??问题的根源在于，实验派启发式方法，是有一个目标驱动的方法，而这个目标通?；嶙璋徊降奶剿?。在这个案例中，实验派方法背后暗含的目标，是“完美的表现”，所有的新算法都要根据这个目标来衡量。如果新算法在表现上还有改善的空间，哪怕只是一点点，它们就会得到承认和发表，但是如果它们不能在表现上取得进展，就会被驳回并被忽略。
??一位只求“利在当代”的行业实践者，他感兴趣的东西对于一位立志“功在千秋”的创新者来说，并不是正确的指南针。也许这两种角色（行业实践者和研究者）之间的混淆，帮助我们理解了实验派及方式方法是如何主导人工智能的研究方向的（以及类似的经验法则，如何主导了许多其他领域的研究）。对行业实践者来说，“性能表现”的确是一项比较适用的评判标准，但对研究者来说，这个标准就不可靠了，因为它充满了欺骗性。
??人工智能研究领域如此专注于算法的性能表现，甚至到了“一叶障目，不见泰山”的程度。一个好的算法，并不在于其出色的性能表现，而是要引导我们去思考其他算法。人工智能的终极目标位于迷雾笼罩的湖面的彼岸，而它离我们依旧十分遥远，所以我们不应该如此专注于把“性能表现”当做衡量标准。
??这就是为什么人工智能的期刊上，随处可见关于性能改进的内容，而每位参加会议的人工智能研究者汇报的内容差不多都是：自己如何通过各种复杂的技巧，将算法的性能表现提升了2%?；蛐硪桓鼋饩龇桨甘侨没嵋槠牢祷馗嗟穆畚模蛭?%的性能改进实在是太微不足道了，不值得放到大会上来宣扬。
??但真正的问题是，没有人会持续地关注这些算法，因为通过细枝末节的调整，挤出最后一次性能提升空间的做法，并不会带来令人振奋的洞见。另外，这些纯靠挤压性能提升空间来撑场面的算法，本身并不能算是“优良“的踏脚石。
??就像人类历史上所有的伟大发明那样，所有被历史记住的算法，必然是为未来的开拓者奠定基础的算法。它们将推动新算法的诞生，甚至帮助我们开辟全新的领域。到那时，谁还会在乎这些新算法在刚开始出现时，与“老靠谱”算法比较实的表现如何呢？
??痴迷于性能表现的提高，可能还会产生另一个负面影响，即“同行就是冤家”，它会导致研究人员之间产生狭隘竞。然而科学研究并不是一场田径赛，这种狭隘的精神思维往往会导致人们分散对人工智能领域真正目标的注意力。相较于竞争，研究人员更需要的是携手合作，共同探索人工智能算法的无限空间。
