AI的根本性困难在于，一个问题是否具有1型理论，是永远不能确切肯定的。如果找到了1型理论，那当然很好；但是如果没有找到，并不意味着它不存在。到目前为止，大多数的AI程序都相当于2型理论，而采用2型理论的危险是，它们可能将一些最终为该问题的正确1型解构提供钥匙的关键性决策埋藏在那些每当设计具体程序时不可避免的成堆的小型管理决策之下。这个现象使得AI研究难于深入进行，也难于判断。如果我们证明，一个给定的信息加工问题是由一个特殊的、界定清晰的计算理论解决的，那么结果就能得到保证。反之，如果解决问题时出现的是一组冗长繁琐的过程，我们就不能完全肯定对于一个或多个相关问题不再有简单的基础计算理论存在了，因为这理论的系统阐述显得有点朦朦胧胧。对于任何一个2型理论的候选者来说，程序的性能显得重要得多。因为它惟一能够表现出的优点可能就是行之有效，所以只有它做到这一点，它才是有价值的。常常出现这种情况：一项AI研究得出的结果是一个没有多少理论含量的大程序，它对该问题的处理得出的是2型结果，但是这个程序或者性能太差，不能给人留下什么印象，或者(更糟的是)甚至无法实现。对这种研究项目的判断只能是很粗陋的，因为它们的长远作用几乎看不到。
6 人工智能之我见
[1] 这里要强调的是，在物理学中常常有一些自然模化形式(例如，在常规条件下，电的相互作用与重力的相互作用无关)，但是有些过程同时包含多种模化形式，它们大致上同等重要，如蛋白质折叠。这样，1型一2型的区分就不是一个单纯的二分法，在它们之间有着一系列的可能性。
145