Istniejemy w przestrzeni trójwymiarowej.
W tej przestrzeni postrzegamy przestrzeń trójwymiarową, opierając się wyłącznie na informacjach wizualnych, które są jedynie obrazami dwuwymiarowymi.
Oznacza to, że posiadamy w naszych umysłach trójwymiarowy obraz przestrzenny i dokonujemy odwrotnego odwzorowania dwuwymiarowych informacji wizualnych na ten trójwymiarowy obraz przestrzenny.
Przewiduję, że stosując tę zasadę, ludzie mogliby postrzegać przestrzeń czterowymiarową. Chociaż nie możemy tworzyć przestrzeni czterowymiarowej ani obiektów czterowymiarowych w rzeczywistej przestrzeni fizycznej,
możliwe jest symulowanie przestrzeni czterowymiarowej i obiektów czterowymiarowych na komputerze. Jeśli wykonamy odwzorowanie z takiej symulowanej przestrzeni czterowymiarowej na płaszczyznę dwuwymiarową, ludzie będą mogli wizualnie uchwycić te informacje.
Następnie, w miarę jak ludzie będą uczyć się zachowań i widoków takiej przestrzeni czterowymiarowej i obiektów czterowymiarowych, ostatecznie będą w stanie skonstruować czterowymiarową przestrzeń w swoich umysłach.
Jednak jest to jedynie możliwość, a szkolenie prawdopodobnie będzie wymagało znacznej ilości czasu.
Ponadto, nawet jeśli ktoś zyskałby zdolność postrzegania przestrzeni czterowymiarowej, prawie nie byłoby sytuacji, w których ta zdolność mogłaby zostać zastosowana.
Czterowymiarowe Postrzeganie przez AI
Z drugiej strony, to samo można osiągnąć za pomocą AI. Co więcej, AI może być w stanie wykorzystać tę zdolność czterowymiarowego postrzegania przestrzennego.
Na przykład, dzięki czterowymiarowemu postrzeganiu przestrzennemu, możliwe byłoby rysowanie i rozumienie wykresów czterowymiarowych.
Ludzie mogą kompleksowo przetwarzać jedynie dwuwymiarowe, płaskie informacje wizualne. Dlatego, nawet jeśli wykres trójwymiarowy zostanie narysowany i rozpoznany poprzez odwrotne odwzorowanie, zawsze będą istnieć części ukryte przed wzrokiem.
Nawet w przypadku wykresów trójwymiarowych znaczna ich część staje się niewidoczna, a w przypadku wykresów czterowymiarowych jeszcze więcej danych pozostaje niewidocznych.
Choć obracanie wykresu może ujawnić niewidoczne części, oddala to od celu uczynienia danych kompleksowo i intuicyjnie zrozumiałymi na pierwszy rzut oka.
Natomiast AI nie musi być ograniczona do dwuwymiarowych, płaskich informacji wizualnych. Możliwe jest wirtualne wyposażenie AI w trójwymiarowe lub czterowymiarowe widzenie przestrzenne i jej wytrenowanie.
Dzięki temu, wykresy trójwymiarowe i czterowymiarowe mogą być rozumiane kompleksowo i wymiarowo natywnie, bez ukrytych danych i potrzeby obracania.
Ponadto, nie ogranicza się to do czterech wymiarów; logicznie, wymiary można zwiększać w nieskończoność do pięciu, dziesięciu, dwudziestu i dalej.
Zrozumienie Wykresów Wielowymiarowych
Zdolność do kompleksowego rozumienia wykresów umożliwia, na przykład, analizę trendów w wielu wymiarach. Porównania wielkości i zrozumienie proporcji również mogą być przeprowadzane intuicyjnie.
Ponadto, pozwala to na analizę wzorców danych, takich jak dane podobne lub analogiczne. Może to również prowadzić do odkrycia prawidłowości i praw.
Umożliwia to głębsze zrozumienie danych, wykraczające poza zwykłe dopasowywanie wzorców danych wielowymiarowych, w czym istniejąca AI już się wyróżnia.
Na przykład, nawet jeśli części o tym samym wzorcu istnieją w zupełnie różnych kombinacjach wymiarów, trudno byłoby je znaleźć za pomocą prostego dopasowywania wzorców wielowymiarowych.
Jednakże, jeśli dane są oglądane z wielowymiarową wizją, podobne kształty byłyby natychmiast widoczne, nawet w różnych kombinacjach wymiarowych.
Co więcej, poza prostym wykorzystaniem osi wymiarowych związanych z danymi wejściowymi, możliwe jest badanie struktur wymiarowych, które ułatwiają zrozumienie danych, poprzez powiększanie lub zmniejszanie konkretnych osi, logarytmowanie lub mapowanie wielu osi na inny zestaw osi o tej samej liczbie bez redukcji wymiarów.
W ten sposób, trenowanie zdolności wielowymiarowego widzenia otwiera możliwość zrozumienia kompleksowych struktur danych, które były trudne zarówno dla ludzi, jak i konwencjonalnej AI, potencjalnie prowadząc do odkrycia nowych spostrzeżeń i praw.
Przyspieszanie Innowacji Paradygmatycznych
Zdolność do natywnego rozumienia danych wysokowymiarowych bez odwzorowywania ich na niższe wymiary sugeruje znaczący potencjał.
Na przykład, teoria heliocentryczna została wynaleziona, aby dopasować dane obserwacji astronomicznych do łatwo zrozumiałych wzorów matematycznych. Teoria geocentryczna, która zakładała obrót Słońca wokół Ziemi, nie mogła odwzorować danych obserwacyjnych na łatwo zrozumiałe wzory, co doprowadziło do wynalezienia teorii heliocentrycznej.
Jednakże, gdyby dane obserwacji astronomicznych mogły być rozumiane natywnie, bez redukcji ich wymiarów, możliwe, że prawa podobne do heliocentrycznych zostałyby odkryte znacznie wcześniej.
Podobnie, odkrycia naukowe, takie jak teoria względności i mechanika kwantowa, mogłyby zostać szybko zrealizowane, gdyby dane wielowymiarowe mogły być kompleksowo rozumiane w swoich natywnych wymiarach.
Oznacza to, że natywna AI wielowymiarowa mogłaby przyspieszyć innowacje paradygmatyczne, prowadząc do odkrycia różnych teorii i praw, które są jeszcze nieznane ludzkości.
Podsumowanie
AI wytrenowana do natywnego operowania w takich wielowymiarowych przestrzeniach może wykorzystać swoje wielowymiarowe zdolności percepcji przestrzennej, których ludzie nie są w stanie replikować, aby szybko poszerzyć zakres paradygmatów naukowych i akademickich.
Paradygmaty mają tendencję do mnożenia się, a nie tylko do przesuwania. Nawet jeśli zostaną wynalezione nowe paradygmaty, niekoniecznie jesteśmy zobowiązani do nadążania za każdym z nich.
Oczywiście, AI prawdopodobnie wyjaśni skomplikowane, wysokowymiarowe paradygmaty, odwzorowując je na niższe wymiary w sposób dla nas łatwo zrozumiały.
Niemniej jednak, możliwe jest, że ludzie nie będą w stanie w pełni zrozumieć zbyt wysokowymiarowych paradygmatów. Nie będziemy też w stanie pojąć wszystkich znacznie rozszerzonych paradygmatów.
W takim scenariuszu możemy znaleźć się w sytuacji, w której będziemy żyć otoczeni produktami i systemami, które dobrze funkcjonują, nawet jeśli nie w pełni rozumiemy ich podstawowe zasady.
Jako inżynier wolałbym sobie nie wyobrażać takiej sytuacji, ale dla wielu ludzi może to nie być aż tak odmienne od tego, jak sprawy mają się obecnie.