現在のAI技術を支えている「ディープラーニング（深層学習）」は、画像認識や自然言語処理、生成AIなど幅広い分野で活用されています。
その基礎となっているのが、**パーセプトロン（Perceptron）**です。
パーセプトロンは、人間の脳の神経細胞（ニューロン）の働きを参考に作られた数理モデルであり、現代ニューラルネットワークの原点ともいえる存在です。
1950年代に提案された比較的古い技術ですが、その思想は現在のDNN（ディープニューラルネットワーク）にも受け継がれています。
この記事では、パーセプトロンの基本概念から仕組み、単純パーセプトロンと多層パーセプトロンの違い、歴史、限界、現代AIとの関係まで分かりやすく解説します。
パーセプトロンとは
パーセプトロンとは、人間の脳のニューロン構造を模した人工ニューロンモデルです。
簡単に言えば、
入力された情報からパターンを学習し、判断する仕組みです。
現在のAIにおけるニューラルネットワークの基本構造でもあります。
パーセプトロンの元になった「ニューロン」
人間の脳には「ニューロン（神経細胞）」と呼ばれる細胞があります。
ニューロン同士はネットワーク状につながっており、
- 記憶
- 学習
- 認識
- 運動制御
などを行っています。
脳の仕組みをコンピュータで再現する
パーセプトロンは、このニューロンの働きを数式化したものです。
つまり、
脳の情報処理を人工的に再現することを目的としていました。
パーセプトロンの歴史
パーセプトロンは1957年に、アメリカの情報科学者である Frank Rosenblatt によって提案されました。
当時は「機械が学習できる」という考え自体が革新的でした。
Mark I Perceptron
1958年には、「Mark I Perceptron」という専用ハードウェアも試作されました。
これは現在のAI専用チップやGPUの先駆けともいえる存在です。
パーセプトロンの基本構造
パーセプトロンは主に以下で構成されます。
- 入力層
- 重み
- 出力層
入力層とは
入力層は、外部からデータを受け取る部分です。
例えば画像認識なら、
- 明るさ
- 色
- 形状
などの特徴が入力されます。
重み（Weight）とは
入力値には「重み（Weight）」が設定されます。
重みとは、
どの情報をどれだけ重要視するかを表す値です。
例えば、
- 猫判定で「耳」が重要
- 「背景」は重要ではない
といった重要度を学習します。
重み付き和の計算
パーセプトロンでは、入力値と重みを掛け合わせて合計します。
基本式は次の通りです。
を表しています。
出力層とは
計算結果をもとに、最終的な判断を出力します。
例えば、
猫 or 犬のような分類を行います。
パーセプトロンの学習方法
パーセプトロンは、正解データを使って学習します。
学習の流れ
基本的な流れは次の通りです。
- 入力データを与える
- 出力結果を計算する
- 正解と比較する
- 間違いに応じて重みを修正する
重み更新の考え方
例えば、
- 正解に貢献した特徴 → 重みを強化
- 間違いの原因 → 重みを弱化
します。
この繰り返しによって、徐々に精度が向上します。
単純パーセプトロンとは
初期のパーセプトロンは、
- 入力層
- 出力層
だけを持つシンプル構造でした。
これを「単純パーセプトロン（Single-layer Perceptron）」と呼びます。
単純パーセプトロンの限界
単純パーセプトロンには大きな問題がありました。
それが、
線形分離しかできないという点です。
線形分離とは
線形分離とは、
直線で分類できるデータのことです。
例えば、
- 単純な二値分類
なら可能です。
しかし、
- XOR問題
- 複雑な画像認識
などは解けません。
XOR問題とは
XOR問題は、単純パーセプトロンの限界を示した有名な例です。
XORでは、
入力が異なるときだけ1を出力します。
これは1本の直線では分類できません。
そのため、単純パーセプトロンでは解決不可能でした。
多層パーセプトロン（MLP）とは
この問題を解決するために登場したのが、多層パーセプトロン（MLP：Multi-Layer Perceptron）です。
隠れ層を追加する
多層パーセプトロンでは、
- 入力層
- 隠れ層
- 出力層
を持ちます。
隠れ層とは
隠れ層は、入力と出力の間で特徴変換を行う部分です。
これによって、
- 非線形問題
- 複雑パターン
- 高度な特徴抽出
が可能になります。
ディープニューラルネットワーク（DNN）との関係
隠れ層をさらに増やしたものが、現在のDNN（Deep Neural Network）です。
例えば、
入力層
↓
隠れ層1
↓
隠れ層2
↓
隠れ層3
↓
出力層のような深い構造になります。
なぜディープラーニングが成功したのか
かつては、多層ネットワークの学習が非常に困難でした。
理由として、
- 計算能力不足
- データ不足
- 学習アルゴリズム未成熟
などがあります。
誤差逆伝播法（バックプロパゲーション）
1990年代以降、「バックプロパゲーション（誤差逆伝播法）」が普及しました。
これによって、深いネットワークでも効率的に学習できるようになりました。
GPU進化も大きい
さらに、
- GPU
- 大規模データ
- 深層学習フレームワーク
の進化によって、現在のAIブームが実現しました。
パーセプトロンの現代的意義
現在では、単純パーセプトロン単体が使われる場面は多くありません。
しかし、
ニューラルネットワークの原点として非常に重要です。
現在の、
- CNN
- RNN
- Transformer
- 生成AI
も、基本的には「ニューロンと重み」の考え方を継承しています。
パーセプトロンのメリット
シンプルで理解しやすい
ニューラルネットワーク入門に最適です。
学習の基本原理を理解できる
重み更新や分類の基礎を学べます。
パーセプトロンのデメリット
単純モデルでは表現力が低い
複雑問題には対応できません。
線形分離問題しか解けない
単層構造には限界があります。
まとめ
パーセプトロン（Perceptron）は、人間の脳のニューロン構造を模したニューラルネットワークの原型です。
現在の深層学習や生成AIも、このパーセプトロンの考え方を基礎として発展しています。
ポイントを整理すると、以下の通りです。
- ニューロンを模した人工モデル
- 重み付き和によって判断する
- 単純パーセプトロンは線形分離のみ可能
- 多層化によって高度な学習が可能になった
- 現代DNNの基礎技術である
パーセプトロンを理解することは、AI・ディープラーニング全体の理解につながる重要な第一歩です。
こちらもご覧ください：VQ-VAEとは？仕組み・VAEとの違い・コードブック・生成AIへの応用をわかりやすく解説
