跑題的答案。
个人认为，半黑箱框架，如果对某类效果好的话，会有两个值得注意的地方：
1 存在一个全新的、更简单的框架。
2 能找到一个更深层次的、更fundamental的原因来解释，这类问题的具备哪些特征，才正好适用于此个框架。
这两个方向，都值得探究。
It is a capital mistake to theorize before one has data. - Sir Arthur Conan Doyle
但感觉现在是，有了data，却很难theorize。也许深度学习本身会是终级theory？
其实不只深度学习了，现在火的在范数L1 norm到Lp norm上做文章也是。
说些题外话。
算法细分的话：有产品型的，一般要求算法够鲁棒，street smarts，什么情况都能处理，虽然往往牺牲效果（因为很多时候是考虑最差情况，乃至最优最差情况，当然如何formulate也是问题）；有精英项目型的，属于温室，要创造很好的条件才能成功；有做实验发论文型的，属于温室中的温室了，简直就是没有问题创造问题也要解决，不值得去说了。
简而言之，可能又失偏颇：做产品的，最差情况要能接受；做精英项目的，一般情况要能接受；做实验发论文的，最好情况，要能接受，至少针对某个问题来说。。。
但现在多见的却是，为了发论文，到处找例子证明比别人好，就像拿着自己的斧子，看见螺丝也想锯一下；也像射箭，先射了之后，再去画耙子，当然百发百中，当然比别人效果好。
