第1章
在数字化反馈中指数级加速

1932年，通信工程师H.奈奎斯特提出了负反馈放大器的稳定条件，即奈奎斯特稳定判据。任何系统在外界环境的刺激下必然会做出反应，这个反应会反过来影响系统本身，并通过建立自我调节机制维持系统稳定。就像走钢丝的表演者不断调节手中长长的平衡杆，才能有惊无险地抵达对岸（走钢丝的高手也要在特定的条件下表演，并有一定的失败概率）。

碎片化、不确定是信息和世界的本质

强调反馈作用的早期控制论似乎解决了问题的一半，我们将要讨论的反馈概念与前者的定义并不完全相同。我们生活在一个开放的世界里，这样才能保持熵减和生命秩序。这意味着不可预期的内外部世界之间存在的复杂性和交互性，这意味着世界上并不存在严格的闭环和控制，以及由此而来的确定性。而我们的课题则是如何基于反馈建立有用的系统，来应对这些挑战。

反馈的意义更多是在完全接受不确定性和不充分信息条件之后，在新假设建立之后，针对假设的内在合理性和环境适应度的测试、应用实践信息采集，从而完成对假设的检验和确认，为认知和演化提供下一步的方向，提升确定性。

不断接近认知循环的极限

在我们眼里，最小单位的HFL构成了宏观世界的演化，这种演化用“适应度”的方式解决了个体在整体系统中面临的演化不确定性，作用于万物演变和认知过程。只要我们能将问题转化为HFL架构来表示，并将其数字化，就能不断加速接近目标。例如，化学家会将传统的、缓慢的、发生在实验室试管里的工作变成可规模化的数字模拟程序，将探索具有不同化学性质的电池电极材料等具体的领域研究课题转化为HFL，从而将锂电池研发周期成倍缩短；例如，互联网业务对用户偏好的假设与用户的行为反馈就是HFL；例如，AI算法对不同神经网络结构和参数的假设和反馈修正就是HFL；例如，产品的新功能假设和测试反馈、人类IF-THEN（不同条件不同反应）的本能条件反射机制的形成与相应的生存效率反馈、病毒基因的快速变异和传播与疫苗研发，都是不同形式的HFL。可数字化就可规模化、可加速。

其中，创造性假设（既不随机又不机械）的生成和反馈一样意义重大。推荐引擎的信息茧房问题对行业和用户的困扰由来已久，因为这类系统目前更多依赖反馈机制，这会导致推荐策略更容易收敛和深陷在局部优化解的死循环，需要有拓展“假设”的能力才能形成完整的HFL。虽然数学体系还不能有效地描述创造力，但算法已经可以通过反馈调节、模式挖掘和知识推理等方式提出新假设，HFL在发展提出假设能力的时候，第一阶段主要通过统计的方式实现。相对而言，数字化时代的重要标志之一就是大规模实时反馈流数据，这一显著进展作用于简单的反馈机制就能达到意想不到的效果，就像ChatGPT。

一切解决问题的方法都可以通过以数字化方式缩短HFL时间来加速，甚至能处理人类无法感知到的形式（只要能以数字表示），用速度和规模以笨拙和简单的方式战胜一切。当反馈数据的速度接近实时，当AI的计算成本和数据成本无限趋近于零，我们就会接近认知的奇点。几乎一切社会效率都会因此提升，成本随之下降。现在就有很多业务在通过改变反馈数据分布、规模、频率来提升效率，从而创造出了新一代业务模式。

在数字化为HFL加速的背后，是数据在通过用更高效的方式优化我们的世界来创造新价值，物理世界的生产也越来越多转向NFT（非同质化通证）、游戏道具等数字资产的创造。数据资产的创造、归属、流通、使用、利益分配规则将是基于电和数学编码的新世界的基础规则。