在鄭教授看來，將科技方法導入漁業發展，仍有很大的進步空間，而現在的當務之急有二，一是人才的鼓勵和培育，二是建立本土化的研究。「跨領域的困難，在於容易兩邊不討好。像我們自己做養殖漁業中的深度學習時，就遇到很多從來沒有想像過的問題。」鄭教授舉例說明，例如資料的收集，這是深度學習的基礎。但是，在水下的環境中，要像在陸地上一樣，針對同一物件有效率的收集完整資料，就變得十分困難。比方水中的光線傳播，受到水質和深度的影響，可能導致影像模糊、色彩失真、視線範圍受限等。這對於依賴視覺資訊的深度學習模型來說，成了一大挑戰。

圖說：水下攝影的清晰度，影響深度學習模型的開發。

另外，在陸地上用來收集資料的設備，也無法直接應用到水下環境，需要特別設計和改良。光是這兩個原因，就代表著跨領域研究需要更高的成本，以及更長的開發時間，同時也更不容易找到願意投入心血的研究人員。「一般來說，研究人員在自己的領域中都算得上是專家，可以很靈活的運用各種技術、想出創新的角度，去做研究跟開發，再寫出很有深度的研究論文。但是一旦跨到別的領域，等於是從零開始，要重新經歷整個知識量跟技術量都不足的時期，甚至有可能浪費很長一段時間在做白工，這真的是臺灣研究人員的痛。」鄭教授認為，只有研究環境的改善，才有機會帶動更多跨領域研究的可能。

另一方面，鄭教授也希望臺灣養殖漁業相關的學術研究人員，能夠在本土化資料庫的建立以及研究等面向急起直追。「我們在這幾次跨領域計畫的經驗中，其實看了非常多資料，發現我們有很多全球環境、趨勢的研究，但針對臺灣本土的研究量真的很少。」鄭教授指出，由於對本土的認識不足，反而造成政府在推動養殖漁業發展上的阻礙，甚至成為無解的問題。鄭教授以親身經驗舉例，說明本土化研究不足所造成的認知落差：「在適合的環境中，養適合的物種，這比任何監測設備、預測模型都來得重要。就拿海鱺來說好了，牠不能生活在低於 17 度的海水中，但之前有漁民堅持想在水溫低的地方養海鱺，問我能不能開發出一套溫度預測模型，準確的告訴他何時水溫會低於 17 度。我就算做到 100％ 的預測率又怎麼樣？這種海水養殖的環境下，能改變溫度嗎？」鄭教授的經驗讓我們看到了學界與業界的斷裂，而這樣的斷裂，不只說明了我們的確需要更多在地研究的投入，也仰賴主管機關在政策制定上的遠見來彌補。