第1章
在數字化反饋中指數級加速

1932年，通信工程師H.奈奎斯特提出了負反饋放大器的穩定條件，即奈奎斯特穩定判據。任何系統在外界環境的刺激下必然會做出反應，這個反應會反過來影響系統本身，并通過建立自我調節機制維持系統穩定。就像走鋼絲的表演者不斷調節手中長長的平衡桿，才能有驚無險地抵達對岸（走鋼絲的高手也要在特定的條件下表演，并有一定的失敗概率）。

碎片化、不確定是信息和世界的本質

強調反饋作用的早期控制論似乎解決了問題的一半，我們將要討論的反饋概念與前者的定義并不完全相同。我們生活在一個開放的世界里，這樣才能保持熵減和生命秩序。這意味著不可預期的內外部世界之間存在的復雜性和交互性，這意味著世界上并不存在嚴格的閉環和控制，以及由此而來的確定性。而我們的課題則是如何基于反饋建立有用的系統，來應對這些挑戰。

反饋的意義更多是在完全接受不確定性和不充分信息條件之后，在新假設建立之后，針對假設的內在合理性和環境適應度的測試、應用實踐信息采集，從而完成對假設的檢驗和確認，為認知和演化提供下一步的方向，提升確定性。

不斷接近認知循環的極限

在我們眼里，最小單位的HFL構成了宏觀世界的演化，這種演化用“適應度”的方式解決了個體在整體系統中面臨的演化不確定性，作用于萬物演變和認知過程。只要我們能將問題轉化為HFL架構來表示，并將其數字化，就能不斷加速接近目標。例如，化學家會將傳統的、緩慢的、發生在實驗室試管里的工作變成可規?；臄底帜M程序，將探索具有不同化學性質的電池電極材料等具體的領域研究課題轉化為HFL，從而將鋰電池研發周期成倍縮短；例如，互聯網業務對用戶偏好的假設與用戶的行為反饋就是HFL；例如，AI算法對不同神經網絡結構和參數的假設和反饋修正就是HFL；例如，產品的新功能假設和測試反饋、人類IF-THEN（不同條件不同反應）的本能條件反射機制的形成與相應的生存效率反饋、病毒基因的快速變異和傳播與疫苗研發，都是不同形式的HFL?？蓴底只涂梢幠；?、可加速。

其中，創造性假設（既不隨機又不機械）的生成和反饋一樣意義重大。推薦引擎的信息繭房問題對行業和用戶的困擾由來已久，因為這類系統目前更多依賴反饋機制，這會導致推薦策略更容易收斂和深陷在局部優化解的死循環，需要有拓展“假設”的能力才能形成完整的HFL。雖然數學體系還不能有效地描述創造力，但算法已經可以通過反饋調節、模式挖掘和知識推理等方式提出新假設，HFL在發展提出假設能力的時候，第一階段主要通過統計的方式實現。相對而言，數字化時代的重要標志之一就是大規模實時反饋流數據，這一顯著進展作用于簡單的反饋機制就能達到意想不到的效果，就像ChatGPT。

一切解決問題的方法都可以通過以數字化方式縮短HFL時間來加速，甚至能處理人類無法感知到的形式（只要能以數字表示），用速度和規模以笨拙和簡單的方式戰勝一切。當反饋數據的速度接近實時，當AI的計算成本和數據成本無限趨近于零，我們就會接近認知的奇點。幾乎一切社會效率都會因此提升，成本隨之下降?，F在就有很多業務在通過改變反饋數據分布、規模、頻率來提升效率，從而創造出了新一代業務模式。

在數字化為HFL加速的背后，是數據在通過用更高效的方式優化我們的世界來創造新價值，物理世界的生產也越來越多轉向NFT（非同質化通證）、游戲道具等數字資產的創造。數據資產的創造、歸屬、流通、使用、利益分配規則將是基于電和數學編碼的新世界的基礎規則。