우리는 신념(belief)의 공간에 비용 기하학(cost geometry, 하나의 신념에서 다른 신념으로 넘어가는 데 드는 비용)을 부여합니다. 이는 Fisher information(Fisher 정보, 즉 관여된 정밀도의 가격)에 의해 공형적으로 재가중된(reweighted conformally) Wasserstein 공간에서의 최적 운송(optimal transport)이며, Fisher-Rao metric(Fisher-Rao 메트릭)과는 구별됩니다. 우리가 고려하는 설정에서, 유한한 기계는 시스템의 디지털 트윈(digital twin)을 유지합니다. 유한하고 노이즈가 있는 센서를 통해 영역을 관측함으로써, 우리는 그 일관된 출력을 신념, 즉 상태에 대한 확률 밀도인 Bayes posterior(베이즈 사후 확률)로 모델링합니다. 확실성(완벽한 트윈)은 관측에 의해, 그리고 물리학에 의해 두 번 거부되며, 이 둘은 모두 Fisher information으로부터 읽어낼 수 있습니다. 본질적으로 위치-척도(location-scale)인 공형 클래스(conformal class)에서 세 가지 결과가 나타나며, 이들은 모두 비용 단위의 변화에 대해 불변(invariant)입니다. 첫째, 벽(A wall): 잘 정의된 추론(well-posed inference)은 비용이 Fisher information을 지배하는 즉시 확실성을 무한한 거리로 거부합니다(멱법칙(power laws)을 넘어선 필연성이 추측됨). 둘째, 정직함(An honesty): 모든 nat이 어디서나 동일한 길이를 갖는 정직한(eikonal) 비용은 Fisher information에 비례하는 기하학을 선택합니다. 셋째, 강성(A rigidity): 이러한 기하학들은 쌍곡형(hyperbolic)이며, Stam bound(Stam 경계)는 가장 쌍곡형인 위치-척도 신념인 Gaussian(가우시안)을 정점으로 삼습니다. 단위를 변경하면 기하학이 팽창하지만 벽, 곡률 순서, 그리고 Gaussian의 극단성(extremality)은 보존됩니다. 즉, 절대적 비용은 아무것도 말해주지 않으며, 오직 상대적 비용만이 의미를 가집니다. 이때 -1/4이라는 값은 그 이미지 중 하나입니다. 따라서 주어진 정밀도에 도달하는 비용은 확실성에서 발산하는 기하학적 하한(geometric floor)을 갖습니다. 열역학(Thermodynamics)이 비용 단위를 고정하고 이 프레임워크의 동기를 부여하며, 결과들은 nat 단위의 기하학적 형태를 띱니다.