パーセプトロン — 1個のニューロンを機械で作ったらどうなったか

「ニューラルネットワークって何?」「アテンションって?」「Transformer って?」と聞かれる前に、もっと根っこの話がある。ニューロン1個を機械で作ったらどうなるか。それが パーセプトロン。

これを知らないと、その後の AI 史も、現代のディープラーニングも、足元が抜けたまま登る山になる。本記事は、パーセプトロンを (1) 構造、(2) 「学習する」の意味、(3) なぜ廃れ、なぜ復活したか の3点で押さえる。

パーセプトロン = ニューロン1個の数式

パーセプトロン1個の動作はシンプル。

1. 複数の入力を受け取る(x1, x2, ..., xn)
2. 各入力に重みを掛ける(w1, w2, ..., wn)
3. 合計を計算: w1·x1 + w2·x2 + ... + wn·xn
4. ステップ関数で判定:
   • 合計が0以上 → 出力 1(発火)
   • 合計が0未満 → 出力 0(静止)

つまり 「重み付き和がしきい値を超えるかどうか」 を判定する装置。これだけ。

図にすると、こうなる:

図1: パーセプトロン1個の構造(入力×重み → Σ → ステップ関数 → 出力)

これは生物のニューロンが「発火するか・しないか」の二値で動くことを、極端に単純化した模倣だった。

なぜ「脳のニューロン」を真似たのか

パーセプトロンは思いつきの発明ではない。「脳の中で起きていることを機械で再現できないか」 という、20世紀前半から続く問いの到達点だった。

3つの節目を押さえれば、生まれる必然がわかる:

• McCulloch & Pitts (1943): ニューロンの動作を数学的に定式化。「重み付き和がしきい値を超えたら発火」という形が、論理演算(AND/OR/NOT)を組めることを証明
• Hebb (1949): 「一緒に発火するニューロンは結びつきが強くなる」(ヘブの法則)。学習 = ニューロン間の重みが変わること
• Rosenblatt (1958): コーネル大の心理学者。McCulloch-Pitts の構造を物理装置に落とし、Hebb の発想で機械が 自分で重みを調整できる ようにした

つまりパーセプトロンは「機械学習の天才的アイデア」ではなく、「脳のニューロンを外側から配線できる装置として作ろう」という挑戦の到達点 だった。

「学習する」とは何か

パーセプトロンが画期的だったのは、重みを自分で調整できる こと。学習の流れはこうだ:

1. データ(入力 + 正解)を1つ用意
2. パーセプトロンに通して、出力を得る
3. 出力が正解と違ったら、重みを少しだけ動かす
   • 正解より大きく出した → 入力に応じて重みを下げる
   • 正解より小さく出した → 入力に応じて重みを上げる
4. 大量のデータでこれを繰り返す

「間違えたら、間違えた方向と逆に重みを動かす」だけ。これがパーセプトロン学習則。

源流は Hebb 則 ——「一緒に発火するニューロンは結びつきが強くなる」。シナプスの結合強度を経験で変える、という生物の学習を、機械の側で粗くなぞった形になっている。

線形分離可能な問題に対しては、この単純な学習則が 必ず収束する(無限ループにならない)ことを、Rosenblatt が数学的に証明(パーセプトロン収束定理, 1962)。

XOR問題 — パーセプトロンの致命的限界

1969年、Marvin Minsky と Seymour Papert が著書 Perceptrons で、パーセプトロンの致命的な限界を数学的に証明した。

「線形分離可能な問題しか解けない」。

2つの入力 x1, x2(それぞれ0または1)を考える:

• AND / OR → 1本の直線で 0 と 1 を分けられる(線形分離可能) → パーセプトロンで解ける
• XOR → どんな直線を引いても 0 と 1 が混じる → パーセプトロンでは 絶対に解けない

座標平面に並べると一目瞭然:

図2: AND/OR は1本の直線で分離可能(amber)。XOR はどんな直線でも分離不可(赤)

XOR は中学レベルの論理演算。それすら扱えないという事実は、業界に冷や水を浴びせた。

『Perceptrons』の出版以降、パーセプトロン研究への資金は劇的に縮小。これがAI第1次ブームを終わらせ、AIの冬(1970年代) の主な引き金になったとされる。Rosenblatt 本人は1971年、43歳でボート事故で亡くなっている。研究の灯火が消えたタイミングだった。

しかし、その後 — 多層化で復活

パーセプトロンの限界は、後に 多層化 で乗り越えられた。

• 単層パーセプトロンが解けない問題でも、層を増やせば解ける(普遍近似定理)
• 多層パーセプトロン(MLP)を効率的に学習させる 誤差逆伝播法 が1986年に整備される
• ここから第2次・第3次AIブームへ繋がる

つまり、現代の巨大なディープラーニングモデルも、原型はパーセプトロン。「入力 × 重み → 合計 → 活性化関数 → 出力」というニューロン1個の構造は、LLMの内部でも完全に同じ形で生きている。

コンサル業務にもう一歩寄せる

パーセプトロンを 「単一KPIで 達成 / 未達 を二値判定する装置」 と思って業務に重ねる。

経営判断の最も原始的な形は、こうなってる:

[売上, 利益率, 顧客満足度, 離職率, ...] × 重み付き → 合計 → しきい値 → 達成 / 未達

これがそのままパーセプトロン。コンサルが普段やっている「KPI 採点で経営状態を一言で言い切る」作業の、機械化された原型。

ところがコンサル業務で頻発する 「評価軸の干渉」(売上は良いが満足度は最悪、みたいなケース)は、まさにXOR問題と同じ構造。1次元の判定では取りこぼす矛盾を、多層化(複数視点の組み合わせ)で解くしかない。

「1個のニューロンでは解けない問題が、層を重ねれば解ける」という発見は、組織意思決定の本質と地続きでもある。