Histoire de l'IA · 6 min de lecture

Rosenblatt et le perceptron (1958) : la promesse ressemblait déjà à celles de 2026

En juillet 1958, la presse annonce une machine qui marchera, parlera et sera consciente de son existence. Le prototype, lui, apprend à reconnaître des lettres. Entre les deux, il y a une leçon que je trouve très actuelle.

Par Nicolas Mathieu · Praticien IA, Paris · Publié le 11 octobre 2026 · Mis à jour le 11 octobre 2026 · English version

Portrait de Frank Rosenblatt, photographie d’archive
Frank Rosenblatt. Photo : US Navy, 1960, domaine public (National Museum of the U.S. Navy)

Le 8 juillet 1958, en page 25 du New York Times, une dépêche UPI porte un titre sobre : « New Navy Device Learns By Doing ». Le premier paragraphe l’est beaucoup moins.

« The Navy revealed the embryo of an electronic computer today that it expects will be able to walk, talk, see, write, reproduce itself and be conscious of its existence. »

Traduit : la Navy attend d’une machine qu’elle puisse marcher, parler, voir, écrire, se reproduire et être consciente de son existence. Ce jour-là, la démonstration montrée aux journalistes est plus modeste. Un ordinateur IBM 704 du Weather Bureau apprend à distinguer une carte marquée à gauche d’une carte marquée à droite. Il lui faut une cinquantaine d’essais.

Je relis souvent cet article. Il ressemble beaucoup aux annonces que je lis chaque semaine en 2026.

Frank Rosenblatt et le perceptron

Derrière la dépêche, il y a Frank Rosenblatt, psychologue au Cornell Aeronautical Laboratory, à Buffalo. La même année, il publie dans la Psychological Review « The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain ». Il y décrit « a hypothetical nervous system, or machine, called a perceptron ».

L’idée tient en une phrase. Des unités reliées au hasard peuvent apprendre à associer une réponse à un stimulus, à condition qu’on corrige leurs connexions quand elles se trompent. Pas de règles écrites à la main. Des poids qui bougent avec l’expérience.

Le Mark I : une machine, pas une simulation

Le projet, financé par l’Office of Naval Research, débouche sur une machine physique : le Mark I Perceptron. Son manuel d’utilisation, daté du 15 février 1960, la décrit précisément :

  • Un « œil » : 400 photorésistances montées en grille de 20 × 20 dans une chambre photographique modifiée.
  • 512 unités d’association, reliées à l’œil par un grand tableau de connexions.
  • 8 unités de réponse, qui affichent ce que la machine croit voir.
  • Des poids mécaniques : des potentiomètres, tournés par de petits moteurs électriques.

Comment il apprend

  1. On présente une lettre devant l’œil.
  2. Chaque cellule éclairée envoie un signal, pondéré par un potentiomètre.
  3. La machine additionne ces signaux et donne une réponse.
  4. Si elle se trompe, l’opérateur force la bonne réponse. Les poids s’ajustent.

Le communiqué de la Navy de juin 1960 résume : quand la machine identifie mal une lettre, « the trainer forces it to respond correctly by means of an electrical control ». C’est l’apprentissage supervisé, avec un humain et un interrupteur.

Ce que la machine faisait vraiment

Le Mark I apprend à reconnaître des lettres. C’est réel, et c’est remarquable pour l’époque. Mais Rosenblatt lui-même, dans « Principles of Neurodynamics » (1961), est précis sur les limites :

  • L’alphabet complet, présenté en position fixe, représente « about the limit of the capacity of the Mark I system ».
  • Avec deux polices à la fois, les tentatives échouent, « the maximum performance being about 85% on the combined alphabets ».
  • Sur une tâche de cette difficulté, déplacer une lettre par rapport à sa position d’apprentissage suffit souvent à faire disparaître la bonne réponse.

Dès 1958, dans son article, il écrivait déjà que la reconnaissance des relations dans l’espace et le temps « seems to represent a limit to the perceptron's ability to form cognitive abstractions ». Le chercheur connaissait les bornes de son prototype. Le titre de presse, lui, parlait de conscience.

1969 : la démonstration des limites, puis l’hiver

En 1969, Marvin Minsky et Seymour Papert publient « Perceptrons » au MIT Press. Ils analysent mathématiquement le perceptron à une seule couche et montrent que certains problèmes simples en apparence, comme la parité ou la connexité d’une figure, lui restent hors de portée à mesure que l’image grandit.

Le sociologue Mikel Olazaran, qui a étudié cette controverse, décrit la suite : les réseaux de neurones, populaires à la fin des années 1950, sont presque abandonnés dans la seconde moitié des années 1960. Les financements partent vers l’IA symbolique. Le sujet ne revient vraiment qu’une vingtaine d’années plus tard. Rosenblatt ne le verra pas : il se noie en 1971, le jour de ses 43 ans.

Le lien avec les LLM d’aujourd’hui

La limite démontrée en 1969 concernait une seule couche qui apprend. C’était le cas du Mark I : seules les connexions entre unités d’association et unités de réponse étaient ajustables. La réponse est venue plus tard : empiler les couches, et trouver comment corriger les poids de toutes à la fois.

Un LLM est construit sur ce principe. Dans l’architecture Transformer, décrite en 2017 dans « Attention Is All You Need », chaque couche contient un réseau « fully connected » : des sommes pondérées suivies d’une fonction d’activation. Ces couches sont empilées. L’entraînement consiste toujours à mesurer l’erreur et à ajuster les poids pour la réduire.

Il y a bien sûr des différences : le mécanisme d’attention, l’échelle, la manière de calculer les corrections. Mais l’unité de base, une somme pondérée dont les poids s’ajustent après l’erreur, vient en droite ligne de 1958. L’idée a tenu. La promesse a attendu.

Ce que ça change pour une organisation

L’histoire du perceptron n’est pas celle d’une arnaque. Le chercheur était honnête sur les limites, la machine fonctionnait, et l’idée était juste. Le problème, c’est l’écart entre le titre et le prototype. Cet écart existe toujours.

Quand une PME évalue un outil d’IA, je lui conseille de séparer trois choses :

  1. Le cadrage. Quelle tâche précise, sur quel volume, avec quelles données ? « Il pourra tout faire » n’est pas un périmètre.
  2. La mesure. Un taux de réussite mesuré sur vos vrais dossiers, ce trimestre. Pas sur la démo du fournisseur, pas sur la feuille de route.
  3. Le propriétaire métier. Une personne qui connaît le travail, juge les erreurs et décide si l’outil passe en production.

Le Mark I aurait passé ce test pour un alphabet en position fixe. Il l’aurait échoué pour deux polices mélangées. Les deux informations étaient disponibles en 1961. Ce sont celles qu’il faut chercher avant d’acheter. J’ai détaillé ce passage de la démo à l’usage réel dans pourquoi les POC IA bloquent avant la production.

Achetez sur ce que l’outil fait sur vos données ce trimestre. Pas sur ce que le communiqué dit qu’il fera.

Source primaire : F. Rosenblatt, « The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain », Psychological Review, vol. 65, n° 6, 1958, p. 386-408.

Dans la même série

Les autres épisodes des « ancêtres des LLM », par ordre chronologique :

Questions fréquentes

Qu’est-ce que le perceptron de Rosenblatt ?

Un modèle de neurone artificiel publié par Frank Rosenblatt en 1958 dans la Psychological Review : des unités reliées au hasard qui apprennent à associer une réponse à un stimulus, en corrigeant leurs poids après chaque erreur. Le Mark I Perceptron en a été la version matérielle, avec 400 photorésistances en grille de 20 × 20.

Pourquoi le perceptron a-t-il été abandonné après 1969 ?

Dans « Perceptrons » (1969), Minsky et Papert ont montré mathématiquement les limites du perceptron à une seule couche, par exemple sur la parité ou la connexité. Selon l’historien Mikel Olazaran, les financements se sont alors déplacés vers l’IA symbolique, et les réseaux de neurones n’ont vraiment repris qu’une vingtaine d’années plus tard.

Quel est le lien entre le perceptron et les LLM ?

Un LLM empile de nombreuses couches de sommes pondérées suivies d’une fonction d’activation, dont les poids sont ajustés pour réduire l’erreur. C’est l’unité de base du perceptron, en beaucoup de couches et à une échelle sans commune mesure, avec en plus le mécanisme d’attention.