实验派启发式方法和定理派启发式方法不只是经验法则，他们不仅仅是科学家们在黑夜中独自摸索时使用的工具，还是人工智能领域的把关能手中挥舞的铁尺。

把关人设定的衡量标准决定了哪些想法足够优秀且值得分享，无论你是否喜欢这些帖子，无论你是否想使用它们，无论人工智能是否真的沿着他们设定的路径发展，如果你提出的想法不能在某种程度上满足他们的，那么想要公开发布和分享个人想法便可能是一场艰苦卓绝的战斗。

如果你的算法表现的比较有的算法差，那么像他人论证你的算法存在的合理性将是一个备受煎熬的过程，如果你没有将自己的方法与其他人进行比较，那么大多数评审员会把它当做未经证实的方法，而直接否定他。

如果你没有定力来支持自己的新想法，便很难说服人工智能理论家，让他们相信你的想法值得所有人关注，这样做的后果很严重。这把铁尺迫使整个人工智能研究领域的人，只能通过这些启发是方法规定的狭隘踏脚石，往前探索，并将所有不符合的可能性统统扼杀。

正如我们所看到的那样，这些启发式方法实际上阻碍了发现和进步，因为他们只是在目标的欺骗性四处泛滥的情况下，才能发挥积极的作用。为此，我们将一如既往的遭遇同一个问题，是否存在一个有潜力的，非目标的替代方案可以取代当下在人工智能领域大行其道的目标驱动型搜索。

是否有一种更类似于寻宝者的非目标驱动型方法，可以指导人工智能研究，即一种尊重踏脚石的内在特性，而不是欺骗性，机械性的启发式方法。

要回答这个问题，我们需要从头开始重新思考。我们首先应该寻求的是什么，什么才是真正的好的人工智能算法。人工智能研究领域如此专注于算法和性能表现，甚至到了一种一叶障目，不见泰山的程度，一个好的算法并不在于其出色的性能表现，而是要引导我们去思考其他想法。人工智能的终极目标位于迷茫笼罩的湖面的彼岸，而它的离我们依旧十分的遥远，所以我们不应该就如此专注于把性能表现当做衡量标准。

目前的算法智能化水平与人类相差甚远，我们目前探索行为好比本书中第四章提到的思维实验，既给细菌做智商测试，以期发展出接近人的智力水平。我们不应该关心超自然算法是否比老靠谱算法好。

相反，我们应该问超自然算法是否带来了新的超自然算法，且后者可以沿着任何有趣的维度继续扩展衍生新的超智能算法

李如超超自然可能会创造出比超自然算法，看上去更像现实世界的大脑的内脑结构，即使它的性能表现更差，我们应该仅仅因为其性能表现比较差而放弃这个新的想法吗？人工智能研究领域的本质毕竟是在进行搜索，而搜索的功能则是发现新事物，实验派和定理派能找到的东西比较有限，因为他们筛选掉了许多有趣的算法。

这就是为什么人工智能的期刊上随处可见关于性能改进的内容，而每位参加会议的人工智能研究者汇报的内容差不多都是自己如何通过各种复杂的技巧将算法的性能表现提升了2%。或许一个解决方案是让会议评审驳回更多的论文，因为2%的性能改进实在是太微不足道了，不值得放到大会上来宣扬。

但真正的问题是，没有人会持续的关注这些算法，因为通过细枝末节的调整，挤出最后一丝性能提升的空间的做法，并不会带来令人振奋的动见。另外，这些纯靠挤压性能提升空间来撑场面的算法，本身并不能算是优良的踏脚石。

就像人类历史上所有的伟大发明那样，所有的被历史记住的算法，必然是为未来的开拓者奠定基础的算法。他们将推动新算法的诞生，甚至帮助我们开辟全新的领域。到时候，谁还会在乎那些新算法在刚开始的时候与老靠谱算法比较时表现如何呢？

痴迷于性能表现的提高可能还会产生另一个负面的影响，即同行就是冤家，他会致使研究人员之间产生狭隘的竞争。然而，科学研究并不是一场田径赛，这种狭隘的竞争思维往往会导致人们分散对人工智能领域真正目标的注意力。相较于竞争，研究人员更需要的是携手合作，共同探索人工智能算法的无限空间。

但是目前经常发生的现实情况是，一位研究人员致力于证明自己的算法比业内当前的头号算法表现的更好，之后就会有另外一个研究人员绞尽脑汁的继续争夺新一任的天下第一。

例如，假设在一个得到广泛认可的基准测试，中超自然算法比前任的老靠谱算法表现的更好，那么一个个人英雄主义爆棚的研究者就会横空出世，开始试图力挽狂澜。

这位大英雄会证明，实际上另一种名为转移的算法在不同基准测试中击败了超自然算法，于是后者便从云端一下子跌落到了尘埃里，因为它已经不能被称之为最好的算法了。

尽管这位英雄澄清事实的举动出于善意，但这种围绕着基准的激烈竞争分散了我们的注意力，导致我们只专注于性能表现的比较。

如果超自然算法是真正的突破，是通过新领域的踏脚石，那么它与转移算法之间的争斗不过是一场不值得一提的小打小闹，因为真正的大手笔应该是对超自然算法的后续的探索，即它衍生出的超超自然算法同样在人工智能领域踏脚石才是真正万众瞩目的巨星。