每个研究领域都依赖某种启发式方法来筛选，不断涌现的新想法只是其他领域的方法，可能与人工智能领域采取的具体措施不同。
各个领域的评审员在决定是否发表一个新观点词的依据，必须是该行业的经验法则，因为人们无法确定这个新观点。在未来的道路上能走多远，因此随着时间的推移，每个科学研究领域的文化都会自然而然的聚拢到一些主要用于筛选新想法的经验法则上。
尽管特定的启发是方法会因此不同的科学领域而有所差异，但从指导人工智能研究的特定经验法则中，我们也可以学到很多东西，这个领域的研究案例可以阐明用于判断新的科学研究的经验法则可能普遍存在的问题。
如果在人工智能研究领域，即使研究人员是搜索方面的专家，也无法摆脱这些问题，那么其他领域更可能会受到类似错误的影响。
然而，人工智能领域开展研究的方式也存在着问题，这种情况并不明显。因为无论是实验派还是地理派，两者的启发四方法看起来都完全合乎逻辑。
首先有些想法的确很糟糕，将它们传遍业内，只会浪费所有人宝贵的时间，为什么我们要学习一个表现明显很差的算法或学习一个不保证产生任何积极成果的算法？
即便这个算法的表现可以改善或最终可以证明它能够带来一些益处，那么直接让其作者对算法进行修正，然后提交修正后的算法不是更好吗？
如此一来，就能避免太多人把时间浪费在有问题的法算法上，这些论点如此明显，以至于人们几乎从未提出类似的观点，毕竟谁会需要去论证，表现较差的算法应该得到较少的关注，这样的观点呢，几乎没有人因为这是常识。
然而，设定目标是指导搜索的一种好方法，在大多数人看来，也是一种常识。所以，我们要小心常识背后隐藏的危机。
我们来看一看实验派的启发式方法。此方法背后的逻辑是，只有当一个新算法的表现超越了当前最佳算法时，它才被认定为有潜力。而事实证明，评审员对人工智能领域提出的新算法最常见的批评，便是这些算法的表现不够出彩或者不够明确。
许多评审员认为，为了展示一个新算法的潜力，他应该始终与旨在解决多种不同的挑战性问题的不同最佳方法进行比较。所以，评审员的驳回一篇关于算法的论文时，可能会有以下这样一段话。
作者还应该将新方法与现有的可靠的方法进行比较，或作者还应该在相关难点问题上开展实验，以确保这个新想法的确是一个重要的进步。身为人工智能领域的工从业人员，我们两位记者自己也有过类似的想法。
但这种习惯可能很危险。正如约瑟夫胡克所写的那样，大多数启发式方案算法的实验研究更像进行跟踪，而不是科学回顾一下人工智能是对搜索算法的进行搜索及源搜索。因此，考虑到其原搜索的本质，总是因为新想法的表现不够突出而将其驳回。
大多数启发式算法的实验研究更像进展追踪，而不是科学探索。回顾一下人工智能对搜索算法的搜索及原搜索，因此考虑到其本无搜索的本质，总是因为想法的表现不够突出而将其驳回，可能不是一个好主意。回想一下，人工智能是对搜索算法的搜索及源搜索，因此考虑到其原搜索的本质，总是因为新想法的表现不够突出而将其驳回，可能不是一个好主意。回想一下我们本书的第五章中，已经阐述过，相较于表现这个启发方式的方法啊，新机型收入的表现会更加，我们就应该没有理由怀疑同样激发方式在层次高上，运动员个人低的领域探索。
同样的启发方式，在更高层次上的运用，在解决那些算法应该是推广至更大的研究领域或者算法和表象成为评判的经验法则。那么听取，那么所有其他类型的踏脚石都会被驳回或者忽略。
当然，如果对算法的表现的批评仅仅是批评，而不是驳回的标准和理由，那就是另一回事了。由于表现已经被大多数人忽略为图点子工具，他也被沦为一个典型的具有欺骗性的目标函数。
想象一下，有一种多年来，人们用以训练机器人完成困难任务的最佳方案其，被称为老靠谱算法，然后有一天一群科学家发明一种叫超自然的算法，自然是被逼迫性的。
但新算法却非常新颖，而且试图决定超自然算法是否应该被打的。然而，试图决定超智能算法是否应该被发现的。期刊评审员以前没有见过类似的东西。为了加大评审过程的复杂性，让我们假设作者在提交研究论文中描述了新算法超自然在标准基准上的表现，比老靠谱，算法差5%。这类比较在人工智能领域很常见。也许超智能算法在学习如何行走方面需要多花费5%的时间，或者他学习的行走步态不稳定性超过了5%。
因为它的表现更差，实验派启发式方法认为，应该驳回超自然新算法的发现和发表，毕竟在人工智能领域涉及新研究的论文，通过大肆报道一个新算法的表现，更差来宣传新观点也是很罕见的操作。
大多数作者甚至不屑于提交这种研究，因为他们很清楚实验派启发式方法是人工智能研究领域的一个强大过滤器，因此如果一个新的算法在一个基准上的表现比不上它的竞争对手，想新想法的发明者往往会试图改改善它的性能，或者找到一个更有利的基准进行比较。
但假设作者很固执，在提交论文中超自然算法的表现还是差了5%，审稿人可能因此直接拒稿，但以此为由驳回超自然算法是就真的合理吗？
它是一个全新的研研究方向，充满了新的想法，关键的问题是如果驳回了超自然算法，那么就没有人能够知道它更糟糕的是将没有人去进一步探索超自然算法所开辟的踏脚石以及其后续可能带来的踏脚石。
因此，实验派的启发式思维是短视的，它对超自然算法的评判标准是基于其当前的价值，而不是他为人工智能研究开辟新未来和新道路的价值。但因为它的后续潜力没有得到认可，超自然算法和所有后续可能会衍生出来的算法都被扫进了学术的垃圾箱，从此无人问津。
这类一刀切式的评判也砍掉了很大一部分的搜索空间，即所有人工智能算法的未来空间，那些被砍掉的空间将永远不会被探索，因为他们只能从那些表现并不出色的算法中获得。
