这并非说，在构造本方案的形式化时，应当忽略计算问题。例如，普通常识性推理的派生长度的问题就很重要，同时我们的“稠密性”概念也对例如存储和恢复策略造成直接的计算后果。但是构造“证明”程序，似乎并没有服务于真正有用的目的(麦克德莫特也有类似看法，McDermott 1977)。
我之所以强调这一点，是因为在AI中有一种流行的看法：一项不能在某种有效的程序中产生立竿见影效果的研究，是没有多少用处的，或至少很值得怀疑。可能部分地由于这种看法，以致在表述方向上没有十足认真地尽力，同时产生出许多在不足道的小范围中工作良好(有时也很糟)的程序和技术，但这些程序和技术完全受到尺度因子的限制，因而，对于如何认识实际的复杂世界，什么也没有提供。（回溯式搜索和通过增加及删节表来表述动作的STRIPS方法，是两个有力的例子。我推测，产生式系统可作为另一个例子。）
理想的情况是：假定一个专门的推理机制，同时在更高层次上增加进一步的信息，用来“控制”该机制所完成的推理，这样做，原则上就应该能够从形式化中得到一个有效的程序(Hayes 1973；Kowalski1977;Pratt1977；Bundy1978)。这样看起来，可以把形式化看作种种推理能力的“内核”，在执行特定任务的任何时刻，必须对这些能力的恰当展开作出进一步的详细说明。（然而由于特异表述方式具有特别合乎需要的计算特性，对这种理想的状况无疑还要作出修正。)
人工智能哲学
186