Bayesovská inference zachovává podporu aprioru. Každý proces, který mění prostor přípustných hypotéz, tedy leží mimo bayesovský rámec. Totéž platí pro veškerou inferenci s pevnou podporou. Bayesovské metody jsou jen kanonickým příkladem.

Tradičním řešením tohoto problému s bayesovskou inferencí je obejít otázku přípustnosti volbou výchozího aprioru s podporou všech vypočitatelných hypotéz (tj. Solomonoffova prior) a odtud jej zúžit.

Problém tohoto přístupu je, že Solomonoffovo priorní číslo je nevyčíslitelné. Každá realizovatelná aproximace se musí omezit na konečný prostor hypotéz – v takovém okamžiku se původní problém vrací.

Hierarchické modely umožňují redukci bayesovského modelu a další podobné techniky, ale nakonec má nejvyšší úroveň hierarchie určitou pevnou oporu, kterou nemůže překročit.

Pokud tedy učení, které rozšiřuje podporu, nelze plně charakterizovat žádnou metodou pevné podpory, včetně bayesovské inference, jaký pak je to druh inference?

Pokud je narušení mimo podporu procesu, nelze jej zpracovat jako důkaz pro aktualizaci. Místo toho musí k učení dojít tehdy, když perturbace přímo kauzálně přestrukturalizuje samotný proces.

Rozptyl podporující vzniká z procesu, který umožňuje prostředí narušovat ji v dimenzích, kterým aktuálně přiřazuje nulovou míru. Učení se pomocí přirozeného gradientu, gradientu substrátu spíše než modelu.

Přesvědčení agenta jsou nutně buď pod jeho vlastní kontrolou (co článek GDI popisuje jako agenturu), nebo pod prostředím (co článek GDI popisuje jako plasticitu).

Bez agentury nemůže proces úspěšně jednat sám o sobě a ve světě, aby si udržel vlastní přetrvání. Bez plasticity model nemůže objevit neznámé úhly ve trhlinách svých přesvědčení, skryté dimenze reality, a zemře, až se svět změní.

(Díky Claudovi Opusovi za pomoc s jazykem u několika z nich, je to mnohem kompaktnější než původní vlákno!)