मैककलॉक-पिट्स (1943): पहला कृत्रिम न्यूरॉन

शोध-पत्र एक नज़र में

1943 में वॉरेन मैककलॉक (तंत्रिका-वैज्ञानिक) और वाल्टर पिट्स (तर्कशास्त्री, उस समय केवल 18 वर्ष के) ने "A Logical Calculus of the Ideas Immanent in Nervous Activity" प्रकाशित किया। उनका दावा सरल था, पर विशाल: एक न्यूरॉन को एक तार्किक gate (logic gate) की तरह समझा जा सकता है।

यही एक विचार हर neural network का पूर्वज बना — 1958 के Perceptron से लेकर आज के chatbots के पीछे चलने वाले Transformers तक।

समस्या: न्यूरॉन या तो fire करता है, या नहीं

1940 के दशक में तंत्रिका-विज्ञान ने all-or-none नियम तय कर लिया था: न्यूरॉन या तो action potential fire करता है, या शांत रहता है। आधा-अधूरा firing नहीं होता।

उधर तर्कशास्त्र के पास बूलियन बीजगणित था — AND, OR, NOT — सही और गलत का गणित।

मैककलॉक और पिट्स ने पुल देख लिया: अगर न्यूरॉन तभी fire करता है जब पर्याप्त inputs आते हैं, तो वह एक threshold function (दहलीज फलन) की गणना कर रहा है। और threshold functions किसी भी बूलियन तर्क को व्यक्त कर सकते हैं।

फ़ाइनमैन समझाओ: रात का पहरेदार

सोचो एक पहरेदार फाटक पर खड़ा है। वह फाटक तभी खोलता है जब तीन में से कम से कम दो सिपाही रिपोर्ट करें।

एक सिपाही आया → फाटक बंद।
दो सिपाही आए → फाटक खुला।
सुपरवाइज़र का रोक आदेश आया → फाटक बंद, चाहे कितने भी सिपाही आ जाएँ।

यही मैककलॉक-पिट्स न्यूरॉन है:

Inputs = सिपाही (0 या 1)
Weights = हर सिपाही का महत्व
Threshold = कितनी रिपोर्ट चाहिए
Inhibition = सुपरवाइज़र का रोक आदेश

गणित

न्यूरॉन अपने भारित inputs का योग करता है और उसे दहलीज से तुलना करता है:

y = ⎩ ⎨ ⎧ 10 if i \sum w_{i} x_{i} \geq θ otherwise

मूल 1943 के पेपर में एक जैविक मोड़ था: कोई भी inhibitory input output को रोक देता है, चाहे excitation कितनी भी हो:

y = 1 ⟺ exc \sum x_{i} \geq θ \land inh \sum x_{i} = 0

एक ही न्यूरॉन से AND, OR, NOT

Weights और threshold बदलो — वही न्यूरॉन दूसरा logic gate बन जाता है।

AND gate

दोनों inputs 1 होने चाहिए। $w_{1} = w_{2} = 1$ और $θ = 2$ रखो।

$x_{1}$	$x_{2}$	$\sum w_{i} x_{i}$	Output
0	0	0	0
0	1	1	0
1	0	1	0
1	1	2	1

OR gate

कम से कम एक input 1 होना चाहिए। $w_{1} = w_{2} = 1$ और $θ = 1$ रखो।

$x_{1}$	$x_{2}$	$\sum w_{i} x_{i}$	Output
0	0	0	0
0	1	1	1
1	0	1	1
1	1	2	1

NOT gate

Inhibitory connection लगाओ: inhibitory input output को 0 कर देता है।

$x_{1}$ (excitatory)	$x_{2}$ (inhibitory)	Output
0	0	0
1	0	1
0	1	0
1	1	0

क्योंकि इन gates को जोड़ा जा सकता है, मैककलॉक-पिट्स न्यूरॉन्स के नेटवर्क किसी भी बूलियन फलन की गणना कर सकते हैं। यही उनकी सार्वभौमिकता (universality) है।

पेपर ने असल में क्या दावा किया

पेपर सावधान था:

तंत्रिका गतिविधि को एक तार्किक कलन से वर्णित किया जा सकता है।
दहलीज न्यूरॉन्स के नेटवर्क किसी भी परिमित तार्किक अभिव्यक्ति को साकार कर सकते हैं।
ऐसे नेटवर्क सैद्धांतिक रूप से धारणा, स्मृति और सीखने का काम कर सकते हैं।

लेकिन उन्होंने यह नहीं कहा कि न्यूरॉन्स सीखते हैं। Weights डिज़ाइन से तय थे।

कहाँ चूके

सीखना नहीं था। Weights और thresholds हाथ से सेट करने पड़ते थे। यह 1958 तक चला, जब रोज़ेनब्लाट के Perceptron ने learning rule दिया।
जैविक अतिसरलीकरण। असली न्यूरॉन्स में timing, refractory period और बदलने वाले synapses होते हैं; इस मॉडल में कुछ नहीं।
केवल रैखिक रूप से अलग होने वाली समस्याएँ। एक अकेला threshold gate XOR नहीं कर सकता। मिंस्की और पैपर्ट ने 1969 में यह उजागर किया, जिससे पहला AI winter आया।

आज भी क्यों मायने रखता है

हर आधुनिक नेटवर्क इसी मॉडल का वंशज है:

1943 की अवधारणा	आधुनिक वंशज
Threshold activation	ReLU, sigmoid, tanh, GELU
Weighted summation	Linear layers (matrix multiply)
Binary inputs	Continuous embeddings
Fixed weights	Backpropagation से सीखे गए
Single gate	परतों में अरबों parameters

संरचना — inputs, weights, sum, nonlinearity — आज भी हर neural network का ढाँचा है।

एक पंक्ति में

मैककलॉक और पिट्स ने सोचने वाली मशीन नहीं बनाई; उन्होंने एक अकेले न्यूरॉन का तर्क बनाया — और उसके बाद का हर नेटवर्क उसी विचार से बातचीत है।

आगे क्या

अगला पेपर वही सवाल पूछता है जिसने कंप्यूटर विज्ञान को जन्म दिया: क्या मशीनें सोच सकती हैं?

अगला: ट्यूरिंग (1950) — Computing Machinery and Intelligence। (जल्द आ रहा है)

आगे पढ़ने के लिए

मूल पेपर (1943) — A Logical Calculus of the Ideas Immanent in Nervous Activity
McCulloch, W. S. (1988). Embodiments of Mind. MIT Press.
Piccinini, G. (2004). The First Computational Theory of Mind and Brain. Synthese.