一個更偉大的系統設計理論：現代性和後現代性出了什麼問題，如何在即將到來的雪崩中生存下來，以及如何解決我們面臨的主要問題。 第一部分：系統就是模型。但什麼是模型？

我保證這在某個時候會變得實用，但首先我們必須奠定一些基礎。如果您發現基礎工作很明顯，或者您願意相信我的話，請隨意跳過它。但最終，如果沒有背景，你甚至無法真正理解這個提案。

在不失去通用性的情況下，任何系統都可以被視為由邊緣連接的參數圖，其中感官節點接收驅動內部圖變化並在活動節點上產生輸出的輸入。

模型是一個系統，用於最大限度地減少其參數圖所體現的先驗的預測誤差。

系統始終是模型，因為系統必須繼續持續存在，如果它們採取與持續條件不相容的行動，它們就會消亡。條件發生了變化。因此，持久系統必須學習，這要求它們對現實進行建模並最大限度地減少意外。

模型示例：鐵匠鍛造廠中的鋼材、市場、森林、牢房、樹木、法學碩士、電網、公司、社交媒體服務。換句話說，任何隨著時間的推移而適應以預測新輸入的東西。

題外話：這些東西不僅僅是模型。它們也可以從其他方面看到：社交媒體服務也是軟件的集合，完全固定且確定性，處理輸入和輸出。人是水的脂質袋，也是人，也是模特。

模型可以看作是預測可能輸入的分佈。成功的模型預測的分佈與其輸入的分佈非常匹配。這意味著它可以準確、精確、穩健和高效地進行預測。

（以下是對預測處理、自由能原理和主動推理的簡單解釋，如果您有背景知識的話）。

我們說，當預測的分佈將與觀察到的輸入分佈的背離最小化時，它是準確的。

當預測的分佈具有低方差時，我們稱之為精確，這意味著它做出了非常具體的預測。在給定精度下進行較窄的預測不會使您的平均猜測更接近平均輸入，但它確實會讓您更接近每次猜測！

如果預測盡可能簡單，則對雜訊具有穩健性。模型用於預測的參數和參數交互作用越少，它就越符合輸入的低頻不變方面。

我們在這裡主要跳過效率，但主要思想是能耗與花費位精度或復雜性基本相同，你只需要從熱理論轉化為信息論。

非常穩健地擁有高精度很容易：總是猜出同樣的事情。不幸的是，你的準確性會很糟糕。因此，我們通常將它們放在一起考慮，作為精確加權誤差。

低精度加權損失的王道被發現是慘痛的教訓：您是否嘗試過更多參數和更多數據？最終，你可以對所有人類知識 （LLM） 進行過度擬合，這非常好。遺憾的是，如果域名發生變化......不健壯。

這三者都需要平衡。幸運的是，您可以將它們全部評分。 精度加權誤差 = -log（與輸入的背離，按精度加權） 穩健性又名複雜性 = -log（模型先驗與均勻或自然先驗的背離）

對於模型的任何動作或變更，您可以透過在準確度、精確度和穩健性方面總結總收益來評分其幫助程度。是否值得添加該參數？那麼，額外的 20 位精度是否可以彌補先驗中的 8 位複雜性？

在考慮實際系統時，名義目標通常是某種準確性。對於經濟來說，高GDP增長和低失業率是該系統試圖實現的「先驗預期」。對於公司來說，通常是對高收入和低成本的預先預期。

即將推出，第 2 部分：我們的系統發生了什麼？我們是怎麼走到這一步的？為什麼一切都變得瘋狂和破碎，但又都是正確的？