Để AI xử lý số lượng lớn các ví dụ cụ thể, chỉ xử lý từng đầu vào như một trường hợp hoàn toàn độc lập là chưa đủ. Nếu có thể trích xuất các đặc trưng và quan hệ chung giữa những đầu vào khác nhau và sử dụng chúng như các biểu diễn bậc cao, những cấu trúc đã có có thể được chuyển sang cả những tình huống chưa từng gặp trước đây. Theo nghĩa này, trừu tượng hóa không chỉ là giảm thông tin; đó là một chức năng quan trọng giúp khả thi hóa suy luận và khái quát hóa. Nhưng khi đối tượng là trải nghiệm của con người, một vấn đề khác xuất hiện. Ngay cả khi một trải nghiệm có thể được khái quát một cách thích hợp dưới một khái niệm bậc cao, điều đó không có nghĩa đây là phép trừu tượng hóa duy nhất đúng với trải nghiệm ấy.
Ví dụ, phát biểu “Tôi muốn rời công việc hiện tại, nhưng tôi sợ làm những người xung quanh thất vọng” cho phép nhiều phép trừu tượng hóa. Nó có thể được biểu diễn như quan hệ giữa quyền tự quyết và trách nhiệm, như quan hệ giữa sự công nhận từ người khác và tự đánh giá, hoặc như tác động của các chuẩn mực của một nhóm lên lựa chọn của cá nhân. Nó cũng có thể được hiểu là sự né tránh tính bất định về tương lai. Vì tất cả đều được rút ra từ cùng một phát biểu, chúng có thể trông như trùng lặp, nhưng không đồng nghĩa. Mỗi cách đưa những quan hệ khác nhau lên tiền cảnh, coi những điều kiện khác nhau là quan trọng và tác động khác nhau đến các câu hỏi và phán đoán tiếp theo.
Vấn đề khi đó là liệu chúng ta có nên đơn giản chọn một phép trừu tượng hóa có sức giải thích lớn nhất hay không. Tích hợp vào một biểu diễn duy nhất làm đơn giản hóa xử lý và giúp việc ánh xạ tới các trường hợp tương tự dễ dàng hơn. Nhưng nếu mọi thứ được tích hợp dưới “sự công nhận”, tính bất định về kinh tế hoặc những thay đổi trong sự thuộc về có thể lùi khỏi suy luận tiếp theo. Ngược lại, nếu đặt “tính bất định” ở trung tâm, quan hệ trong đó người đó đã nội tâm hóa kỳ vọng của người khác có thể trở nên kém nổi bật. Hiệu quả thông qua trừu tượng hóa phải được đánh giá không chỉ bằng những gì được giữ lại mà còn bằng những gì bị loại khỏi không gian khám phá.
Theo đó, khi xem xét biểu diễn hiệu quả nội tại cho trải nghiệm của con người, hướng “nén nhiều ví dụ cụ thể thành một số ít khái niệm” là chưa đủ. Khi nhiều biểu diễn bậc cao không tương đương cùng đúng với một trải nghiệm, cần giữ chúng trong quan hệ với nhau mà không tích hợp quá sớm vào một khái niệm thượng vị duy nhất. Các tọa độ của tự do, sự công nhận và chuẩn mực không nhất thiết loại trừ lẫn nhau. Đồng thời, gộp chúng vào một khái niệm quá rộng như “vấn đề quan hệ con người” sẽ xóa đi những cấu trúc mà từng biểu diễn đã phân biệt. Hiệu quả không đồng nghĩa với sự tích hợp loại bỏ khác biệt.
Để suy nghĩ về cấu trúc này, chúng ta phải phân biệt “tạo ra nhiều câu trả lời” với “giữ lại nhiều biểu diễn nội tại”. Có thể tạo ra nhiều câu bề ngoài khác nhau từ một phân loại nội tại duy nhất. Trong trường hợp đó, đầu ra đa dạng nhưng cách biểu diễn vấn đề vẫn chỉ có một. Ngược lại, giữ lại nhiều biểu diễn bậc cao có nghĩa là giữ các trạng thái khác nhau về những điều kiện được coi là quan trọng, điều gì được đặt ở trung tâm nhân quả hoặc quan hệ, và thông tin bổ sung nào sẽ cập nhật cách diễn giải hiện tại. Điều quan trọng không phải số lượng biểu diễn mà là vai trò không tương đương của chúng trong suy luận.
Các khái niệm triết học cung cấp chất liệu mạnh để xem xét tính không tương đương này. Trong lịch sử triết học, những đối tượng như tự do, ham muốn, thời gian, người khác, chuẩn mực và tính hữu hạn không hội tụ vào các định nghĩa duy nhất; những cấu trúc quan hệ khác nhau đã được đề xuất từ các tiền đề khác nhau. Không cần coi những bất đồng này là tri thức chưa được sắp xếp hay những mâu thuẫn cần loại bỏ. Nếu chúng được dùng như nguồn lực cho thấy cùng một trải nghiệm con người có thể mang những cấu trúc khác nhau trong nhiều không gian ý nghĩa, triết học không bổ sung các câu trả lời đúng cho AI; nó cung cấp những tọa độ có thể so sánh để xem xét sự hội tụ quá sớm vào một biểu diễn duy nhất.
Tuy nhiên, chỉ sử dụng cụm từ “tọa độ triết học” không chứng minh rằng các cấu trúc khái niệm tương ứng tồn tại bên trong AI. Khả năng của một mô hình trong việc tạo ra thích hợp các từ như “tự do”, “sự công nhận” và “chuẩn mực” là một vấn đề khác với việc những biểu diễn đó có đóng các vai trò nhân quả khác nhau trong suy luận tiếp theo hay không. Để khẳng định chúng là các biểu diễn nội tại, cần có các kiểm nghiệm: biểu diễn nào tái xuất ổn định khi điều kiện đầu vào thay đổi, liệu các biểu diễn gần nhau có thể được phân biệt hay không, và liệu can thiệp vào một biểu diễn cụ thể có làm thay đổi xu hướng phán đoán hoặc sinh nội dung hay không. Đặt tên cho một khái niệm có thể là điểm khởi đầu của phân tích, nhưng không chứng minh được một cơ chế nội tại.
Việc giữ lại nhiều biểu diễn bậc cao cũng có chi phí. Nếu các ứng viên tiếp tục tăng lên, không gian tìm kiếm mở rộng và suy luận trở nên kém hiệu quả hơn. Vì vậy, vấn đề thiết kế không phải là bảo tồn không giới hạn mọi cách diễn giải khả dĩ, mà là xác định trong điều kiện nào các biểu diễn không tương đương có thể ảnh hưởng đến phán đoán hiện tại nên được giữ lại và trong điều kiện nào chúng có thể lùi về hậu cảnh. Ngay cả khi một biểu diễn được đưa xuống hậu cảnh, nó không cần bị xóa nếu có thể được sử dụng lại khi thông tin mới xuất hiện. Ở đây, khả năng triển khai lại và khả năng cập nhật trở thành một phần của hiệu quả bên cạnh tỷ lệ nén.
Được định nghĩa từ góc nhìn này, mục tiêu của biểu diễn hiệu quả nội tại thay đổi khỏi việc “bao phủ số lượng trường hợp tối đa bằng biểu diễn tối thiểu”. Quan trọng hơn là kiềm chế độ phức tạp không cần thiết cho suy luận hiện tại mà không làm mất những khác biệt về ý nghĩa có thể thay đổi phán đoán trong tương lai. Nếu các phần chung có thể được chia sẻ trong khi chỉ những quan hệ không tương đương được giữ lại dưới dạng các nhánh, không cần lưu trữ độc lập từng trường hợp. Đồng thời, cũng không cần tích hợp một cách không thể đảo ngược vào một khái niệm trừu tượng duy nhất. Hiệu quả cũng có thể được đánh giá bằng mức gánh nặng nhỏ đến đâu để duy trì một cấu trúc có thể quay lại những khác biệt cần thiết.
Áp dụng vào thiết kế của Sai＊aus, mục đích giữ lại nhiều tọa độ triết học không phải là tạo ra số câu trả lời nhiều bằng số triết gia. Mục đích là phân biệt cách việc đặt vấn đề thay đổi tùy theo quan hệ nào được đưa lên tiền cảnh đối với cùng một đầu vào, và kết nối những khác biệt đó với một hình thức mà con người có thể phán đoán. Nếu quyền tự quyết là trung tâm dưới một tọa độ và các chuẩn mực xã hội là trung tâm dưới một tọa độ khác, AI không nên xác định một trong hai là “vấn đề thực sự” của người đó, mà phải xử lý điều kiện nào được mỗi tọa độ giải thích và điều kiện nào không được giải thích. Nhiều biểu diễn nội tại được sử dụng không phải để cho con người thấy nhiều thông tin hơn, mà để ngăn ý nghĩa bị cố định quá sớm.
Thiết kế này cũng phải được định vị thận trọng khi so sánh với AI đa dụng. AI quy mô lớn có thể tạo ra nhiều góc nhìn và trình bày các cách giải thích khác nhau tùy theo ngữ cảnh. Vì vậy, không thể đơn giản phát biểu sự khác biệt là “AI khác chỉ đưa ra một câu trả lời”. Trọng tâm thiết kế mà Sai＊aus có thể đặt vào không phải chỉ là khả năng tạo ra nhiều góc nhìn, mà là coi chúng như những biểu diễn vấn đề không tương đương và thiết kế một cách tường minh những khác biệt nào cần giữ lại, trong điều kiện nào cần đưa chúng lên tiền cảnh, và ở đâu cần trả việc phán đoán ý nghĩa về cho con người. Điều cần so sánh không phải số lượng góc nhìn, mà là cách khác biệt giữa các góc nhìn kết nối với những cập nhật trong sự hiểu biết.
Các phương pháp đánh giá cũng phải thay đổi để phù hợp với thiết kế này. Những thước đo ứng viên bao gồm liệu việc áp dụng các tọa độ khác nhau cho cùng một đầu vào có thực sự làm thay đổi việc lựa chọn các điều kiện quan trọng hay không, liệu trọng số của các tọa độ thích hợp có thể được cập nhật bằng thông tin bổ sung hay không, liệu một biểu diễn đã lùi về hậu cảnh có thể được triển khai lại khi cần hay không, và liệu việc trình bày nhiều biểu diễn có giúp người dùng phân biệt chính xác hơn các điểm quyết định chủ yếu hay không. Đây không phải là một thang đo phổ quát duy nhất, nhưng chúng có thể kết nối nguyên tắc thiết kế về “nhiều biểu diễn” với hành vi có thể quan sát. Điều quan trọng là đặt một khoảng cách có thể đo lường giữa nguyên tắc và hiệu quả.
Một phép trừu tượng hóa duy nhất thường rất mạnh. Nếu không tìm ra cấu trúc chung, việc chuyển giao tri thức và suy luận hiệu quả trở nên khó khăn. Tuy nhiên, trong trải nghiệm của con người, chính thành công của một phép trừu tượng hóa có thể xóa đi một ý nghĩa khác. Vì vậy, điều cần thiết không phải là từ chối nén, cũng không phải giữ nguyên độ phức tạp. Đó là xử lý xem các yếu tố có thể được chia sẻ đến đâu và từ đâu chúng nên phân nhánh thành các biểu diễn không tương đương. Nhiều tọa độ triết học cung cấp một cách để suy nghĩ về ranh giới đó.
Đối với AI tìm cách hiểu con người, hiệu quả không chỉ là đi theo con đường ngắn nhất để đạt tới một cách giải thích. Nó còn bao gồm việc đưa cấu trúc cần thiết cho phán đoán hiện tại lên tiền cảnh mà không làm mất khả năng được cập nhật trong tương lai thông qua một góc nhìn khác. Thay vì một biểu diễn tối thiểu duy nhất, hãy duy trì những biểu diễn có thể triển khai lại vào các không gian ý nghĩa khác nhau khi cần. Khi đó, biểu diễn hiệu quả nội tại chuyển từ sự nén loại bỏ độ phức tạp sang một thiết kế bảo tồn những khác biệt quan trọng bên trong độ phức tạp ở dạng có thể tái sử dụng. Và ý nghĩa nào cuối cùng được tiếp nhận như vấn đề của chính mình không được cố định bên trong AI, mà được trả về cho phán đoán của con người.
Không phải câu trả lời. Mà là sự thấu hiểu.