Inferensi Bayesian mempertahankan dukungan dari yang sebelumnya. Oleh karena itu, setiap proses yang mengubah ruang hipotesis yang dapat diterima berada di luar kerangka Bayesian. Hal yang sama berlaku untuk semua inferensi dukungan tetap. Metode Bayesian hanyalah contoh kanonik.

Perbaikan tradisional untuk masalah ini dengan inferensi Bayesian adalah menghindari pertanyaan tentang penerimaan dengan memilih awal sebelumnya dengan dukungan untuk semua hipotesis yang dapat dihitung (yaitu Solomonoff sebelumnya), dan mempersempitnya dari sana.

Masalah dengan pendekatan ini adalah bahwa Solomonoff prior tidak dapat dihitung. Setiap perkiraan yang dapat direalisasikan harus terbatas pada ruang hipotesis terbatas—di mana masalah asli kembali.

Model hierarkis memungkinkan pengurangan model Bayesian dan teknik serupa lainnya, tetapi pada akhirnya tingkat atas hierarki memiliki beberapa dukungan tetap yang tidak dapat dilampaui.

Jadi jika pembelajaran yang memperluas dukungan tidak dapat sepenuhnya dicirikan oleh metode dukungan tetap apa pun, termasuk inferensi Bayesian, lalu inferensi seperti apa itu?

Jika gangguan berada di luar dukungan proses, itu tidak dapat diproses sebagai bukti untuk pembaruan. Sebaliknya, pembelajaran harus terjadi ketika perturbasi secara kausal merestrukturisasi proses itu sendiri secara langsung.

Varians perluasan dukungan muncul dari proses yang memungkinkan lingkungan untuk mengganggunya dalam dimensi yang saat ini menetapkan ukuran nol. Belajar melalui gradien alami, gradien substrat daripada model.

Keyakinan agen harus berada di bawah kendalinya sendiri (apa yang digambarkan oleh makalah GDI sebagai agensi) atau di bawah lingkungan (apa yang digambarkan oleh makalah GDI sebagai plastisitas).

Tanpa agensi, suatu proses tidak dapat berhasil bertindak dalam dirinya sendiri dan dunia untuk mempertahankan kegigihannya sendiri. Tanpa plastisitas, sebuah model tidak dapat menemukan sudut yang tidak diketahui dalam celah-celah keyakinannya, dimensi tersembunyi dari realitas, dan ia akan mati ketika dunia berubah.

(Terima kasih kepada Claude Opus karena telah membantu saya mengerjakan bahasa pada beberapa di antaranya, ini jauh lebih ketat daripada utas aslinya!)