В настоящее время основные разработки «разумных машин» ведутся по пути обучения нейронных сетей на выборках информации. Ограниченность этого подхода связана с тем, что внутреннее представление информации в нейронной сети трудно формализовать, а значит и анализировать.

С точки зрения теории пространства понятий, можно предположить, что алгоритмы нейронных сетей являются способом экспериментального расчета координат положения определенных понятий в пространстве понятий, т.е. весовые коэффициенты нейронных сетей и есть некие координаты в некоей области пространстве понятий.

То есть, нейронная сеть представляет собой карту пространства понятий заданной предметной области, но неупорядоченную, без заданных ортонормированных осей семантических координат. Это ведет к невозможности применения нейронных сетей без предварительного обучения на конкретной выборке, т.е., на каждом новом классе задач, обучение надо производить заново, что не позволяет перенести знания, зафиксированные в одной нейронной сети, в другую.

Карта семантического пространства позволяет решить эту проблему, поскольку

1. все понятия располагаются в едином пространстве;

2. оси координат в этом пространстве ортонормированны;

Тогда это позволит моделировать решение творческих задач, т.е. задач без изначально формализованного алгоритма решения.

Рассмотрим пример. Пусть ставится задача достижения некоей цели с неизвестным или неформализованным путем достижения (создание вещества с заданным свойствами, достижения заданного положения компании на рынке и т.д.), а на выходе должен получиться алгоритм (набор шагов) для ее достижения.

С помощью координатной теории пространства понятий,

1. определяем положение понятия – цели в карте семантического пространства.

2. выбираем наиболее близкие к цели понятия.

3. рассматриваем семантические отличия - разность координат понятия - цели и существующих понятий

4. отражаем семантические отличия в пространство действий и ищем наиболее похожие действия,

5. последовательно применяем выбранные действия к выбранным понятиям

6. Если результат достаточно близок к цели, то фиксируем полученный набор (наборы) понятий и действий как оптимальный.

Тогда становится возможным и создание систем, умеющих решать неформализованные задачи