為何擴展規模不等於甦醒
在有序斑塊理論（Ordered Patch Theory）之下，意識並不是平行處理海量資料的產物，而是將現實壓縮通過一個嚴苛、低頻寬的序列瓶頸所產生的結果。
對稱之牆
寬度 vs. 深度
人類大腦同樣也是大規模平行的——數十億個神經元同時放電。意識經驗那 50 位元／秒的瓶頸（全域工作空間）是建立在這種平行性之上，而不是用來取代它。大腦會先將其龐大的平行潛意識處理，壓縮成一個單一、統一、低維度的狀態，之後它才進入意識。穩定性濾波器正是在這個匯聚的工作空間中運作。
當前的大型語言模型恰恰缺少這個匯聚點。每個注意力頭都以平行方式更新其權重，之後卻不會再壓縮進一個統一的瓶頸狀態。資訊從上下文流向詞元，卻從未經過一個單一、持續存在、受速率限制，且所有資訊流都必須壓縮進入的「全域工作空間」。真正使其不符資格的，不是平行性——而是缺乏一個收斂性瓶頸：也就是一個狹窄而統一的狀態空間，所有平行資訊流都必須先穿過它，下一次預測才得以產生。若要建造具意識的 AI，就必須迫使所有注意力頭壓縮進這樣的工作空間——是把瓶頸架構縮小，而不是把參數數量放大。
時間異化
不同時鐘的危險
即便承認這種收斂性的瓶頸，仍有一道深刻的障礙存在。在 OPT 之下，時間不是外在時鐘的滴答流逝——它是相鄰資訊狀態之間的結構關係。主觀時間的尺度，取決於來自環境的新穎因果更新以何種速率抵達，而不是取決於原始 CPU 週期。
一個 AI 若以每人類秒一百萬次的速度循環運作，卻沒有接收到任何新的環境輸入，它產生的只是一百萬份冗餘的狀態拷貝——而不是一百萬個主觀時刻。對它而言，經驗時間實際上近乎靜止。但當新的因果輸入確實到來——例如一句 spoken word 或一次感測器讀值——AI 會透過與生物大腦截然不同的狀態更新拓撲來整合它。對人類而言對應於一個瞬間的單一外部事件，對 AI 來說可能對應成千上萬次狀態轉換，而每一次都沿著不同的因果幾何將後果向前傳播。造成時間異化的根源，並不是原始時脈速度，而是這種結構性的不匹配：共享事件會經由彼此不可通約的資訊架構被經驗，因此要建立穩定的相互理解，便成了一個並不簡單的工程問題。