这篇题为《确定性视界：将不可能性结果作为可信人工智能系统的设计规范》的博士论文由郭东欣（Dongxin Guo）提交，属于香港大学计算机科学系2026年的博士论文，全文共271页，包含18幅图、15张表和5个算法。论文于2026年5月21日提交至arXiv，编号为arXiv:2605.23024v1，主题涵盖人工智能（cs.AI）、计算复杂性（cs.CC）、计算与语言（cs.CL）以及机器学习（cs.LG）。作者的核心主张是：从图灵、阿罗到“没有免费午餐”定理等一系列根本性限制，不应只被视为理论上的奇趣，而应转化为指导系统设计的规则，换言之，人工智能的每一个根本极限同时也是一条设计规则。
论文的旗舰成果证明了仅由架构本身决定的一个精度上限。作者指出，当推理深度超过某个临界点之后，无论采用何种适配器秩、样本规模或损失函数，再多的训练也无法提升精度。这一临界点被称为“确定性视界”，可以在部署之前根据层数和嵌入宽度计算得出。作者在十二种Transformer架构上进行了测量，得到的确定性视界介于十九到三十一之间；而在最优长度的推理轨迹上进行微调，最多只能挽回不到四个百分点的性能。其机制被归结为残差流的容量不变量，并通过信息论转换推导出：一旦越过该视界，精度会以超指数方式衰减。作为补充，论文还给出了模幂运算相对于常数深度素数模电路的无条件电路复杂性下界。
论文进一步将同一论证框架推广到多个子领域，形成了一份包含十六条规范的目录，每条规范都将一个可计算的边界、量化的违规代价以及一条建设性的设计规则三者配对。具体而言：在任何模型设定有误的情况下，偏好学习的样本复杂度会出现不连续的跃升；多阶段检索流水线至少需要与阶段数相同数量的独立指标；对于具有提示依赖型估值的智能体，标准的真实拍卖机制会失效；对神经网络推理进行零知识验证时，每个非线性激活需要付出经实测的一百一十至一百九十倍的额外开销。在十六条规范中，已有两组合成被证明，一组配对被认定为诚实的障碍，另有四组仍处于开放状态。作者将这种“不可能性—规范”方法论提供给可信人工智能可能需要的生成式研究计划，并强调根本极限与设计规则之间的双向对应关系。