البرسبترونات: مدخل إلى الهندسة الحاسوبية

قبل أن نتحدث عن القيود، نحتاج أن نفهم كيف يعمل البرسبترون أصلاً. الفكرة بسيطة: هو آلة حوسبية مستوحاة من الخلية العصبية البيولوجية، وتعمل في ثلاث مراحل:

1. الاستشعار: مجموعة وحدات حسّية تقرأ المدخل — في حالة الصور مثلاً، كل وحدة تقرأ بكسلاً واحداً.
2. الكشف: طبقة من كواشف السمات، كل كاشف ينظر إلى رقعة صغيرة من المدخل ويستخرج سمة جزئية. خرجه إما 1 أو 0.
3. القرار: وحدة قرار واحدة تحسب مجموعاً موزوناً لمخرجات كل الكواشف، تقارنه بعتبة، وتُعطي «نعم» أو «لا».

القيد الجوهري هنا أن وحدة القرار لا تملك إلا أن ترسم مستوىً فائقاً واحداً في فضاء الكواشف — ما يقع على جهة يُصنَّف «نعم» وما يقع على الجهة الأخرى «لا». هذا ما نسمّيه الفصل الخطي: البرسبترون لا ينفع إلا في المسائل التي يكفي فيها حدٌّ مسطّح واحد.

كيف يُصنّف البرسبترون؟ يحسب مجموعاً موزوناً لمدخلاته ويقارنه بعتبة. من الناحية الهندسية، هذا يعني أنه يرسم حدّ قرار — خطاً في بُعدين، مستوىً في ثلاثة أبعاد، مستوىً فائقاً في الأبعاد الأعلى. الفكرة واضحة: إن استطعت وضع كل أمثلة «نعم» على جانب وكل أمثلة «لا» على الجانب الآخر، فالمسألة قابلة لـالفصل الخطي والبرسبترون يتعلّمها. أما إن لم تستطع، فلا فائدة من مزيد من التدريب.

لنأخذ مثالاً عملياً: الدوال المنطقية AND وOR على مدخلَين ثنائيَّين. دالة AND تُعطي 1 فقط حين يكون كلا المدخلَين 1 — النقطة الموجبة الوحيدة $(1,1)$ معزولة في زاوية، وفصلها عن النقاط الثلاث السالبة سهل بخط واحد. ودالة OR تُعطي 1 حين يكون أي مدخل يساوي 1 — النقطة السالبة الوحيدة $(0,0)$ في زاوية وفصلها سهل أيضاً. كلتا الدالتين قابلة للفصل الخطي.

دالة XOR (أو الحصري) تُعطي 1 حين يكون مدخل واحد بالضبط يساوي 1: أي أن $(0,1)$ و$(1,0)$ موجبتان، بينما $(0,0)$ و$(1,1)$ سالبتان. ارسم هذه النقاط الأربع على مستوى وستلاحظ فوراً أن الموجبتين على قطر والسالبتين على القطر المقابل. لا يوجد خط مستقيم واحد يفصل قطراً عن قطر.

وهذه ليست مشكلة تدريب أو نقص بيانات — بل استحالة رياضية محضة. البرهان أنيق ومباشر: لو افترضنا وجود أوزان $w_1, w_2$ وانحياز $b$ تُحقّق الشروط الأربعة معاً: $b < 0$ (لرفض 0,0)، و$w_1 + b > 0$ (لقبول 1,0)، و$w_2 + b > 0$ (لقبول 0,1)، و$w_1 + w_2 + b < 0$ (لرفض 1,1). اجمع الشرطين الأوسطين تحصل على $w_1 + w_2 + 2b > 0$. لكن الشرط الرابع يقول $w_1 + w_2 + b < 0$، وبطرح المتباينتين نستنتج أن $b > 0$ — وهذا يناقض الشرط الأول. إذن لا حلّ ممكن.

لم يتوقف مينسكي وبابرت عند XOR، بل ذهبا أبعد بكثير. من أعمق نتائجهما إثبات أن البرسبترون يعجز عن المسائل التي تتطلب حساباً شاملاً — أي مسائل لا يمكن حلّها بالنظر من نوافذ محلية صغيرة:

التكافؤ (Parity): السؤال هنا بسيط — هل عدد المدخلات النشطة فردي أم زوجي؟ لكن المشكلة أن قلب بت واحد فقط يغيّر الإجابة تماماً، وهذا يعني أنك لا تستطيع تجاهل أي مدخل. أثبت مينسكي وبابرت أن البرسبترون لن يحسب التكافؤ ما لم يفحص كاشف واحد على الأقل كل المدخلات دفعة واحدة. إن كانت الكواشف محلية — كل كاشف يرى رقعة صغيرة — فالبرسبترون أعمى تماماً عن التكافؤ.

الترابط (Connectedness): هل الشكل في الصورة قطعة متّصلة أم أنه مقسّم إلى أجزاء؟ دماغك يجيب فوراً، لكن الإجابة تتطلب تتبّع مسارات عبر الصورة كاملة. أثبت مينسكي وبابرت أن الرتبة اللازمة لهذه المسألة تكبر مع حجم الصورة — فلا يستطيع أي برسبترون ثابت الحجم حسابها.

كيف نقيس «صعوبة» مسألة ما بالنسبة لـالبرسبترون؟ هنا جاء مفهوم الرتبة: وهي أقل عدد من نقاط المدخل يجب أن يراها كاشف واحد معاً كي يساهم في الحل.

تخيّلها كـ«مجال الرؤية» الأدنى المطلوب. كاشف يرى 3 بكسلات في المرة الواحدة رتبته 3. لكن إن كانت المسألة تتطلب رتبة بحجم المدخل كله، فلا بد أن يرى كاشف واحد على الأقل كل شيء — وعندها تفقد ميزة الحوسبة المحلية المتوازية التي يقوم عليها البرسبترون.

النتيجة المحورية: مسائل مثل التكافؤ والترابط ذات رتبة غير محدودة — كلما كبر حجم المدخل احتجت مجال رؤية أكبر. لذلك لا يستطيع أي برسبترون عملي بكواشف محلية أن يحلّها.

نقطة مهمة: مينسكي وبابرت لم يقولا إن البرسبترون عديم الفائدة. بالعكس، حلّلا أيضاً مبرهنة تقارب البرسبترون (التي أثبتها أصلاً روزنبلات ونوفيكوف) وخلاصتها: إذا كانت المسألة قابلة لـالفصل الخطي، فإن خوارزمية تعلّم البرسبترون مضمونة لإيجاد أوزان صحيحة في عدد محدود من الخطوات.

القاعدة بسيطة: اعرض مثالاً على البرسبترون — إن أصاب لا تُغيّر شيئاً، وإن أخطأ عدِّل الأوزان باتجاه الإجابة الصحيحة. هذا تعلّمٌ مدفوع بالخطأ. المبرهنة تضمن أنه سيصل للحلّ، وعدد الخطوات يتوقف على الهامش — أي مقدار الفجوة التي يفصل بها الخط الصحيح بين الفئتين.

من أقوى حجج الكتاب استخدام نظرية الزمر لتحليل قيود البرسبترون. الفكرة أن كثيراً من المهام الواقعية تحتاج التعرّف على الأنماط بصرف النظر عن مكانها أو دورانها أو انعكاسها — وهذه تماثلات تُوصَف رياضياً بالزمر.

ما بيّنه مينسكي وبابرت أنه إذا أردنا من البرسبترون أن يتعرّف على شكل «أينما ظهر في الصورة»، فإن القيود على أوزانه تصبح شديدة لدرجة تشلّ قدرته. السبب أن كواشفه محلية ومستقلة — كلٌّ يرى رقعته فقط — فلا تستطيع التعبير عن تناظرات شاملة تمتدّ عبر الصورة كلها.

هذا مرتبط مباشرة بما نسمّيه اليوم الانحياز الاستقرائي: الشبكات الالتفافية مثلاً تبني ثبات الانتقال في صلب بنيتها عبر مشاركة الأوزان — وهو بالضبط الحلّ الذي كان البرسبترون يفتقده.

النقطة الجوهرية هنا: مينسكي وبابرت كانا يعرفان أن إضافة طبقة مخفية تحلّ المشكلة. الكتاب نفسه يقرّ بوضوح أن شبكة من طبقتين — واحدة تُنشئ تمثيلات وسيطة والأخرى تدمجها — قادرة على حساب أي دالة بولية. حجتهما لم تكن أن الشبكات متعددة الطبقات مستحيلة، بل شيئان محدّدان:

• لم يكن أحد يعرف كيف يُدرّبها عملياً. الانتشار العكسي لم يكن قد ظهر بعد.
• بدون خوارزمية تعلّم فعّالة، تبقى هذه الشبكات مجرد بناء نظري لا طريقة لاستخدامه.

لكن هذا التمييز الدقيق ضاع على أغلب القرّاء. قرأ المجتمع البحثي الكتاب على أنه حكمٌ قاطع ضد كل الشبكات العصبية، لا ضد البرسبترونات أحادية الطبقة فحسب. العنوان الفرعي «مدخل إلى الهندسة الحاسوبية» يوحي بأنه بحث رياضي متخصّص، لكن الخلاصة فُهمت على أنها حكم نهائي: الشبكات العصبية طريق مسدود.

كان الأثر كارثياً على الميدان. التمويل الحكومي لأبحاث الشبكات العصبية جفّ شبه كلياً. حوّلت DARPA ووكالات أخرى منحها نحو الذكاء الاصطناعي الرمزي — أنظمة تعمل بقواعد منطقية صريحة بدلاً من التعلّم من البيانات. حتى الأقسام الجامعية التي كانت تدعم الترابطية وجدت أن طلابها لا يحصلون على وظائف ولا منح.

امتدّ هذا الشتاء تقريباً من 1969 إلى 1986. لم يتوقف البحث تماماً — ظلّ يتحرك في جيوب صغيرة، أبرزها عمل ويربوس على الانتشار العكسي (1974)، ثم الورقة الحاسمة لروملهارت وهنتن وويليامز (1986) التي أظهرت كيف تُدرَّب الشبكات متعددة الطبقات بكفاءة.

المفارقة اللافتة أن القيد الذي كشفه مينسكي وبابرت — عجز الشبكة أحادية الطبقة عن حساب XOR — هو بالذات ما دفع نحو الحل متعدد الطبقات. المشكلة التي شخّصاها هي المشكلة التي سيحلّها الانتشار العكسي.

بالنظر إلى الوراء، لعب كتاب البرسبترونات دوراً متناقضاً بامتياز: قتل مساراً بحثياً كاملاً، لكن تشخيصه الدقيق لـأسباب فشل الشبكات أحادية الطبقة هو ما أرشد الميدان إلى الحلول. كل تقدّم كبير في العقود الثلاثة التالية يمكن قراءته كردّ مباشر على ما كشفه الكتاب:

• الانتشار العكسي (1986) — حلّ مشكلة تدريب الشبكات متعددة الطبقات.
• البرسبترون متعدد الطبقات — أضاف طبقات مخفية تُنشئ تمثيلات داخلية كانت الشبكات أحادية الطبقة تفتقدها.
• الشبكات الالتفافية (1989) — بنت ثبات الانتقال في صلب بنيتها عبر مشاركة الأوزان وحقول الاستقبال المحلية — وهو ما أثبتت نظرية الزمر أن الطبقة الواحدة عاجزة عنه.
• مبرهنة التقريب الشامل (1989) — أثبتت أن طبقة مخفية واحدة واسعة بما يكفي تستطيع تقريب أي دالة مستمرة.

ما تركه مينسكي وبابرت هو معيار في التفكير: لا تكتفِ بالبناء — أثبت ما تقدر عليه بنيتك وما لا تقدر عليه. ذلك الانضباط الذي وُلد من البراهين نفسها التي أشعلت شتاء الذكاء الاصطناعي صار اليوم من ركائز الفهم النظري لـالتعلّم العميق.