明斯基和帕佩尔特是如此坚决地排除所有竞争，又如此笃信从笛卡尔直到早期维特根斯坦所保持的原子论传统，以致他们著作中的提法远远超出了实际的证明。他们试图分析单层感知机的能力，然而他们书中的数学部分完全忽视了罗森布拉特关于多层机的章节，以及他对以误差的反向传播为基础的概率学习算法的收敛性的证明(Rosenblatt1962a:292)。4鲁梅哈特和麦克莱兰指出：
明斯基和帕佩尔特试图说明何种函数是(单层)机器能够计算的，何种是不能计算的。他们特意证明了，如果不运用数量大到不可思议的谓词，这种感知机就不能计算像奇偶性那样的数学函数(无论视网膜上存在着奇数个点还是偶数个点)或是连通性的拓扑函数(无论其上所有的点是否直接地或通过也在其上的别的点与其上另外所有的点相联结)。这个分析是极其漂亮的，同时也证明了数学方法对于分析计算系统的重要性（Rumelhart and McClelland1986：i.111)。
但是这一分析的意义有很大的局限性。鲁梅哈特和麦克莱兰继续
13 造就心灵还是建立大脑模型：人工智能的分歧点
[1] 隐蔽节点是指这样的节点：它们既不能直接检测网络的输入，也不能构成网络的输出。但是通过具有可调整强度的联结，它们直接或间接地与检测输入和构成输出的节点连接起来。
[2]单层网络没有隐蔽节点，而多层网络肯定含有隐蔽节点。
[3] 误差反向传播要求从输出节点开始，按递归方式计算出改变联结强度对期望输出与由输入产生的输出之间的差异的影响。然后在学习过程中对加权值进行调整，以减小这个差异。
[4]参阅：“加上第四层信号传递单元，或使三层感知机的A单元交叉耦合，有可能在任意变换群之上得出概括问题的解答。……在反向耦合感知机中，可能出现对一个复杂区域内的熟悉对象的选择性注意。这样的感知机也可能有选择地注意那些相对于它们的背景作不同运动的对象。”(Rosenblatt 1962a:576)
339