前面提到过 指数描述的世界，各个维度不均衡的指数发展最终定义了缤纷世界的每一个实体，于是世界是一个动态范围极大的指数世界。
世界是指数的，世界的认知结构就一定要是对数的才能对冲，于是人脑对刺激的反应必须是对数的，这就是韦伯-费希纳定律：
S = k ⋅ ln ( I I 0 ) S = k \cdot \ln\left(\dfrac{I}{I_0}\right) S=k⋅ln(I0I)
其中 S 为主观感觉强度，I 为刺激强度， I 0 I_0 I0 为能引起感觉的刺激阈值，即，要让感觉增强一倍，物理刺激需要按指数级增长，而非线性增长。
它的本初为韦伯定律：
Δ I I = 常数 ( 韦伯分数 ) \dfrac{\Delta I}{I} = \text{常数} \quad (\text{韦伯分数}) IΔI=常数(韦伯分数)
其中 ΔI 为刚好能察觉的刺激增量，I 为原始刺激强度，即人能察觉的刺激变化比例（ΔI/I）大致恒定。
这定律我在 2018 年底有过一段探究，当时写了不少博客，本文不再赘述定律本身，而侧重它背后的主体和客体。
外界刺激的强度范围太大，进化的大脑只能对数压缩对刺激的感知，似乎是第一性的结论，对数感知，就是用最小的神经带宽，装下最大的世界范围。
当然，还有一个看起来与韦伯-费希纳定律相反的史蒂文斯幂定律， S = k ⋅ I n S=k\cdot I^n S=k⋅In ，但值得注意的是，它说的不是一回事，和韦伯-费希纳定律是互补关系，韦伯-费希纳的对数律描述底层分辨能力，而史蒂文斯的幂定律则描述高层主观感知，它正是经过对数大脑加工后的结果作为输入，两者是串联关系。
此外，大脑的能耗极高且体积大，这对能量分配和安全分娩带来了挑战，与自然契合的指数大脑会瞬间突破有限资源而过载，肉身崩溃，这反而成了最不适应的方式。
从算法的角度，指数世界的变化大多是乘性而非加性，而对数大脑将乘法变加法，这也印证了人类局部线性化的思维方式，而局部线性化正是构成指数世界的微分，也就是素描中的一笔。
现在来看学习。
学习是一个很好的习惯，而工科思维最拿手的学而不思，很遗憾地说，其积累学习曲线是一条对数曲线，即单位时间学习增量与时间成反比：
d L ( t ) d t = k t \dfrac{\text{d}L(t)}{\text{d}t}=\dfrac{k}{t} dtdL(t)=tk
其中 L(t) 为时刻 t 时习得的知识，k > 0 为学习效率系数。
直观理解就是知识越多，边际收益越低，越难再提升。积分求解：
L ( t ) = k ⋅ ln t + C L(t)=k\cdot\ln t+C L(t)=k⋅lnt+C
与韦伯-费希纳定律的形式完全一致。如果将学习看作对知识刺激的反应，这完全符合人脑的认知结构，但学习不仅仅受制于学习的主体，还受学习的客体，知识本身约束。
知识点之间不是孤立的，而是相互联系的，相对于入门知识的低熵，高密度，高信息增益特征，越往后学的知识，在孤立知识点之间建立联系所需的熵减强度越高，即越学效率越低，就是这个意思。即使拥有一部指数大脑，单位时间能塞进大脑的有效信息 ∝ 1 t \propto\dfrac{1}{t} ∝t1，从而自然导出对数曲线。
再看如今编程的人对 AI 的跟进式学习，实属在用对数大脑跟进 AI 指数爆发的信息，并将其低熵化，在学习的平台期试图突破，本就违背了自然界为大脑制定的对数法则。
从这个角度看，其对编程的人休息时间步进蚕食的后果，此处不谈。
学，跟不上，不学，怕别人学，于是共学，跟不上，再共学，这是一个学习的绞架，它会不断上劲。
结合整篇文字的论点，如果把大脑的认知结构从对数拉成线性的会如何，必然是时刻应激，丧失生存能力。
浙江温州皮鞋湿，下雨进水不会胖。