比较而言，只有很少的AI工作者采取类似的方法论立场，然而我仍然认为，为了使表述问题取得实质性进步，这样做是至关重要的。麦卡锡(McCarthy1977)也有某些类似的论点。
这不仅仅是一个变换策略的问题，尽管这个方面也很重要。更为根本的原因是，在构造一个完善的工作程序时，快速成功往往离不开简化和限制，这样，它就不可能去解决基本的表述问题。这表现在两个方面：
第一，为了在编制AI行为方式程序时取得成功，人们的确必须非常小心地选择程序的范围。为了便于处理，必须以某种方式对其作出限制，这通常是相当苛刻的。标准的限制形式是限定程序的工作范围，对推理程序而言，就是限制话题；对自然语言程序而言，是把词汇限制在一个微型世界中；对视觉系统而言，是限制可见物范围；等等。由此可知，程序所需的表述方式，在前述意义上，并不是非常彻底的。此外，表述方式在使用一些技术时，常常会依赖于这个所限制的工作范围(常常就是这样做的)，这些技术对小的“玩具型”世界是行之有效的，但却不能直接应用于更彻底的场合。上面已提到若干例子。
第二，计算上的有效表述方式容易造成较低的稠密性。这有一个重要原因：一个稠密的表述方式，必然定义出一个大型而又急剧扩展的可行推理搜索空间。如果可用于控制推理搜索的仅有的启发式方法，是弱的、一般的(数字式)启发法(如MICROPLANNER中的深度优先搜索，在KRL-0中的局部过程调用，等等)，那么有效的计算行为就不可能通过这种搜索空间来完成。但是这些弱的、一般的方法其实就是我们所仅知的方法，因此，为了达到计算上的有效，就必须具有稀疏的表述方式。
人工智能哲学
214