虽然理论家可能会辩驳说，老靠谱算法地理的优点是任何后来的算法，只要遵守相同的假设，就会继承原版算法的可靠性。但对于鼓励探索新的想法来说，未必是好事。

它意味着整个人工智能研究变得只限于那些遵守相同的不断增长的假涉及的算法，导致原搜索对每一条打破该假设前进道路视而不见，最后的结果是探索的范围缩小了目标的悖论，再一次成为主导。

问题是，理论专家提出的前述定理并不能解决人工智能领域接下来应该做什么这一问题，它只是关于某个特定算法的定理，这个算法不过是所有可能存在的算法构成的巨大搜索空间中的一个点，所有人或许都已经知道了对一个没有证明能够提供良好表现的算法进行微调，就可能创造出一个比老靠谱算法表现的更好的算法。

一个算法的可靠性并不能说明未来可能衍生出的其他算法也同样可靠。因此，由于老靠谱算法得到了地理的论证，就将其认定是一个有前景的踏脚石算法，这一结论只有在这个特定的定理包含了可乐，可以证明该算法能够带来其他潜力的算法的内容时，才能够成立。

无论何时，不管你选择依赖于哪一种经验法则，都不要忘了你在很大程度上依赖依靠着直觉做判断，无论你倾向于相信表现或者理论保证，他们其实都是两种直觉用于判断哪些算法是有潜力的踏脚石。

地理派启发式方法的主要问题是特定定理，只适用于特定算法，因此一个算法的定理数量不过是判断它能否作为新算法踏脚时的一项经验法则。最终，我们也将无法说服自己，确信地理派启发式方法会比实验派启发方法更可靠。

另一个问题是，定理派启发式方法会假设算法的搜索空间，存在着一个特定的结构。这个假设是一个算法，具备有潜力的定理越多，它就越接近人工智能研究的终极目标。但这种信念也只是一种假设，因为在人工智能研，研究人员正在探索的巨大搜索空间内，没有人能够确定关于算法的定理会向我们证明或者指明人工智能最终崇高目标就在于触手可及的地方。

即使老靠谱算法在表现方面有定理的保证，而超自然算法没有，这并不意味着超自然算法不重要。即便表现平平且缺乏保证，他也可能是非常新颖的，而且引发了一系列有趣的新问题。

如果超自然算法确实有潜力，那么为什么要忽视它呢？过分相信地理派启发式方法只会推迟人们去探索，隐藏在超自然算法背后的新理论。

但是有些人可能会说，我们应该坐等超自然算法的表现验证定理出现，这样我们就不会把时间浪费在未经验证的算法上。

不过我们为此可能要等上好几年，因为要经要验证一项宏大的理论，结果并非易事，而且哪些保障最终可以被证明有效，我们永远也无法确定，因此如果超自然算法可能衍生出一个新的算法，其趣味性的来源与超自然算法的理论保证无关，那么等待的代价不过是我们浪费了几年时间才最终找到了超自然算法。人工智能领域的发展也因此而被稍稍拖后了几年后腿。

当然，人工智能的行业实践者可能会欣赏超自然算法提供的保证，但需要再次强调的是，这些行业实践者并没有参与到人工智能的探索中。因此，尽管地理很有趣，但我们无法确定性能表现，保证是不是指导搜索的正确信息，特别是在搜索所有人工智能算法构成的大房间，这种广阔而复杂的空间时。

最终，我们不得不对这样一个令人不安的事实，即使我们无法确定任何经验法则能否成为追求实现人工智能目标的可靠指南，当然这并不意味着所有的实验和定理都毫无价值。同样，他们只是众多可能线索构成的汪洋大海中的一个小水滴。

虽然更好的表现或更新奇的新定义可能是令人印象深刻的成就，但令人印象深刻，也不是实现搜索中特定目标的可靠指南。

发条玩具与双足机器人相比，奔跑速度之快令人印象深刻，但它不可能最终成为通往机器人技术的革命桥梁。

地理派启发式方法的核心逻辑是这样一个理念，确保一个算法在理论上有保证，就一定能够带来更多更好的保证，并在此基础上通过人工智能算法的空间确定了一个目标梯度。

如果我们相信这个目标梯度，如果它真的有效，并不会有欺骗性，那么它最终将产生强有力的保障，从而实现人工智能的终极目标。但是一种越来越有保障的踏脚石，就可以为我们铺设一条通往人工智能水平相当的人工智能的道路。这个假设是成立的吗？

事实上，这些真理是无法证明的，就我们所知，即使是最强大的人工智能算法，也无法提供任何的保障。

毕竟自然净化确实孕育出了人类智慧，但在其整个史诗般的运行过程中，他从未证明过任何一个定理，即使没有提供任何定理进化，也收集了一块又一块的踏脚石，最终架起了一座通往人类智能的桥梁。

当然，这个故事并不能证明定理派启发式方法是一种糟糕的梯度，但它确实表明我们不需要地理，也同样可以不断的扩展搜索的深度，至少发现人深省的是推动了人类智力产生的这一有史以来最强大的搜索，在一路但没有使用任何定理。

更深层次的问题是，定理派，启发式方法在人工智能算法的空间中创造了一种目标驱动型搜索，而历史经验告诉我们，这些类型的搜索在复杂的空间中通常有糟糕的表现。