貝葉斯推斷保留了先驗的支持。因此，任何改變可接受假設空間的過程都超出了貝葉斯框架。所有固定支持的推斷也是如此。貝葉斯方法只是經典的例子。

傳統上，解決貝葉斯推斷問題的方法是通過選擇一個支持所有可計算假設的起始先驗（即所謂的所羅門諾夫先驗）來迴避可接受性問題，然後從那裡逐步縮小範圍。

這種方法的問題在於 Solomonoff 先驗是不可計算的。任何可實現的近似必須限制在有限的假設空間內——此時原始問題又會回到原點。

層級模型使貝葉斯模型簡化和其他類似技術成為可能，但最終層級的頂部有一些固定的支持，無法超越。

所以如果擴展支持的學習無法完全用任何固定支持方法來表徵，包括貝葉斯推斷，那麼這是什麼樣的推斷呢？

如果擾動超出了過程的支持範圍，它就無法作為更新的證據進行處理。相反，學習必須在擾動直接因果重構過程本身時發生。

支持擴展變異是由於該過程允許環境在目前分配為零的維度上擾動它。通過自然梯度學習，即基於基底的梯度，而不是模型的梯度。

代理人的信念必然要麼在其自身的控制之下（GDI 論文所描述的代理性），要麼在環境的控制之下（GDI 論文所描述的可塑性）。

沒有主動性，過程無法成功地在自身和世界中行動，以維持其自身的持續性。沒有可塑性，模型無法發現其信念裂縫中的未知角度、現實的隱藏維度，當世界改變時，它將會消亡。

(感謝 Claude Opus 幫我在這些內容上進行工作坊，這比原始的討論串緊湊多了！)