Perceptron é a unidade computacional mais básica de uma rede neural artificial, proposta por Frank Rosenblatt em 1958. Inspirado no neurônio biológico, o perceptron recebe múltiplas entradas numéricas, multiplica cada uma por um peso, soma os resultados com um viés, e passa o total por uma função de ativação que determina sua saída. Na forma mais simples, a função de ativação é um degrau: se a soma ponderada ultrapassar um limiar, o perceptron "dispara" (saída 1); caso contrário, permanece inativo (saída 0). O perceptron pode aprender a classificar dados linearmente separáveis — por exemplo, distinguir dois grupos de pontos separados por uma linha reta. Sua limitação fundamental, demonstrada por Minsky e Papert em 1969, é que não consegue resolver problemas não-linearmente separáveis como o XOR. A solução foi empilhar múltiplos perceptrons em camadas (Multilayer Perceptron, MLP) com funções de ativação não-lineares, que superam qualquer limitação linear. Hoje, os perceptrons são a unidade conceitual fundamental para entender redes neurais modernas — bilhões de neurônios artificiais com estrutura similar ao perceptron, mas com funções de ativação mais sofisticadas como ReLU e GELU, formam os LLMs que potencializam toda a IA atual.
Navegar por letra: