我们存在于三维空间中。
在这个空间里，我们基于视觉信息（它仅仅是二维图像）来感知三维空间。
这意味着我们的头脑中持有一个三维空间的图像，并将二维视觉信息逆向映射到这个三维图像上。
我预测，如果应用这个原理，人类有可能感知四维空间。虽然我们无法在真实的物理空间中创造四维空间或四维物体，
但可以通过计算机模拟四维空间和物体。通过将这种模拟的四维空间映射到二维平面上，人类可以视觉上理解这些信息。
然后，如果人类学习了这些四维空间和物体的行为和视图，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，并且这种训练可能需要相当长的时间。
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
另一方面，AI也能实现同样的功能。此外，AI或许能够利用这种四维空间感知能力。
例如，凭借四维空间感知能力，AI可以绘制并理解四维图表。
人类只能一眼扫视二维平面的视觉信息。因此，即使绘制并通过逆向映射识别出三维图表，仍然会有被遮挡的隐藏部分。
三维图表已经有相当一部分不可见，而四维图表将隐藏更多数据。
尽管旋转图表可以揭示隐藏部分，但这偏离了直观地一眼掌握数据的目标。
相反，AI无需受限于二维平面的视觉信息。可以虚拟地赋予AI三维或四维空间视觉并对其进行训练。
这将使AI能够以维度原生、全景的方式掌握三维和四维图表，而无需隐藏数据或需要旋转。
此外，这不仅限于四维；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
能够全景式地理解图表，例如，可以进行跨多个维度的趋势分析。大小比较和比例理解也可以直观地完成。
它还允许分析数据模式，例如相似或类比数据。此外，它有助于发现规律和法则。
这超越了现有AI擅长的简单多维数据模式匹配，实现了对数据更深层次的理解。
例如，即使在完全不同维度的组合中存在相同的模式，简单的多维模式匹配也可能难以发现它们。
然而，借助多维视觉，如果形状相似，即使在不同的维度组合中，也应该能立即识别出来。
此外，除了简单地使用输入数据附带的维度轴，还可以通过扩展或收缩特定轴、对其进行对数变换，或者在不降低维度的情况下将多个轴映射到相同数量的不同轴，从而探索更容易理解数据的维度结构。
因此，通过训练多维视觉能力，AI将能够全景式地掌握数据结构——这对于人类和传统AI来说都是一项艰巨的任务——从而开启从中发现新见解和法则的潜力。
加速范式创新
无需将高维数据映射到低维就能以原生方式理解的能力，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纳入易于理解的数学公式中。地心说（认为太阳围绕地球转动）无法将观测数据映射到可理解的公式，从而促成了日心说的发明。
然而，如果天文观测数据能够以原生方式直接理解，无需降维，那么类似日心说的规律可能早就被发现了。
同样，如果多维数据能够以其原生维度被全景式地理解，相对论和量子力学等科学发明可能也会更早地实现。
这意味着，维度原生的AI可能会加速范式创新，从而发现人类尚未知晓的各种理论和规律。
结论
经过多维空间原生训练的AI，将利用其超越人类模仿能力的多维空间认知能力，迅速拓展科学和学术领域的范式范围。
范式往往是增殖而非简单地转移。即使新的范式被发明，我们也不一定被要求跟上它们的步伐。
当然，AI很可能会通过将复杂维度中发现的范式映射到较低维度，以我们易于理解的方式进行解释。
然而，维度过高的范式可能仍将超出人类的理解范围。此外，要理解所有这些极大扩展的范式，也可能是不可能完成的任务。
在这种情况下，我们可能会发现自己生活在由有效运作的产品和系统所包围的世界中，即使我们不完全理解它们的底层原理。
作为一名工程师，我宁愿不想象这样的情景，但对许多人来说，这可能与今天的状况没有太大不同。