在生成问题解答的每一个方案中，都存在着搜索树指数激增的可能性，这种情况警告我们，在补偿生成程序的无知和选择能力缺乏时不要依赖计算机的蛮力，哪怕是最大、最快的计算机。在某些人的胸中时而还会燃起这种希望：可以找到足够快的、并且充分巧妙地编程的计算机让它们通过蛮力搜索而高明地下棋。还未曾听说过在弈棋理论中能完全排除这种可能性。然而，关于规模相当大的树中的搜索处理的经验研究并未取得显著成果，这使我们看到，这一研究方向的前途远不如当初国际象棋首选为恰当的人工智能任务时显得那么光明。这一点应当看作是国际象棋程序研究方面取得的重要经验发现之一。
智能的形式因而，智能的任务就是防止搜索中始终存在的由指数激增造成的威胁。这一点如何才能实现呢？第一种途径是将选择性植入生成程序，代数的例子已对此作出了说明，同时只为后继分析生成“似平合理”走步的国际象棋程序也对此作出了说明，即只生成保证是解的、或是沿着通向解的路径的结构。这种做法的结果通常可以降低分支的速度，而不能完全杜绝分支。除了像代数例子那种例外地高结构化的情况而外，最终的指数激增是难以避免的，只不过是推迟它的到来而已。所以智能系统一般必须以别的使用信息引导搜索的技术来增补它的解生成程序的选择性。
在处理各种各样任务环境中的树搜索方面已积累了20年的经验，这些经验已经产生出一小套一般性技术，它们成为当今每一位人工智能研究者的知识的组成部分。这些技术已在许多一般性著作中作过介绍，如尼尔森的著作(Nilsson1971)，所以我们可以在这里对它们作出十分简单的概括。
人工智能哲学
134