历景铄直言：“实不相瞒，资金方面我不缺，设备也有，我家里就有电脑。可我缺人手啊，虽说我一直密切关注神经网络的发展，一心想为这事业出份力，无奈编程能力有限，所以特别希望能有人帮我处理算法工程方面的问题。”
“我知道你们团队研发过不少软件，我相信你们也能出色地帮我完成研发工作。”
“原来如此！” 秦奕嘴角微微上扬，露出一抹笑意，“借人手给你搞研发也不是不行，但理想基金的项目，期望有一个长远规划，且产出得相对明确。要是最终证明你这个研究方向达不到理想效果，得有个备用方案才行。”
“这确实是个问题。” 历景铄也清楚这个研究方向并非十拿九稳，“那秦总，你对这备用方案有何建议呢？”
秦奕缓缓说道：“我还真有一些不错的想法，一部分关乎研究方向，一部分则涉及不同项目成果。”
“就研究方向而言，神经网络确实极具潜力，值得投入，但目前硬件算力跟不上，限制了它发挥更大作用。”
“即便硬件性能真如摩尔定律所说，价格不变时，集成电路上可容纳的晶体管数目每隔 18 - 24 个月便会增加一倍，性能也随之提升一倍，可神经网络要在实际场景中广泛运用，估计也得二十年之后了。”
“除了神经网络，机器学习领域还有像决策树这类不错的研究方向，它们对算力要求没那么高。”
在接下来的 90 年代到二十世纪初，神经网络模型会因为结构相对简单，训练算法也不够成熟，容易出现过拟合、梯度消失等问题，这导致其在实际应用中的效果并不理想，整个研究领域再度陷入寒冬。
与此同时，机器学习中的支持向量机、决策树、随机森林等算法逐渐崭露头角。
这些方法在一些分类和回归问题上表现出色，理论基础扎实且具有良好的可解释性，因而得到广泛应用，成为人工智能领域的关键技术。
即便后来深度学习兴起，传统机器学习算法在某些领域依旧发挥着作用，并且与深度学习等技术相互融合，例如在数据预处理、特征工程等方面，传统机器学习方法的价值依旧不可忽视。
所以，秦奕认为当下研究机器学习的其他方向更具价值。
“决策树？机器学习里对算力要求不高的研究方向？” 历景铄思索片刻，“贝叶斯学习算吗？”
秦奕应道：“贝叶斯也算一个。不过这种统计学习方法，在小数据量情况下，也就只能在一些简单场景做判断。要在复杂场景进行有效分析和推断，大数据量还是更具优势，而你要能在大数据上面进行处理，大量的算力也是不可避免的。”
稍作停顿，他接着补充：“其实比起学术研究出成果，我更建议你在其他成果方面发力，比如构建数据集，或者提供完善的机器学习开发工具。”