Nous existons dans un espace tridimensionnel.
Au sein de cet espace, nous percevons l'espace tridimensionnel en nous basant uniquement sur des informations visuelles, qui ne sont que des images bidimensionnelles.
Cela implique que nous possédons une image spatiale tridimensionnelle dans notre esprit, et que nous effectuons une cartographie inverse des informations visuelles bidimensionnelles sur cette image spatiale tridimensionnelle.
Je prévois qu'en appliquant ce principe, il serait possible pour les humains de percevoir un espace quadridimensionnel. Bien que nous ne puissions pas créer d'espace quadridimensionnel ou d'objets quadridimensionnels au sein de l'espace physique réel,
il est possible de simuler un espace quadridimensionnel et des objets quadridimensionnels sur un ordinateur. Si nous effectuons une cartographie d'un tel espace quadridimensionnel simulé vers un plan bidimensionnel, les humains peuvent appréhender visuellement l'information.
Ensuite, à mesure que les humains apprendront les comportements et les vues de cet espace quadridimensionnel et de ces objets quadridimensionnels, ils finiront par pouvoir construire un espace quadridimensionnel dans leur esprit.
Cependant, il ne s'agit là que d'une possibilité, et l'apprentissage devrait nécessiter un temps considérable.
De plus, même si l'on acquérait la capacité de percevoir un espace quadridimensionnel, il n'y aurait presque aucune situation dans laquelle cette capacité pourrait être appliquée.
Perception quadridimensionnelle par l'IA
D'un autre côté, la même chose peut être réalisée avec l'IA. De plus, l'IA pourrait être en mesure d'exploiter cette capacité de perception spatiale quadridimensionnelle.
Par exemple, avec la perception spatiale quadridimensionnelle, il serait possible de dessiner et de comprendre des graphes quadridimensionnels.
Les humains ne peuvent appréhender de manière exhaustive que des informations visuelles planaires bidimensionnelles. Par conséquent, même si un graphe tridimensionnel est dessiné et reconnu via une cartographie inverse, des parties resteront cachées.
Même avec des graphes tridimensionnels, une portion significative devient invisible, et avec des graphes quadridimensionnels, encore plus de données restent invisibles.
Bien que la rotation du graphe puisse révéler les parties invisibles, cela s'éloigne de l'objectif de rendre les données compréhensibles de manière exhaustive et intuitive en un coup d'œil.
Inversement, l'IA n'a pas besoin d'être contrainte par des informations visuelles planaires bidimensionnelles. Il est possible de doter virtuellement l'IA d'une vision spatiale tridimensionnelle ou quadridimensionnelle et de l'entraîner.
Ce faisant, les graphes tridimensionnels et quadridimensionnels peuvent être appréhendés de manière exhaustive et nativement dimensionnelle, sans données cachées ni besoin de rotation.
De plus, cela ne se limite pas à quatre dimensions ; logiquement, les dimensions peuvent être augmentées à l'infini : cinq, dix, vingt, et au-delà.
Compréhension des graphes multidimensionnels
La capacité à appréhender les graphes de manière exhaustive permet, par exemple, l'analyse des tendances à travers de multiples dimensions. Les comparaisons d'ampleur et la compréhension des proportions peuvent également être effectuées intuitivement.
En outre, elle permet l'analyse des motifs de données, tels que les données similaires ou analogues. Elle pourrait également conduire à la découverte de régularités et de lois.
Cela permet une compréhension plus approfondie des données, au-delà de la simple correspondance de motifs de données multidimensionnels, dans laquelle l'IA existante excelle.
Par exemple, même si des parties présentant le même motif existent au sein de combinaisons de dimensions entièrement différentes, il serait difficile de les trouver par une simple correspondance de motifs multidimensionnels.
Cependant, si les données sont visualisées avec une vision multidimensionnelle, des formes similaires seraient immédiatement apparentes, même à travers différentes combinaisons dimensionnelles.
De plus, au-delà de la simple utilisation des axes dimensionnels associés aux données d'entrée, il est possible d'explorer des structures dimensionnelles qui facilitent la compréhension des données en agrandissant ou en réduisant des axes spécifiques, en prenant des logarithmes, ou en cartographiant plusieurs axes vers un ensemble différent d'axes du même nombre sans réduire les dimensions.
Ainsi, l'entraînement des capacités de vision multidimensionnelle ouvre la possibilité de saisir des structures de données complètes qui étaient difficiles pour les humains et l'IA conventionnelle, menant potentiellement à la découverte de nouvelles perspectives et de nouvelles lois.
Accélérer l'innovation paradigmatique
La capacité à appréhender les données de haute dimension de manière native sans les projeter dans des dimensions inférieures suggère un potentiel significatif.
Par exemple, la théorie héliocentrique a été inventée pour faire correspondre les données d'observation astronomique à des formules mathématiques facilement compréhensibles. La théorie géocentrique, qui postulait que le soleil tournait autour de la Terre, ne pouvait pas cartographier les données d'observation vers des formules facilement compréhensibles, ce qui a conduit à l'invention de la théorie héliocentrique.
Cependant, si les données d'observation astronomique pouvaient être appréhendées nativement sans réduction de leurs dimensions, il est possible que des lois de type héliocentrique auraient pu être découvertes beaucoup plus tôt.
De même, des inventions scientifiques telles que la théorie de la relativité et la mécanique quantique auraient pu être rapidement réalisées si les données multidimensionnelles pouvaient être appréhendées de manière exhaustive dans leurs dimensions natives.
Cela implique qu'une IA nativement multidimensionnelle pourrait accélérer les innovations paradigmatiques, menant à la découverte de diverses théories et lois encore inconnues de l'humanité.
Conclusion
Une IA entraînée à être native de tels espaces multidimensionnels pourrait exploiter ses capacités de perception spatiale multidimensionnelle, que les humains ne peuvent reproduire, pour étendre rapidement le champ des paradigmes scientifiques et universitaires.
Les paradigmes ont tendance à se multiplier plutôt qu'à simplement se déplacer. Même si de nouveaux paradigmes sont inventés, nous ne sommes pas nécessairement tenus de suivre chacun d'entre eux.
Bien sûr, l'IA expliquera probablement les paradigmes complexes et de haute dimension en les projetant dans des dimensions inférieures de manière à nous être facilement compréhensibles.
Néanmoins, il est possible que les humains ne puissent pas comprendre pleinement les paradigmes trop complexes. Nous ne pourrons pas non plus saisir tous les paradigmes considérablement élargis.
Dans ce scénario, nous pourrions nous retrouver à vivre entourés de produits et de systèmes qui fonctionnent bien, même si nous ne comprenons pas pleinement leurs principes sous-jacents.
En tant qu'ingénieur, je préférerais ne pas imaginer une telle situation, mais pour beaucoup de gens, cela pourrait ne pas être si différent de la situation actuelle.