条直线边界分开。“学会一个分离边界”与“拥有一种能够实现分离的表示”是两回事；理解这一区别，是认识感知机的成就与局限的关键。(cs.cornell.edu)"
    },
    {
      "heading": "硬件与更广泛的网络模型",
      "text": "Mark I感知机在美国海军研究办公室和罗马航空发展中心的支持下，于布法罗实验室建成。史密森学会将该设备的年代定为1958年。它的感觉、联想和反应部分包含开关与连接设备、电位器以及输出仪表。1967年，该设备成为史密森学会的馆藏。(si.edu)\n\n不应将罗森布拉特的研究简化为教科书中通常介绍的单个阈值单元。他于1962年出版的著作《神经动力学原理：感知机与大脑机制理论》探讨了三层、多层和交叉耦合系统，同时讨论了生理学证据及尚未解决的理论问题。因此，他的整体研究计划包含了比基本分类器更复杂的网络架构。后来的一套实验系统Tobermory则以语音识别为目标。(books.google.com)"
    },
    {
      "heading": "批评与后期研究",
      "text": "1969年，马文·明斯基与西摩·帕佩特出版了《感知机》，从数学角度研究感知机的能力与限制。书中的批评针对的是特定类别的网络和计算假设；基本线性分类器的局限，不应被视为所有多层神经网络架构都无法学习的证明。罗森布拉特此前已经探索过多层系统，不过，这些系统的分析和训练仍是困难的研究课题。(mitpress.mit.edu)\n\n罗森布拉特也从事神经科学实验研究。自1966年起，他研究了通过注射脑提取物在大鼠之间转移习得行为的尝试。学校为他撰写的纪念文还记载了他在天文学方面的研究兴趣，包括一种探测恒星伴星的拟议方法。1971年7月11日，他在切萨皮克湾的一次舟船事故中去世，当天正是他的43岁生日。(ecommons.cornell.edu)\n\n2004年，电气电子工程师学会设立了IEEE弗兰克·罗森布拉特奖，表彰对受生物学和语言学启发的计算范式及系统作出贡献的人士。该奖项纪念了他在可学习神经网络发展中的作用。(cis.ieee.org)"
    }
  ],
  "links": [
    "perceptron",
    "artificial-neural-network",
    "artificial-intelligence",
    "machine-learning",
    "brain",
    "cornell-university",
    "probability",
    "connectionism",
    "ibm",
    "computer",
    "activation-function",
    "supervised-learning",
    "training-data",
    "algorithm",
    "linear-separability",
    "hyperplane",
    "generalization",
    "exclusive-or",
    "speech-recognition",
    "marvin-minsky",
    "seymour-papert",
    "neuroscience",
    "astronomy"
  ],
  "sources": [
    {
      "title": "ecommons.cornell.edu/bitstream/handle/1813/18965/Rosenblatt_Frank_1971.pdf",
      "url": "https://ecommons.cornell.edu/bitstream/handle/1813/18965/Rosenblatt_Frank_1971.pdf"
    },
    {
      "title": "si.edu/object/electronic-neural-network-mark-i-perceptron%3Anmah_334414",
      "url": "https://www.si.edu/object/electronic-neural-network-mark-i-perceptron%3Anmah_334414"
    },
    {
      "title": "users.cs.utah.edu/~zhe/pdf/lec-10-perceptron-upload.pdf",
      "url": "https://users.cs.utah.edu/~zhe/pdf/lec-10-perceptron-upload.pdf"
    },
    {
      "title": "ieeexplore.ieee.org/document/9357585",
      "url": "https://ieeexplore.ieee.org/document/9357585"
    },
    {
      "title": "deeplearning.cs.cmu.edu/S26/documents/readings/Perceptron_Learning_Algorithm_an…",
      "url": "https://deeplearning.cs.cmu.edu/S26/documents/readings/Perceptron_Learning_Algorithm_and_Convergence.pdf"
    },
    {
      "title": "cs.cornell.edu/courses/cs4780/2018fa/lectures/lecturenote03.html",
      "url": "https://www.cs.cornell.edu/courses/cs4780/2018fa/lectures/lecturenote03.html"
    },
    {
      "title": "books.google.com/books/about/Principles_of_Neurodynamics.html",
      "url": "https://books.google.com/books/about/Principles_of_Neurodynamics.html?id=7FhRAAAAMAAJ"
    },
    {
      "title": "mitpress.mit.edu/9780262130431/perceptrons/",
      "url": "https://mitpress.mit.edu/9780262130431/perceptrons/"
    },
    {
      "title": "cis.ieee.org/images/files/Documents/Newsletter/rosenblatt_flyer_2024_1.pdf",
      "url": "https://cis.ieee.org/images/files/Documents/Newsletter/rosenblatt_flyer_2024_1.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}