本文探讨首阶物理相互作用的梯度或雅可比矩阵是否决定现象经验的结构。研究在一个理想化的神经网络世界——Gradland——进行，假设物理已知且函数大多可微。文中提出两种雅可比结构度量：基于 Kirchhoff 复杂度的有效秩和凝聚度。
通过若干示例验证假设：经验可持续数百毫秒；生动与模糊的差别由凝聚度解释；纹理感受对应梯度的局部变化；新生儿的“嗡嗡混沌”可视为高凝聚低有效秩状态；思想的清晰或混淆映射到有效秩的差异；学习过程表现为有效秩随时间提升；丰富密集的经验则是高有效秩与适中凝聚的组合。
点评：该工作将数学结构与主观体验桥接，提供了可量化的经验维度，为认知科学与机器学习的交叉研究提供新视角。