我们存在于一个三维空间中。
在这个空间中，我们仅凭视觉信息（即二维图像）来感知三维空间。
这意味着我们的大脑中拥有一个三维空间图像，并且我们正在将二维视觉信息逆映射到这个三维空间图像上。
我预测，通过应用这一原理，人类有可能感知四维空间。虽然我们无法在现实物理空间中创建四维空间或四维物体，
但可以在计算机上模拟四维空间和四维物体。如果我们将这种模拟的四维空间映射到二维平面上，人类就能通过视觉来掌握这些信息。
然后，随着人类学习这些四维空间和四维物体的行为和视图，他们最终将能够在头脑中构建一个四维空间。
然而，这仅仅是一种可能性，而且这种训练预计将需要相当长的时间。
此外，即使一个人获得了感知四维空间的能力，这种能力也几乎没有应用场景。
AI的四维感知能力
另一方面，AI也能实现同样的功能。此外，AI或许还能利用这种四维空间感知能力。
例如，通过四维空间感知能力，AI将能够绘制和理解四维图表。
人类只能全面掌握二维平面的视觉信息。因此，即使绘制并反向映射识别三维图表，也总会有部分被隐藏起来。
即使是三维图表，也会有很大一部分不可见；而对于四维图表，不可见的数据会更多。
虽然旋转图表可以揭示不可见的部分，但这偏离了使数据一目了然、全面直观地理解的目标。
相反，AI无需受二维平面视觉信息的限制。它可以被虚拟地赋予三维或四维空间视觉并进行训练。
通过这种方式，三维和四维图表可以被全面、原生（维度内）地掌握，无需隐藏数据或旋转。
此外，这不限于四维；从逻辑上讲，维度可以无限增加到五维、十维、二十维乃至更高。
理解多维图表
全面掌握图表的能力使得例如跨多个维度的趋势分析成为可能。大小比较和比例理解也可以直观地进行。
此外，它还允许分析数据模式，例如相似或类比数据。它还可以发现规律和法则。
这使得对数据的理解超越了现有AI擅长的多维数据模式匹配，实现了更深层次的数据理解。
例如，即使在完全不同的维度组合中存在具有相同模式的部分，也难以通过简单的多维模式匹配来发现它们。
然而，如果用多维视觉查看数据，即使在不同的维度组合中，相似的形状也会立即显现出来。
此外，除了简单地利用与输入数据相关的维度轴之外，还可以通过放大或缩小特定轴、取对数，或者在不降维的情况下将多个轴映射到一组数量相同的不同轴上，从而探索有助于数据理解的维度结构。
因此，训练多维视觉能力开启了掌握对人类和传统AI都难以理解的全面数据结构的可能性，这可能导致新见解和新规律的发现。
加速范式创新
无需将高维数据映射到低维，而是直接对其进行原生理解的能力，预示着巨大的潜力。
例如，日心说之所以被发明，是为了将天文观测数据拟合到易于理解的数学公式中。地心说（认为太阳围绕地球转）无法将观测数据映射到易于理解的公式，从而导致了日心说的发明。
然而，如果天文观测数据能够不降维地被原生理解，那么类似日心说这样的规律很可能早就被发现了。
同样，如果多维数据能够在其原生维度中被全面理解，那么像相对论和量子力学这样的科学发明可能早就被迅速认识到了。
这意味着多维原生AI可以加速范式创新，从而发现人类尚未知晓的各种理论和规律。
结论
经过训练以适应此类多维空间的AI，可能会利用其人类无法复制的多维空间感知能力，迅速扩展科学和学术范畴的范式。
范式往往是增殖而非简单地转移。即使新的范式被发明出来，我们也不一定需要跟上每一个范式。
当然，AI很可能会将复杂的、高维的范式映射到低维，以我们易于理解的方式进行解释。
然而，人类可能无法完全理解过于高维的范式。我们也无法掌握所有大幅扩展的范式。
在这种情况下，我们可能会发现自己生活在被运作良好但我们不完全理解其底层原理的产品和系统包围之中。
作为一名工程师，我宁愿不想象这样的情况，但对于许多人来说，这可能与现状没有太大区别。