1.1 認知加速的奇點

認知是如何基于HFL演化的？如果每個循環的周期都無限縮短，趨近于零，它如何影響世界的運轉？會帶來哪些非線性的變化？

1.1.1 演化和認知，如何基于反饋形成

地球生命形態的開始，是在引力和電磁力作用下，在無數粒子相互碰撞產生的可能性中，自發秩序形成了生命形態演化的“假設”，再由自然選擇的“反饋”作用演化而來。海底熱泉口源源不斷地噴出生命形成所需要的基礎元素，在火山巖上和細胞大小接近的孔隙中，反應的產物越來越復雜。在一個開放、自由交換的大系統里，隨機的自我組織就像彼此之間在互通信息，RNA、DNA等可以自我復制的生命分子相繼出現，直到形成了后來細胞需要的一切物質。就像斯坦利·米勒后來在芝加哥大學的實驗室里，用燒瓶實驗模擬的情況一樣，在40億年前的海洋和大氣環境中，二氧化硫、二氧化碳、硫化氫可以自然地產生幾種氨基酸。生命的有序結構出現，這是自然界物理和化學的演化速度，在隨機假設下生命演化要取得新進展，是以億年為計量單位的反饋周期。

接下來的進化方式到了基因變異（也有觀點認為基因的變化不一定是在原有基因基礎上發生變化，也可能是從非編碼部分新生成的）和自然選擇主導的生物階段。在這個階段，以真核生物為例，每一代平均有0.006個堿基突變（Drake et al.，1998），擁有3億對堿基的人類平均每一代會出現60～80個全新突變。而這種變化是有限變異，不是完全隨機的。大約7萬年前，從東非開始的地理遷徙，那些更有開拓精神和創造力的早期人類個體在新大陸生存下來了，他們是基因變異的隨機假設形成種群特征多樣性分支中的一個。作為自然選擇的反饋結果，開拓精神和創造力就會反映在因這些基因特征而存活下來的下一代的基因里。1996年，科學家真的發現了一種與開拓精神和創造力有關的基因，叫DRD4，全稱是多巴胺受體基因D4（Dopamine Receptor D4 Gene）。這種基因讓大腦產生一種獎勵機制，一旦我們有了開創性的新想法，大腦就會分泌讓自己感到愉悅的多巴胺。這是生物進化的速度，人類基因變化的HFL周期需要以萬年為計量單位。

此后，人類對自己的未來演化，開始通過主動探索和假設創造可能性，開始有能力想象不存在的東西，有能力主動選擇。對于人類，選擇權甚至比選擇本身更重要。正是人類展現出的這種獨特且強勁的選擇欲，驅動人類區別于其他生物，進而成為地球上的優勢物種。大約500多年前從歐洲海岸駛向美洲的帆船，幾十年前大推力火箭帶人類登陸月球，規劃中的火星基地打印拼裝方案，人類的主動探索體現在地理和空間的拓展過程中認知能力的同步提升。這是人類智能的演化速度，從隨機假設和自然選擇，過渡到主動基于經驗假設和基于實踐反饋的人為選擇，HFL的周期從以萬年為計量單位到以十年為計量單位。

主動實驗（無論是思想實驗還是發生在客觀世界的實驗）和嚴謹抽象的知識推理體系，以此高效地形成假設，這是人類快速進化的一部分原因。從隨機的假設到機器學習算法基于統計經驗的假設，再到科學家有創造力的假設，幫助我們從具象的三維世界中探索出抽象的數學、哲學，以及建立更完善的時空認知；幫助我們通過想象構建出文化、制度等共同認同的社會秩序來加強協作。

新的假設總是要在實踐的反饋中被證明有效，且可以反復使用才行。快速的有用性測試反饋，堅持這一實踐性原則是人類快速進化的一部分原因。再次追溯到7萬多年前，最有說服力的例子可能是動物陷阱，在南非的Sibudu洞穴，威特沃特斯蘭德大學的考古學家Lyn Wadley發現了人類正在獵殺大量小型，或許有危險的森林動物的線索，包括叢林豬和被稱為藍羚羊的小型羚羊。捕捉此類小動物的唯一可行方法是使用圈套或陷阱。這可能是我們現在能推測到最早的人類在“假設和反饋”中學會現代性復雜策略中的一個例子。而今天，人類從有限、長周期、不精準的個體感官觀察反饋方式，已經升級到數字化時代，海量、實時、精確的大數據反饋，基于規模數據的算法實現了更強大的函數擬合能力，這意味著發現規律和認知世界的能力有了空前的飛躍，很多事情會因此被徹底改變。

復雜系統的共同起點

從基礎的粒子組合到演化出生命與智能的復雜系統，雖然它們在不同階段的形式不同，但都是在以不同的形式探索新“假設”，并在相應的“反饋”驅動下做出演化方向的選擇，都是從簡單的規則開始，這就是演化的HFL通識機制。

機能簡單的螞蟻在尋找搬運食物最短路徑的過程中，個體通過隨機探索和路徑假設，加上群體內相互反饋，可以迅速發現和調整路徑。在隨機和混亂中涌現秩序，形成一個有效運轉的復雜系統。在個體上，微小片段的基因變異也是在獨立、相對隨機地不斷提出新假設，并通過自然選擇的反饋決定不同基因變異的擴散，使群體向前演化為更高級的生命形態。

我們想討論的HFL機制幾乎體現在任何領域。原始人通過持續新的嘗試在反饋中學會新的技能，更新對外部世界的認知假設。計算機算法工程師用貝葉斯思想訓練機器學習模型，這種思想認為，假設我們并不知道硬幣是什么樣子，我們應該假設它“扔出正面的概率”是一個未知數，這個數字需要從觀察到的測試反饋來不斷逼近更可信的假設值。這種方法已經在疾病預測、自然語言處理等領域產生實際效果，適用于幾乎所有可以通過反饋中的經驗歸納來學習規律并改進實踐的課題。而且，我們不單單是通過歸納獲得反饋。

一切從改變假設開始

假設和反饋的效率不斷加速我們的進化，如果我們能夠在某個特定的假設空間內迅速窮盡空間內的可能性，之后就需要跨越到新的、更大的假設空間才能獲得新發展。人類從河流文明到星系文明，再到更廣的假設空間，即新的認知“域”。比如從“硅基電子”到“光子計算”再到“量子計算”的模式切換，就是基于不同的物理“域”；比如從化工合成材料與生物合成材料對人體和環境有不同的友好性；比如三體人以智子干擾新粒子發現的故事中所描述的。人類的進展就是不斷突破原有“域”的假設空間約束（人類的碳基形態最終只能感受和思考宇宙中很有限的部分），再開啟新的HFL。

不斷提出新假設，不斷切換到新的“域”，這個過程并不會一帆風順。人們說亞里士多德的很多觀點后來被證明是錯的，但這并不妨礙他在人類歷史上的影響力。甚至有更夸張的犯錯例子，通過切除前額葉治療精神疾病的治療方法曾經獲得過諾貝爾獎，但很快這種治療方法就被否定了，現在看來這荒唐且可怕。科學的意義就在于，雖然人類在有限的認知條件下永遠都在不停犯錯，但人類的進步在于不斷加速提出新的假設，并通過反饋檢驗。

1.1.2 提出新假設的能力正在指數級加速

自2007年以來，新蛋白質結構的積累速率似乎已經趨于穩定。現在，探索新蛋白質結構的任務可以借助深度學習算法快速而海量地建立新的結構假設供測試。在很短的時間里，DeepMind已經破解了幾乎所有已知的蛋白質結構，算法首先要將氨基酸鏈的樣本數據輸入轉換成算法可以理解的特征空間，從樣本上學習規律并提出新假設。在上述蛋白質結構預測的基礎上，科學家們又研究出了利用人工智能設計自然界中尚不存在的新蛋白質的方法，ProGen模型設計出的新蛋白質與已知蛋白質相似度低至31.4%，卻與天然蛋白質一樣有效，這能夠變革抗癌藥和疫苗的研發工作。

生物的基因變異也是“提出新假設”的過程，但基因技術的發展改變了這種“提出假設”的方式。CRISPR基因編輯技術與人工智能相結合，更快地對致病基因進行高通量的自動化篩選，使研究人員更有效地找到新的治療靶點。在更多領域，算法探索數據中的統計規律，以統計、模擬、演化、生成、搜索、博弈推理等方式發現新“假設”。現在，一流的棋手也在借鑒AI并通過這種方法提出新定式。

此外，基礎的關聯關系探索也是一個重要的數據驅動發現新假設的方法。科學家在表型組學的分析中尋找基因與疾病的關系，通過層級聚類等方式尋找共性。最近，人們通過關聯分析發現指紋和腎紋理之間存在還無法解釋的相關性，諸如此類的新假設在驗證的過程中會引導人們發現新的知識“域”。在算法可以解構的領域，進化速度很快就會突破原來在現實世界中的諸多束縛。

新假設在反饋中加速演進

當我們走出家門，發現街道濕漉漉的，我們的第一個想法是在下雨。但是陽光燦爛，人行道干燥，所以我們立即排除了下雨的可能性。當我們向一側看時，我們會看到一輛道路清掃車停在街上。我們得出的結論是，道路潮濕是因為清掃工作。這是一個從觀察獲得反饋來驗證假設，并得到結論的過程，是智能生物的基本功能。我們不斷地根據自己所知道的和所感知的信息來推斷，大部分都是潛意識發生，我們并沒有集中注意力或直接應用注意力。

科學家也是這樣獲得新發現的，在多數情況下，我們都面臨著信息不完備的觀察，然后基于此得到假設，再根據我們的知識來尋找一個可能性最大的解釋。導致街道潮濕的原因可能有很多，人類有快速判斷假設的能力，我們需要算法能夠自主基于假設進行檢驗和推理，才能快速演進。例如，溯因學習算法（Abductive Learning）就能夠選擇最有希望的假設，快速排除錯誤的假設，再進一步尋找新假設和得出可靠結論。

傳統的機器學習是如何工作的？首先，我們要有很多樣本數據來提供分析需要的充足信息量，需要有很多標簽來標注這些樣本的特征，幫助算法從不同的維度理解樣本。這樣就可以做監督學習了，例如訓練出一個判斷郵件是否是垃圾郵件的分類器，這是一個從零開始學習樣本的歸納分類工作，多數的機器學習都是用這個基礎框架來工作的，具有歸納的能力但沒有演繹和推理的能力，也沒有知識記憶，新的自監督學習算法也并沒有超越歸納法。而Abductive Learning的模型理念有希望突破這個局限，從而使機器學習能夠更智能地解決更廣泛的問題。這一理念認為，建立假設可以借助一個已有的知識庫和一個初始分類器。在學習過程中，我們先把所有的數據提供給這個初始分類器，這個初始分類器會基于歸納能力得出一個結果值，再將其轉化為一個知識推理系統，將剛剛通過歸納法學習到的新知識和原有的知識做比較，并嘗試通過不同的參數調整方式使偏差反饋最小化。最后我們可以基于調整后的結果值重新放回樣本集，訓練新的分類器，重復這個過程直到分類器不再變化，知識庫和事實一致。

這種方式是演繹和歸納的一種變體，結合了知識系統，還遠未完善。但是，算法在學會了這些演進新假設的方法之后，就能夠基于自洽的知識體系自學習、自主擴展，并借助算力和處理海量數據規模的優勢，不斷加速。

1.1.3 反饋數據規模增長正在指數級加速

在物理世界，新假設需要反饋數據的快速檢驗，特別是來自現實世界的實踐反饋能夠最終確認新假設的可用性。走進“燈塔工廠”，低成本、低時延的物聯網使感知能力幾乎無處不在，從環境數據（溫度、濕度等）和操作數據（速度、流量等）到網絡數據（數據包數據、SNMP等）。特別是像壓力、振動、位置、電壓、電流、功率和能量等多維度數據都可以被低成本持續采集。以溫度傳感器為例，根據精度、溫度范圍、響應時間和穩定性等標準，可能有數百種可用傳感器供選擇。據IDC預測，每年連接設備數量的增長速度在30%左右。DataProt的數據顯示，到2025年，每分鐘將有15.22萬臺物聯網設備接入互聯網，總體規模將有416億臺設備。

機器每毫秒可生成數百個數據點，在生產場景，未來的工廠模式是實時一體的連接、反饋、改進。數字工廠中的集成機器數據可以通過REST和GraphQL API完整移植，集成到現有的BI、自定義工作流程和報告中，并集成到其他工廠應用程序中；也可以輕松將數據從云直接發布到Azure、AWS、SAP和任何其他云、大數據或企業應用程序。項目運營者可以跨時間和地點實時了解工廠車間發生的事情。

自動駕駛車輛通過十維以上的前融合感知數據獲得來自外部世界的反饋，現實世界數字化的門檻越來越低的另一個動力是，AI突破帶來的多模態交互使萬物皆能以更自然的交互方式高效互動，這也會與規模的進一步擴大形成正反饋，我們正在越來越接近這個加速的轉折點。

在生活場景，用戶互聯網已經初步完成了對“人”的數字化，從客觀描述性特征到內在特征推理都可以被有效建模。雖然對用戶流量的戰斗還在社交和算法之間進行，然而，在以“物”為中心的產業場景網絡化已經在不斷加速，商品流和資金流都在加速數字化。一切可數字化連接的對象最終都將被數字化，否則就無法適應數字化世界的進化速度，從而被淘汰。生產、生活、產業這三個場景最終會編織成一張反饋數據網，實現對社會資源的整體優化。

1.1.4 反饋速度正在呈指數級加速

在同樣的時間內，更快的反饋速度代表更高頻率的假更新，更短的周期使同質化的競爭變成了代際的競爭。20世紀50年代美國制造業的策略是規模領先，20世紀70年代是價格競爭第一，20世紀80年代是質量競爭第一，20世紀90年代則開始轉為市場速度第一，英偉達在游戲顯卡的競爭中就是以此實現了對領先者的超越。

快速的反饋除了大規模使離線世界數字化之外，還有快速的數據處理和計算速度。今天的技術進展已經和當時的市場環境有極大的差別，用戶的訪問和點擊行為可以形成幾乎實時的個性化反饋，發現流水線設備異常也可以被不間斷地實時反饋，甚至可以做到提前預測。更復雜的策略，像反欺詐模型已經能夠做到在交易行為發生時進行毫秒級響應，將現有的對可疑交易的“事后反欺詐”（主要通過電話確認）轉化為事中就提醒，極大地減少了銀行的損失，同時還節省了銀行的人力成本和運營投入。

OpenAI曾發布，AI算法效率每16個月提升一倍，并認為這是新的摩爾定律。英偉達的CEO黃仁勛則認為大語言模型的計算速度已被提升100萬倍。

此外，低時延的5G應用普及等新技術也讓數據連接和流通的速度有了巨大的進展，而且有很多提升速度的技術創新正在不同的細分領域大量涌現。例如，在最大化網絡流的技術創新方面，最近有六位計算機科學家發布的新算法，稱可以在最大流問題上無限接近理論上的最快速度，這是一種組合最優化問題，主要討論如何充分利用裝置的能力，使運輸的流量最大。其中使用了一種“低拉伸生成樹”（Low-stretch Spanning Tree）的方法來簡化以往的圖算法，以更快的方式檢查整個網絡，并減少了網絡中的漣漪效應。

有了高效的網絡基礎設施，在很多領域，我們已經接近速度的終點，那就是接近實時的反饋，特別是在“ToC”的應用中，用戶已經很難感知到時延。

最終，在仿真模擬中加速

Waymo的自動駕駛策略正在模擬器中以革命性的方式加速進化，DeepMind通過自對弈訓練策略發現了人類難以發現的新定式，從零開始訓練的AlphaZero以4小時擊敗最強國際象棋AI，2小時擊敗最強將棋AI，8小時擊敗李世石版的AlphaGo。連最強圍棋AI AlphaGo Zero也不能幸免，訓練34小時的AlphaZero戰勝了訓練72小時的AlphaGo Zero。

除了下棋，模擬策略還可以用在優化計劃、減少盲目的資源分配與能源消耗等更多領域。其實，人們在熟練使用的A/B測試就是模擬的最簡單形態，而元宇宙可能是未來最大的模擬引擎。雖然理論上并不是整個世界都可以用數字來表征，但數字化已經可以對我們身邊幾乎所有的事情進行高效且精確的抽象，使之成為可計算的對象，并且讓測試環境和現實世界同步演化，避免失效。這使我們更容易通過數字孿生將業務全景裝進一個模擬器，通過更充分的“假設”測試，全樣本、實時地反饋每個細微的變化，追求最大限度的優化，讓數字化認知升級的速度不斷接近極限。

1.1.5 疊加效應：HFL周期呈指數級縮短

單純的信息爆炸會降低效率，更重要的是將反饋信息和科學嚴謹的假設對應組合來完成校驗，通過Pairwise的“緊耦合的反饋調優”實現持續高效迭代。在這個基本的組合里，“假設”就是最大化利用有限的已知信息所做出的推測，并需要通過有針對性的測試獲得“反饋”來修正偏差。剩下的，就是為這個簡單機制持續加速。

互聯網產品更加強調速度，從很早以前開始，搜索引擎公司每天都會有上百次的更新、升級、上線，網頁搜索的結果頁，每一天都有幾十個等待測試上線的升級項目。這種產品和我們買回家多年不換的電器完全不同，網絡產品時刻都在更新，時刻都在被應用反饋重新定義。

在快時尚領域，設計是對流行趨勢的假設，而用戶的瀏覽和消費行為反饋可以幫助我們迅速提高假設的確定性。如果建立假設像猜謎游戲，那么快速的反饋可以讓我們比別人更早知道答案。線上快時尚DTC（直接觸達消費者）的整個生產周期通常只有7～15天，ZARA的整個生產周期為15～30天，而傳統服裝業的整個生產周期為42天。SHEIN通過每天數千款上新刺激用戶主動訪問，而這些訪問帶來的實時反饋，在用戶行為和產業SaaS之間快速迭代業務策略。更新的產品就有更多、更快的反饋，從而可以更快地推出新品，如果能夠形成這樣的正反饋，就能領先行業。行業演化也正在從追求同質化的規模到差異競爭，再到縮短創新周期提升創新密度以獲取更高附加值。在更多的行業里，新生產力正在提升反饋效率，反過來，反饋效率也在加速生產力升級。

對于互聯網和深度學習代表的AI算法，競爭的焦點同樣是在循環周期的縮短上。以自動駕駛為例，為無人駕駛汽車開發的開源軟件，用于目標檢測或路徑規劃的開源數據集，能夠在更大范圍應用中建立更強大的反饋效應。通過云端軟件更新，一輛特定的無人駕駛汽車控制行為中的一個適應性“突變”，有可能快速傳播到數百萬其他車輛上。機器可能呈現出不同的進化軌跡，因為它們不被有機體進化那套機理約束。算法可以在海量反饋數據中實時提出新“假設”，并在反饋流數據中即時驗證，這種循環速度是生物進化無法比擬的。從互聯網到AI應用的競爭，焦點在于采用什么樣的反饋機制實現學習速度的領先。

在科技前沿的生物醫藥領域，根據《自然》（Natrue）雜志的數據，一款新藥的研發成本大約是26億美元，耗時約10年，而成功率不到10%。創新者正在通過機器學習、深度學習等AI技術結合量子化學、分子動力學等生物化學知識，建立含有多個藥物關鍵性質參數的AI模型和物理模型（主要表現為AI軟件），將藥物分子的化學語言轉化為與之對應的程序語言。這樣就可以在靶點發現、苗頭化合物篩選、先導化合物優化、候選化合物的確定等環節進行大幅加速。

2021年2月，美國AI藥物研發企業Insilico Medicine（英矽智能）宣布，其利用AI技術發現了特發性肺纖維化的全新靶點，以及針對該靶點設計的新化合物。這一靶點的發現和藥物化合物的設計發現僅歷時18個月，成本消耗為260萬美元。而在傳統新藥研發的過程中，一個全新靶點的發現就要3～4年，成本高達數千萬美元。當然，這些進展還需要臨床價值的最終反饋來評價。

除了在生物醫藥領域，認知加速的作用會體現在幾乎所有的事情上，創新無處不在，已有事物的成本會迅速下降，這會為每個人帶來巨大的財富效應。

這種競爭的終點必將是基于軟件定義產品和大規模反饋數據的算法自學習，因為這已經超出人類能力和組織的響應效率極限。所以，我們的業務最開始就應該建立在新一代的模式之上才能參與未來的競爭，參考HFL考慮一切問題的本質，因為通過加速HFL幾乎可以解決一切問題，后面我們會就如何更好地建立假設與反饋機制展開討論。

1.1.6 可能性窮盡點之后，是認知加速的奇點——在人類的認知視角之外提出新假設

一方面，從獲得反饋數據的速度來看，無論是否存在算力推動的智能奇點，HFL有效迭代效率的不斷提升，并以此推動的“可能性窮盡點”離我們更近、更具體，且正在加速到來。空間上的分形結構可以升維，時間角度的頻率提升也在幫助我們打開新的世界。

另一方面，從處理數據的算法來看，深度神經網絡推動的這一代AI技術，本質是在特定規則假設下不斷分解問題，逼近“可能性窮盡點”的工作模式。算法對潛在模式的全面統計能力，提升了探索假設空間的寬度和多樣性，在凡是可以轉化為搜索類問題的領域，例如符號化的形式推理，算法很快會超越人類。在人類認知空間之外的視角提出新假設，這種能力可以在近乎無限反饋數據的條件和充足算力的推動下，在模擬空間里，近乎無限地對更短周期的HFL機制做重復的循環加速，不斷接近真正的“可能性窮盡點”，逼近認知范式和信息的極限，在某種意義上，這就是認知極限的臨界點。

當談到某種智能的轉折點，大家總是本能地感到恐懼。人類的古老大腦部分控制著我們的基礎生理活動，比如呼吸和運動，這是生物進化的結果。正因為這部分大腦的工作，人們會因為害怕死亡而產生恐懼，會為了延續基因而努力繁衍，會有占有、控制的欲望。而人工智能目前還沒有形成類似人類古老大腦的結構和能力，也沒有進化壓力、沒有情感，關閉承載著它的計算硬件也不會讓它感到害怕。同樣，人工智能也沒有目標，如果沒有特別的指令，也不會想消滅人類，除非我們賦予它目標。我們恐懼是因為我們總是把比自己更聰明的智能當成也有自己欲望的一種存在，也許超級智能和人類有著本質的不同。而且，現在的智能算法只是以一種粗略的網絡結構和反饋機制提升了一些擬合效率，即便是大規模預訓練模型取得的在知識涌現方面的最新進展，也遠未達到超級智能的標準。

算法自我意識意味著一個主體意識系統可以觀察一個意識系統自身的運轉，相當于智能算法可以在人類給定的目標函數和運行規則下生成新的目標函數和規則，這意味著主體概念和目標的產生。而人類之所以有這樣的機制，是因為可能更多與生命系統“硬件”有關系，我猜想身體的激素調節系統對理性系統的影響能力可能更接近自我意識，而非僅是計算能力增強的必然結果。在突然意識到外部變化并知之甚少的時候，人類本能地會夸大事實。

此外，即使算法窮盡了幾乎所有可能性，也需要反饋來為不同的可能性賦予意義，在可能性中最終做出選擇才有價值。人類的作用在于，可以基于特有的知識和意義體系來完成最終這一步，而算法目前還只能在特定領域基于人工正樣本的輸入所學習到的價值函數來評估。

走出窮盡點

在算力和數據的支持之下，有限集內的可能性會被迅速窮盡。局限在于歸納式框架，人類在歷史上是歸納多于邏輯的。理想的狀態是，基于觀察和歸納，并能不斷提出新的有創造力的假設，而開放性的假設才是突破認知極限的有效方法，創新才會產生。因為，世界的復雜性遠大于我們現在建立的假設數量。

一般來說，事情的進展需要在一個明確的“域”的層次上定義清楚，認知的進展是在人類觀察能力所能觸及的“域”內定義。觀察域的拓展、新認知體系的建立、智能的指數級加速，三者交替拓展。例如，受限于人體感受器官的直接觀察能力，原始人類只能停留在前科學時代；天文望遠鏡和顯微鏡的誕生擴展了人類的觀察能力，推動了近代科學；當人類的觀察能力拓展到宇宙這個更大的“域”上面，就產生了相對論；同樣地，在量子“域”里人類找到了量子論。在不同的“域”下面，才有了觀察和輸入、假設、反饋的循環，并不斷地窮盡每個新“域”內的可能性，我們再通過原有假設應用于新“域”的偏差，發現現有體系的邊界和新假設，來持續向前演化。也許我們已經感受到，“域”的躍遷和文明形態也會有“人類自身”的約束，需要脫離具身模式和行為模式等基礎能力的約束。我們不得不面對“具身沖突”，這是人類身體的感知和認知模式，與不斷抽象推演向前的理論演繹之間的沖突，就像很多人很難接受量子論描述的世界與眼前世界的“認知沖突”，更不用說對三維空間的熟悉和對高維空間運行規則認知的“不適”。更直接的說法是，人類身體硬件的性能和模式，正在束縛更高級智能產生。

人類的認知也是在特定環境塑造下形成了自己的HFL模式特性，而且進化也出現了邊際放緩。在每個“域”下面，數據樣本的收益最終都會出現邊際收益遞減的現象，這時候我們需要通過創新更基礎的假設，切換“域”，來實現進一步的突破。我們可以參考機器學習里面的“過擬合”現象，當參數假設對現有觀察到的有限數據樣本陷入過度的高相關時，則失去了根本上的客觀和廣義的普適性。

生物和文明都需要保持一定的代謝效率才能保持生存和進化的節奏，否則就會被世界變化的速度淘汰，或者被進化的阻力消耗殆盡。智能的阻力在于，多數的計算模式都會隨著問題復雜度的更快提升出現邊際效率遞減，而且很難“自己設計自己，突破自己”。算法需要提出創造性假設，才能走出窮盡點。