Xortran：用1960年代Fortran语言实现神经网络的经典教学项目

Xortran是一个使用Fortran IV语言编写的多层感知机神经网络项目，可在IBM 1130和PDP-11等经典计算机上运行。它通过解决XOR问题，帮助学习者理解神经网络的基本原理及其历史演变。本帖将从背景、技术实现、实践体验等方面展开，带大家探索这个连接过去与现在的经典教学项目。

XOR问题的历史地位

XOR（异或）是简单逻辑运算，但单层感知机无法解决它，这一结论曾导致神经网络研究进入十余年“寒冬期”。直到1986年，反向传播算法的提出证明多层感知机可解决XOR问题，重新点燃研究热情。

Fortran IV与经典硬件

Fortran IV是1962年发布的高级编程语言，在科学计算领域广泛使用。Xortran支持的IBM 1130（1965年推出）和PDP-11（1970年推出）是当时代表性小型机，分别为科研机构提供计算能力和成为Unix诞生平台。

多层感知机架构

Xortran实现三层感知机：

• 输入层：接收XOR的两个二进制输入
• 隐藏层：学习非线性特征（解决XOR的关键，因XOR非线可分）
• 输出层：产生XOR结果

Fortran IV实现挑战

• 数组运算：需预定义数组大小，限制网络规模
• 浮点运算：适配IBM 1130和PDP-11不同浮点表示
• 输入输出：适应穿孔卡片/纸带输入、行式打印机输出的批处理模式
• 激活函数：手动实现简单阈值或分段线性近似

模拟器运行

无实体古董机的学习者可通过模拟器体验：

• IBM 1130 Simulator（Carl Claunch开发）
• SIMH多平台仿真系统（支持PDP-11）

代码阅读

阅读Fortran IV源代码能体会：

• 固定格式、隐式类型声明、GOTO语句等复古风格
• 编程语言的演进历程

理解神经网络本质

剥去现代框架抽象，直面核心机制：

• 前向传播：输入到输出的传递
• 权重更新：通过调整权重实现学习
• 误差反向传播：误差从输出层传回输入层

历史视角与技术传承

• 体会计算资源稀缺如何塑造算法设计
• 反向传播算法至今仍是深度学习基石，展现技术连续性

极简主义智慧

复杂系统建立在简单原理上，Xortran的小型网络蕴含现代大模型核心思想，帮助保持清晰思维。

历史敬畏与创新勇气

Minsky等人的批评曾停滞研究，但研究者坚持探索带来突破，这种精神对今日AI研究者仍有启示。

跨学科价值

连接计算机史、编程语言学和机器学习，培养全面技术素养。

Xortran不仅是复古项目，更是连接过去与现在的桥梁。它重现历史，致敬先驱，为学习者提供独特方式：通过限制理解自由，通过历史把握现在，通过简单洞察复杂。