但味道并不是地球的属性，也不是它的组成部分。我们尊贵的蠕虫所品尝到的东西是它的味觉和土壤化学成分相遇的结果。蠕虫的器官只能够让它通过与地球上的东西的部分属性相关的品质来认识世界，但实际上世界并不是那样子。正如认知科学家唐纳德·霍夫曼（Donald Hoffman）所说的，现实性的认知不大可能让生物变得更适合进化。
我们认为，人类知识不同于智慧蠕虫的知识。我们能够辨别规律秩序，这能够给感官带来的混乱带来一致性和可预测性。我们并非蠕虫。
的确如此。但我们给我们全球的计算机网络填充的细节越多，世界就越不像是运转状态良好的浑天仪。我们的机器如今让我们明白到，即便宇宙运行所基于的原理没有比围棋复杂很多，万事万物之间的相互影响会一下子让它变得比亚里士多德、牛顿、爱因斯坦甚至一些混沌理论家所认为的更具不确定性。它看上去井然有序只是因为我们的工具仪器显而易见，只是因为我们的知识概念在我们找到秩序之前通过简化事态来强行施加秩序，只是因为我们的需要满足于近似值。
如果你只是想要将8号球打入角落球袋，那并无问题。但如果你想要知道那个球将会走出的真实路径，那你就得考虑它在经过毛毡的每一个纤维时在分子层面所产生的摩擦力，考虑月球的拉力和地球晃动造成的时间差，考虑台上灯具和侧边电灯发出的光子所产生的不规则影响，考虑你的对手屏住呼吸时气流的变化。更不用说量子的不确定性了。这些东西没有一样会影响到你是否打中那个球，但它就是正真实发生的事情。即便宇宙由简单到能为我们所理解的定律所主宰，宇宙中最简单的事情也是不可理解的，除非将它们简单化。
我们的机器正让我们明白到这一点，因为它们不需要我们将信息缩减到可融入一堆打孔卡。由于它拥有这种新能力，我们如今趋向于给它们加入一切的信息，然后才发问。
当然，我们所获取的知识仍将只是宇宙可带来的冰山一角，而且很容易受我们的偏见和假定影响。即便如此，这种新量级下的数据正让数千年来的一个真理变得显而易见：知识高于我们。
1990年代中期，万维网开始促使我们跳出我们通过缩减我们需要认识的东西来认识世界的传统方式。知识迅速逃脱纸张的牢狱，寄居于网络。举例来说，现在如果你想要了解《李尔王》（King Lear），你会上网去查找，在网络上，我们对于该戏剧的知识存在于无数的文学学者、历史学家、语言学家、数字人文主义者、演员、导演和观众创建的网站链接。这些内容创建者包括专业人士、业余人士、愚笨的人和学者。我们有关《李尔王》的知识边界是每个人的兴趣和现有项目所决定的。那些容易消失的边界内的网络化知识非常庞大，相互关联，往往是不一致的。这就是知识在规模化的时候的样子。
机器学习的兴起进一步凸显了人类的理解力相对于其给自己设定的任务的不足。并不是说，知道希格斯玻色子需要一个由硬件、软件、科学家、工程师和数学家组成的网络。迈克尔·尼尔森（Michael Nielsen）在其2011年出版的优秀著作《重塑发现：哈佛伯克曼·克莱因中心网络化科学的新时代》有指出这一点。毕竟，知识的传统确证允许我们依靠值得信赖的资源。这部分因为我们知道，理论上我们可以采访所涉及的每一个人，可以判定他们是否是希格斯玻色子确证一事的重要组成部分。
然而，当神经网络产生结果所基于的过程不同于人类确证知识的方式时，我们就没什么办法了。我们能够通过指出AlphaGo赢得围棋比赛，以及无人驾驶汽车的移动网络可产生较少的事故，来证明机器所产生的结果很有可能是知识。但我们不一定能够理解AlphaGo为什么会这么下棋，而不是那么下棋，也不一定能够理解为什么明明应该往左转，无人驾驶汽车却往右转。这涉及太多的信息输入，机器的决策基于各种相关性的综合考量，而这些即便是最聪明的人脑也无法理解。
在对知识乃至世界如何运作的日常想法上，我们正开始经受一种范式转移。在我们原来认为简单的原理基于相对可预测的数据的情况中，我们现在正变得清楚地认识到，看上去再简单的情况，实际上也极其复杂。原来我们认为天体的运动具有规律性，生命中变幻莫测的事件都是异常现象——只是“意外事故”，亚里士多德提出的区分它们与事情的“基本”属性的概念——而如今，一切发生的事情都具有不确定性，成了我们的思维范例。