1. Персептроны имеют ограничения в задачах, связанных с инвариантным представлением образов, то есть независимым от их положения на сенсорном поле и относительно других фигур. Такие задачи возникают, например, если нам требуется построить машину для чтения печатных букв или цифр так, чтобы эта машина могла распознавать их независимо от положения на странице; или если нам нужно определить из скольких частей состоит фигура; или находятся ли две фигуры рядом или нет. Минским было доказано, что этот тип задач невозможно полноценно решить с помощью параллельных вычислений, в том числе — персептрона.
2. Персептроны не имеют функционального преимущества над аналитическими методами (например, статистическими) в задачах, связанных с прогнозированием. Тем не менее, в некоторых случаях они представляют более простой и производительный метод анализа данных.
3. Было показано, что некоторые задачи в принципе могут быть решены персептроном, но могут потребовать нереально большого времениили нереально большой памяти. [1]
Нельзя рассматривать нейронные сети как идеальное средство для решения любых задач, они отлично справляются там, где имеет место быть большое число похожих примеров, в которых можно проследить скрытые взаимосвязи, эта особенность успешно используется в областях с однотипным видом действий, требующих строго математического подхода. Однако не стоит их недооценивать, способность к обучению дает возможность расценивать нейронные сети как перспективное направление, и позволяет исследовать их потенциальные возможности в дальнейшем.