เพื่อให้ AI จัดการตัวอย่างที่เป็นรูปธรรมจำนวนมากได้ การประมวลผลอินพุตแต่ละรายการเป็นกรณีที่แยกจากกันโดยสิ้นเชิงเพียงอย่างเดียวนั้นไม่เพียงพอ หากสามารถสกัดคุณลักษณะและความสัมพันธ์ที่ร่วมกันระหว่างอินพุตต่าง ๆ และใช้เป็นการแทนค่าระดับสูงได้ โครงสร้างที่มีอยู่ก็สามารถนำไปใช้กับสถานการณ์ที่ไม่เคยพบมาก่อนได้ด้วย ในความหมายนี้ นามธรรมไม่ใช่เพียงการลดข้อมูล แต่เป็นหน้าที่สำคัญที่ทำให้การให้เหตุผลและการทำให้เป็นนัยทั่วไปเกิดขึ้นได้ แต่เมื่อประสบการณ์ของมนุษย์เป็นวัตถุของการพิจารณา ปัญหาอีกอย่างหนึ่งก็เกิดขึ้น แม้ประสบการณ์หนึ่งจะสามารถสรุปได้อย่างเหมาะสมภายใต้แนวคิดระดับสูงหนึ่งแนวคิด ก็ไม่ได้หมายความว่านั่นคือนามธรรมเพียงแบบเดียวที่ใช้ได้กับประสบการณ์นั้น
ตัวอย่างเช่น ข้อความว่า “ฉันอยากออกจากงานปัจจุบัน แต่กลัวว่าจะทำให้คนรอบข้างผิดหวัง” เปิดให้มีนามธรรมได้หลายแบบ อาจแทนเป็นความสัมพันธ์ระหว่างการกำหนดตนเองกับความรับผิดชอบ เป็นความสัมพันธ์ระหว่างการยอมรับจากผู้อื่นกับการประเมินตนเอง หรือเป็นผลของบรรทัดฐานของกลุ่มที่มีต่อการเลือกของปัจเจกก็ได้ นอกจากนี้ยังอาจเข้าใจว่าเป็นการหลีกเลี่ยงความไม่แน่นอนเกี่ยวกับอนาคต เนื่องจากทั้งหมดมาจากข้อความเดียวกัน จึงอาจดูซ้ำซ้อน แต่ไม่ได้มีความหมายเหมือนกัน แต่ละแบบทำให้ความสัมพันธ์ที่ต่างกันเด่นขึ้น ถือว่าเงื่อนไขที่ต่างกันมีความสำคัญ และส่งผลต่อคำถามและการตัดสินที่ตามมาแตกต่างกัน
ประเด็นจึงอยู่ที่ว่า เราควรเลือกเพียงนามธรรมหนึ่งแบบที่มีพลังในการอธิบายสูงสุดหรือไม่ การรวมเป็นการแทนค่าเดียวทำให้การประมวลผลง่ายขึ้นและทำให้การจับคู่กับกรณีที่คล้ายกันสะดวกขึ้น แต่หากทุกอย่างถูกรวมไว้ภายใต้ “การยอมรับ” ความไม่แน่นอนทางเศรษฐกิจหรือการเปลี่ยนแปลงของความรู้สึกเป็นส่วนหนึ่งอาจถอยออกจากการให้เหตุผลที่ตามมา ในทางกลับกัน หากวาง “ความไม่แน่นอน” ไว้ที่ศูนย์กลาง ความสัมพันธ์ที่บุคคลนั้นทำให้ความคาดหวังของผู้อื่นกลายเป็นส่วนหนึ่งของตนอาจดูอ่อนลง ประสิทธิภาพผ่านนามธรรมจึงต้องประเมินไม่เพียงจากสิ่งที่คงไว้ แต่ยังจากสิ่งที่ถูกนำออกจากพื้นที่ของการสำรวจด้วย
ดังนั้น เมื่อพิจารณาการแทนค่าภายในที่มีประสิทธิภาพสำหรับประสบการณ์ของมนุษย์ ทิศทางของการ “บีบอัดตัวอย่างที่เป็นรูปธรรมจำนวนมากให้เป็นแนวคิดจำนวนน้อย” ยังไม่เพียงพอ เมื่อการแทนค่าระดับสูงหลายแบบที่ไม่เทียบเท่ากันใช้ได้กับประสบการณ์เดียวกัน จำเป็นต้องคงการแทนค่าเหล่านั้นไว้ในความสัมพันธ์ต่อกันโดยไม่รวมเข้ากับแนวคิดเหนือระดับเพียงหนึ่งเดียวก่อนเวลาอันควร พิกัดของเสรีภาพ การยอมรับ และบรรทัดฐานไม่จำเป็นต้องกีดกันซึ่งกันและกัน ในขณะเดียวกัน การรวมสิ่งเหล่านี้ไว้ในแนวคิดที่กว้างเกินไป เช่น “ปัญหาความสัมพันธ์ระหว่างมนุษย์” จะลบโครงสร้างที่การแทนค่าแต่ละแบบแยกแยะไว้ ประสิทธิภาพไม่ใช่สิ่งเดียวกับการรวมที่ลบความแตกต่าง
ในการคิดถึงโครงสร้างนี้ เราต้องแยก “การสร้างคำตอบหลายคำตอบ” ออกจาก “การคงการแทนค่าภายในหลายแบบ” เป็นไปได้ที่จะสร้างประโยคที่ภายนอกแตกต่างกันหลายประโยคจากการจำแนกภายในเพียงหนึ่งแบบ ในกรณีนั้น ผลลัพธ์มีความหลากหลาย แต่การแทนปัญหายังคงเป็นแบบเดียว ในทางตรงกันข้าม การคงการแทนค่าระดับสูงหลายแบบหมายถึงการคงสถานะที่แตกต่างกันในแง่ว่าเงื่อนไขใดถูกถือว่าสำคัญ อะไรถูกวางไว้ที่ศูนย์กลางเชิงเหตุหรือเชิงความสัมพันธ์ และข้อมูลเพิ่มเติมใดจะทำให้การตีความปัจจุบันเปลี่ยนแปลง สิ่งสำคัญไม่ใช่จำนวนการแทนค่า แต่คือบทบาทในการให้เหตุผลที่ไม่เทียบเท่ากัน
แนวคิดทางปรัชญาเป็นวัสดุสำคัญสำหรับพิจารณาความไม่เทียบเท่านี้ ตลอดประวัติศาสตร์ของปรัชญา สิ่งต่าง ๆ เช่น เสรีภาพ ความปรารถนา เวลา ผู้อื่น บรรทัดฐาน และความมีขอบเขต ไม่ได้บรรจบลงที่คำจำกัดความเดียว แต่มีการเสนอรูปแบบความสัมพันธ์ที่แตกต่างกันจากสมมติฐานตั้งต้นที่แตกต่างกัน ความไม่ลงรอยเหล่านี้ไม่จำเป็นต้องถูกมองว่าเป็นความรู้ที่ไร้ระเบียบหรือเป็นความขัดแย้งที่ต้องกำจัด หากใช้เป็นทรัพยากรที่แสดงว่าประสบการณ์ของมนุษย์เดียวกันสามารถมีโครงสร้างต่างกันในพื้นที่ความหมายหลายแบบ ปรัชญาก็ไม่ได้เพิ่มคำตอบที่ถูกต้องให้แก่ AI แต่ให้พิกัดที่เปรียบเทียบกันได้สำหรับตรวจสอบการบรรจบสู่การแทนค่าเดียวก่อนเวลาอันควร
อย่างไรก็ตาม เพียงใช้คำว่า “พิกัดทางปรัชญา” ก็ไม่ได้พิสูจน์ว่าโครงสร้างเชิงแนวคิดที่สอดคล้องกันมีอยู่ภายใน AI ความสามารถของโมเดลในการสร้างคำอย่าง “เสรีภาพ” “การยอมรับ” และ “บรรทัดฐาน” ได้อย่างเหมาะสม เป็นคนละเรื่องกับการที่การแทนค่าเหล่านั้นมีบทบาทเชิงเหตุที่แตกต่างกันในการให้เหตุผลต่อมาหรือไม่ หากจะอ้างว่าเป็นการแทนค่าภายใน จำเป็นต้องมีการทดสอบว่า การแทนค่าใดเกิดซ้ำอย่างเสถียรเมื่อเงื่อนไขอินพุตเปลี่ยนไป สามารถแยกการแทนค่าที่อยู่ใกล้กันได้หรือไม่ และการแทรกแซงการแทนค่าเฉพาะหนึ่งแบบทำให้แนวโน้มในการตัดสินหรือการสร้างผลลัพธ์เปลี่ยนไปหรือไม่ การตั้งชื่อแนวคิดอาจเป็นจุดเริ่มต้นของการวิเคราะห์ แต่ไม่ได้พิสูจน์กลไกภายใน
การคงการแทนค่าระดับสูงหลายแบบเองก็มีต้นทุน หากจำนวนตัวเลือกเพิ่มขึ้นเรื่อย ๆ พื้นที่การค้นหาจะขยายและการให้เหตุผลจะมีประสิทธิภาพลดลง ดังนั้น ปัญหาเชิงออกแบบจึงไม่ใช่การเก็บการตีความที่เป็นไปได้ไว้อย่างไม่จำกัด แต่คือการกำหนดว่า ภายใต้เงื่อนไขใดควรคงการแทนค่าที่ไม่เทียบเท่ากันซึ่งอาจส่งผลต่อการตัดสินปัจจุบัน และภายใต้เงื่อนไขใดการแทนค่าเหล่านั้นสามารถถอยไปอยู่เบื้องหลังได้ แม้การแทนค่าหนึ่งจะถูกทำให้เป็นเบื้องหลัง ก็ไม่จำเป็นต้องลบทิ้ง หากสามารถนำกลับมาใช้ได้อีกเมื่อมีข้อมูลใหม่เข้ามา ที่นี่ ความสามารถในการขยายกลับและความสามารถในการปรับปรุงกลายเป็นส่วนหนึ่งของประสิทธิภาพควบคู่กับอัตราการบีบอัด
เมื่อกำหนดการแทนค่าภายในที่มีประสิทธิภาพจากมุมมองนี้ เป้าหมายจะเปลี่ยนจาก “ครอบคลุมจำนวนกรณีสูงสุดด้วยการแทนค่าขั้นต่ำ” สิ่งที่สำคัญกว่าคือการลดความซับซ้อนที่ไม่จำเป็นต่อการให้เหตุผลในปัจจุบัน โดยไม่สูญเสียความแตกต่างของความหมายที่อาจเปลี่ยนการตัดสินในอนาคต หากส่วนที่เหมือนกันสามารถใช้ร่วมกันได้ ขณะที่คงไว้เฉพาะความสัมพันธ์ที่ไม่เทียบเท่ากันในรูปของแขนง ก็ไม่จำเป็นต้องเก็บทุกกรณีอย่างเป็นอิสระ ในขณะเดียวกัน ก็ไม่จำเป็นต้องรวมอย่างย้อนกลับไม่ได้เข้ากับแนวคิดนามธรรมเพียงหนึ่งเดียว ประสิทธิภาพยังสามารถประเมินได้จากภาระที่น้อยเพียงใดในการรักษาโครงสร้างที่สามารถย้อนกลับไปยังความแตกต่างที่จำเป็นได้
เมื่อนำไปใช้กับการออกแบบของ Sai＊aus จุดประสงค์ของการคงพิกัดทางปรัชญาหลายแบบไม่ใช่การสร้างคำตอบให้มากเท่าจำนวนนักปรัชญา แต่คือการแยกแยะว่า การตั้งปัญหาเปลี่ยนไปอย่างไรขึ้นอยู่กับว่าความสัมพันธ์ใดถูกทำให้เด่นสำหรับอินพุตเดียวกัน และเชื่อมความแตกต่างเหล่านั้นเข้ากับรูปแบบที่มนุษย์สามารถตัดสินได้ หากการกำหนดตนเองเป็นศูนย์กลางภายใต้พิกัดหนึ่ง และบรรทัดฐานทางสังคมเป็นศูนย์กลางภายใต้อีกพิกัดหนึ่ง AI ไม่ควรกำหนดอย่างใดอย่างหนึ่งว่าเป็น “ปัญหาที่แท้จริง” ของบุคคลนั้น แต่ควรจัดการว่าแต่ละแบบอธิบายเงื่อนไขใดและไม่ได้อธิบายเงื่อนไขใด การแทนค่าภายในหลายแบบถูกใช้ไม่ใช่เพื่อแสดงข้อมูลจำนวนมากขึ้นให้มนุษย์เห็น แต่เพื่อป้องกันการตรึงความหมายก่อนเวลาอันควร
การออกแบบนี้ยังต้องถูกวางตำแหน่งอย่างระมัดระวังเมื่อเปรียบเทียบกับ AI อเนกประสงค์ AI ขนาดใหญ่สามารถสร้างมุมมองหลายแบบและนำเสนอคำอธิบายที่แตกต่างกันตามบริบท ดังนั้น ความแตกต่างจึงไม่อาจกล่าวอย่างง่าย ๆ ว่า “AI อื่นให้คำตอบเพียงหนึ่งเดียว” จุดเน้นเชิงออกแบบที่ Sai＊aus สามารถวางไว้ได้ไม่ใช่เพียงความสามารถในการสร้างหลายมุมมอง แต่คือการปฏิบัติต่อมุมมองเหล่านั้นในฐานะการแทนปัญหาที่ไม่เทียบเท่ากัน และออกแบบอย่างชัดเจนว่าจะคงความแตกต่างใดไว้ ภายใต้เงื่อนไขใดจะทำให้ความแตกต่างนั้นเด่นขึ้น และ ณ จุดใดจะคืนการตัดสินความหมายให้แก่มนุษย์ สิ่งที่ควรเปรียบเทียบไม่ใช่จำนวนมุมมอง แต่คือวิธีที่ความแตกต่างระหว่างมุมมองเชื่อมโยงกับการปรับปรุงความเข้าใจ
วิธีการประเมินก็ต้องเปลี่ยนให้สอดคล้องกับการออกแบบนี้ ตัวชี้วัดที่เป็นไปได้รวมถึงว่า การใช้พิกัดที่แตกต่างกันกับอินพุตเดียวกันทำให้การเลือกเงื่อนไขสำคัญเปลี่ยนไปจริงหรือไม่ สามารถปรับน้ำหนักของพิกัดที่เหมาะสมตามข้อมูลเพิ่มเติมได้หรือไม่ การแทนค่าที่เคยถูกทำให้เป็นเบื้องหลังสามารถขยายกลับได้เมื่อจำเป็นหรือไม่ และการนำเสนอการแทนค่าหลายแบบทำให้ผู้ใช้สามารถแยกแยะจุดตัดสินใจสำคัญได้แม่นยำขึ้นหรือไม่ สิ่งเหล่านี้ไม่ใช่มาตรวัดสากลเพียงหนึ่งเดียว แต่สามารถเชื่อมหลักการออกแบบของ “การแทนค่าหลายแบบ” เข้ากับพฤติกรรมที่สังเกตได้ สิ่งสำคัญคือการวางระยะห่างที่วัดได้ระหว่างหลักการกับผลลัพธ์
นามธรรมเพียงหนึ่งแบบมักทรงพลัง หากไม่พบโครงสร้างร่วม การถ่ายโอนความรู้และการให้เหตุผลอย่างมีประสิทธิภาพจะทำได้ยาก อย่างไรก็ตาม ในประสบการณ์ของมนุษย์ ความสำเร็จของนามธรรมเองอาจลบความหมายอีกแบบหนึ่ง สิ่งที่จำเป็นจึงไม่ใช่การปฏิเสธการบีบอัด หรือการเก็บความซับซ้อนไว้โดยไม่เปลี่ยนแปลง แต่คือการจัดการว่าอะไรสามารถใช้ร่วมกันได้ถึงจุดใด และจากจุดใดควรแตกแขนงเป็นการแทนค่าที่ไม่เทียบเท่ากัน พิกัดทางปรัชญาหลายแบบเป็นวิธีหนึ่งในการคิดถึงขอบเขตนั้น
สำหรับ AI ที่มุ่งทำความเข้าใจมนุษย์ ประสิทธิภาพไม่ได้หมายถึงเพียงการไปถึงคำอธิบายหนึ่งด้วยเส้นทางที่สั้นที่สุด แต่ยังรวมถึงการทำให้โครงสร้างที่จำเป็นต่อการตัดสินในปัจจุบันเด่นขึ้น โดยไม่สูญเสียความเป็นไปได้ที่จะได้รับการปรับปรุงในอนาคตผ่านอีกมุมมองหนึ่ง แทนที่จะเป็นการแทนค่าขั้นต่ำเพียงหนึ่งเดียว ให้คงการแทนค่าที่สามารถขยายกลับไปสู่พื้นที่ความหมายที่แตกต่างกันได้เมื่อจำเป็น จากนั้น การแทนค่าภายในที่มีประสิทธิภาพจะเปลี่ยนจากการบีบอัดที่กำจัดความซับซ้อน ไปเป็นการออกแบบที่รักษาความแตกต่างสำคัญภายในความซับซ้อนให้อยู่ในรูปที่นำกลับมาใช้ได้ และท้ายที่สุด ความหมายใดที่จะถูกยอมรับว่าเป็นปัญหาของตนเองไม่ได้ถูกกำหนดไว้ภายใน AI แต่ถูกส่งคืนให้การตัดสินของมนุษย์
ไม่ใช่คำตอบ แต่คือความเข้าใจ