Existimos num espaço tridimensional.
Dentro desse espaço, percecionamos o espaço tridimensional com base unicamente em informação visual, que são meramente imagens bidimensionais.
Isto implica que possuímos uma imagem espacial tridimensional nas nossas mentes, e estamos a mapear inversamente a informação visual bidimensional para esta imagem espacial tridimensional.
Prevejo que, aplicando este princípio, seria possível aos humanos percecionar o espaço quadridimensional. Embora não possamos criar espaço quadridimensional ou objetos quadridimensionais dentro do espaço físico real,
é possível simular espaço quadridimensional e objetos quadridimensionais num computador. Se realizarmos um mapeamento de tal espaço quadridimensional simulado para um plano bidimensional, os humanos podem apreender visualmente a informação.
Então, à medida que os humanos aprendem os comportamentos e vistas de tal espaço quadridimensional e objetos quadridimensionais, eles serão eventualmente capazes de construir um espaço quadridimensional nas suas mentes.
No entanto, esta é meramente uma possibilidade, e o treino deverá exigir uma quantidade considerável de tempo.
Além disso, mesmo que se obtivesse a capacidade de percecionar o espaço quadridimensional, haveria quase nenhuma situação em que essa capacidade pudesse ser aplicada.
Perceção Quadridimensional por IA
Por outro lado, o mesmo pode ser alcançado com a IA. Além disso, a IA pode ser capaz de aproveitar esta capacidade de perceção espacial quadridimensional.
Por exemplo, com a perceção espacial quadridimensional, seria possível desenhar e compreender gráficos quadridimensionais.
Os humanos só conseguem apreender de forma abrangente a informação visual bidimensional planar. Portanto, mesmo que um gráfico tridimensional seja desenhado e reconhecido através de mapeamento inverso, haverá partes ocultas da vista.
Mesmo com gráficos tridimensionais, uma parte significativa torna-se invisível, e com gráficos quadridimensionais, ainda mais dados ficam ocultos.
Embora a rotação do gráfico possa revelar as partes invisíveis, isso afasta-se do objetivo de tornar os dados compreensíveis e intuitivamente entendíveis à primeira vista.
Pelo contrário, a IA não precisa de ser restringida pela informação visual bidimensional planar. É possível equipar virtualmente a IA com visão espacial tridimensional ou quadridimensional e treiná-la.
Ao fazê-lo, gráficos tridimensionais e quadridimensionais podem ser compreendidos de forma abrangente e nativa dimensionalmente, sem dados ocultos ou a necessidade de rotação.
Além disso, isto não se limita a quatro dimensões; logicamente, as dimensões podem ser aumentadas infinitamente para cinco, dez, vinte e além.
Compreensão de Gráficos Multidimensionais
A capacidade de apreender gráficos de forma abrangente permite, por exemplo, a análise de tendências em múltiplas dimensões. Comparações de magnitude e compreensão de proporções também podem ser realizadas intuitivamente.
Além disso, permite a análise de padrões de dados, como dados semelhantes ou análogos. Poderia também levar à descoberta de regularidades e leis.
Isso possibilita uma compreensão mais profunda dos dados para além da simples correspondência de padrões de dados multidimensionais, em que a IA existente se destaca.
Por exemplo, mesmo que partes com o mesmo padrão existam em combinações de dimensões inteiramente diferentes, seria difícil encontrá-las através de uma simples correspondência de padrões multidimensionais.
No entanto, se os dados forem visualizados com visão multidimensional, formas semelhantes seriam imediatamente aparentes, mesmo em diferentes combinações dimensionais.
Além disso, para além de simplesmente utilizar os eixos dimensionais associados aos dados de entrada, é possível explorar estruturas dimensionais que facilitam a compreensão dos dados, aumentando ou reduzindo eixos específicos, aplicando logaritmos ou mapeando múltiplos eixos para um conjunto diferente de eixos com o mesmo número sem reduzir as dimensões.
Assim, o treino das capacidades de visão multidimensional abre a possibilidade de apreender estruturas de dados abrangentes que eram difíceis tanto para humanos como para a IA convencional, potencialmente levando à descoberta de novos conhecimentos e leis.
Acelerar a Inovação de Paradigmas
A capacidade de apreender dados de alta dimensão nativamente, sem os mapear para dimensões inferiores, sugere um potencial significativo.
Por exemplo, a teoria heliocêntrica foi inventada para encaixar os dados de observação astronómica em fórmulas matemáticas facilmente compreensíveis. A teoria geocêntrica, que postulava o sol a girar em torno da Terra, não conseguia mapear os dados de observação para fórmulas facilmente compreensíveis, levando à invenção da teoria heliocêntrica.
No entanto, se os dados de observação astronómica pudessem ser compreendidos nativamente sem reduzir as suas dimensões, é possível que leis semelhantes à heliocêntrica pudessem ter sido descobertas muito mais cedo.
De forma semelhante, invenções científicas como a teoria da relatividade e a mecânica quântica poderiam ter sido rapidamente realizadas se os dados multidimensionais pudessem ser compreendidos de forma abrangente nas suas dimensões nativas.
Isto implica que a IA nativa multidimensional poderia acelerar as inovações de paradigmas, levando à descoberta de várias teorias e leis ainda desconhecidas pela humanidade.
Conclusão
A IA treinada para ser nativa de espaços multidimensionais pode aproveitar as suas capacidades de perceção espacial multidimensional, que os humanos não conseguem replicar, para expandir rapidamente o âmbito dos paradigmas científicos e académicos.
Os paradigmas tendem a multiplicar-se, em vez de simplesmente mudarem. Mesmo que novos paradigmas sejam inventados, não somos necessariamente obrigados a acompanhar cada um deles.
Naturalmente, a IA provavelmente explicará paradigmas complexos e de alta dimensão, mapeando-os para dimensões inferiores de uma forma que nos seja facilmente compreensível.
No entanto, é possível que os humanos não consigam compreender totalmente paradigmas excessivamente de alta dimensão. Nem seremos capazes de apreender todos os paradigmas vastamente expandidos.
Nesse cenário, poderemos encontrar-nos a viver rodeados de produtos e sistemas que funcionam bem, mesmo que não compreendamos totalmente os seus princípios subjacentes.
Como engenheiro, preferiria não imaginar tal situação, mas para muitas pessoas, pode não ser assim tão diferente de como as coisas são agora.