Existimos en un espacio tridimensional.
Dentro de este espacio, percibimos el espacio tridimensional basándonos únicamente en información visual, que son meramente imágenes bidimensionales.
Esto implica que poseemos una imagen espacial tridimensional en nuestras mentes, y que estamos realizando un mapeo inverso de la información visual bidimensional sobre esta imagen espacial tridimensional.
Predigo que, aplicando este principio, sería posible para los humanos percibir el espacio tetradimensional. Aunque no podemos crear un espacio tetradimensional u objetos tetradimensionales dentro del espacio físico real,
es posible simular un espacio tetradimensional y objetos tetradimensionales en una computadora. Si realizamos un mapeo de dicho espacio tetradimensional simulado a un plano bidimensional, los humanos pueden captar visualmente la información.
Luego, a medida que los humanos aprendan los comportamientos y vistas de dicho espacio tetradimensional y objetos tetradimensionales, eventualmente podrán construir un espacio tetradimensional en sus mentes.
Sin embargo, esto es meramente una posibilidad, y se espera que el entrenamiento requiera una cantidad considerable de tiempo.
Además, incluso si se llegara a adquirir la capacidad de percibir el espacio tetradimensional, casi no habría situaciones en las que esa capacidad pudiera aplicarse.
Percepción Tetradimensional por IA
Por otro lado, lo mismo se puede lograr con la IA. Además, la IA podría aprovechar esta capacidad de percepción espacial tetradimensional.
Por ejemplo, con la percepción espacial tetradimensional, sería posible dibujar y comprender gráficos tetradimensionales.
Los humanos solo pueden captar de forma exhaustiva información visual plana bidimensional. Por lo tanto, incluso si se dibuja un gráfico tridimensional y se reconoce mediante mapeo inverso, habrá partes ocultas a la vista.
Incluso con gráficos tridimensionales, una parte significativa se vuelve invisible, y con gráficos tetradimensionales, aún más datos quedan ocultos.
Aunque rotar el gráfico puede revelar las partes invisibles, esto nos aleja del objetivo de hacer que los datos sean comprensibles de manera exhaustiva e intuitiva de un vistazo.
Por el contrario, la IA no necesita estar limitada por la información visual plana bidimensional. Es posible equipar virtualmente a la IA con visión espacial tridimensional o tetradimensional y entrenarla.
Al hacerlo, los gráficos tridimensionales y tetradimensionales pueden ser comprendidos de manera integral y nativa a la dimensión, sin datos ocultos ni necesidad de rotación.
Además, esto no se limita a cuatro dimensiones; lógicamente, las dimensiones pueden aumentarse infinitamente a cinco, diez, veinte y más allá.
Comprensión de Gráficos Multidimensionales
La capacidad de comprender gráficos de manera integral permite, por ejemplo, el análisis de tendencias a través de múltiples dimensiones. Las comparaciones de magnitud y la comprensión de proporciones también pueden realizarse de forma intuitiva.
Además, permite el análisis de patrones de datos, como datos similares o análogos. También podría conducir al descubrimiento de regularidades y leyes.
Esto posibilita una comprensión más profunda de los datos, más allá del simple emparejamiento de patrones de datos multidimensionales, en lo que la IA existente sobresale.
Por ejemplo, incluso si existen partes con el mismo patrón dentro de combinaciones de dimensiones completamente diferentes, sería difícil encontrarlas mediante un simple emparejamiento de patrones multidimensionales.
Sin embargo, si los datos se visualizan con visión multidimensional, las formas similares serían inmediatamente evidentes, incluso a través de diferentes combinaciones dimensionales.
Además, más allá de simplemente utilizar los ejes dimensionales asociados con los datos de entrada, es posible explorar estructuras dimensionales que faciliten la comprensión de los datos, ampliando o reduciendo ejes específicos, aplicando logaritmos, o mapeando múltiples ejes a un conjunto diferente de ejes del mismo número sin reducir las dimensiones.
Así, entrenar las capacidades de visión multidimensional abre la posibilidad de captar estructuras de datos completas que eran difíciles tanto para los humanos como para la IA convencional, lo que potencialmente podría llevar al descubrimiento de nuevas ideas y leyes.
Aceleración de la Innovación Paradigmática
La capacidad de comprender datos de alta dimensión de forma nativa sin mapearlos a dimensiones inferiores sugiere un potencial significativo.
Por ejemplo, la teoría heliocéntrica fue inventada para ajustar los datos de observación astronómica a fórmulas matemáticas fácilmente comprensibles. La teoría geocéntrica, que postulaba que el sol giraba alrededor de la Tierra, no podía mapear los datos observacionales a fórmulas fácilmente comprensibles, lo que llevó a la invención de la teoría heliocéntrica.
Sin embargo, si los datos de observación astronómica pudieran ser comprendidos de forma nativa sin reducir sus dimensiones, es posible que leyes similares a la heliocéntrica se hubieran descubierto mucho antes.
De manera similar, invenciones científicas como la teoría de la relatividad y la mecánica cuántica podrían haberse realizado rápidamente si los datos multidimensionales pudieran ser comprendidos exhaustivamente en sus dimensiones nativas.
Esto implica que la IA nativa multidimensional podría acelerar las innovaciones paradigmáticas, lo que llevaría al descubrimiento de diversas teorías y leyes aún desconocidas para la humanidad.
Conclusión
La IA entrenada para ser nativa de estos espacios multidimensionales podría aprovechar sus habilidades de percepción espacial multidimensional, que los humanos no pueden replicar, para expandir rápidamente el alcance de los paradigmas científicos y académicos.
Los paradigmas tienden a multiplicarse en lugar de simplemente cambiar. Incluso si se inventan nuevos paradigmas, no estamos necesariamente obligados a mantenernos al día con cada uno de ellos.
Por supuesto, la IA probablemente explicará los paradigmas complejos y de alta dimensión mapeándolos a dimensiones inferiores de una manera que nos resulte fácilmente comprensible.
Sin embargo, es posible que los humanos no puedan comprender completamente los paradigmas excesivamente de alta dimensión. Tampoco podremos captar todos los paradigmas enormemente expandidos.
En ese escenario, podríamos encontrarnos viviendo rodeados de productos y sistemas que funcionan bien, incluso si no comprendemos completamente sus principios subyacentes.
Como ingeniero, preferiría no imaginar una situación así, pero para muchas personas, podría no ser tan diferente de cómo son las cosas ahora.