MP神经元模型

概述

1943年由Warren McCulloch和Walter Pitts提出的首个神经元数学模型，将生物神经元抽象为带阈值的二值逻辑单元，证明神经网络可执行任意逻辑运算。

关键内容

1. 数学抽象：MP模型将生物神经元简化为一个二值阈值单元——接收多个输入信号，进行加权求和，当总和超过预设阈值时输出1（"放电"），否则输出0（"静默"）。这是对生物神经元工作原理的首次数学形式化。
2. 核心局限——权重不可学习：MP模型中所有权重必须由人工预先设定，机器自身不具备从数据中学习权重的能力。这一缺陷在1958年被Frank Rosenblatt的感知机（Perceptron）所解决——感知机引入了感知机学习规则，实现了权重的自动调整。
3. 计算能力：McCulloch和Pitts证明了由MP神经元组成的网络在理论上可以计算任何布尔逻辑函数，这为后来的多层感知机和深度学习奠定了概念基础。
4. 历史地位：MP模型是现代神经网络的最早理论前身。尽管它本身不具备学习能力，但确立了"神经元 = 加权求和 + 阈值"这一基本计算范式，至今仍是所有神经网络的核心结构。感知机（Perceptron）在此基础上增加了自动学习机制。

来源

• paper_01_perceptron.md — 时代背景：1950年代的AI梦想章节

相关

• 感知机（Perceptron） — extends with automatic learning
• Warren McCulloch — created_by
• Walter Pitts — created_by
• The Perceptron (1958 论文) — precursor_to
• 多层感知机 — evolved_from