Le contexte : après Dartmouth, il faut concrétiser
Un an après le workshop de Dartmouth (1956), l’IA est un champ tout neuf qui existe surtout sur papier. McCarthy, Minsky et les autres ont posé les questions — mais aucune machine ne résout encore de problème concret. Les financements affluent (notamment de la Navy américaine, qui veut des systèmes capables de reconnaître des navires ennemis sur photos), mais les résultats se font attendre.
À Cornell, un jeune psychologue de 29 ans, Frank Rosenblatt, pense différemment. Il ne veut pas programmer l’intelligence avec des règles explicites. Il veut la construire comme le cerveau : avec des neurones qui s’ajustent seuls en fonction de l’expérience.
L’événement : une machine-poème
Rosenblatt s’appuie sur deux fondations : le neurone formel de McCulloch-Pitts (1943) et la règle d’apprentissage de Hebb (1949). Il y ajoute sa propre contribution : un algorithme d’ajustement automatique des poids en fonction des erreurs.
En 1957, il publie le rapport technique The Perceptron: A Perceiving and Recognizing Automaton. Il ne s’agit pas juste de mathématiques : en 1958, il construit physiquement la machine, baptisée Mark I Perceptron. C’est un engin de 5 tonnes, relié à une caméra de 400 photorésistances (une « rétine » artificielle de 20×20 pixels), avec des potentiomètres analogiques qui stockent les poids synaptiques.
« Le Perceptron est la première machine capable d’avoir une idée originale. »
— Frank Rosenblatt, New York Times, 1958
La Navy organise une conférence de presse triomphale. Le New York Times titre : « 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. » L’optimisme est délirant.
L’impact : l’illusion, puis la mort
Le Perceptron fonctionne vraiment pour des tâches simples : distinguer un carré d’un triangle, un « A » d’un « B ». Pour la première fois, une machine apprend seule à partir d’exemples. C’est un tournant.
Mais en 1969, Marvin Minsky et Seymour Papert publient Perceptrons, un livre mathématique dévastateur. Ils démontrent qu’un Perceptron simple ne peut pas apprendre la fonction XOR — un problème logique élémentaire. Ils suggèrent que les limites sont probablement fondamentales.
Le livre détruit le Perceptron. Les financements s’évanouissent. Rosenblatt meurt dans un accident de bateau en 1971, à 43 ans, oublié. Les réseaux neuronaux entrent dans un sommeil de 15 ans — premier AI Winter.
Résonance 2026 : un million de perceptrons par couche
Ironie de l’histoire : Minsky et Papert avaient raison sur le Perceptron simple. Mais ils se trompaient sur la portée du modèle. En 1986, la backpropagation permettra d’entraîner des réseaux à plusieurs couches de perceptrons — capables, eux, d’apprendre XOR et bien plus.
En 2026, un modèle comme Claude Opus 4.7 est essentiellement une pile gigantesque de perceptrons : 100+ couches, chacune contenant des millions de neurones, entraînés sur des trillions de tokens. L’unité de calcul est restée celle de Rosenblatt 1957 : somme pondérée, fonction d’activation, ajustement par erreur.
Chez CMEDIA, chaque fois que nous déployons un modèle de classification, un LLM ou un modèle de vision par ordinateur, nous mettons en production la vision de Frank Rosenblatt. Le Perceptron n’est pas mort en 1969 — il s’est juste endormi, en attendant que la puissance de calcul rattrape l’ambition.