En 1969 Marvin Minsky y Seymour Papert, en el MIT, publican 'Perceptrons: An Introduction to Computational Geometry', demostrando matemáticamente que el perceptrón de una sola capa —el modelo de Rosenblatt— es incapaz de resolver problemas no linealmente separables. El ejemplo más citado es el problema XOR: dos entradas cuya salida correcta no puede ser separada por ninguna línea recta en el espacio de entrada. La demostración es rigurosa y su impacto es devastador: la financiación para investigación en redes neuronales colapsa en EE.UU. y Reino Unido durante más de una década —el primer invierno de la IA—. La ironía histórica es doble: Minsky y Papert sabían que las redes multicapa podían superar estas limitaciones, pero afirmaron que entrenarlas sería computacionalmente intratable. Tenían razón sobre el perceptrón de una capa y razón sobre la dificultad de entrenar redes profundas con los métodos de entonces — pero se equivocaron al no anticipar el algoritmo de retropropagación que Rumelhart, Hinton y Williams formalizarían en 1986, que hace precisamente eso de forma eficiente. El libro de Minsky y Papert es simultáneamente una obra matemática rigurosa y el mayor freno institucional al desarrollo de las redes neuronales en el siglo XX.