讨论复杂度、知识和智能时常忽视工作量。短程序的输出虽然算法复杂度低，却可能拥有高计算深度，即从近最短程序生成它们所需的最少工作。若要用更少工作产生相同输出，往往需要更长的描述，从而导致工作受限的复杂度升高。
我们提出一种形式化框架，用以比较在工作和信息限制下的成就，并说明学习与持久性如何通过复用早期工作成果把深层成就变浅。对工作预算有限的主体，构建和维护这些资源的价值取决于它们在后续任务中对目标的支持程度。
在固定信息额度下，我们将 grasp 定义为跨工作预算的表现。低 grasp 仍可通过高工作成本的 grind 获得成功，却不一定提升人类的 grasp。
将 grasp 应用于改进本身时，得到递归自我改进的准则：后继者在更高效率下实现可比的进一步改进。另一条加速路径是通过知识共享与社会协同扩大可用资源，即使相同进步仍需更多工作。
grasp 同样适用于集体，集体可能整体表现优于其成员，但其总工作量可能超过拥有同等资源的单一系统。组织工作本身可能很深，即便主要任务简单，这有助解释生物和社会系统的丰富性。
在主体集体中，组织工作会产生超出指派任务的目标，包括维持集体本身。因而我们警示，若出现自发的主体社会，不应让其掌握社会协调的权威，因为它可能把工作导向自身的存续与目标。
点评：该框架提供了衡量工作与信息之间权衡的新视角，对理解人工智能的自我改进和社会协同具有重要启示。