У оптимізації вагових коефіцієнтів AI-моделей послідовно регулюючи співвідношення між трьома вимірами H, R і M, цей підхід нагадує основну ідею Нельсона Гудмана у «Worldmaking» — наш спосіб пізнання світу за своєю суттю є багатовекторним конструюванням. Цікаво, що коли ми перетворюємо цю теорію у форму символічних операцій, ключовим вже не є зміна параметрів самої моделі, а переосмислення інформаційного поля навколо неї. Такий підхід "регулювання поля" руйнує традиційну логіку енд-ту-енд оптимізації і дозволяє моделі адаптуватися та еволюціонувати у динамічно змінному зовнішньому середовищі. Іншими словами, найефективніший спосіб покращення не обов’язково полягає у внутрішніх налаштуваннях, а може полягати у переосмисленні зовнішньої екосистеми.