Existimos en un espacio tridimensional.
Dentro de este espacio, percibimos el espacio tridimensional basándonos en información visual, que es meramente una imagen bidimensional.
Esto significa que nuestra mente posee una imagen del espacio tridimensional, y mapeamos inversamente la información visual bidimensional sobre esta imagen tridimensional.
Predigo que, aplicando este principio, los humanos podrían potencialmente percibir el espacio tetradimensional. Si bien no podemos crear espacio tetradimensional u objetos tetradimensionales en el espacio físico real,
es posible simular espacio y objetos tetradimensionales utilizando computadoras. Al mapear este espacio tetradimensional simulado sobre un plano bidimensional, los humanos pueden captar visualmente la información.
Luego, si los humanos aprenden los comportamientos y las vistas de dicho espacio y objetos tetradimensionales, eventualmente podrán crear un espacio tetradimensional en sus mentes.
Sin embargo, esto es meramente una posibilidad, y dicho entrenamiento probablemente requeriría 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 esta habilidad pudiera aplicarse.
La Percepción de Cuatro Dimensiones de la IA
Por otro lado, lo mismo se puede lograr con la IA. Es más, la IA podría aprovechar esta capacidad de percepción espacial tetradimensional.
Por ejemplo, con la percepción espacial tetradimensional, la IA podría dibujar y comprender gráficos tetradimensionales.
Los humanos solo pueden captar información visual en un plano bidimensional de un vistazo. Por lo tanto, incluso si se dibuja y reconoce un gráfico tridimensional mediante mapeo inverso, seguirán existiendo partes ocultas que no se ven.
Si bien una parte significativa de un gráfico tridimensional se vuelve invisible, un gráfico tetradimensional ocultaría aún más datos.
Aunque rotar el gráfico puede revelar las partes ocultas, esto se aleja del objetivo de comprender los datos de forma intuitiva de un vistazo.
Por el contrario, la IA no necesita estar limitada por la información visual planar bidimensional. Es posible dotar virtualmente a la IA de una visión espacial tridimensional o tetradimensional y entrenarla.
Esto permitiría a la IA captar gráficos tridimensionales y tetradimensionales de forma nativa en su dimensión, panorámica, sin que los datos estén ocultos ni requieran rotación.
Además, esto no se limita a cuatro dimensiones; lógicamente, las dimensiones pueden aumentarse infinitamente a cinco, diez, veinte y más.
Comprensión de Gráficos Multidimensionales
La capacidad de comprender gráficos de manera panorámica permite, por ejemplo, el análisis de tendencias en múltiples dimensiones. Las comparaciones de tamaño y la comprensión de proporciones también pueden realizarse de forma intuitiva.
También permite el análisis de patrones de datos, como datos similares o análogos. Además, puede ayudar a descubrir regularidades y leyes.
Esto va más allá de la mera coincidencia de patrones de datos multidimensionales, en lo que la IA existente sobresale, permitiendo una comprensión más profunda de los datos.
Por ejemplo, incluso si existen patrones idénticos dentro de combinaciones de dimensiones completamente diferentes, un simple emparejamiento de patrones multidimensionales probablemente tendría dificultades para encontrarlos.
Sin embargo, con la visión multidimensional, si las formas son similares, deberían ser inmediatamente reconocibles, incluso a través de diferentes combinaciones dimensionales.
Además, más allá de simplemente usar los ejes dimensionales que acompañan a los datos de entrada, también es posible explorar estructuras dimensionales que facilitan la comprensión de los datos al expandir o contraer ejes específicos, transformarlos logarítmicamente o mapear múltiples ejes al mismo número de ejes diferentes sin reducir su dimensionalidad.
Así, al entrenar la capacidad de visión multidimensional, se hace posible comprender las estructuras de datos de manera panorámica —una tarea difícil tanto para los humanos como para la IA convencional— abriendo el potencial para descubrir nuevos conocimientos y leyes a partir de ellas.
Acelerando la Innovación de Paradigmas
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 se inventó para ajustar los datos de observación astronómica a fórmulas matemáticas fácilmente comprensibles. La comprensión geocéntrica, que postulaba que el sol giraba alrededor de la Tierra, no podía mapear los datos de observación a fórmulas comprensibles, lo que llevó a la invención del heliocentrismo.
Sin embargo, si los datos de observación astronómica pudieran comprenderse de forma nativa sin reducción de dimensión, las leyes de tipo heliocéntrico podrían haberse descubierto mucho antes.
De manera similar, invenciones científicas como la teoría de la relatividad y la mecánica cuántica podrían haberse realizado mucho antes si los datos multidimensionales se hubieran podido comprender panorámicamente en sus dimensiones nativas.
Esto implica que la innovación de paradigmas, que lleva al descubrimiento de diversas teorías y leyes aún desconocidas para la humanidad, podría ser acelerada por la IA nativa de dimensión.
Conclusión
La IA entrenada para ser nativa del espacio multidimensional, aprovechando sus habilidades cognitivas espaciales multidimensionales —que están más allá de la emulación humana— podría expandir rápidamente el alcance de los paradigmas en la ciencia y la academia.
Los paradigmas tienden a multiplicarse en lugar de simplemente cambiar. Incluso si se inventan nuevos paradigmas, no estamos necesariamente obligados a seguirles el ritmo.
Por supuesto, la IA probablemente explicará los paradigmas descubiertos en dimensiones complejas mapeándolos a dimensiones inferiores de una manera que nos resulte fácil de entender.
Sin embargo, los paradigmas de dimensiones excesivamente altas podrían permanecer más allá de la comprensión humana. Además, probablemente será imposible comprender todos los paradigmas enormemente expandidos.
En tal escenario, podríamos encontrarnos viviendo rodeados de productos y sistemas que funcionan eficazmente, incluso si no comprendemos completamente sus principios subyacentes.
Como ingeniero, preferiría no imaginar tal situación, pero para muchas personas, podría no ser muy diferente de cómo son las cosas hoy.