我们没有对那些已经出现的特殊性能模式作深入的理论解释。然而，我们可以在经验的基础上得出两点结论。第一，从我们已经掌握的人类专家在完成像国际象棋这样的任务时的表现来看，很有可能是，任何可与这种表现相匹敌的系统，都必须存取其存储器中存储的大量语义信息。第二，人类完成任务时在丰富的感知组成方面的优势，可部分地归因于人类眼和耳的那种生而有之的特殊目的的并行处理结构。
总之，性能质量必然依赖于问题的领域和处理它们时所用符号系统这两方面的特征。就我们感兴趣的大多数实际生活领域而言，至今尚未证明这种领域结构已简单到足以产生出关于复杂性的定理，或是不以经验的方式向我们说明，大量现实世界的问题是如何与我们用以解决它们的符号系统的能力发生关系的。这种情况也许会改变，但是在它改变之前，我们必须依赖于经验探究，通过使用我们知道如何建立的最佳问题求解程序，将经验探究作为关于问题难点的大小和特征知识的主要源泉。即使在高结构化的领域像线性规划中，理论在加强启发法最强有力的解题算法的基础一方面所起的作用，也远比在提供对复杂性的深层分析方面所起的作用大得多。
毋需大量搜索的智能
我们对智能进行分析时，将智能与抽取和使用有关问题空间结构的信息的能力等同起来，目的是使一个问题的解能够尽可能快和尽可能直接地生成。那么，为改善符号系统解题能力而建立的新方向，也可以与抽取和使用信息的新方法等同起来。至少有三种这样的方法得到确认。
5作为经验探索的计算机科学：符号和搜索
137