“机器学习的发展要追溯到1957年，Rosenblatt提出了感知机模型……”

华东大学的一间教室里，徐毅站在讲台上，一边播放幻灯片，一边对着台下的学生讲解道。

刚刚进入八月份，虽然秋季学期还未正式开学，但华东大学的小学期课程已经开始，徐毅正在给选修《机器学习》这门课程的本科生上课。

炎热的夏风伴随着着窗外的蝉鸣，带进屋中昏沉的睡意，连不停嗡嗡转动的风扇也无法吹散。

但教室里的学生几乎全都专注地看向讲台，认真听着徐毅的讲授，展现出作为重点大学学生的优秀素质，让已经汗流浃背的徐毅感到欣慰不已。

“……根据我们前面的讲述，感知机实际上就是将我们输入的数据作为向量，把向量中的每一个元素进行加权求和，最后将数据分类，我们可以用一张二维的图像作为示例。”

徐毅放出下一张PPT，图上是一个画着x轴和y轴的平面坐标系，上面散落着许多红色和蓝色的点。

“来看这张图，里面每一个点就代表一个数据样本，我们用两种颜色来表示数据的种类。”

“感知机的目的就是要找到一条直线，从而将这些点按照种类分开，就像这样…”

随着徐毅点击鼠标，一条直线在图中出现，将两种颜色的点切到左右两边。

“用数学语言来描述的话，就是用直线y=wx+b来将数据样本分类，而感知机的学习过程就是寻找这条直线的系数w和b的过程，”

徐毅又一点鼠标，坐标系上的点和直线统统消失，转而出现了坐标在（0，0）（0，1）（1，0）（1，1）上的四个点，它们刚好构成了一个小正方形的四个顶点，右上角的顶点被标成蓝色，另外三个点则是红色。

“我们用这四个点来表示最基础的逻辑门，蓝色表示真，红色表示假，图中所示是一个与门，显而易见我们可以用一条直线把真值和假值分开。”

一道将正方形右上角斜着切开的黑线随着徐毅的话语出现，

“同样地，对于或门和非门逻辑，我们同样可以用一个感知机来表示，但是感知机有一个很重大的缺陷，大家觉得是什么？”

听到徐毅的提问，下面的学生七嘴八舌地回答起来。

“多个种类混杂的情况？”

“不能用直线分离的点……”

“异或问题！”

徐毅看了一眼说出正确答案的学生，这个小胖子叫王浩中，对机器学习的相关知识了解的相当全面，在前几节课上已经给他留下了很深刻的印象，因此他毫不意外地点点头，补充道：

“多分类问题实际上可以转化为多个二分类问题，因此这类问题是完全可以用感知机实现的……”

“所以正确答案就是线性不可分问题！例如这样一些混杂在一起的点，我们就不能用直线将它们分开，这种问题的最简单形式就是异或问题。”

屏幕上的四个点颜色再变，左下和右上的两个点变成蓝色，另两个点变成红色。

这时台下一个扎着单马尾的女生急切举手，徐毅冲她点点头示意可以提问。

“老师，异或不是可以用前面三种基本逻辑表示么？为什么可以学习三种基本逻辑的感知器不能表示异或？”

听到这个问题的徐毅笑了笑，并未直接回答，反而问起其他学生，

“非常好的问题！我们都知道异或可以由两个非门和与门再加一个或门组成，那么我们可不可以同样用几个感知机分别表示几种基本逻辑，最终组成一个异或门呢？有没有同学讲一下想法……王浩中？”

看到学生纷纷陷入沉默，于是直接点名前面的小胖子。

“嗯……可能原因是由于感知机最后的非线性激活函数，从而导致多层结构的感知机无法求解？据我所知好像现在没有类似的方法，所以这条路应该是不可行的。”

虽然徐毅提出的这个思路之前没有想过，但凭着对机器学习的深刻理解，王浩中思索片刻后便给出了结论。

王浩中的父亲是领域内的专家，在他高中时候就带着他参与相关研究，王浩中在大二时就能以第一作者的身份发表二区论文，因此他对自己的答案有着充足的自信，挺起胸膛等着老师的回复。

“没错！因为在感知机中使用的激活函数是sign函数，即对于任意大于零的自变量x，我们都令函数f(x)的值为1，而对于小于等于零的x，我们令函数值为-1，这是为了模拟人的神经元工作原理……”