ਅਸੀਂ ਤਿੰਨ-ਅਯਾਮੀ ਸਥਾਨ ਵਿੱਚ ਮੌਜੂਦ ਹਾਂ।
ਇਸ ਸਥਾਨ ਦੇ ਅੰਦਰ, ਅਸੀਂ ਕੇਵਲ ਦ੍ਰਿਸ਼ਟੀਗਤ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਤਿੰਨ-ਅਯਾਮੀ ਸਥਾਨ ਨੂੰ ਸਮਝਦੇ ਹਾਂ, ਜੋ ਕਿ ਕੇਵਲ ਦੋ-ਅਯਾਮੀ ਚਿੱਤਰ ਹਨ।
ਇਸਦਾ ਭਾਵ ਹੈ ਕਿ ਸਾਡੇ ਮਨਾਂ ਵਿੱਚ ਇੱਕ ਤਿੰਨ-ਅਯਾਮੀ ਸਥਾਨਿਕ ਚਿੱਤਰ ਹੈ, ਅਤੇ ਅਸੀਂ ਦੋ-ਅਯਾਮੀ ਦ੍ਰਿਸ਼ਟੀਗਤ ਜਾਣਕਾਰੀ ਨੂੰ ਇਸ ਤਿੰਨ-ਅਯਾਮੀ ਸਥਾਨਿਕ ਚਿੱਤਰ 'ਤੇ ਉਲਟਾ-ਨਕਸ਼ਾ ਕਰ ਰਹੇ ਹਾਂ।
ਮੈਂ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹਾਂ ਕਿ ਇਸ ਸਿਧਾਂਤ ਨੂੰ ਲਾਗੂ ਕਰਕੇ, ਮਨੁੱਖਾਂ ਲਈ ਚਾਰ-ਅਯਾਮੀ ਸਥਾਨ ਨੂੰ ਸਮਝਣਾ ਸੰਭਵ ਹੋਵੇਗਾ। ਭਾਵੇਂ ਅਸੀਂ ਅਸਲ ਭੌਤਿਕ ਸਥਾਨ ਦੇ ਅੰਦਰ ਚਾਰ-ਅਯਾਮੀ ਸਥਾਨ ਜਾਂ ਚਾਰ-ਅਯਾਮੀ ਵਸਤੂਆਂ ਨਹੀਂ ਬਣਾ ਸਕਦੇ,
ਕੰਪਿਊਟਰ 'ਤੇ ਚਾਰ-ਅਯਾਮੀ ਸਥਾਨ ਅਤੇ ਚਾਰ-ਅਯਾਮੀ ਵਸਤੂਆਂ ਨੂੰ ਸਿਮੂਲੇਟ ਕਰਨਾ ਸੰਭਵ ਹੈ। ਜੇਕਰ ਅਸੀਂ ਅਜਿਹੇ ਸਿਮੂਲੇਟ ਕੀਤੇ ਚਾਰ-ਅਯਾਮੀ ਸਥਾਨ ਤੋਂ ਦੋ-ਅਯਾਮੀ ਪਲੇਨ ਤੱਕ ਇੱਕ ਮੈਪਿੰਗ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਮਨੁੱਖ ਜਾਣਕਾਰੀ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਰੂਪ ਵਿੱਚ ਸਮਝ ਸਕਦੇ ਹਨ।
ਫਿਰ, ਜਿਵੇਂ ਹੀ ਮਨੁੱਖ ਅਜਿਹੇ ਚਾਰ-ਅਯਾਮੀ ਸਥਾਨ ਅਤੇ ਚਾਰ-ਅਯਾਮੀ ਵਸਤੂਆਂ ਦੇ ਵਿਹਾਰਾਂ ਅਤੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਸਿੱਖਦੇ ਹਨ, ਉਹ ਆਖਰਕਾਰ ਆਪਣੇ ਮਨਾਂ ਵਿੱਚ ਇੱਕ ਚਾਰ-ਅਯਾਮੀ ਸਥਾਨ ਦਾ ਨਿਰਮਾਣ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਗੇ।
ਹਾਲਾਂਕਿ, ਇਹ ਕੇਵਲ ਇੱਕ ਸੰਭਾਵਨਾ ਹੈ, ਅਤੇ ਸਿਖਲਾਈ ਲਈ ਕਾਫ਼ੀ ਸਮੇਂ ਦੀ ਲੋੜ ਹੋਣ ਦੀ ਉਮੀਦ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਭਾਵੇਂ ਕੋਈ ਚਾਰ-ਅਯਾਮੀ ਸਥਾਨ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਪ੍ਰਾਪਤ ਕਰ ਲੈਂਦਾ ਹੈ, ਅਜਿਹੀਆਂ ਸਥਿਤੀਆਂ ਲਗਭਗ ਨਹੀਂ ਹੋਣਗੀਆਂ ਜਿੱਥੇ ਉਸ ਸਮਰੱਥਾ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕੇ।
AI ਦੁਆਰਾ ਚਾਰ-ਅਯਾਮੀ ਧਾਰਨਾ
ਦੂਜੇ ਪਾਸੇ, AI ਨਾਲ ਵੀ ਇਹੀ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, AI ਇਸ ਚਾਰ-ਅਯਾਮੀ ਸਥਾਨਿਕ ਧਾਰਨਾ ਸਮਰੱਥਾ ਦਾ ਲਾਭ ਉਠਾਉਣ ਦੇ ਯੋਗ ਹੋ ਸਕਦਾ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਚਾਰ-ਅਯਾਮੀ ਸਥਾਨਿਕ ਧਾਰਨਾ ਨਾਲ, ਚਾਰ-ਅਯਾਮੀ ਗ੍ਰਾਫ ਖਿੱਚਣਾ ਅਤੇ ਸਮਝਣਾ ਸੰਭਵ ਹੋਵੇਗਾ।
ਮਨੁੱਖ ਕੇਵਲ ਦੋ-ਅਯਾਮੀ ਸਮਤਲ ਦ੍ਰਿਸ਼ਟੀਗਤ ਜਾਣਕਾਰੀ ਨੂੰ ਹੀ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਸਮਝ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਭਾਵੇਂ ਇੱਕ ਤਿੰਨ-ਅਯਾਮੀ ਗ੍ਰਾਫ ਖਿੱਚਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਉਲਟ ਮੈਪਿੰਗ ਦੁਆਰਾ ਪਛਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਵੀ ਕੁਝ ਹਿੱਸੇ ਨਜ਼ਰ ਤੋਂ ਛੁਪੇ ਰਹਿਣਗੇ।
ਤਿੰਨ-ਅਯਾਮੀ ਗ੍ਰਾਫਾਂ ਨਾਲ ਵੀ, ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਅਦਿੱਖ ਹੋ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਚਾਰ-ਅਯਾਮੀ ਗ੍ਰਾਫਾਂ ਨਾਲ, ਹੋਰ ਵੀ ਜ਼ਿਆਦਾ ਡਾਟਾ ਅਣਦੇਖਿਆ ਹੋ ਜਾਂਦਾ ਹੈ।
ਜਦੋਂ ਕਿ ਗ੍ਰਾਫ ਨੂੰ ਘੁੰਮਾਉਣ ਨਾਲ ਅਦਿੱਖ ਹਿੱਸਿਆਂ ਨੂੰ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਇਹ ਡਾਟਾ ਨੂੰ ਇੱਕ ਨਜ਼ਰ 'ਤੇ ਵਿਆਪਕ ਅਤੇ ਸਹਿਜੇ ਹੀ ਸਮਝਣਯੋਗ ਬਣਾਉਣ ਦੇ ਟੀਚੇ ਤੋਂ ਦੂਰ ਕਰ ਦਿੰਦਾ ਹੈ।
ਇਸਦੇ ਉਲਟ, AI ਨੂੰ ਦੋ-ਅਯਾਮੀ ਸਮਤਲ ਦ੍ਰਿਸ਼ਟੀਗਤ ਜਾਣਕਾਰੀ ਦੁਆਰਾ ਸੀਮਤ ਹੋਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। AI ਨੂੰ ਵਰਚੁਅਲ ਤੌਰ 'ਤੇ ਤਿੰਨ-ਅਯਾਮੀ ਜਾਂ ਚਾਰ-ਅਯਾਮੀ ਸਥਾਨਿਕ ਦ੍ਰਿਸ਼ਟੀ ਨਾਲ ਲੈਸ ਕਰਨਾ ਅਤੇ ਇਸਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਸੰਭਵ ਹੈ।
ਅਜਿਹਾ ਕਰਨ ਨਾਲ, ਤਿੰਨ-ਅਯਾਮੀ ਅਤੇ ਚਾਰ-ਅਯਾਮੀ ਗ੍ਰਾਫਾਂ ਨੂੰ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਅਤੇ ਅਯਾਮੀ ਤੌਰ 'ਤੇ ਮੂਲ ਰੂਪ ਵਿੱਚ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਛੁਪੇ ਡਾਟਾ ਜਾਂ ਘੁੰਮਾਉਣ ਦੀ ਲੋੜ ਦੇ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਚਾਰ ਅਯਾਮਾਂ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹੈ; ਤਰਕਪੂਰਨ ਤੌਰ 'ਤੇ, ਅਯਾਮਾਂ ਨੂੰ ਅਸੀਮਤ ਰੂਪ ਵਿੱਚ ਪੰਜ, ਦਸ, ਵੀਹ, ਅਤੇ ਇਸ ਤੋਂ ਅੱਗੇ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
ਬਹੁ-ਆਯਾਮੀ ਗ੍ਰਾਫਾਂ ਨੂੰ ਸਮਝਣਾ
ਗ੍ਰਾਫਾਂ ਨੂੰ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਸਮਝਣ ਦੀ ਯੋਗਤਾ, ਉਦਾਹਰਨ ਲਈ, ਕਈ ਆਯਾਮਾਂ ਵਿੱਚ ਰੁਝਾਨ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੀ ਹੈ। ਮਾਤਰਾਵਾਂ ਦੀ ਤੁਲਨਾ ਅਤੇ ਅਨੁਪਾਤ ਨੂੰ ਸਮਝਣਾ ਵੀ ਸਹਿਜੇ ਹੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਡਾਟਾ ਪੈਟਰਨਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਸਮਾਨ ਜਾਂ ਸਮਰੂਪ ਡਾਟਾ। ਇਹ ਨਿਯਮਾਂ ਅਤੇ ਕਾਨੂੰਨਾਂ ਦੀ ਖੋਜ ਵੱਲ ਵੀ ਲੈ ਜਾ ਸਕਦਾ ਹੈ।
ਇਹ ਕੇਵਲ ਬਹੁ-ਆਯਾਮੀ ਡਾਟਾ ਪੈਟਰਨ ਮੈਚਿੰਗ ਤੋਂ ਪਰੇ ਡਾਟਾ ਦੀ ਡੂੰਘੀ ਸਮਝ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਮੌਜੂਦਾ AI ਉੱਤਮ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਭਾਵੇਂ ਇੱਕੋ ਪੈਟਰਨ ਵਾਲੇ ਹਿੱਸੇ ਆਯਾਮਾਂ ਦੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰੇ ਸੰਜੋਗਾਂ ਵਿੱਚ ਮੌਜੂਦ ਹੋਣ, ਉਹਨਾਂ ਨੂੰ ਸਧਾਰਨ ਬਹੁ-ਆਯਾਮੀ ਪੈਟਰਨ ਮੈਚਿੰਗ ਦੁਆਰਾ ਲੱਭਣਾ ਮੁਸ਼ਕਲ ਹੋਵੇਗਾ।
ਹਾਲਾਂਕਿ, ਜੇਕਰ ਡਾਟਾ ਨੂੰ ਬਹੁ-ਆਯਾਮੀ ਦ੍ਰਿਸ਼ਟੀ ਨਾਲ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਮਾਨ ਆਕਾਰ ਤੁਰੰਤ ਸਪੱਸ਼ਟ ਹੋ ਜਾਣਗੇ, ਭਾਵੇਂ ਵੱਖ-ਵੱਖ ਆਯਾਮੀ ਸੰਜੋਗਾਂ ਵਿੱਚ ਵੀ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਿਰਫ਼ ਇਨਪੁਟ ਡਾਟਾ ਨਾਲ ਸੰਬੰਧਿਤ ਆਯਾਮੀ ਧੁਰਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਇਲਾਵਾ, ਅਜਿਹੀਆਂ ਆਯਾਮੀ ਬਣਤਰਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨਾ ਸੰਭਵ ਹੈ ਜੋ ਖਾਸ ਧੁਰਿਆਂ ਨੂੰ ਵੱਡਾ ਜਾਂ ਛੋਟਾ ਕਰਕੇ, ਲੌਗਰਿਥਮ ਲੈ ਕੇ, ਜਾਂ ਕਈ ਧੁਰਿਆਂ ਨੂੰ ਆਯਾਮਾਂ ਨੂੰ ਘਟਾਏ ਬਿਨਾਂ ਇੱਕੋ ਗਿਣਤੀ ਦੇ ਵੱਖਰੇ ਧੁਰਿਆਂ ਦੇ ਸਮੂਹ ਨਾਲ ਮੈਪ ਕਰਕੇ ਡਾਟਾ ਦੀ ਸਮਝ ਨੂੰ ਸੁਵਿਧਾਜਨਕ ਬਣਾਉਂਦੀਆਂ ਹਨ।
ਇਸ ਤਰ੍ਹਾਂ, ਬਹੁ-ਆਯਾਮੀ ਦ੍ਰਿਸ਼ਟੀ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਵਿਆਪਕ ਡਾਟਾ ਬਣਤਰਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਸੰਭਾਵਨਾ ਖੋਲ੍ਹਦਾ ਹੈ ਜੋ ਮਨੁੱਖਾਂ ਅਤੇ ਰਵਾਇਤੀ AI ਦੋਵਾਂ ਲਈ ਮੁਸ਼ਕਲ ਸਨ, ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਨਵੀਂ ਸੂਝ ਅਤੇ ਕਾਨੂੰਨਾਂ ਦੀ ਖੋਜ ਵੱਲ ਅਗਵਾਈ ਕਰਦਾ ਹੈ।
ਪੈਰਾਡਾਈਮ ਨਵੀਨਤਾ ਨੂੰ ਤੇਜ਼ ਕਰਨਾ
ਉੱਚ-ਆਯਾਮੀ ਡਾਟਾ ਨੂੰ ਨਿਮਨ ਆਯਾਮਾਂ ਵਿੱਚ ਮੈਪ ਕੀਤੇ ਬਿਨਾਂ ਮੂਲ ਰੂਪ ਵਿੱਚ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸੰਭਾਵਨਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਖਗੋਲ-ਵਿਗਿਆਨਕ ਨਿਰੀਖਣ ਡਾਟਾ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਸਮਝਣ ਯੋਗ ਗਣਿਤਿਕ ਫਾਰਮੂਲਿਆਂ ਵਿੱਚ ਫਿੱਟ ਕਰਨ ਲਈ ਸੂਰਜੀ ਕੇਂਦਰੀ ਸਿਧਾਂਤ ਦੀ ਕਾਢ ਕੱਢੀ ਗਈ ਸੀ। ਭੂ-ਕੇਂਦਰੀ ਸਿਧਾਂਤ, ਜਿਸ ਵਿੱਚ ਸੂਰਜ ਨੂੰ ਧਰਤੀ ਦੇ ਦੁਆਲੇ ਘੁੰਮਦਾ ਮੰਨਿਆ ਗਿਆ ਸੀ, ਨਿਰੀਖਣ ਡਾਟਾ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਸਮਝਣ ਯੋਗ ਫਾਰਮੂਲਿਆਂ ਵਿੱਚ ਮੈਪ ਨਹੀਂ ਕਰ ਸਕਿਆ, ਜਿਸ ਕਾਰਨ ਸੂਰਜੀ ਕੇਂਦਰੀ ਸਿਧਾਂਤ ਦੀ ਕਾਢ ਕੱਢੀ ਗਈ।
ਹਾਲਾਂਕਿ, ਜੇਕਰ ਖਗੋਲ-ਵਿਗਿਆਨਕ ਨਿਰੀਖਣ ਡਾਟਾ ਨੂੰ ਇਸਦੇ ਆਯਾਮਾਂ ਨੂੰ ਘਟਾਏ ਬਿਨਾਂ ਮੂਲ ਰੂਪ ਵਿੱਚ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਸੀ, ਤਾਂ ਇਹ ਸੰਭਵ ਹੈ ਕਿ ਸੂਰਜੀ ਕੇਂਦਰੀ ਵਰਗੇ ਨਿਯਮ ਬਹੁਤ ਪਹਿਲਾਂ ਖੋਜੇ ਜਾ ਸਕਦੇ ਸਨ।
ਇਸੇ ਤਰ੍ਹਾਂ, ਸਾਪੇਖਤਾ ਦੇ ਸਿਧਾਂਤ ਅਤੇ ਕੁਆਂਟਮ ਮਕੈਨਿਕਸ ਵਰਗੀਆਂ ਵਿਗਿਆਨਕ ਕਾਢਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਮਹਿਸੂਸ ਕੀਤਾ ਜਾ ਸਕਦਾ ਸੀ ਜੇਕਰ ਬਹੁ-ਆਯਾਮੀ ਡਾਟਾ ਨੂੰ ਇਸਦੇ ਮੂਲ ਆਯਾਮਾਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਸੀ।
ਇਸਦਾ ਭਾਵ ਹੈ ਕਿ ਬਹੁ-ਆਯਾਮੀ ਮੂਲ AI ਪੈਰਾਡਾਈਮ ਨਵੀਨਤਾਵਾਂ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਮਨੁੱਖਤਾ ਲਈ ਅਜੇ ਅਣਜਾਣ ਵੱਖ-ਵੱਖ ਸਿਧਾਂਤਾਂ ਅਤੇ ਨਿਯਮਾਂ ਦੀ ਖੋਜ ਹੋ ਸਕਦੀ ਹੈ।
ਸਿੱਟਾ
ਅਜਿਹੇ ਬਹੁ-ਆਯਾਮੀ ਸਥਾਨਾਂ ਲਈ ਮੂਲ ਰੂਪ ਵਿੱਚ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ AI ਆਪਣੀਆਂ ਬਹੁ-ਆਯਾਮੀ ਸਥਾਨਿਕ ਧਾਰਨਾ ਸਮਰੱਥਾਵਾਂ ਦਾ ਲਾਭ ਉਠਾ ਸਕਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਮਨੁੱਖ ਦੁਹਰਾ ਨਹੀਂ ਸਕਦੇ, ਤਾਂ ਜੋ ਵਿਗਿਆਨਕ ਅਤੇ ਅਕਾਦਮਿਕ ਪੈਰਾਡਾਈਮਜ਼ ਦੇ ਦਾਇਰੇ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਵਧਾਇਆ ਜਾ ਸਕੇ।
ਪੈਰਾਡਾਈਮ ਸਿਰਫ਼ ਬਦਲਣ ਦੀ ਬਜਾਏ ਗੁਣਾ ਹੁੰਦੇ ਹਨ। ਭਾਵੇਂ ਨਵੇਂ ਪੈਰਾਡਾਈਮਜ਼ ਦੀ ਕਾਢ ਕੱਢੀ ਜਾਂਦੀ ਹੈ, ਸਾਨੂੰ ਜ਼ਰੂਰੀ ਨਹੀਂ ਕਿ ਉਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਨਾਲ ਤਾਲਮੇਲ ਬਣਾ ਕੇ ਰੱਖਣਾ ਪਵੇ।
ਬੇਸ਼ੱਕ, AI ਗੁੰਝਲਦਾਰ, ਉੱਚ-ਆਯਾਮੀ ਪੈਰਾਡਾਈਮਜ਼ ਨੂੰ ਨਿਮਨ ਆਯਾਮਾਂ ਵਿੱਚ ਮੈਪ ਕਰਕੇ ਇਸ ਤਰੀਕੇ ਨਾਲ ਸਮਝਾਏਗਾ ਜੋ ਸਾਡੇ ਲਈ ਆਸਾਨੀ ਨਾਲ ਸਮਝਣ ਯੋਗ ਹੋਵੇ।
ਫਿਰ ਵੀ, ਇਹ ਸੰਭਵ ਹੈ ਕਿ ਮਨੁੱਖ ਅਤਿ-ਉੱਚ-ਆਯਾਮੀ ਪੈਰਾਡਾਈਮਜ਼ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਮਝਣ ਦੇ ਯੋਗ ਨਾ ਹੋਣ। ਨਾ ਹੀ ਅਸੀਂ ਸਾਰੇ ਵਿਸ਼ਾਲ ਰੂਪ ਵਿੱਚ ਫੈਲੇ ਪੈਰਾਡਾਈਮਜ਼ ਨੂੰ ਸਮਝ ਸਕਾਂਗੇ।
ਉਸ ਸਥਿਤੀ ਵਿੱਚ, ਅਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਅਜਿਹੇ ਉਤਪਾਦਾਂ ਅਤੇ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲ ਘਿਰਿਆ ਪਾ ਸਕਦੇ ਹਾਂ ਜੋ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਭਾਵੇਂ ਅਸੀਂ ਉਹਨਾਂ ਦੇ ਅੰਡਰਲਾਈੰਗ ਸਿਧਾਂਤਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾ ਸਮਝਦੇ ਹੋਈਏ।
ਇੱਕ ਇੰਜੀਨੀਅਰ ਹੋਣ ਦੇ ਨਾਤੇ, ਮੈਂ ਅਜਿਹੀ ਸਥਿਤੀ ਦੀ ਕਲਪਨਾ ਨਹੀਂ ਕਰਨਾ ਚਾਹੁੰਦਾ, ਪਰ ਬਹੁਤ ਸਾਰੇ ਲੋਕਾਂ ਲਈ, ਇਹ ਹੁਣ ਜਿਵੇਂ ਹੈ, ਉਸ ਤੋਂ ਬਹੁਤ ਵੱਖਰਾ ਨਹੀਂ ਹੋ ਸਕਦਾ।