Как ни странно фактически все задачи поиска ИИ - это перебор вариантов, после которых нужно опять  искать варианты. Для противодействия лишним переборам - используется эвристика функция|правила, позволяющая оценить какой вариант нужно рассмотреть в первую очередь.

В рамках иерархичности - перебор вариантов с эвристиками, опирающихся на правила ЭС (экспертной системы) - сам порождает новый перебор вариантов.

Когда я подразумевал слово "интуиция" - я исходил из возможности сразу выбрать вариант на основе "эвристической|интуиционной" функции, которая укажет на успещность выбора, без опоры на логическую обработку (экспертную систему), работающей на основе перебора с эвристиками.

Как вариант "интуиционной функции" можно рассмотреть -искусственную нейронную сеть,  как известный вариант построения аналитической функции на основе заранее известного набора значений (возможно соответствует вашему слову: статистическая обработка).

Но, когда я критически высказался о уровне развития теории в области ИИ - я исходил из факта, что нейронные сети менее продуктивны чем логические системы (ЭС), когда используются сами по себе, по этому и утвердил: вся теория методов построения ИИ основана на переборе вариантов с эвристиками.

В теории простой перебор вариантов - теоретический универсальный подход, от которого можно отталкиваться для его оптимизации.

Если распознование идет от идентификации заранее известных предметов - то это получается статистическая проверка:  соответствие набора пикселов тому, что соответствует идентифицируемому предмету,

Если предмет новый - не  содержится в памяти идентифицируемых признаков - то определить похоже ли дерево на куб или сфера - даст НЕТ.

Если разбивать идентификацию до уровня маленьких треугольников - то будет как и говорил: задача обратного распознования - из набора треугольников - определить наличие куба, сферы, цилиндра - конструкции похожей на фрактальное дерево,

Под самостоятельностью выбора цели - подразумевалось принятие решения заранее не заданного алгоритмом.

Если создать алгоритм формирования "проекта"| "шаблона" для генерации целевого правила, то получится фактически случайный перебор для поиска единственно верного правила(правил). Машина будет просто искать экстремум на базе правил. Найдя его, будет постоянно использовать, и процесс принятия "самостоятельного решения" окажется одноразовым.



Мне кажется, что ближе к пониманию модель баз знаний: формирование сети связанных между собой символов, обработка которых означает описание объекта. НО алгоритм формирования базы знаний (динамические базы знаний) - задаются алгоритмом, что подразумевает, что область понимания заранее задана программистом, программа вроде будет как Google-поисковик просеивать информацию формируя для нее наборы семантических символов, чтобы человек мог задать вопрос и получить ответ.

Теоретически можно использовать динамические базы знаний для описания игрового персонажа живущего в виртуальном компьютером мире, который программа пытается описывать через базовые термины и принимать решения опираясь на созданные определения - фактически формировать знания для себя. Но будет ли это понимание. а не его иммитация?

Не зря фильм AI - это вечная классика данного жанра: как отличить умную куклу  от живого электронного организма, когда постоянно стараются сделать более реалистичную куклу, способной имитировать эмоции ?

Только с точки зрения критики Александра Либова термина "ИТ" + "Наука"  - кто достиг решения: "ИТ наука" или "генетика"?

P.S.
критика термина ИТ Ученый = = ИТ Наука ?!