计算资源有限
硬件性能不足：当时的计算机硬件性能相对较弱，处理速度慢，内存容量小，无法高效地支持大规模神经网络的训练。例如，训练一个包含较多层数和神经元的网络，需要消耗大量的计算时间和资源，这使得研究人员难以在短时间内得到有效的训练结果，从而限制了神经网络模型的复杂度和规模。
缺乏并行计算能力：现代深度学习的发展很大程度上依赖于并行计算技术，如GPU等硬件的加速作用。但在1980年代，并行计算技术尚未成熟，无法充分利用多核处理器等硬件资源来加速神经网络的训练过程，导致训练效率低下，难以处理大规模的数据和复杂的模型。
数据资源匮乏
数据量有限：与当今大数据时代相比，1980年代可获取的数据量非常有限。神经网络需要大量的数据来进行训练，以便学习到数据中的复杂模式和规律。当时有限的数据量无法满足神经网络对数据的“饥渴”，导致模型的泛化能力和准确性受到很大影响。
数据质量不高：除了数据量的问题，当时的数据质量也参差不齐。数据可能存在噪声、缺失值、不一致性等问题，这些都会对神经网络的训练产生干扰，影响模型的学习效果。而且，数据的标注工作也相对困难和耗时，缺乏足够数量的高质量标注数据，进一步限制了神经网络的应用和发展。
算法本身的局限性
容易陷入局部最小值：反向传播算法在训练过程中，通过梯度下降法来优化网络的权重，以最小化损失函数。然而，神经网络的损失函数通常是高度非凸的，存在许多局部最小值。在当时的算法和技术条件下，很难保证模型能够找到全局最优解，而容易陷入局部最小值，导致模型的性能无法达到最佳。
难以训练深层网络：随着神经网络层数的增加，反向传播算法会面临梯度消失或梯度爆炸的问题。在训练深层网络时，误差反向传播到前面的层时，梯度可能会变得非常小，几乎无法对权重进行有效的更新，使得网络的前几层参数难以训练；或者梯度可能会变得非常大，导致权重更新幅度过大，使训练过程不稳定。这使得当时难以训练出具有较深层次的神经网络，限制了模型对复杂问题的学习能力。
理论研究不够深入
对神经网络的理解有限：尽管反向传播算法在1980年代得到了应用，但当时对神经网络的理论研究还不够深入，对其工作机制、性质和潜在能力的认识还比较模糊。例如，对于神经网络的泛化能力、过拟合问题、网络结构设计等方面的理论基础还不够完善，这使得研究人员在设计和优化神经网络时缺乏系统的指导，难以充分发挥神经网络的潜力。
缺乏有效的优化策略：在优化算法方面，当时的优化策略相对简单，缺乏像现在这样丰富多样的优化方法和技巧。例如，没有像Adam、RMSprop等先进的优化算法来加速收敛、提高训练效率和稳定性；也没有像批量归一化、残差连接等技术来缓解深层网络训练中的问题。这些都限制了神经网络在1980年代的发展和应用效果。
应用场景和需求的限制
应用场景有限：1980年代计算机的应用场景相对较为有限，主要集中在一些特定的领域，如科研、军事、大型企业等。在这些场景中，对于AI的需求也相对较为简单和特定，没有像现在这样广泛和多样化的需求来推动神经网络技术的发展和应用。例如，在当时的工业生产中，对于自动化和智能化的需求主要集中在一些简单的控制和监测任务上，而对于复杂的图像识别、自然语言处理等任务的需求并不迫切。
缺乏商业驱动：与当今AI领域的商业化热潮不同，1980年代AI技术的商业应用还处于起步阶段，缺乏足够的商业利益驱动。企业和投资者对于AI技术的潜力和市场价值认识不足，投入的资金和资源有限，这也在一定程度上限制了神经网络等AI技术的发展速度和应用范围。
