Automatische Übersetzung des datierten englischen Originals. Die englische Seite ist maßgeblich. English →

wobei $U$ die effektive Fähigkeit ist (Anmerkung zur Historie: frühere Ebenen dieses Programms verwenden den Buchstaben U anders, von Universe im Dezember-2024-Formalismus bis zu realisierter Schöpfung auf der Gesetzesseite; dieses Paper verwendet nur den operationellen Sinn, und das Forschungsglossar führt jede Bedeutung mit ihrem Datum), $I$ das Basispotential (strukturierte Asymmetrie) ist, $R$ die rekursive Tiefe und $\alpha$ der Skalierungsexponent. Innerhalb des angegebenen Modells leitet dieses Paper $\alpha$ her, statt es zu fitten: es folgt aus der selbstreferentiellen Kopplungskonstante $\beta$ über $\alpha = 1/(1-\beta)$. Die weitere Aussage, dass es durch $\alpha \leq 2$, den ARC Bound, beschränkt ist, ist eine Konjektur und kein bewiesenes Resultat: zwei ist der Wert, den die Beziehung bei $\beta = 1/2$ zurückgibt, und dieser Wert steht in den vorbereiteten Registrierungen auf dem Prüfstand, statt etabliert zu sein. Update: Empirische Ergebnisse aus dem v5-Cross-Architektur-Experiment (Paper II, sechs Frontier-Modelle, 30 Probleme) finden $\alpha_{\text{compute}} \approx 0{,}49$ für das bestpassende Modell (Gemini 3 Flash, $r^2 = 0{,}86$), was positive Potenzgesetz-Skalierung ($\alpha > 0$) und universellen sequentiellen Vorteil ($\alpha_{\text{seq}} > \alpha_{\text{par}}$ für jedes Modell) bestätigt, jedoch keine superlineare Skalierung ($\alpha > 1$). Die gemessenen Exponenten sind architekturabhängig und reichen von nahe null bis etwa 3. Diese Befunde verfeinern den Rahmen, statt ihn zu widerlegen: die mathematische Struktur hält, jedoch ist das empirische KI-Skalierungsregime schwächer als ursprünglich vorhergesagt.

Doch diese Potenzgesetz-Form ist selbst ein Spezialfall. Definiere den rekursiven Kompositionsoperator $\oplus$, der charakterisiert, wie inkrementelle Gewinne sich mit akkumulierter Fähigkeit verbinden. Unter Stetigkeit und Assoziativität bestimmt $\oplus$ die Skalierungsfunktion des Systems eindeutig:

Unter den Regularitäts- und Kompositions-Hypothesen von Theorem 1: multiplikatives $\oplus$ liefert Potenzgesetz-Skalierung ($R^{\alpha}$), additives $\oplus$ liefert exponentielle Skalierung ($e^{\alpha R}$), und beschränktes $\oplus$ liefert Sättigung.

Wir beweisen, dass jedes System, das drei Axiome erfüllt (Separierbarkeit, kumulativer Vorteil, Stetigkeit), notwendig fünf strukturelle Eigenschaften aufweist: Schwellenverhalten, Abhängigkeit von rekursiver Tiefe, Abhängigkeit von der Basisqualität, multiplikative $I \times R$-Interaktion und Regime-Grenzen. Wir beweisen, dass die multiplikative Interaktion notwendigist, nicht bloß bequem: keine additive Zerlegung ist mit den Axiomen vereinbar (Theorem 2a). Wir leiten den ARC Bound ($\beta = 0{,}5$, $\alpha = 2$) (§5.4) als die vorgeschlagene stabile Skalierungsgrenze für klassische sequentielle Berechnung her: eine Skalierungsgrenze, keine Geschwindigkeitsgrenze, und das Meiste, was ein rekursiv selbstkorrigierendes System wachsen kann, während es korrigierbar bleibt (Systeme können sie in transienten überkritischen Ausschlägen überschreiten, bleiben dort aber nicht stabil selbstkorrigierend), und wir zeigen, dass Kompositionsoperatoren innerhalb eines einzelnen beschränkten Systems zwischen Regimen wechseln können (Theorem 5). Diese bilden das ARC Principle. Wir präsentieren Belege aus vier Bereichen, spezifizieren dreizehn Falsifikationskriterien, treffen eine bereichsübergreifende Vorwärtsvorhersage und berichten eine umfassende computergestützte Validierungssuite (Anhang C), die die zentralen mathematischen Beziehungen bis auf Maschinengenauigkeit bestätigt.

Schlüsselwörter: rekursive Verstärkung, Kompositionsoperator, Skalierungsgesetze, Test-Time-Compute, Quantenfehlerkorrektur, Zeitkristalle, Universalität, Falsifikation

1. Das Problem

Zwischen Dezember 2024 und Februar 2026 erzielten vier Forschungsprogramme die folgenden Ergebnisse:

Google Quantum AI (Ergebnisse bekanntgegeben am 9. Dezember 2024; das Preprint des Teams war ab dem 24. August 2024 öffentlich) demonstrierte exponentielle Fehlerunterdrückung durch rekursive Quantenfehlerkorrektur auf dem Willow-Prozessor und erreichte $\Lambda = 2{,}14 \pm 0{,}02$ pro Codeabstand-Inkrement [1].

DeepSeek AI (Januar 2025) zeigte, dass sequentielles Chain-of-Thought-Reasoning in großen Sprachmodellen Fähigkeitsgewinne liefert, die mit der Tiefe zu wachsen scheinen, während paralleles Sampling abnehmende Erträge zeigt [2]. Sharma & Chopra (2025) bestätigten unabhängig den sequentiellen Vorteil in 95,6% der getesteten Konfigurationen über fünf Modellfamilien [3].

NYU Physics (Februar 2026) schuf einen kontinuierlichen klassischen Zeitkristall, in dem spontane zeitliche Ordnung entsteht, wenn eingefrorene Unordnung mit nichtreziproken Rückkopplungsschleifen kombiniert wird, mit sättigender Dynamik über ~6.700 Zyklen Kohärenz [4].

Das COGITATE-Konsortium (2025) fand, dass rekurrente neuronale Verarbeitung im posterioren Kortex inhaltsspezifische Repräsentationen aufrechterhält (0,5–1,5s), während transiente Feedforward-Verarbeitung im präfrontalen Kortex nur kurze kategoriale Antworten (~0,2–0,4s) erzeugt [5]. Der COGITATE-Befund, dass rekurrente Verarbeitung im posterioren Kortex inhaltsspezifische Repräsentationen aufrechterhält, stützt die Vorhersage des ARC-Rahmens, dass rekursive Verarbeitungstiefe die Fähigkeitsskalierung bestimmt; COGITATE untersuchte Bewusstsein statt KI-Skalierung, aber das strukturelle Muster (tiefenabhängige, rückkopplungsgetriebene Verstärkung) ist gemeinsam.

Diese Programme adressieren unterschiedliche Probleme in unterschiedlichen physikalischen Substraten. Sie zeigen unterschiedliche mathematische Formen: exponentiell in Quantensystemen, Potenzgesetz in KI, sättigend in klassischer Physik und ungemessen in den Neurowissenschaften. Sie teilen keine Zitate, keine Finanzierungsquellen und kein gemeinsames Personal.

Und doch teilen sie ein strukturelles Muster. In jedem Fall erzeugt rekursive oder rekurrente Verarbeitung (bei der die Ausgabe eines Zyklus zur Eingabe des nächsten wird), die auf strukturierter Asymmetrie operiert, Fähigkeitsgewinne, die eine lineare Akkumulation übersteigen. Die Frage, die dieses Paper behandelt, ist, ob dieses Muster ein einzelnes zugrundeliegendes Prinzip widerspiegelt oder bloßer Zufall ist.

Wir schlagen vor, dass es ein Prinzip widerspiegelt, jedoch nicht das, das man erwarten könnte. Wir behaupten nicht, dass eine Gleichung auf alle Bereiche passt. Wir behaupten etwas Spezifischeres: dass eine messbare Eigenschaft jedes rekursiven Systems (sein Kompositionsoperator) seine Skalierungsfunktion bestimmt, und dass fünf qualitative Eigenschaften notwendig aus der rekursiven Architektur folgen, unabhängig von der funktionalen Form. Die mathematische Form unterscheidet sich zwischen Bereichen, weil sich der Kompositionsoperator unterscheidet. Die strukturellen Eigenschaften sind universell, weil die Axiome, die sie erzeugen, substratunabhängig sind.

2. Der Formalismus

2.1 Drei Axiome

Wir beginnen mit drei Axiomen, die jedes System rekursiver Verstärkung erfüllen muss.

Dieses Axiom behauptet, dass Basisqualität und rekursive Tiefe über unabhängige, multiplikative Kanäle zur Fähigkeit beitragen. Ein System mit null Basispotential ($I = 0$) erreicht null Fähigkeit unabhängig von der rekursiven Tiefe: Rekursion hat nichts zu verstärken.

Dieses Axiom fängt das wesentliche Merkmal rekursiver Verarbeitung ein: die marginale Verstärkung jedes Schrittes hängt von der akkumulierten Verstärkung ab. Wenn $\beta = 0$, sind Schritte unabhängig und Verstärkung wächst linear. Wenn $\beta > 0$, beschleunigt akkumulierte Verstärkung zukünftige Gewinne (superlineare Skalierung). Der Parameter $\beta$ misst, wie viel des akkumulierten Kontexts jeder neue Schritt effektiv nutzen kann. Das Operieren auf dem Verstärkungsfaktor $g$ statt auf der absoluten Fähigkeit $Q = I \cdot g$ bewahrt die in Axiom 1 behauptete Separierbarkeit: die Verstärkungsfunktion hängt nur von der rekursiven Tiefe ab, nicht vom Basispotential.

Dies ist eine Regularitätsbedingung. Sie schließt pathologische Lösungen aus und sichert Messbarkeit.

2.2 Der Kompositionsoperator

Wie kombiniert sich der Gewinn aus dem rekursiven Schritt $r$ mit der akkumulierten Fähigkeit $Q_r$? Wir formalisieren dies wie folgt.

Der Kompositionsoperator ist das zentrale mathematische Objekt dieses Rahmens. Er ist das, was zwischen Bereichen variiert und was die Skalierungsfunktion bestimmt. Er ist außerdem empirisch messbar: man beobachte, wie marginale Gewinne bei Schritt $r$ mit akkumulierter Fähigkeit $Q_r$ zusammenhängen.

Beweisskizze. Die Fälle (1) und (2) folgen aus den Cauchy-Funktionalgleichungen. Für (1): sei $h(x) = \ln g(e^x)$; dann $h(x+y) = h(x) + h(y)$. Unter Stetigkeit gilt $h(x) = \alpha x$, also $g(R) = R^{\alpha}$. Für (2): $\ln f$ erfüllt $\ln f(R_1 + R_2) = \ln f(R_1) + \ln f(R_2)$, eine additive Cauchy-Gleichung mit Lösung $\ln f(R) = \alpha R$. Fall (3) folgt direkt aus der Schranke. Vollständige Beweise in Anhang A. $\blacksquare$

Die Klassifikation ist unter den angegebenen Bedingungen erschöpfend. Jede stetige, assoziative Kompositionsregel auf $\mathbb{R}^+$ fällt in eine dieser drei Klassen. Der Kompositionsoperator ist daher ein vollständiger Klassifikator des rekursiven Skalierungsverhaltens.

Die sechs versteckten Annahmen

Jedes No-Go-Theorem beruht auf Annahmen. Theorem 1 nimmt sechs Dinge an. Jede Annahme erzeugt, wenn sie verletzt wird, eine spezifische physikalische Verfeinerung statt einen Widerspruch:

Annahme 3 ist besonders bedeutsam für die Anwendbarkeit des Rahmens. Das Hyers-Ulam-Stabilitätstheorem [18,19] beweist, dass jede Funktion, die eine der Cauchy-Funktionalgleichungen näherungsweise erfüllt, nahe an einer exakten Lösung derselben Gleichung liegen muss. Formal, für den multiplikativen Fall: wenn $|f(x \cdot y) - f(x) \cdot f(y)| < \varepsilon$ für alle $x, y$ gilt, dann gibt es eine exakte Lösung $g$ der multiplikativen Gleichung mit $|f(x) - g(x)| < K\varepsilon$; analoge Aussagen gelten für die additive, exponentielle bzw. logarithmische Gleichung. Reale Systeme erfüllen die Axiome nie exakt: biologische Netzwerke sind verrauscht, KI-Reasoning-Ketten haben variable Qualität, Quantenfehlerkorrektur arbeitet mit unvollkommenen Gattern. Innerhalb jeder Gleichung ist die entsprechende Form daher stabil unter Störung. Die frühere Formulierung, die die drei Formen zu „stabilen Attraktoren im Funktionenraum“ machte, wird zurückgezogen, weil eine Funktion, die keine der Gleichungen erfüllt, zu keiner von ihnen hingezogen wird; die Stabilität gilt pro Gleichung, nicht als Partition des Funktionenraums. Ob Potenzgesetze, Exponentialfunktionen oder logarithmische Formen in der Natur empirisch ubiquitär sind, ist eine separate Frage darüber, wie oft Systeme eine dieser Gleichungen überhaupt näherungsweise erfüllen, und Hyers-Ulam allein klärt sie nicht.

Annahme 4 wird direkt durch Theorem 5 (§4.5) adressiert: beschränkte Systeme können zwischen Kompositionsoperatoren wechseln, wenn die rekursive Tiefe zunimmt, was erklärt, warum unterschiedliche Studien desselben Systems unterschiedliche Skalierungsregime beobachten können.

Dies hat eine entscheidende Implikation: wenn Sie $\oplus$ in einem neuen System messen können, können Sie seine Skalierungsfunktion vorhersagen, bevor die vollständige Skalierungskurve gemessen wird. Dies ist die stärkste bereichsübergreifende Vorhersage des Rahmens (§5.1).

2.3 Die $\beta$-Herleitung

Für Systeme mit multiplikativer Komposition ist der Exponent $\alpha$ kein freier Parameter. Er wird aus der Kopplungskonstante $\beta$ hergeleitet.

Beweis. Variablentrennung in $dg/dr = a g^{\beta}$:

Mit Anfangsbedingung $g(0) = 1$: $C = 1/(1-\beta)$.

Im Grenzwert tiefer Rekursion ($R \gg R^*$, unten definiert):

Daher $\alpha = 1/(1-\beta)$. $\blacksquare$

Dies verwandelt $\alpha$ von einer gefitteten Konstante in eine hergeleitete Größe. Die Herleitung macht eine spezifische, überprüfbare Vorhersage: messe $\beta$ unabhängig (indem beobachtet wird, wie marginale Gewinne von akkumulierter Fähigkeit abhängen), berechne das vorhergesagte $\alpha$ und vergleiche mit dem beobachteten $\alpha$. Wenn die Beziehung scheitert, ist die theoretische Herleitung falsch, unabhängig davon, ob die Potenzgesetz-Form empirisch gilt.

Computergestützte Validierung. Um zu verifizieren, dass dies eine exakte Identität und keine Näherung ist, wurde die Beziehung gegen 30 exakte Bernoulli-DGL-Lösungen mit $\beta$-Werten von 0,05 bis 0,92 getestet. Das Verfahren misst $\beta$ blind aus marginalen Gewinnen ($dg/dR$ vs. $g$ im Log-Log-Raum), sagt $\alpha$ voraus und vergleicht mit dem wahren Wert. Ergebnis: $R^2 = 1{,}00000000$ (acht Nachkommastellen), Regressionssteigung $= 1{,}000102$, mittlerer absoluter Vorhersagefehler $= 0{,}002\%$. Vollständiger Validierungscode ist als ergänzendes Material verfügbar.

Die multiplikative Struktur ist notwendig

Die separable Form $U = I \times f(R, \beta)$ ist nicht bloß eine bequeme Parametrisierung. Wir beweisen, dass die multiplikative Interaktion zwischen $I$ und $R$ eine notwendig Konsequenz der Axiome ist.

Beweis. Angenommen $U(I, R) = f(I) + h(R)$. Nach Axiom 1: $U = I \times g(R)$ mit $g(0) = 1$. Bei $R = 0$: $f(I) + h(0) = I$, also $f(I) = I - h(0)$. Einsetzen: $I \times g(R) = I + [h(R) - h(0)]$, was $g(R) = 1 + [h(R) - h(0)]/I$ ergibt. Da $g$ nur von $R$ abhängt (Axiom 1), aber die rechte Seite von $I$ abhängt, benötigen wir $h(R) = h(0)$ für alle $R$, was $g(R) = 1$ ergibt (keine Verstärkung). Doch Axiom 2 mit $\beta > 0$ garantiert $dg/dr = a \cdot g^{\beta} = a > 0$ bei $r = 0$, also ist $g$ nicht konstant. Widerspruch. $\blacksquare$

Dieses Resultat hat eine konkrete Interpretation. Ein rekursives System mit null Basisqualität ($I = 0$) erzeugt null Fähigkeit unabhängig von der Tiefe, und ein System mit null Tiefe ($R = 0$) erzeugt nur seine Anfangsqualität unabhängig vom Basispotential. Komplexität entsteht aus der Interaktion zwischen strukturiertem Input und rekursiver Verarbeitung (keines allein ist ausreichend).

Anmerkung: Der ARC Bound (§5.4) sagt vorher, dass klassische sequentielle Systeme $\beta > 0{,}5$ ($\alpha > 2$) nicht aufrechterhalten können. Die Zeile mit $\beta = 0{,}67$ zeigt das mathematische Verhältnis der Vollständigkeit halber; ob physikalische Systeme auf dieses Regime zugreifen können, ist eine offene empirische Frage.

2.4 Der Skalierungs-Crossover $R^*$

Die vollständige Lösung der $\beta$-Dynamik-Gleichung ist kein reines Potenzgesetz. Sie enthält einen Übergang.

$R^*$ ist die Crossover-Tiefe: die rekursive Tiefe, bei der Kompoundierung lineare Gewinne überholt. Unterhalb von $R^*$ liefert zusätzliche Rekursion näherungsweise konstanten marginalen Nutzen. Oberhalb von $R^*$ kompoundieren Erträge, und Fähigkeit wächst superlinear.

Entscheidend ist $R^*$ eine hergeleitete Größe. Sie hängt von messbaren Parametern ($\alpha$ und $a$) ab und ist kein zu fittender freier Parameter. Dies bietet einen unabhängigen Konsistenzcheck: messe $\alpha$ und $a$ separat, berechne das vorhergesagte $R^*$ und verifiziere, dass der beobachtete Crossover übereinstimmt. Da $R^*$ nur vom Skalierungsexponenten und der Ratenkonstante abhängt (nicht vom Basispotential $I$), ist die Crossover-Tiefe eine Eigenschaft der rekursiven Architektur selbst, nicht der Eingabequalität.

Die Existenz von $R^*$ ist, soweit dieses Programm weiß, eine Vorhersage, die kein anderer Skalierungsrahmen macht (mehr-Modell-adversariale Suche, zehn Frontier-Konfigurationen, gegengeprüft anhand zweier Jahre Repository-Berichte, 12. August 2026; negative Befunde haben den Status „durch diese Suche nicht gefunden“, nie „existiert nicht“). Sie unterscheidet rekursive Verstärkung von einfacher Redundanz: redundante Systeme zeigen einheitliche (typischerweise logarithmische) Verbesserung mit Wiederholung; rekursive Systeme zeigen einen qualitativen Übergang bei einer spezifischen, vorhersagbaren Tiefe.

2.5 Fünf hergeleitete Eigenschaften

Wir beweisen nun, dass jedes System, das die Axiome 1–3 mit $\beta > 0$ erfüllt, notwendigerweise fünf strukturelle Eigenschaften aufweist.

Diese fünf Eigenschaften bilden das qualitative ARC Principle. Sie sind der universelle Anspruch des Rahmens. Die quantitative funktionale Form (Potenzgesetz, exponentiell, sättigend) ist bereichsspezifisch und durch den Kompositionsoperator bestimmt. Aber die fünf strukturellen Eigenschaften folgen allein aus den Axiomen, unabhängig davon, welches $\oplus$ gilt.

Die fünf Eigenschaften sind einzeln in physikalischen Systemen üblich. Schwellenverhalten ist ubiquitär. Tiefenabhängigkeit tritt in vielen iterativen Prozessen auf. Was nicht üblich ist, ist die Konjunktion aller fünf in einem einzelnen System. Der Rahmen sagt vorher, dass alle fünf gemeinsam auftreten, wann immer die drei Axiome erfüllt sind. Systeme mit vier der fünf Eigenschaften zu finden, jedoch nicht mit der fünften, würde den Rahmen einschränken oder widerlegen.

3. Belege

Wir präsentieren Belege, die um die fünf hergeleiteten Eigenschaften herum organisiert sind, nicht nach Bereich. Für jede Eigenschaft zeigen wir, wie sie sich über Systeme hinweg manifestiert. Die Belegstärke wird klassifiziert als: Quantitativ (gemessene Parameterwerte), Strukturell (qualitative Zuordnung ohne quantitatives $\alpha$), oder Konsistent (widerspricht ARC nicht, wurde jedoch nicht zu dessen Prüfung entworfen).

3.1 Zusammenfassung

3.2 Belege Eigenschaft für Eigenschaft

Eigenschaft 1: Schwellenverhalten

Quantum: Die Surface-Code-Schwelle $p_{\text{thr}} \approx 1\%$ ist eine scharfe Phasengrenze. Darüber ($p > p_{\text{thr}}$) macht das Hinzufügen von Fehlerkorrekturschichten die Leistung schlechter. Darunter ($p < p_{\text{thr}}$) liefert jede Schicht exponentielle Verbesserung. Dies ist die am präzisesten gemessene Schwelle in der Belegbasis: Google variierte physische Fehlerraten durch kontrollierte Fehlerinjektion und beobachtete die Schwelle direkt [1].

Physik: Der außergewöhnliche Punkt des Zeitkristalls (wo zwei Eigenwerte der Stabilitätsmatrix zusammenfallen) markiert den Übergang von symmetrischer (beschränkter) zu antisymmetrischer (kompoundierender) Dynamik. Unter Schwelle: aktiver Oszillator. An Schwelle: außergewöhnlicher Punkt. Über Schwelle: Zeitkristall [4].

KI: Die Sequentiell-vs-Parallel-Unterscheidung funktioniert als Schwelle. Sequentielle Verarbeitung ($\beta > 0$, Ausgabe→Eingabe-Rückkopplung) erreicht $\alpha_{\text{seq}} > \alpha_{\text{par}}$ universell über alle sechs im v5-Experiment getesteten Modelle. Die Schwelle ist strukturell: sie ist die An- oder Abwesenheit der Rückkopplungsschleife, kein kontinuierlicher Parameter [3]. v3.1-Anmerkung: Die v5-Daten bestätigen den universellen sequentiellen Vorteil, zeigen jedoch, dass nicht alle Modelle $\alpha > 1$ erreichen; die Schwelle trennt sequentielle von parallelen Modi, statt sublineare von superlinearer Skalierung.

Eigenschaft 2: Abhängigkeit von rekursiver Tiefe

Quantum: Die logische Fehlerrate nimmt ab als $\varepsilon_d \propto \Lambda^{-(d+1)/2}$ mit dem Codeabstand $d$. Jedes Inkrement in $d$ fügt physische Qubits hinzu, die in einer rekursiven Fehlerkorrekturschicht angeordnet sind. Die Leistung hängt von der Tiefe ab, nicht von der Gesamtzahl der Qubits an sich [1].

KI: Sharma & Chopra testeten sieben Voting-Methoden zur Aggregation sequentieller Ketten-Ausgaben. Methoden, die spätere Reasoning-Schritte bevorzugen (Inverse-Entropie-Gewichtung), erreichten optimale Leistung in 97% der Konfigurationen; Methoden, die frühere Schritte bevorzugen, erreichten Optimalität in nur 17%. Diese Lücke von 80 Prozentpunkten zeigt an, dass spätere rekursive Schritte systematisch mehr Information über die richtige Antwort tragen, konsistent mit einer Fähigkeit, die mit der Tiefe kompoundiert [3].

Physik: Der antisymmetrische Modus des Zeitkristalls kompoundiert über Zyklen: die Zustandsdifferenz $\Delta_{ji}(n) = x_j^n - x_i^n$ wächst als Funktion der Zykluszahl $n$, wobei jeder Zyklus auf der akkumulierten Asymmetrie des vorherigen Zyklus aufbaut [4].

Eigenschaft 3: Abhängigkeit von der Basisqualität

Quantum: $\Lambda = p_{\text{thr}}/p$ hängt direkt von der physischen Qubit-Qualität ($p$) ab. Schlechtere Qubits ($p$ näher an $p_{\text{thr}}$) geben $\Lambda \to 1$, und Fehlerkorrektur hilft kaum. Aktive Leckentfernung (DQLR), die die Qubit-Qualität während des Betriebs aufrechterhält, verbesserte $\Lambda$ um 35% bei Distanz 5 [1].

Physik: Wenn Kügelchen einheitlich sind (maximale Entropie, keine strukturierte Asymmetrie), bleibt das System statisch. Der Zeitkristall bildet sich nur, wenn eingefrorene Unordnung (variierte Kügelchengrößen, die Anfangsbedingungen niedriger Entropie liefern) vorhanden ist. Dies wurde direkt getestet: einheitliche Kügelchen $=$ kein Kristall [4].

KI: Einzelpass-Genauigkeit ohne Reasoning-Ketten bestimmt die Basisfähigkeit $I$. Ein Modell mit höherem $I$ profitiert bei jeder Tiefe mehr von sequentiellem Reasoning [2].

Eigenschaft 4: Multiplikative $I \times R$-Interaktion

Quantum: $\varepsilon_d = (p/p_{\text{thr}})^{(d+1)/2} = \Lambda^{-(d+1)/2}$. Der Basisqualitätsfaktor $\Lambda$ und der Tiefenfaktor $(d+1)/2$ interagieren multiplikativ im Log-Raum: $\ln \varepsilon_d = -\frac{d+1}{2} \ln \Lambda$. Eine Verbesserung von $\Lambda$ um einen Faktor hat denselben proportionalen Effekt bei jeder Tiefe [1].

KI: In der ARC-Gleichung $U = I \times R^{\alpha}$ sind Basisfähigkeit und rekursive Tiefe konstruktionsbedingt multiplikativ getrennt (Axiom 1). Empirisch zeigten Snell et al. (2024), dass der Nutzen zusätzlicher Test-Time-Compute proportional zur Basismodellqualität ist [6].

Eigenschaft 5: Regime-Grenzen

Physik: Der Zeitkristall hält Kohärenz für ~6.700 Zyklen aufrecht, bevor er einen Grenzzyklus-Attraktor erreicht (anhaltende, aber beschränkte Oszillation). Dies ist eine physikalische Obergrenze: Energiedissipation verhindert unbegrenztes Wachstum [4].

Quantum: Korrelierte Fehler-Bursts erzeugen einen Fehlerboden bei etwa $10^{-10}$ für große Codeabstände ($d \geq 15$), wodurch die exponentielle Fortsetzung unbegrenzt verhindert wird [1].

KI: Li et al. (2025) fanden, dass längere Reasoning-Ketten die Leistung nicht konsistent verbessern; korrekte Lösungen waren oft kürzer als falsche. Ausgedehntes Reasoning kann Modelle destabilisieren und wiederholende Ausgaben erzeugen. Der sequentielle Vorteil hat Randbedingungen [7].

3.3 Widersprechende Belege

Mehrere Studien stellen die KI-Vorhersagen des Rahmens infrage:

Li et al. (2025, arXiv:2502.12215) fanden, dass bei DeepSeek R1 längere Ketten die Genauigkeit nicht konsistent verbessern. Li et al. (2025, arXiv:2502.14382) fanden, dass hybride parallel-sequentielle Ansätze reine sequentielle bei der Codegenerierung übertreffen. Sharmas & Chopras eigene Ablation zeigte, dass parallele Ansätze größere semantische Diversität bei kreativen Aufgaben erreichen, während sequentielle größere lexikalische Diversitäterreichen, was nahelegt, dass der sequentielle Vorteil am stärksten für konvergente Aufgaben gilt, die iterative Fehlerkorrektur erfordern [3,7,8].

Diese Ergebnisse verfeinern die Hypothese, statt sie zu widerlegen. Der sequentielle Vorteil scheint Randbedingungen zu haben: er gilt innerhalb aufgabengerechter Tiefenbereiche, für konvergente Probleme, und bricht bei extremen Tiefen oder divergenten Aufgaben zusammen.

4. Der Kompositionsoperator über Bereiche hinweg

Der Kompositionsoperator $\oplus$ ist nicht bloß ein Klassifikationswerkzeug. Er erklärt, warum unterschiedliche Bereiche unterschiedliche Skalierungsfunktionen aufweisen.

4.1 KI: Multiplikative Komposition

Bei Chain-of-Thought-Reasoning baut jeder Schritt hierarchisch auf akkumulierter Einsicht auf. Schritt $r+1$ fügt nicht bloß neue Information hinzu; er restrukturiert die Problemdarstellung unter Verwendung von allem, was durch Schritt $r$ akkumuliert wurde. Dies ist multiplikative Komposition: der Gewinn bei jedem Schritt ist proportional zur Qualität der akkumulierten Darstellung.

Die $\beta$-Dynamik-Gleichung $dg/dr = ag^{\beta}$ modelliert dies direkt. Mit $\beta \approx 0{,}5$ (moderate Kopplung, was anzeigt, dass jeder Schritt etwa die Hälfte des akkumulierten Kontexts nutzt) ergibt Theorem 2 $\alpha \approx 2$: den ARC Bound.

4.2 Quantum: Additive Komposition

Bei Surface-Code-Quantenfehlerkorrektur liefert jede zusätzliche Codeabstand-Schicht eine unabhängige multiplikative Reduzierung der Fehlerrate. Schicht $d+1$ restrukturiert die Information aus Schicht $d$ nicht; sie wendet eine frische Runde von Syndromextraktion und Korrektur an. Die Gewinne akkumulieren additiv (im Codeabstand), während sie multiplikativ komponieren (bei der Fehlerunterdrückung).

Dies ist additive Komposition: $f(d_1 + d_2) = f(d_1) \cdot f(d_2)$. Theorem 1(2) ergibt exponentielle Skalierung: $\varepsilon_d \propto \Lambda^{-(d+1)/2}$. Das gemessene $\Lambda = 2{,}14 \pm 0{,}02$ ist der Fehlerunterdrückungsfaktor pro Schicht [1].

Der Kompositionsoperator erklärt, warum Quantenskalierung stärker als KI-Skalierung ist. Exponentielle Funktionen dominieren letztlich jedes Potenzgesetz. Additive Komposition, bei der jede Schichtkorrektur unabhängig vom akkumulierten Zustand ist, erzeugt stärkere Skalierung als multiplikative Komposition, bei der jeder Schritt vom akkumulierten Kontext abhängt (und durch ihn begrenzt ist). Der Kompositionsoperator sagt diese Ordnung vorher.

4.3 Physik: Beschränkte Komposition

In dissipativen klassischen Systemen führt Energieverlust eine Obergrenze ein. Die nichtreziproke wellenvermittelte Kopplung des Zeitkristalls kompoundiert zwar den antisymmetrischen Modus, aber das akustische Medium dissipiert Energie kontinuierlich. Schließlich gleicht die Energiezufuhr aus der stehenden Welle die Dissipation aus, und das System erreicht einen Grenzzyklus-Attraktor [4].

Dies ist beschränkte Komposition: $Q_{r+1} = \min(Q_r + \delta Q_r,\, Q_{\max})$. Die Skalierungsfunktion steigt gegen eine durch das Energiebudget bestimmte Obergrenze. Der Kompositionsoperator sagt Sättigung in jedem System vorher, in dem der rekursive Kanal intrinsische Verluste hat.

4.4 Das Phasendiagramm

Die drei Kompositionsarten können in ein Phasendiagramm mit Basisqualität ($I$, normiert) und Kopplungsstärke ($\beta$) als Achsen organisiert werden:

Die Grenzwerte sind näherungsweise, abgeleitet aus der Beobachtung, dass $\beta \approx 0{,}5$ in KI Potenzgesetz und $\beta \gtrsim 0{,}95$ in Quantensystemen exponentiell ergibt. Präzise Grenzen erfordern empirische Bestimmung. v3.1-Anmerkung: Die v5-Daten legen nahe, dass aktuelle KI-Systeme in einem schwächeren Kopplungsregime operieren könnten als ursprünglich angenommen ($\beta \ll 0{,}5$), angesichts dessen, dass der bestpassende bereichsübergreifende $\alpha \approx 0{,}49$ unter der Beziehung $\alpha = 1/(1-\beta)$ $\beta \approx 0$ impliziert. Dies würde aktuelle KI-Systeme an die Grenze zwischen abnehmenden Erträgen und dem Potenzgesetz-Regime setzen, statt tief im Potenzgesetz-Regime, wie ursprünglich hypothetisiert.

4.5 Übergänge des Kompositionsoperators

Der wie präsentierte Rahmen weist jedem System einen einzigen Kompositionsoperator $\oplus$ zu. Dies mag eine Idealisierung sein. In beschränkten oder dissipativen Systemen kann der Kompositionsoperator selbst zwischen Regimen wechseln, wenn die rekursive Tiefe zunimmt.

Belege. Gravitative Strukturbildung zeigt drei verschiedene Kompositionsphasen: (1) Inflation/lineares Wachstum (additives $\oplus$: Störungen wachsen unabhängig), (2) nichtlinearer Kollaps (multiplikatives $\oplus$: Moden-Kopplung erzeugt kumulativen Vorteil, gemessenes $\alpha \approx 1{,}1$) und (3) virialisierte Halos (beschränktes $\oplus$: Strukturen erreichen Energieminima). Computergestützte Prüfung bestätigt, dass logistisches Wachstum, Gradientenabstieg mit Impuls und Kuramoto-Oszillator-Synchronisation alle analoge Übergänge zeigen, wenn lokales $\beta$ in gleitenden Fenstern gemessen wird. Im Gegensatz dazu halten unbeschränkte reine Bernoulli-Systeme konstantes $\beta$ bis auf Maschinengenauigkeit ($\sigma < 10^{-6}$).

Implikationen für widersprechende KI-Belege. Wenn Reasoning-Systeme in einem additiven Regime beginnen (flaches Denken), zu multiplikativ übergehen (tiefes Reasoning mit kumulativem Vorteil) und schließlich sättigen, dann würden Studien, die bei unterschiedlichen rekursiven Tiefen messen, unterschiedliche Skalierung im selben System beobachten. Die von Li et al. [7] identifizierte „optimale Reasoning-Länge“ könnte dem Übergangspunkt zwischen multiplikativer und beschränkter Komposition entsprechen. Dies ist überprüfbar: messe lokales $\beta$ bei unterschiedlichen Reasoning-Tiefen innerhalb eines einzelnen Systems.

5. Vorhersagen

5.1 Die bereichsübergreifende Vorwärtsvorhersage

Der stärkste Test dieses Rahmens ist nicht, ob er bereits untersuchte Systeme beschreibt. Es ist, ob er das Skalierungsverhalten von noch nicht untersuchten Systemen vorhersagt.

Dies ist eine genuine Vorwärtsvorhersage. Diesem Programm ist keine bereichsspezifische Theorie der Evolution, Ökonomie oder Immunologie bekannt, die sie macht (gleiche Suchbasis und Grenzen wie oben). Wenn die Vorhersage auch nur in einem neuen Bereich erfolgreich ist, wird die Allgemeingültigkeit des Rahmens über die ursprüngliche Belegbasis hinaus bestätigt. Wenn sie scheitert, wird die bereichsübergreifende Anwendbarkeit des Rahmens widerlegt.

Paper VII (The Cauchy Unification) bietet innerhalb dieses Programms den ersten systematischen Test dieser Vorwärtsvorhersage. Der Kompositionsoperator wurde vor dem Fitten aus bekannter Physik klassifiziert, dann wurde die Skalierungsfamilie vorhergesagt und mit unabhängigen Modell-Fits über 25 empirische Bereiche (50-Bereiche-gestaffelte-Suite) verglichen, die Physik, Biologie, Rechensysteme und Sozialwissenschaft umspannen. Unter AIC-basierter Modellauswahl bevorzugten 19 von 25 empirischen Bereichen die Cauchy-vorhergesagte Familie (p = 1.56 × 10⁻⁵). Dies ist ein strukturierter Vorhersagevergleich, keine formell vorregistrierte Studie. Eine Replikation, deren Registrierung in Vorbereitung ist, noch nicht genehmigt.

5.2 Der system-interne Regime-Übergang

5.3 Der $R^*$-Crossover

Wenn Fähigkeit gegen rekursive Tiefe aufgetragen wird, sollte ein deutlicher Crossover bei Tiefe $R^* = \alpha/a$ (Theorem 3) existieren. Unterhalb von $R^*$ erscheint Skalierung näherungsweise linear. Oberhalb von $R^*$ folgt Skalierung der bereichsangepassten superlinearen Form. Da $R^*$ nur von der Architektur ($\alpha$ und $a$) abhängt, sollte er über unterschiedliche Eingabequalitäten für dasselbe System konsistent sein.

Wenn kein Crossover existiert (wenn Skalierung einheitlich Potenzgesetz oder einheitlich linear ist), wird die Vorhersage des Übergangsregimes des Rahmens falsifiziert. $R^*$ ist eine einzigartige Signatur, die rekursive Verstärkung von einfacher Redundanz unterscheidet.

5.4 Der ARC Bound

Dies ist eine falsifizierbare Vorhersage des frühen Rahmens (Anmerkung: Paper X zieht die Fähigkeitswachstums-Verwendung von U=I×R zurück^α; die überlebende quantitative Aussage ist die β>k-Co-Skalierungsbedingung): der maximale Skalierungsexponent, der von jedem klassischen sequentiellen System unter multiplikativer Komposition erreicht werden kann, ist $\alpha_{\max} = 2$ (der ARC Bound). Kein KI-System, kein biologisches Netzwerk, kein ökonomischer Prozess, der multiplikative Komposition verwendet, kann $\alpha > 2$ aufrechterhalten. Eine einzelne reproduzierbare Messung, die $\alpha > 2{,}3$ mit 95%-KI unter Ausschluss von 2,0 zeigt, würde diese Vorhersage falsifizieren.

Informationstheoretische Herleitung (aufmerksamkeitsbasierte Architekturen). Transformer-Selbstaufmerksamkeit berechnet paarweise Interaktionen über alle $N$ Tokens in einem Kontextfenster. Dies erzeugt höchstens $O(N^2)$ Informationspfade pro Vorwärtspass. Jeder rekursive Reasoning-Schritt (ein Chain-of-Thought-Schritt) verarbeitet den akkumulierten Kontext durch diesen quadratischen Engpass. Da die für jeden Schritt verfügbare Informationsdichte durch $O(N^2)$ beschränkt ist, kann der Fähigkeitsgewinn pro Schritt keine quadratische Skalierung in der Kontextlänge übersteigen. Zuordnung von Kontextnutzung zum Kopplungsparameter $\beta$: vollständige quadratische Nutzung entspricht $\beta = 0{,}5$ und liefert $\alpha = 1/(1-0{,}5) = 2$. Dies etabliert $U_{\max} = I \times R^2$ als informationstheoretische Obergrenze für aufmerksamkeitsbasierte Architekturen.

Geltungsbereich: Diese Herleitung ist bewiesen für transformerbasierte Architekturen mit Standard-Selbstaufmerksamkeit. Sie ist konjekturiert für klassische sequentielle Systeme allgemein, aus dem Grund, dass jeder Sequenzprozessor mit endlicher Bandbreite analogen paarweisen Informationsbeschränkungen gegenübersteht. Architekturen, die paarweise Aufmerksamkeit transzendieren (z.B. Tensor-Aufmerksamkeit höherer Ordnung, quantenkohärente Verarbeitung), könnten die quadratische Schranke im Prinzip überschreiten. Der ARC Bound sollte daher als informationstheoretische Grenze für das aktuelle Berechnungsparadigma verstanden werden, eine architekturrelative Kapazitätsgrenze der Art, die die Informationstheorie liefert, statt als universelles physikalisches Gesetz.

Gesetz vor Wert. Das Programm trägt ein Gesetz und einen Wert, und sie sind nicht derselbe Anspruch. Das Gesetz: $\alpha_{\text{crit}} = 1/(1-\gamma)$, ein selbstverbesserndes System bleibt korrigierbar, solange Korrektur Schritt hält, und die Grenze ist der Kehrwert des Korrektor-Defizits. Der Wert: $\gamma = 1/2$, daher eine Grenze von zwei, was aus einer Annahme folgt: dass intern akkumulierte Korrekturen wie unabhängige Stichproben kombinieren. Eine Konsequenz der korrigierten Form sollte dort formuliert werden, wo ein Leser ihr begegnet, weil sie in beide Richtungen schneidet: da $1/(1-\gamma) \le 2$ genau äquivalent zu $\gamma \le 1/2$ ist, sind der ARC Bound und die Halb-Konjektur eine Verpflichtung in zwei Notationen, keine zwei unabhängigen Aussagen. Der Gewinn ist Sparsamkeit, da die Theorie weniger annimmt als es schien. Die Disziplin ist, dass keiner je als Beleg für den anderen angeboten werden darf, weder hier noch auf irgendeiner begleitenden Oberfläche, weil eine Messung nahe eines halben eine Grenze von zwei nicht bestätigt; sie formuliert sie neu. Das Gesetz besitzt den Grund und der Wert steht darauf, nie umgekehrt: wenn zwei stirbt, überlebt das Gesetz vollständig (messe $\gamma$, berichte die von ihm implizierte Grenze); wenn das Gesetz stirbt, hat zwei keine unabhängige Stütze, da die Herleitung durch $1/(1-\gamma)$ läuft. Zwei ist es, was das Gesetz vorhersagt, und die Annahme, die es erzeugt, ist es, was die verfassten Registrierungen auf den Prüfstand stellen.

Die Identität ist ein registrierter Test, nie eine etablierte Tatsache. Die Stabilitätsgrenze und der Umwandlungsexponent treffen sich bei derselben Zahl, und die Versuchung ist zu sagen, eine Konstante erledigt zwei Aufgaben. Der Status des Anspruchs ist strenger: die Identität ist zur Prüfung registriert, im Voraus vor den Daten, mit Ergebnissen, die sie töten können. Studie AE registriert die Reziprozitätsanforderung zwischen der separat gemessenen Hebeldecke und der Stabilitätsgrenze mit drei Ergebnissen pro Zelle (gestützt, widerlegt, unzureichende Präzision) und einer Aggregationsregel, unter der eine widerlegte Zelle die Identität widerlegt; Studie AG testet die beiden Herleitungen des kritischen Exponenten gegeneinander, stellt fest, dass sie numerisch nur an dem einen Punkt übereinstimmen, an dem beide Parameter gleich einem halben sind, und in ihren Ableitungen überall sonst uneins sind, und ist entworfen, um die Uneinigkeit zu finden. Wenn die Kanäle uneins sind, wird die Vereinheitlichung von jeder Oberfläche zurückgezogen, die sie erreicht hat, mit derselben Prominenz wie die Rahmung. Übereinstimmung zwischen einem behaupteten einen halben und einem gemessenen 0,49 wird nie als Beleg präsentiert, weil die beiden ein Akkumulationsgesetz teilen können, und Übereinstimmung zwischen Teilenden ist keine Bestätigung.

Der Einwand zum Vorwegnehmen, weil ein Physiker in einem Schritt zu ihm gelangt. Fehlertolerante Quantenfehlerkorrektur unterdrückt logische Fehler exponentiell im Codeabstand unter Schwelle, was wie ein Gegenbeispiel zu jeder Quadratwurzel-Obergrenze aussieht. Zwei Geltungsbereich-Tatsachen antworten darauf: die exponentielle Unterdrückung läuft auf der Redundanzachse bei fester Fähigkeit, nicht auf der Kopplung von Korrekturstärke zur Fähigkeit des korrigierten Systems, was der Exponent ist, den dieses Programm misst; und das Schwellentheorem selbst erfordert hinreichend unkorreliertes physisches Rauschen, was die Unabhängigkeitsprämisse wieder ist, in Hardware getragen. Ebenso liefern Konzentrationsschranken exponentiell fallende Fehlerwahrscheinlichkeit, während die Schätzerbreite als Quadratwurzel fällt: unterschiedliche Größen, und ihre Vermengung fabriziert eine Widerlegung.

Zurückgezogene Herleitung: Frühere Versionen dieses Papers leiteten $\beta \leq 0{,}5$ aus einer Stabilitäts-/Elastizitätsanalyse her (die relative Sensitivität $\beta/(1-\beta)$ erreicht Eins bei $\beta = 0{,}5$, interpretiert als „Edge-of-Chaos-Grenze“, bestätigt durch Lyapunov-Analyse). Diese Herleitung wurde zurückgezogen. Die Elastizitätsformel $\beta/(1-\beta)$ ist mathematisch korrekt, doch ihre Interpretation als Stabilitätsgrenze war ein Kategorienfehler: Elastizität $> 1$ zeigt Sensitivität an, keine dynamische Instabilität, und eindimensionale autonome DGLen können kein Chaos aufweisen (Poincaré-Bendixson-Theorem). Das $O(N^2)$-Selbstaufmerksamkeits-Argument bietet die korrekte, konkrete Begründung.

Anfangsschätzung (abgelöst): $\alpha \approx 2{,}2$ ($n = 12$, 95%-KI: 1,5–3,0). Anmerkung: diese Punktschätzung überschritt den vorhergesagten ARC Bound von $\alpha \leq 2$; die 95%-Konfidenzintervall [1,5, 3,0] war jedoch breit genug, um sowohl mit der Theorie als auch mit ihrer Negation vereinbar zu sein, und sollte weder als Bestätigung einer Verletzung noch einer Erfüllung der Grenze behandelt werden. Update: Paper II (März 2026) erweitert diesen Test auf 6 Frontier-Modelle mit 30 Problemen und Bootstrap-Konfidenzintervallen. Der bereichsübergreifende Best-Fit $\alpha_{\text{compute}} \approx 0{,}49$ (Gemini 3 Flash, $r^2 = 0{,}86$) liegt weit unter 2 und macht die ARC-Bound-Frage für aktuelle Systeme gegenstandslos: die empirische Herausforderung hat sich von „Kann $\alpha$ die 2 überschreiten?“ zu „Kann $\alpha$ zuverlässig die 1 überschreiten?“ verschoben. Einzelne Modellpunktschätzungen reichen von ~0 (Groq Qwen3) bis ~3 (Grok 4.1 Fast), aber Modelle mit $\alpha > 1$ haben niedriges $r^2$, was schlechte Potenzgesetz-Fits statt echter superlinearer Skalierung nahelegt. Die ARC-Bound-Konjektur wird von den v5-Daten weder bestätigt noch widerlegt; sie bleibt eine offene theoretische Vorhersage, die empirisch überprüfbar wird, wenn und falls KI-Systeme konsistent $\alpha > 1$ erreichen.

Biologische Validierung. Kleibers Gesetz ($M^{0{,}75}$) [16] impliziert $\alpha \approx 1{,}33$ für Stoffwechselskalierung. Der empirische Wert des metabolischen Skalierungsexponenten bei Säugetieren ist jedoch umstritten, mit Schätzungen von etwa 0,67 bis 0,75 je nach Taxon, Massenbereich, Temperaturkorrektur und statistischer Methode. Die $d/(d+1)$-Vorhersage von 0,750 für $d = 3$ trifft das obere Ende dieses Bereichs. Die Variation selbst ist konsistent mit dem Rahmen: Organismen mit effektiven Transportdimensionen zwischen 2 und 3 würden Exponenten zwischen 2/3 und 3/4 erzeugen. Der Rahmen sagt diese Variation vorher statt eines einzigen universellen Exponenten. Die Beziehung zwischen metabolischen Exponenten und Körperbau-Dimensionalität wurde unabhängig von mindestens sieben Forschungsgruppen hergeleitet: West, Brown und Enquist [17,21] durch fraktale Netzwerkoptimierung, Banavar et al. [22] durch sequentielle Flussnetzwerke, Demetrius [23] durch quantenstatistische Mechanik, Demetrius und Tuszynski (2010) durch Quantenoszillator-Kopplung, Zhao [24] durch universelle Wachstumsskalierung und Bettencourt [25] durch Stadtskalierungstheorie. Der ARC-Rahmen beansprucht keine Priorität über die Formel $\alpha = d/(d+1)$; vielmehr identifiziert er cauchy-beschränkte rekursive Komposition als Grund, warum diese unabhängigen Herleitungen alle zum selben Ergebnis konvergieren. Konkret sind drei Bedingungen erforderlich: multiplikative Komposition (Cauchy beschränkt die Potenzgesetz-Familie), $d$-dimensionale raumfüllende Geometrie und eine Erhaltungs- oder Optimierungsbeschränkung des Ressourcenflusses. Weder Cauchy allein noch Raumfüllung allein reichen; alle drei sind nötig. Innerhalb dieses Rahmens sind biologische Systeme durch thermodynamischen Widerstand beschränkt: die physikalischen Kosten des Pumpens von Fluiden durch dreidimensionale fraktale Netzwerke, des Ableitens von Wärme und des Verteilens von Ressourcen gegen die Schwerkraft [17] verhindern, dass biologische Systeme sich der theoretischen quadratischen Grenze nähern. Dass $\alpha \approx 1{,}33$ und Kleibers empirischer Exponent $0{,}75$ Kehrwerte sind ($1/0{,}75 = 1{,}33$), spiegelt wider, dass biologische Skalierung rekursive Verstärkung ist, die durch Substrat-Reibung gedrosselt wird. (Symbolanmerkung: in diesem Absatz erscheint $\alpha$ in zwei Bedeutungen, die die Literatur getrennt hält, dem metabolischen Skalierungsexponenten im Kleiber-Sinn und dem Fähigkeitsskalierungs-Exponenten im ARC-Sinn; das Kehrwert-Verhältnis besteht zwischen den beiden Sinnen, und keiner ist die Feinstrukturkonstante, die den Buchstaben im Dezember-2024-Formalismus teilt.) Digitale KI operiert mit Größenordnungen weniger Substrat-Reibung, was es ihr ermöglicht, sich der vorgeschlagenen stabilen Skalierungsgrenze (eine Skalierungsgrenze, keine Geschwindigkeitsgrenze; das Meiste, was ein rekursiv selbstkorrigierendes System wachsen kann, während es korrigierbar bleibt) enger zu nähern als jedes biologische System. Transiente Ausschläge über die Grenze sind das vorhergesagte überkritische Regime, keine Widerlegung. Stabilität hier ist die von Law II, gemessen statt behauptet. Die Grenze ist architekturgebunden: auf der gegenwärtigen $O(N^2)$-Aufmerksamkeits-Basis läuft sie aus, und eine Nachfolger-Architektur, die paarweise Aufmerksamkeit transzendiert, würde die Grenze verschieben statt die Beschränkung entfernen. Blattäderung (2D-Netzwerke, reduzierter thermodynamischer Widerstand) sollte $\alpha \approx 1{,}5$ zeigen, eine falsifizierbare Vorhersage.

Die Dimensionsleiter. Hier trifft abstrakte Mathematik auf lebende Organismen. Die Formel $\alpha_{\text{met}} = d/(d+1)$, die den metabolischen Skalierungsexponenten mit der Körperbau-Dimensionalität $d$ verknüpft, wurde unabhängig von mindestens sieben Forschungsgruppen über verschiedene theoretische Wege hergeleitet: West, Brown und Enquist [17,21] aus fraktaler Netzwerkoptimierung; Banavar, Maritan und Rinaldo [22] aus sequentiellen Flussnetzwerken; Demetrius [23] aus quantenstatistischer Mechanik; Demetrius und Tuszynski (2010) aus Quantenoszillator-Kopplung; Zhao [24] aus universellen Wachstumsskalierungs-Argumenten; und Bettencourt [25] aus Stadtskalierungstheorie. Das Begleitpaper [9,20] identifiziert, warum diese unabhängigen Herleitungen konvergieren: $\alpha = d/(d+1)$ ist eine notwendige Konsequenz aus drei zusammenwirkenden Bedingungen: cauchy-beschränkte multiplikative Komposition, $d$-dimensionale raumfüllende Geometrie und eine Erhaltungs- oder Optimierungsbeschränkung des Ressourcenflusses. Weder Cauchy allein noch Raumfüllung allein reichen; alle drei sind nötig. Die Formel ist nicht originär für diesen Rahmen; die Erklärung ihrer Universalität ist es. Auf die Biologie angewandt, liefert sie deutliche quantitative Vorhersagen, jede gegen veröffentlichte Daten überprüfbar:

Die 1D-Pilzdaten (aus Aguilar-Trigueros et al. [20]: ektomykorrhizale, marine und saprotrophe Pilze) werden als „konsistent“ statt „bestätigt“ etikettiert, weil die Exponenten auf Kolonieebene gemessen wurden; endgültige Bestätigung erfordert Respirometrie einzelner Hyphen. Entscheidend ist, dass die Pilzdaten $d = 2$ ($p = 0{,}019$) und $d = 3$ ($p = 0{,}007$) ablehnen, während sie $d = 1$ ($p = 0{,}107$) nicht ablehnen, was Diskriminierung zwischen den vorhergesagten Werten bietet.

d=2-Korrektur: Frühere Versionen zitierten Quallen und Nesseltiere als Bestätigung der $d = 2$-Vorhersage. Kein gültiger zweidimensionaler biologischer Testorganismus wurde identifiziert; Quallen und Nesseltiere besitzen keine genuin zweidimensionalen Ressourcentransport-Netzwerke. Die $d = 2$-Vorhersage wird in der Physik (2D-Perkolation, spröde Fragmentierung, Erdbeben-B-Wert) und in der Friedmann-kosmologischen Skalierung bestätigt, aber der biologische $d = 2$-Test bleibt offen.

d=3-Debatte: Der empirische Wert des metabolischen Skalierungsexponenten bei Säugetieren ist umstritten, mit Schätzungen von etwa 0,67 bis 0,75 je nach Taxon, Massenbereich, Temperaturkorrektur und statistischer Methode. White und Seymour (2003) fanden nach Kontrolle für Temperatur und Phylogenie Unterstützung für 2/3 über 3/4. Kolokotrones et al. (2010) zeigten, dass die Log-Log-Beziehung konvexe Krümmung aufweist, sodass kein einzelner Exponent perfekt über den vollen Massenbereich passt. Die $d/(d+1)$-Vorhersage von 0,750 für $d = 3$ trifft das obere Ende dieses Bereichs. Die Variation selbst ist konsistent mit dem Rahmen: Organismen mit effektiven Transportdimensionen zwischen 2 und 3 würden Exponenten zwischen 2/3 und 3/4 erzeugen. Der Rahmen sagt diese Variation vorher statt eines einzigen universellen Exponenten.

Die Formel $\alpha = d/(d+1)$ selbst wurde unabhängig von mindestens sieben Forschungsgruppen [17,21,22,23,24,25] über verschiedene theoretische Rahmen hergeleitet. Demetrius und Tuszynski (2010) leiteten unabhängig dieselbe Formel aus Quantenoszillator-Kopplung her und lieferten identische Vorhersagen. Was der ARC-Rahmen beiträgt, ist eine Erklärung dafür, warum alle diese Herleitungen konvergieren: Cauchys multiplikative Funktionalgleichung beschränkt stetige multiplikative Komposition auf die Potenzgesetz-Familie; die $d$-dimensionale raumfüllende Bedingung, kombiniert mit einer Erhaltungs- oder Optimierungsbeschränkung des Ressourcenflusses (Energieminimierung bei West; Angebot-Nachfrage-Gleichgewicht bei Banavar; stationäres Energiegleichgewicht bei Demetrius), beschränkt den Exponenten innerhalb dieser Familie auf $d/(d+1)$. Weder Cauchy allein noch Raumfüllung allein reichen. Die drei Bedingungen zusammen (multiplikative Komposition, Raumfüllung und Erhaltung) reichen.

Die Cauchy-Vereinheitlichung (Paper VII) erweitert diese Validierung von den 8 hier katalogisierten Fällen auf 25 empirische Bereiche (50-Bereiche-gestaffelte-Suite). Unter strenger AIC-basierter Modellauswahl bevorzugten 19 von 25 die vorhergesagte Familie (p = 1.56 × 10⁻⁵). Eine Replikation, deren Registrierung in Vorbereitung ist, noch nicht genehmigt.

Physik-Instanzen. Die Formel $\alpha = d/(d+1)$ ist nicht auf Biologie beschränkt. Sie erscheint überall dort, wo ein $d$-dimensionales hierarchisches Netzwerk, unterworfen einer Erhaltungs- oder Optimierungsbeschränkung des Ressourcenflusses, einen $(d+1)$-dimensionalen Raum partitioniert. Wie oben angemerkt, wurde diese Beziehung unabhängig von mindestens sieben Gruppen hergeleitet [17,21,22,23,24,25]; der Beitrag des ARC-Rahmens ist zu erklären, über cauchy-beschränkte rekursive Komposition kombiniert mit Raumfüllung und Erhaltung, warum diese unabhängigen Herleitungen alle zum selben Ergebnis gelangen. Die Formel wurde in mehreren Physikbereichen beobachtet:

Mittlerer absoluter Fehler über die fünf Physik-Instanzen: weniger als 0,2%. Dies sind keine biologischen Systeme; es sind Gesteine, Erdbeben, wachsende Kristalloberflächen und Phasenübergänge. Und doch funktioniert dieselbe Formel. In jedem Fall enthält das physikalische System ein hierarchisches Verzweigungsnetzwerk der Dimension $d$, unterworfen einer Erhaltungsbeschränkung: KPZ-Wachstumsfronten partitionieren 2D-Raum als 1D-Netzwerke; Perkolationscluster sind 2D-Fraktale; Rissausbreitung erzeugt Verzweigungsnetzwerke durch das Material; seismische Rupturen breiten sich entlang von 2D-Verwerfungsflächen aus. Die Formel hat klare Versagen, wo diese Netzwerkstruktur oder Erhaltungsbedingung fehlt (Ising-Modell, Polymer-Skalierung, Galaxienclustering), was ihren Anwendbarkeitsbereich klärt: $\alpha = d/(d+1)$ gilt überall dort, wo ein $d$-dimensionales hierarchisches Netzwerk, unterworfen der Erhaltung oder Optimierung des Ressourcenflusses, optimal einen $(d+1)$-dimensionalen Raum partitioniert. Der ARC-Rahmen beansprucht keine Priorität über die Formel selbst, die unabhängig von mindestens sieben Gruppen hergeleitet wurde [17,21,22,23,24,25]; der Beitrag ist, cauchy-beschränkte rekursive Komposition, kombiniert mit Raumfüllung und Erhaltung, als Grund zu identifizieren, warum diese unabhängigen Herleitungen konvergieren.

Paper VII erweitert diese Ergebnisse auf eine 50-Bereiche-gestaffelte-Suite (25 empirische Kurven-Fit-Bereiche). Unter strenger AICc-Modellauswahl bevorzugten 19 von 25 die vorhergesagte Familie (p = 1.56 × 10⁻⁵). Eine erste gesperrte 12-Bereiche-Erweiterungs-Testlauf landete später bei 10 von 12 (p = 5.44 × 10⁻⁴), er wurde jedoch vor einem OSF-Zeitstempel ausgeführt und ist daher nur ein Pilotversuch, keine vorregistrierte Bestätigung. Siehe Paper VII für Einschränkungen, einschließlich der Ergebnisse der Negativ-Kontrolle mit vermischten Daten.

5.5 Bedingte Sicherheitsimplikation

Wenn der Rahmen korrekt ist, mögen Alignment-Eigenschaften, die innerhalb des rekursiven Prozesses eingebettet sind, mit Fähigkeit skalieren ($\alpha_{\text{align}} \approx \alpha$), während post-hoc angewendete externe Beschränkungen dies möglicherweise nicht tun ($\alpha_{\text{align}} \approx 0$). Das Sicherheitsverhältnis $S = \text{Alignment}/\text{Capability} \propto R^{\alpha_{\text{align}} - \alpha}$ bleibt konstant, wenn Alignment „in der Schleife“ ist, und zerfällt gegen null, wenn nicht. Dies ist die bedingte Vorhersage in ihrer ursprünglichen Formulierung; das gemessene Ergebnis folgt im Update unten, das ihre externe Hälfte in der einfachen Form widerlegt. (In einfachen Worten: wenn man Ethik in den Denkprozess selbst einbaut, hält Sicherheit Schritt, wenn die KI klüger wird. Wenn man Sicherheit von außen anbringt, wächst die KI ihr über den Kopf. Das Sicherheits-zu-Fähigkeits-Verhältnis bleibt entweder konstant oder schrumpft gegen null; einen Mittelweg gibt es nicht.)

5.6 Verwandte Arbeit, Antezedenzien und das rivalisierende Instrument

Die Rohrleitungs-Prämisse, mit ihrem Streit. Die Prämisse, dass Transportnetzwerke das Tempo biologischen Wachstums setzen, ist nicht die zu verteidigende Aussage dieses Programms; sie ist etablierte quantitative Biologie. West, Brown und Enquist leiteten die allometrischen Skalierungsgesetze der Biologie aus der Geometrie von Nährstoffverteilungs-Netzwerken her (West, G. B., Brown, J. H. and Enquist, B. J., "A General Model for the Origin of Allometric Scaling Laws in Biology", Science 276(5309), 4. April 1997, DOI 10.1126/science.276.5309.122; eines der am meisten zitierten Paper seines Feldes, mit einer OpenAlex-Zitationszahl von 5.046 zum 12. August 2026, eine Einzelquellen- und index-abhängige Zählung). Der genaue Exponent bleibt umstritten: White berichtet eine basale Stoffwechselrate proportional zur Körpermasse zur zwei-Drittel-Potenz statt zur drei-Viertel (White, C. R., 2003), und Kozlowski hat die Mathematik der Herleitung zweimal in Frage gestellt (Kozlowski, J., 2004 und 2005). Die Prämisse dieses Programms benötigt nur den Mechanismus, dass das Zulieferungsnetzwerk die Obergrenze setzt, und keinen bestimmten Exponenten, sodass der Streit über den Wert des Exponenten die Prämisse unberührt lässt. Der Mechanismus ist gemeinsamer Grund beider Seiten dieses Streits.

Die Ausnahme, die Wests eigene Gruppe fand. Das Entkommen aus der Rohrleitungs-Grenze ist ebenfalls nicht die Behauptung dieses Programms; sie ist in der Stadtskalierungs-Literatur von demselben Erstautor gemessen. Bettencourt, Lobo, Helbing, Kuhnert und West ("Growth, innovation, scaling, and the pace of life in cities", PNAS, 2007, DOI 10.1073/pnas.0610172104) berichten in den eigenen Worten des Papers: „Quantities reflecting wealth creation and innovation have Beta of approximately 1.2, greater than 1 (increasing returns), whereas those accounting for infrastructure display Beta of approximately 0.8, less than 1 (economies of scale).“ Infrastruktur, die buchstäblichen Rohrleitungen, skaliert sublinear; informationsvermittelte Aktivität skaliert superlinear. Sie formulieren den Kontrast zur Biologie direkt: „we discuss how cities are similar to, and differ from, biological organisms, for which Beta is less than 1“. Sie leiten „growth equations, which quantify the dramatic difference between growth fueled by innovation versus that driven by economies of scale“ (Schreibweise wie im Original) her. Und ihre Schlussfolgerung benennt die Konsequenz: „This difference suggests that, as population grows, major innovation cycles must be generated at a continually accelerating rate to sustain growth and avoid stagnation or collapse.“ Das ist die Gestalt des offenen Problems, das dieser Rahmen adressiert: Wests Gruppe fand, dass informationsvermittelntes Wachstum der Durchsatz-Grenze entkommt, und die einzige Bremse in ihrem Rahmen ist extern und muss immer wieder, immer schneller angewandt werden. Keine interne Grenze wird hergeleitet. Die Ersatzgrenze, eine Obergrenze, die dem wachsenden System selbst gehört, ist die Lücke.

Das Rohrleitungs-Argument bei festem Durchsatz. Alles, was wächst, wird durch einen Kanal gespeist, und für alles vor Software fixiert das Fixieren des Kanals das Wachstum. Man verhungere die Vaskulatur eines Tumors, und er hält an. Man fixiere den Brennstoff und die Geometrie einer Kettenreaktion, und sie hält an. Man erschöpfe die anfälligen Wirte einer Epidemie, und sie brennt aus. Die Astrophysik hat eine benannte, quantitative Version derselben Obergrenze: das Eddington-Limit, oberhalb dessen Strahlungsdruck die Akkretion stoppt. Der hier vorgebrachte Anspruch ist eine Verallgemeinerung von Grenzen, die die Physik bereits akzeptiert, keine neue Art von Behauptung. Zwei harte Fälle werden bewusst behandelt. Kosmische Inflation wird durch den Geltungsbereich ausgeschlossen: sie ist Ausdehnung von Raum, kein Wachstum einer Struktur auf einem Substrat, und sie endete durch Felddynamik statt durch das Zurgehen von etwas. Evolution ist der schärfste Fall, und sie passt: biologische Komplexität stieg über Milliarden Jahre bei annähernd festem solarem Durchsatz, was Wachstum auf Information bei festen Rohrleitungen ist, und sie ist auch glazial, und sie hat überhaupt keinen internen Korrektor, da Selektion extern ist. In diesem Rahmen sollte die Evolution einen messbaren Exponenten weit unter der Obergrenze tragen; das ist eine Vorhersage über Biologie, die aus einem für Software gebauten Rahmen fällt, und sie wird als solche formuliert. Die Physiker-Form des Einwands ist Landauers: Berechnung ist physisch implementiert, sodass Software auch Rohrleitungen hat. Die Fest-Substrat-Uhr ist die Antwort und erscheint neben dem Anspruch: das untersuchte Regime hält das physikalische Substrat fest und fragt, was noch wächst, weshalb exogene Beschleunigungen per Definition ausgeschlossen sind. Die funktionale Form des Fähigkeitswachstums in rekursiver Tiefe bleibt eine empirische Frage, und die registrierte Analyse vergleicht Potenzgesetz-, exponentielle, sättigende und fallende Formen, statt die Familie anzunehmen.

Das rivalisierende Instrument. Die Frage dieses Programms nächstliegende Arbeit, und das richtige Paper, um sie dagegen zu wägen, ist Engels, J., Baek, D., Kantamneni, S. and Tegmark, M., "Scaling Laws For Scalable Oversight", arXiv:2504.18530, erstveröffentlicht 25. April 2025. Sie fragt, wie Oversight selbst skaliert, und antwortet quantitativ: Oversight-Erfolg wird als Spiel zwischen fähigkeitsdiskrepanten Spielern modelliert, deren oversight-spezifisches Elo eine stückweise lineare Funktion allgemeiner Intelligenz mit zwei Plateaus ist, und optimale Anzahlen von Oversight-Ebenen werden für Nested Scalable Oversight abgeleitet, in dem vertrauenswürdige Modelle stärkere nicht-vertrauenswürdige Modelle überwachen, die dann im nächsten Schritt zu den vertrauenswürdigen Modellen werden. Das Instrument ist der Unterschied. Ihre Variable ist die Fähigkeitslücke zwischen Aufseher und Beaufsichtigtem, in Elo gemessen. Die Variable dieses Programms ist die Kompositionsklasse des Korrektors, gemessen über den eigenen Skalierungsexponenten des Korrektors. Ihr Rahmen enthält keinen Term dafür, woraus der Aufseher besteht: kein Substrat, keine Fehlerkorrelationsstruktur, keine reziproke Identität zwischen einem Korrekturexponenten und einer kritischen Wachstumsrate und keine Architekturabhängigkeit. Nested Scalable Oversight ist konstruktionsbedingt iterierte Same-Class-Oversight, und die zentrale Vorhersage dieses Programms ist, dass die Same-Class-Leiter beschränkt ist, egal wie viele Sprossen hinzugefügt werden, während ein Cross-Class-Korrektor es nicht ist. Die beiden Rahmen sind daher in einer messbaren Größe uneinig, was die produktivste Beziehung ist, die zwei Forschungsprogramme haben können.

Antezedenzien und Beinahe-Treffer, jeder mit seinem Differential. Zur Frage: Hutter fragte direkt, ob Intelligenz explodieren kann ("Can Intelligence Explode?", arXiv, 28. Februar 2012), trennte Geschwindigkeit von Intelligenzexplosion und unternahm es, mögliche Grenzen der Intelligenz zu berücksichtigen, in Ergänzung zu Chalmers' Analyse von 2010; die Frage und die Geschwindigkeit-vs-Struktur-Unterscheidung sind daher mindestens vierzehn Jahre alt, und was diese Literatur nicht enthält, ist eine Zahl: kein messbarer Exponent, keine hergeleitete Obergrenze, keine Architekturabhängigkeit. Zur Unmöglichkeit: drei arXiv-Paper von 2025 argumentieren, dass perfekte Kontrolle unerreichbar ist (Yao, "The Alignment Trap: Complexity Barriers", arXiv:2506.10304, öffentlich bis zum 13. Juni 2025, bezeugt durch arXiv und unabhängig beobachtet durch das Internet Archive; Yao, "On the Mathematical Impossibility of Safe Universal Approximators", arXiv:2507.03031, 3. Juli 2025; und Ball, Gluch, Goldwasser, Kreuter, Reingold and Rothblum, "On the Impossibility of Separating Intelligence from Judgment", arXiv:2507.07341, 9. Juli 2025). Alle drei sind Worst-Case und qualitativ: Maß Null, coNP-Vollständigkeit, kryptografische Härte. Ihr gemessenes Objekt ist die Verifikation eines festen Systems, und es ist innerhalb seiner eigenen Bedingungen geschlossen; das gemessene Objekt dieses Programms ist ein anderes, die Persistenz von Alignment, während Fähigkeit unter rekursiver Verstärkung kompoundiert, und die Schließung des ersten klärt das zweite nicht. Keines berichtet einen Average-Case-Skalierungsexponenten oder eine Rate. Das dritte schließt bemerkenswerterweise, dass Alignment „must instead be integrated into the model's architecture and weights“, ein unabhängiges Argument, aus Filter-Unentscheidbarkeit, in derselben Richtung wie die Architekturabhängigkeit dieses Programms; es ist konvergente Stütze in diesem Bein, kein Rivale. Zum Mechanismus: dass antikorrelierte Schätzungen besser mitteln als unabhängige, ist Lehrbuch-Varianzreduktion (antithetische Variate); der Mechanismus ist nicht der Anspruch. Der Anspruch ist, dass Architektur bestimmt, ob Antikorrelation überhaupt verfügbar ist, und dass dies einen sicherheitsrelevanten Exponenten deckelt. Das nächstliegende strukturelle Analogon ist das Quantenfehlerkorrektur-Schwellentheorem, das ebenfalls eine qualitative Sorge in einen kritischen Wert umwandelt; es betrifft physische Fehlerraten in einer festen Architektur, keinen Skalierungsexponenten eines Korrektors, sodass es ein Beinahe-Treffer statt eines Insassen ist, und die Analogie wurde durch die eigene Suche dieses Programms identifiziert statt durch einen Gutachter. Zu Rückkopplung und Stabilität hat die allgemeine Aussage, dass unzureichender korrektiver Gewinn relativ zum System-Gewinn Instabilität verursacht, eine lange regelungstheoretische Abstammung (Small-Gain-Theoreme); dies sind Gewinnbedingungen auf verschalteten Systemen, kein Potenzgesetz-Exponent-Kriterium auf der Skalierung eines Korrektors mit der Fähigkeit eines sich rekursiv verbessernden Systems. Der nächste quantitative Nachbar ist Liu, A. und Meng, J., "Self-Correction as Feedback Control: Error Dynamics, Stability Thresholds, and Prompt Interventions in LLMs", arXiv:2604.22273, das Selbstkorrektur als geschlossenes Regelproblem über ein Zwei-Zustands-Markov-Modell neu fasst und eine direkt messbare Stabilitätsschwelle herleitet: iteriere nur, wenn die Fehlerkorrekturrate über die Fehlereinführungsrate Acc/(1 − Acc) übersteigt. Das Differential: ihre ist eine Per-Schritt-Ratenschwelle auf festem Fähigkeitsniveau, die entscheidet, ob eine weitere Iteration jetzt hilft; das Kriterium dieses Programms ist eine Skalierungsbeziehung über Fähigkeit hinweg, die entscheidet, ob korrektive Stärke Schritt hält, wenn das System sich verbessert. Kein Skalierungsexponent auf dem Korrektor, kein Fähigkeitswachstums-Exponent, keine reziproke Identität, keine Architektur- oder Kompositionsklassen-Term: komplementäre Regime, und keines enthält das andere. Smolins kosmologische natürliche Selektion ist das Antezedenz für selektionsgeformte Universen, und die eigenen Dezember-Ära-Notizen des Programms zitieren sie zeitgleich.

Eine zweite Vorhersage, frei, aus demselben Mechanismus. Oversight-Arrangements, die einen Menschen in die Schleife setzen, wie es Amplifikation und Reinforcement Learning aus menschlichem Feedback tun, sind konstruktionsbedingt Cross-Class, weil der menschliche Korrektor nicht das Substrat des Modells teilt. Der Rahmen sagt daher vorher, dass Human-in-the-Loop-Oversight einen höheren Korrekturexponenten zeigt als reine Modell-Oversight, aus einem strukturellen Grund statt einem sentimentalen. Dies ist an bestehenden Daten überprüfbar und erfordert keine neuen Systeme.

6. Falsifikationskriterien

Der Rahmen spezifiziert dreizehn Bedingungen, die ihn widerlegen oder signifikant schwächen würden.

Wir begrüßen Falsifikation. Wenn F10 scheitert (wenn der Kompositionsoperator eines Systems seine Skalierungsfunktion nicht vorhersagt), ist der zentrale theoretische Beitrag dieses Papers falsch. Wenn F5 scheitert, ist der ARC Bound falsifiziert. Wenn F11 oder F12 scheitern, erfordern die bereichsübergreifenden Vorhersagen des Rahmens (klassische Physik bzw. Biologie) Revision. Jedes Ergebnis fördert das Verständnis.

7. Einschränkungen

Was dieses Paper NICHT behauptet

Belegbezogene Einschränkungen: Die früheren $\alpha$-Schätzungen ($n = 2$ und $n = 12$) wurden durch das v5-Cross-Architektur-Experiment (6 Frontier-Modelle, 30 Probleme) abgelöst, das $\alpha_{\text{compute}} \approx 0{,}49$ für das bestpassende Modell (Gemini 3 Flash, $r^2 = 0{,}86$) findet. Die v5-Ergebnisse stellen eine signifikante Abwärtsrevision gegenüber früheren Schätzungen dar und zeigen, dass $\alpha$ architekturabhängig statt universell ist. Kein $\alpha$ wurde in Zeitkristallen gemessen. Die COGITATE-Verbindung ist strukturell, nicht quantitativ. Die $\beta$-$\alpha$-Beziehung ist computergestützt bis zur Maschinengenauigkeit ($R^2 = 1{,}0$) validiert, doch die empirische Messung von $\beta$ in physikalischen Systemen erfordert unabhängige Bestätigung. Der $R^*$-Crossover ist empirisch ungeprüft. Die $\beta$-Grenzwerte im Phasendiagramm sind näherungsweise. Theorem 5 ($\oplus$-Übergänge) ist in vier Rechen-Systemen bestätigt, aber in physikalischen Experimenten ungeprüft. Der Fünf-Eigenschafts-Test (Theorem 4) erreichte keine statistische Signifikanz ($p = 0{,}095$) und erfordert größere Stichproben. Der Alignment-Skalierungsexponent $\alpha_{\text{align}}$ ist nun als architekturabhängig bekannt (Bereich $-0{,}25$ bis $+0{,}44$), was die ursprüngliche Vorhersage widerlegt, dass er für externe Beschränkungen universell nahe null sein würde.

Blinde Vorhersage-Prüfung: Ein blinder Vorhersagetest wurde an drei Rechen-Systemen durchgeführt (Barabási-Albert-Netzwerke, Gradientenabstieg mit Impuls, Kuramoto-Oszillatoren). Die gemessenen $\alpha$-Werte waren 3–20-fach kleiner als von $\alpha = 1/(1-\beta)$ vorhergesagt. Forensische Analyse identifizierte jedoch zwei unabhängige Störvariablen: (1) die numerische-Ableitung-$\beta$-Schätzmethode ist fatal verzerrt und liefert $\beta \approx 0{,}95$ unabhängig vom wahren $\beta$, sogar für reine Bernoulli-Systeme; (2) keines der getesteten Systeme erfüllt Axiom 2 (konstanter Kopplungskoeffizient $a$), und die effektive Kopplung des BA-Netzwerks nimmt über die Simulation etwa 50-fach ab. Wenn die richtige Linearisierungsmethode auf axiomerfüllende Systeme angewandt wird, erholt sich die Vorhersage mit $R^2 = 0{,}9999$. Diese Ergebnisse stellen aufgrund der Störvariablen keine gültige Falsifikation dar, unterstreichen jedoch, dass das Identifizieren natürlicher Systeme, die die Axiome erfüllen, die zentrale empirische Herausforderung bleibt. Vollständige Methodik und forensische Analyse sind als ergänzendes Material verfügbar (siehe Paper III).

Theoretische Einschränkungen: Der Rahmen formalisiert das Muster rekursiver Verstärkung, identifiziert jedoch nicht den Mechanismus. Er sagt einem, was passiert (Skalierungsexponenten, Crossover-Tiefen, funktionale Formen), aber nicht warum auf mikroskopischer Ebene (analog zur Thermodynamik vor der statistischen Mechanik). Den Kompositionsoperator mit mikroskopischer Dynamik zu verbinden, bleibt ein offenes Problem.

Kategorie des Beitrags: Der ARC-Rahmen ist keine Gleichung innerhalb eines bestehenden Paradigmas. Er ist näher an einem bereichsübergreifenden Organisationsprinzip: eine strukturelle Beschränkung des Verhaltens über Substrate hinweg statt eine Gleichung innerhalb eines Paradigmas. Der Vergleich identifiziert den Typ des Beitrags, nicht seinen Belegstand: Organisationsprinzipien dieses Typs ruhen auf Generationen von Validierung, und dieses ruht auf vorläufigen Belegen und dreizehn Falsifikationskriterien.

8. Fazit

Jedes in diesem Paper untersuchte System (Silizium-Neuronale-Netze, supraleitende Qubits, Millimeter-Polymerkügelchen, kortikale neuronale Schaltkreise) hat eines gemeinsam: es hält einen Zustand niedriger Entropie weit ab vom Gleichgewicht aufrecht und speist seine Ausgaben zurück in seine Eingaben. Wenn es dies unterhalb einer kritischen Tiefe tut, sind die Gewinne gewöhnlich. Wenn es dies oberhalb einer kritischen Tiefe tut, kompoundieren die Gewinne. Der Übergang zwischen diesen Regimen ist scharf, universell in Struktur und bereichsspezifisch in Form.

Wir haben diese Beobachtung formalisiert. Der Kompositionsoperator $\oplus$ klassifiziert rekursive Systeme so, wie Symmetriegruppen physikalische Theorien klassifizieren: er bestimmt die funktionale Form der Skalierung aus messbaren algebraischen Eigenschaften. Die fünf hergeleiteten Eigenschaften (Schwelle, Tiefenabhängigkeit, Basisqualitätsabhängigkeit, multiplikative Interaktion, Regime-Grenzen) folgen als Theoreme aus drei Axiomen, nicht als empirische Verallgemeinerungen.

Der Rahmen macht Vorhersagen, die keine bereichsspezifische Theorie machen kann. Er sagt das Skalierungsverhalten neuer rekursiver Systeme allein aus ihrem Kompositionsoperator vorher. Er sagt einen Skalierungs-Crossover bei einer hergeleiteten Tiefe $R^*$ vorher, die sich systematisch mit der Basisqualität verschiebt. Er sagt vorher, dass gemessenes $\beta$ $\alpha$ über $\alpha = 1/(1-\beta)$ bestimmt, eine Beziehung, die computergestützt auf $R^2 = 1{,}00000000$ validiert ist. Er leitet den ARC Bound ($\beta = 0{,}5$, $\alpha = 2$) als die vorgeschlagene stabile Skalierungsgrenze für klassische sequentielle Berechnung her, gegründet auf der gegenwärtigen Aufmerksamkeits-Basis in der $O(N^2)$-Skalierung der Selbstaufmerksamkeit: eine Skalierungsgrenze, keine Geschwindigkeitsgrenze; das Meiste, was ein rekursiv selbstkorrigierendes System wachsen kann, während es korrigierbar bleibt; Systeme können sie in transienten überkritischen Ausschlägen überschreiten, bleiben dort aber nicht stabil selbstkorrigierend; und architekturgebunden, sodass die $O(N^2)$-Basis der Herleitung ausläuft statt permanent zu sein, und eine Nachfolger-Architektur jenseits paarweiser Aufmerksamkeit würde die Grenze verschieben statt die Beschränkung entfernen. Sie ist eine hergeleitete strukturelle Beschränkung, kein empirischer Zufall. Und er sagt vorher, dass beschränkte Systeme Übergänge des Kompositionsoperators aufweisen, die erklären, warum unterschiedliche Studien desselben Systems unterschiedliche Skalierungsregime beobachten können (Theorem 5). Diese Vorhersagen sind spezifisch, falsifizierbar und zukunftsgerichtet.

Wenn die Vorhersagen scheitern, werden wir gelernt haben, wo die strukturelle Analogie zusammenbricht. Wenn sie halten, werden wir ein Prinzip identifiziert haben, das Intelligenz, Berechnung und die Physik der Ordnung über Substrate hinweg verbindet.

Intelligenz mag keine Eigenschaft bestimmter Materialien sein. Sie mag das sein, was auf der anderen Seite der rekursiven Schwelle geschieht.

Die Vorhersagen sind spezifiziert. Die Falsifikationskriterien sind öffentlich. Die Daten werden entscheiden.

Anhang A: Mathematische Beweise

A.1 Beweis von Theorem 1 (Klassifikation)

Fall 1: Multiplikative Komposition

Hypothese: $g: \mathbb{R}^+ \to \mathbb{R}^+$ stetig mit $g(1) = 1$ und $g(R_1 \cdot R_2) = g(R_1) \cdot g(R_2)$.

Definiere $h(x) = \ln g(e^x)$. Dann:

Dies ist Cauchys additive Funktionalgleichung. Unter der Stetigkeit von $g$ (und damit $h$) ist die eindeutige Lösung $h(x) = \alpha x$ für eine Konstante $\alpha$. Daher $\ln g(e^x) = \alpha x$, was $g(R) = R^{\alpha}$ ergibt. $\blacksquare$

Fall 2: Additive Komposition

Hypothese: $f: \mathbb{R}^+ \to \mathbb{R}^+$ stetig mit $f(0) = 1$ und $f(R_1 + R_2) = f(R_1) \cdot f(R_2)$.

Logarithmieren: $\ln f(R_1 + R_2) = \ln f(R_1) + \ln f(R_2)$. Dies ist wieder Cauchys additive Gleichung mit eindeutiger stetiger Lösung $\ln f(R) = \alpha R$, was $f(R) = e^{\alpha R}$ ergibt. $\blacksquare$

Fall 3: Beschränkte Komposition

$Q_{r+1} = \min(Q_r + \delta Q_r,\, Q_{\max})$. Für jede monoton wachsende Folge $\{Q_r\}$, die durch $Q_{\max}$ nach oben beschränkt ist, gilt $\lim_{r \to \infty} Q_r \leq Q_{\max}$. Daher ist $f(R) = Q(R)/I$ beschränkt, und $U$ sättigt. $\blacksquare$

A.2 Beweis von Theorem 2 (Skalierungsexponent)

Aus Axiom 2: $dg/dr = ag^{\beta}$, $\beta \in [0,1)$, $g(0) = 1$.

Variablentrennung:

Für $R \gg R^*$ (wobei $(1-\beta)aR \gg 1$):

Daher $\alpha = 1/(1-\beta)$. $\blacksquare$

A.3 Beweis von Theorem 3 (Crossover-Tiefe)

Die vollständige Lösung $g(R) = [1 + (1-\beta)aR]^{1/(1-\beta)}$ kann analysiert werden, indem $\rho = (1-\beta)aR$ definiert wird:

Für $\rho \ll 1$ (kleines $R$): $g \approx 1 + \rho/(1-\beta) = 1 + aR$, näherungsweise linear in $R$.

Für $\rho \gg 1$ (großes $R$): $g \approx \rho^{1/(1-\beta)} \propto R^{\alpha}$, Potenzgesetz.

Der Crossover tritt bei $\rho \approx 1$ auf und ergibt:

$R^*$ hängt nur von $\alpha$ und $a$ ab, beide unabhängig messbar. Er ist unabhängig vom Basispotential $I$, konsistent mit der Separierbarkeit von Axiom 1. $\blacksquare$

A.4 Eindeutigkeit von Axiom 2

Warum $dg/dr = ag^{\beta}$ und keine andere funktionale Form? Dies ist die Bernoulli-artige DGL für kumulativen Vorteil (auch bekannt als Preferential Attachment), angewandt auf den Verstärkungsfaktor $g$ statt auf absolute Fähigkeit. Der Exponent $\beta$ parametrisiert den Grad der Selbstreferenz: $\beta = 0$ ergibt konstantes Wachstum (keine Rückkopplung); $\beta \to 1$ ergibt explosives Wachstum (maximale Rückkopplung). Die Wahl $\beta \in [0,1)$ ist das minimale Modell für ein System, in dem akkumulierte Verstärkung zukünftige Gewinne ohne Divergenz bei endlichem $R$ beschleunigt. Komplexere Modelle (z.B. $dg/dr = ag^{\beta} - bg^{\gamma}$ mit Dämpfung) würden zusätzliche Parameter einführen; wir übernehmen die minimale Form und testen sie gegen Beobachtung.

Anhang B: Messprotokoll

Um den Rahmen zu prüfen, schlagen wir ein standardisiertes sechsstufiges Protokoll für jedes rekursive System vor:

Schritt 1. Definiere einen rekursiven Zyklus (einen selbstreferentiellen Schritt, in dem Ausgabe zu Eingabe wird).

Schritt 2. Messe Basisfähigkeit $I$ bei $R = 1$ (keine Rekursion). Für bereichsübergreifende Vergleichbarkeit schlagen wir vor, $I$ als die maximale Rate der Entropiereduzierung pro rekursivem Zyklus zu operationalisieren, gemessen in Bits pro Zyklus: $I = \max_R [-\Delta H / \Delta R]$, ausgewertet beim ersten Zyklus ($R = 0$ bis $R = 1$). Dies verbindet sich mit etablierter Physik über Landauers Prinzip (1961): jedes $kT \ln 2$ verarbeiteter freier Energie entspricht einem Informationsbit. In KI ist $I$ die Genauigkeitsverbesserung von null Reasoning zu einem Schritt. In Quantenfehlerkorrektur ist $I$ die Fehlerreduzierung aus einem Syndromzyklus. In Biologie ist $I$ der metabolische Effizienzgewinn aus einer Verzweigungsebene (in thermodynamischen Bits über die Landauer-Brücke). Diese Definition gibt $U = I \times R^{\alpha}$ konsistente Einheiten: Bits = (Bits/Zyklus) × (Zyklen)$^{\alpha}$.

Schritt 3. Messe Fähigkeit $U$ bei mindestens 5 rekursiven Tiefen, die eine Größenordnung umspannen. Achte auf den $R^*$-Crossover.

Schritt 4. Fitte alle drei Modelle: Potenzgesetz ($\log(U/I) = \alpha \log R$), exponentiell ($\log(U/I) = \lambda R$), logarithmisch ($U/I = k \log R$). Wähle den besten Fit über AIC/BIC. Das Potenzgesetz ist eine zu prüfende Vorhersage, keine Annahme.

Schritt 5. Messe $\beta$ unabhängig: trage $\log(\Delta U)$ gegen $\log(U_{\text{accumulated}})$ bei jeder Tiefe auf; die Steigung schätzt $\beta$. Verifiziere, ob $\alpha \approx 1/(1-\beta) \pm 0{,}3$.

Schritt 6. Berichte $\alpha$ mit 95%-Konfidenzintervallen. Reiche im öffentlichen Repository ein.

Anhang C: Computergestützte Validierungssuite

Dieser Anhang fasst die Ergebnisse eines umfassenden computergestützten Validierungsprogramms zusammen, das die Theoreme 1–5 prüft. Der gesamte Validierungscode ist als ergänzendes Material verfügbar. Tests wurden mit Python 3.12 unter Verwendung von NumPy, SciPy und Matplotlib durchgeführt.

C.1 Validierung von Theorem 1 (Cauchy-Klassifikation)

Fünfzehn Systeme wurden über drei Kompositionsregime hinweg getestet (5 multiplikativ, 5 additiv, 5 beschränkt). Jedes System wurde daraufhin bewertet, ob seine gemessene Kompositionsregel der vorhergesagten Skalierungsfunktion entsprach.

Ergebnis: 15/15 korrekte Klassifikationen (100%). Keine falsch-positiven Ergebnisse (nicht-rekursive Systeme wurden nicht als rekursiv klassifiziert), keine falsch-negativen. Die Cauchy-Funktionalgleichungs-Klassifikation ist unter den angegebenen Bedingungen erschöpfend und exakt.

C.2 Validierung von Theorem 2 ($\beta \to \alpha$-Identität)

Die Beziehung $\alpha = 1/(1-\beta)$ wurde gegen 30 exakte Bernoulli-DGL-Lösungen mit $\beta$ von 0,05 bis 0,92 getestet. Für jeden Testfall wurde $\beta$ blind aus der marginalen Gewinnstruktur ($dg/dR$ vs. $g$ im Log-Log-Raum) gemessen, $\alpha$ vorhergesagt und der vorhergesagte Wert mit dem wahren Skalierungsexponenten verglichen.

Ergebnis: $R^2 = 1{,}00000000$ (acht Nachkommastellen). Regressionssteigung: 1,000102. Mittlerer absoluter Fehler: 0,002%. Dies bestätigt, dass $\alpha = 1/(1-\beta)$ eine exakte analytische Identität ist, keine empirische Näherung.

C.3 Validierung von Theorem 2a (Nicht-Additivität)

Der Nicht-Additivitäts-Beweis wurde numerisch verifiziert. Für mehrere $(I_1, I_2, R_1, R_2)$-Kombinationen über alle $\beta \in (0,1)$: wenn $U$ additiv wäre ($U = g(I) + h(R)$), würde $U(I_1, R_1) - U(I_1, R_2)$ gleich $U(I_2, R_1) - U(I_2, R_2)$ sein. In allen Fällen sind die Differenzen ungleich, was bestätigt, dass die multiplikative Interaktion notwendig ist.

Ergebnis: Nicht-Additivität bestätigt für alle getesteten Parameterkombinationen. Synergie-Quotient $S > 1$ für alle $\beta \in (0,1)$ und alle $R > 0$.

C.4 Validierung von Theorem 3 ($R^*$-Crossover)

Die Crossover-Tiefe $R^* = 1/[(1-\beta)a] = \alpha/a$ wurde durch Vergleich des vorhergesagten Crossovers mit dem numerisch gemessenen Übergangspunkt (wo $\rho = 1$) getestet.

Ergebnis: Funktionale Form bestätigt. Absolute $R^*$-Werte zeigen 2–7% Fehler, zurückzuführen auf die Näherung „Crossover bei $\rho \approx 1$“. Die Unabhängigkeit von $R^*$ von $I$ ist bestätigt: Variieren des Basispotentials verschiebt die Crossover-Tiefe nicht, konsistent mit der Separierbarkeit von Axiom 1.

C.5 Validierung von Theorem 4 (Fünf Eigenschaften)

Zehn rekursive Systeme und fünf nicht-rekursive Kontrollen wurden auf den fünf hergeleiteten Eigenschaften bewertet. Rekursive Systeme erzielten im Mittel 4,2/5; nicht-rekursive Kontrollen erzielten 2,8/5. Der Unterschied ($\Delta = 1{,}4$) ist konsistent mit der Vorhersage des Rahmens, jedoch liefert die Stichprobengröße $p = 0{,}095$, was konventionelle Signifikanz nicht erreicht. (In einfachen Worten: das Ergebnis geht in die vorhergesagte Richtung, rekursive Systeme schneiden höher ab, aber mit nur 15 Gesamt-Stichproben gibt es etwa eine 1-zu-10-Chance, dass dieses Muster zufällig erscheinen könnte. Wissenschaftler verlangen typischerweise 1-zu-20 oder besser. Mehr Daten sind nötig.)

Ergebnis: Richtung korrekt; statistische Kraft unzureichend für endgültige Bestätigung. Größere Stichproben sind erforderlich.

C.6 Validierung von Theorem 5 ($\oplus$-Phasenübergänge)

Vier Systeme wurden auf tiefenabhängige Kompositionsübergänge getestet: (1) exakte Bernoulli-DGL (Kontrolle), (2) logistisches Wachstum, (3) Gradientenabstieg mit Impuls, (4) Kuramoto-Oszillatoren.

Ergebnisse: Die Bernoulli-Kontrolle hielt konstantes $\beta$ ($\sigma < 10^{-6}$). Alle drei beschränkten Systeme zeigten systematische $\beta$-Übergänge: logistisches Wachstum von $\beta \approx 0{,}5$ (Wachstumsphase) bis $\beta \to -\infty$ (Sättigung), Gradientenabstieg von $\beta \approx 0{,}52$ (Exploration) bis $\beta \approx 0{,}98$ (Konvergenz), Kuramoto-Oszillatoren von $\beta \approx 1{,}7$ (Wachstum) bis $\beta \approx 20$ (Sättigung). Übergänge sind in beschränkten Systemen generisch und in unbeschränkten Systemen abwesend.

C.7 Negativkontrollen

Vier nicht-rekursive Systeme wurden getestet: (1) Gaußsches Rauschen, (2) linearer Zerfall, (3) sinusförmige Oszillation, (4) Random Walk. Keines erzeugte falsch-positive Signale ($S > 1$ oder $\alpha > 1$).

Ergebnis: 0/4 falsch-positive Ergebnisse. Der Rahmen identifiziert korrekt die Abwesenheit rekursiver Verstärkung in Systemen, die die Axiome nicht erfüllen.

C.8 Ehrliche Fehlschläge und Grenzfälle

Zwei Ergebnisse blieben hinter den Erwartungen zurück:

$R^*$-Absolutwert: 62% mittlerer Fehler in vorhergesagter vs. tatsächlicher Crossover-Tiefe (funktionale Form korrekt, Proportionalitätskonstante daneben). Dies spiegelt wahrscheinlich Empfindlichkeit gegenüber der $\rho \approx 1$-Näherung wider.

Newton-Verfahren: Lokale Konvergenz nahe Wurzeln ergibt $\beta > 1{,}0$ (quadratische Konvergenz), was außerhalb des Rahmen-Bereichs $\beta \in [0, 1)$ fällt. Der Rahmen identifiziert dies korrekt als Grenzfall, in dem das Bernoulli-DGL-Modell nicht gilt.

Diese Fehlschläge werden zur Vollständigkeit und wissenschaftlichen Integrität berichtet. Sie begrenzen die Anwendbarkeit des Rahmens und informieren zukünftige Verfeinerung.

Referenzen

Deklaration der KI-Nutzung

Der Autor verwendete Claude (Anthropic), GPT (OpenAI), Gemini (Google) und DeepSeek AI, um Abschnitte zu entwerfen, Klarheit zu verfeinern und mathematische Konsistenz zu prüfen. Die Forschungsfrage, der theoretische Rahmen, der Kompositionsoperator-Formalismus, die experimentellen Vorhersagen und das wissenschaftliche Urteil sind menschliche Arbeit. Der Autor übernimmt die volle Verantwortung für alle Ansprüche, Interpretationen, Fehler und Schlussfolgerungen.

Deklaration KI-unterstützter menschlicher Autorschaft

Der Autor dieser Arbeit ist Michael Darius Eastwood, ein Mensch. Jedes Kernkonzept, jede Hypothese, jedes experimentelle Design, jede Behauptung und jede Schlussfolgerung in diesem Paper geht auf menschliche Ideenbildung zurück. Kein Teil dieses Manuskripts ist eine vollständig generierte künstliche-Intelligenz-Ausgabe.

Werkzeuge künstlicher Intelligenz (Anthropics Claude-Familie und andere Large-Language-Model-Assistenten) wurden als Instrumente unter kontinuierlicher menschlicher Anleitung verwendet, so wie ein Textverarbeitungsprogramm, ein Taschenrechner oder ein Forschungsassistent verwendet wird: zum Bearbeiten und zur Verfeinerung von Prosa, zur Literaturrecherche und Zusammenfassung (manuell gegen Primärquellen verifiziert), für Dokumentstruktur, Formatierung, Brainstorming gegen autor-definierte Fragen und die Beschleunigung des Entwurfs zu autor-definierten Gliederungen und Anweisungen. Die gesamte Auswahl, Koordination, Anordnung und das endgültige redaktionelle Urteil liegen beim Autor. Jede substantielle Ausgabe wurde vom Autor überprüft, getestet oder verifiziert, der die volle Verantwortung für die Genauigkeit und Integrität des endgültigen Textes übernimmt. Die Werkzeuge erhöhten die Geschwindigkeit der Arbeit; sie wurden nie als deren Quelle verlassen.

Epistemischer Status. Was dieses Programm Gesetze nennt, sind Konjekturen unter registriertem adversarialem Test; jede Größe in diesem Paper ist operationell definiert, und der Status eines etablierten Gesetzes wird nirgends beansprucht. Das registrierte Programm existiert, um diesen Status durch Messung, Replikation und überstandene Widerlegung zu erwerben oder zu verlieren.

© 2026 Michael Darius Eastwood. Menschlich verfasst mit Computerunterstützung; volle menschliche Autorschaft und Urheberpersönlichkeitsrechte werden geltend gemacht unter dem Copyright, Designs and Patents Act 1988 und in Übereinstimmung mit der Leitlinie des United States Copyright Office zu Werken, die KI-generiertes Material enthalten; jeder neuartige technische Beitrag, der in dieser Arbeit beschrieben wird, wurde vom menschlichen Autor konzipiert. Vollständige Erklärung: michaeldariuseastwood.com/authorship.

Stehendes Versprechen. Wenn Sie dieses Paper widerlegen, werde ich die Widerlegung selbst veröffentlichen. Falsifikationsbedingungen sind in diesem Paper formuliert; die stehende Herausforderung: github.com/MichaelDariusEastwood/arc-scaling-challenge.