Istniejemy w trójwymiarowej przestrzeni.
W tej przestrzeni postrzegamy przestrzeń trójwymiarową, bazując na informacjach wizualnych, które są jedynie dwuwymiarowym obrazem.
Oznacza to, że nasze umysły posiadają obraz przestrzeni trójwymiarowej, i na ten trójwymiarowy obraz odwrotnie mapujemy dwuwymiarowe informacje wizualne.
Przewiduję, że stosując tę zasadę, ludzie mogliby potencjalnie postrzegać przestrzeń czterowymiarową. Chociaż nie możemy stworzyć przestrzeni czterowymiarowej ani czterowymiarowych obiektów w rzeczywistej przestrzeni fizycznej,
możliwe jest symulowanie przestrzeni i obiektów czterowymiarowych za pomocą komputerów. Poprzez mapowanie tej symulowanej przestrzeni czterowymiarowej na płaszczyznę dwuwymiarową, ludzie mogą wizualnie uchwycić informacje.
Następnie, jeśli ludzie nauczą się zachowań i widoków takiej przestrzeni i obiektów czterowymiarowych, ostatecznie będą w stanie stworzyć przestrzeń czterowymiarową w swoich umysłach.
Jednak jest to jedynie możliwość, a takie szkolenie prawdopodobnie wymagałoby znacznej ilości czasu.
Co więcej, nawet gdyby ktoś zyskał zdolność postrzegania przestrzeni czterowymiarowej, niemal nie byłoby sytuacji, w których ta zdolność mogłaby zostać zastosowana.
Postrzeganie Czterech Wymiarów przez AI
Z drugiej strony, to samo można osiągnąć za pomocą AI. Co więcej, AI może być w stanie wykorzystać tę czterowymiarową zdolność postrzegania przestrzennego.
Na przykład, dzięki czterowymiarowemu postrzeganiu przestrzennemu, AI mogłaby rysować i rozumieć czterowymiarowe wykresy.
Ludzie mogą ogarnąć wzrokowo informacje wizualne jedynie na dwuwymiarowej płaszczyźnie. Dlatego nawet jeśli wykres trójwymiarowy jest rysowany i rozpoznawany poprzez odwrotne mapowanie, nadal będą istnieć ukryte części zasłonięte przed widokiem.
Podczas gdy znaczna część wykresu trójwymiarowego staje się niewidoczna, wykres czterowymiarowy ukrywałby jeszcze więcej danych.
Chociaż obracanie wykresu może ujawnić ukryte części, oddala to od celu intuicyjnego, szybkiego zrozumienia danych.
Natomiast AI nie musi być ograniczona dwuwymiarową, płaską informacją wizualną. Możliwe jest wirtualne wyposażenie AI w trójwymiarowe lub czterowymiarowe widzenie przestrzenne i jej wyszkolenie.
Pozwoliłoby to AI na wymiarowo-natywne, panoramiczne postrzeganie wykresów trójwymiarowych i czterowymiarowych, bez ukrywania danych ani konieczności obracania.
Co więcej, nie ogranicza się to do czterech wymiarów; logicznie rzecz biorąc, wymiary mogą być zwiększane w nieskończoność do pięciu, dziesięciu, dwudziestu i dalej.
Rozumienie Grafów Wielowymiarowych
Zdolność do panoramicznego postrzegania grafów umożliwia na przykład analizę trendów w wielu wymiarach. Porównania wielkości i zrozumienie proporcji również mogą być wykonywane intuicyjnie.
Pozwala to również na analizę wzorców danych, takich jak dane podobne lub analogiczne. Co więcej, może pomóc w odkrywaniu regularności i praw.
Wykracza to poza samo dopasowywanie wzorców danych wielowymiarowych, w czym istniejąca AI celuje, umożliwiając głębsze zrozumienie danych.
Na przykład, nawet jeśli identyczne wzorce istnieją w kombinacjach zupełnie różnych wymiarów, proste dopasowywanie wzorców danych wielowymiarowych prawdopodobnie miałoby trudności z ich znalezieniem.
Jednakże, dzięki wizji wielowymiarowej, jeśli kształty są podobne, powinny być natychmiast rozpoznawalne, nawet w różnych kombinacjach wymiarowych.
Ponadto, poza prostym wykorzystaniem osi wymiarowych towarzyszących danym wejściowym, możliwe jest również badanie struktur wymiarowych, które są łatwiejsze do zrozumienia danych, poprzez rozszerzanie lub kurczenie określonych osi, transformowanie ich logarytmicznie, lub mapowanie wielu osi na tę samą liczbę różnych osi bez redukcji ich wymiarowości.
W ten sposób, poprzez trenowanie zdolności wizji wielowymiarowej, staje się możliwe panoramiczne uchwycenie struktur danych – zadanie trudne zarówno dla ludzi, jak i konwencjonalnej AI – otwierając potencjał do odkrywania nowych spostrzeżeń i praw.
Przyspieszanie Innowacji Paradygmatycznej
Zdolność do natywnego uchwycenia danych wysokowymiarowych bez mapowania ich do niższych wymiarów sugeruje znaczny potencjał.
Na przykład, teoria heliocentryczna została wynaleziona, aby dopasować dane obserwacji astronomicznych do łatwo zrozumiałych wzorów matematycznych. Geocentryczne rozumienie, które zakładało, że Słońce krąży wokół Ziemi, nie pozwalało na odwzorowanie danych obserwacyjnych na zrozumiałe wzory, co doprowadziło do wynalezienia heliocentryzmu.
Jednakże, gdyby dane obserwacji astronomicznych mogły być natywnie uchwycone bez redukcji wymiarowości, prawa podobne do heliocentrycznych mogłyby zostać odkryte znacznie wcześniej.
Podobnie, wynalazki naukowe, takie jak teoria względności i mechanika kwantowa, mogłyby zostać zrealizowane znacznie wcześniej, gdyby dane wielowymiarowe mogły być panoramicznie uchwycone w swoich natywnych wymiarach.
Oznacza to, że innowacje paradygmatyczne, prowadzące do odkrycia różnych teorii i praw nieznanych jeszcze ludzkości, mogłyby zostać przyspieszone przez natywną wymiarowo AI.
Konkluzja
AI wyszkolona do natywnego poruszania się w przestrzeni wielowymiarowej, wykorzystując swoje wielowymiarowe zdolności poznawcze – które wykraczają poza ludzkie możliwości – może szybko rozszerzyć zakres paradygmatów w nauce i środowisku akademickim.
Paradygmaty mają tendencję do mnożenia się, a nie tylko do przesuwania. Nawet jeśli zostaną wynalezione nowe paradygmaty, niekoniecznie jesteśmy zobowiązani, aby nadążać za nimi.
Oczywiście, AI prawdopodobnie wyjaśni paradygmaty odkryte w złożonych wymiarach, mapując je na niższe wymiary w sposób dla nas zrozumiały.
Niemniej jednak, paradygmaty o nadmiernie wysokich wymiarach mogą pozostać poza ludzkim pojmowaniem. Co więcej, prawdopodobnie niemożliwe będzie zrozumienie wszystkich szeroko rozszerzonych paradygmatów.
W takim scenariuszu możemy znaleźć się w sytuacji, w której żyjemy otoczeni produktami i systemami, które funkcjonują efektywnie, nawet jeśli nie rozumiemy w pełni ich podstawowych zasad.
Jako inżynier wolałbym nie wyobrażać sobie takiej sytuacji, ale dla wielu ludzi może ona nie różnić się zbytnio od tego, jak sprawy mają się dzisiaj.