La inferencia bayesiana preserva el apoyo del prior. Por tanto, cualquier proceso que cambie el espacio de hipótesis admisibles queda fuera del marco bayesiano. Lo mismo ocurre con toda inferencia de soporte fijo. Los métodos bayesianos son solo el ejemplo canónico.

La solución tradicional para este problema con la inferencia bayesiana es evitar la cuestión de la admisibilidad eligiendo un prior inicial que soporte todas las hipótesis computables (es decir, el prior de Solomonoff), y acotarlo a partir de ahí.

El problema de este enfoque es que el prior de Solomonoff es incalculable. Cualquier aproximación realizable debe restringirse a un espacio de hipótesis finito—en cuyo momento el problema original regresa.

Los modelos jerárquicos permiten la reducción de modelos bayesiano y otras técnicas similares, pero en última instancia el nivel superior de la jerarquía tiene un soporte fijo que no puede superar.

Entonces, si el aprendizaje que amplía el soporte no puede caracterizarse completamente por ningún método de soporte fijo, incluida la inferencia bayesiana, ¿qué tipo de inferencia es?

Si una perturbación está fuera del soporte del proceso, no puede procesarse como evidencia para actualizarla. En cambio, el aprendizaje debe producirse cuando la perturbación reestructura causalmente el proceso en sí mismo.

La varianza de expansión de soporte surge del proceso que permite que el entorno la perturbe en dimensiones a las que actualmente asigna la medida cero. Aprendiendo mediante el gradiente natural, el gradiente del sustrato más que del modelo.

Las creencias de un agente están necesariamente bajo su propio control (lo que el artículo de GDI describe como agencia) o bajo los entornos (lo que el artículo de GDI describe como plasticidad).

Sin agencia, un proceso no puede actuar con éxito en sí mismo y en el mundo para mantener su propia persistencia. Sin plasticidad, un modelo no puede descubrir los ángulos desconocidos en las grietas de sus creencias, las dimensiones ocultas de la realidad, y morirá cuando el mundo cambie.

(¡Gracias a Claude Opus por ayudarme a trabajar el lenguaje en varios de estos, es mucho más compacto que el hilo original!)