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。”

“人工智能，先有人工，才有智能。”

“机器学习的智能要有效，前提在于其学习的数据集。”

“如果没有高质量的数据集，很多时候你算法再精妙学得再好也没有用，因为你学的东西本身就是错的。”

数据集是人工智能模型学习的基础，其质量和规模直接影响模型的准确性。

高质量、大规模的数据集能让模型学习到更多的特征和规律，从而提高预测和分类的准确性。

例如在图像识别领域，如果用于训练的图像数据集包含各种不同角度、光照条件、背景的图片，那么训练出的模型就能更好地识别出各种实际场景中的物体。

而在自然语言处理这边，若要训练一个华文语言模型，丰富的华文语料便是关键。

前世深度学习兴起的早期，由于缺乏高质量、大规模涵盖各类体裁、主题、语境的华文语料，许多华文模型在处理复杂语义、多样句式时，表现远不如英文模型。

当面对古典诗词、网络流行语、专业学术文献等多元文本时，模型常出现理解偏差，难以准确生成连贯、符合语境的回复。

而在收集并整理了海量包含新闻资讯、文学作品、社交媒体发言、学术论文等多类型的华文语料用于训练后，模型便能学习到丰富的词汇搭配、语法结构、语义逻辑。

这极大地提升了其对各类中文文本的理解与生成能力，在诸如文本分类、机器翻译、智能问答等任务中，准确性大幅提高。