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

Domänenübergreifende Evidenz stärkt diese Befunde. Googles Willow-Quantenchip (Dezember 2024) demonstrierte rekursive Fehlerunterdrückung mit $\Lambda = 2.14$. Biologische Skalierungsgesetze zeigen Viertel-Potenz-Exponenten über 27 Größenordnungen über fraktale rekursive Netzwerke. Die COGITATE-Bewusstseinsstudie (Nature, April 2025) identifizierte rekurrente Verarbeitung als gemeinsamen Nenner über Theorien hinweg.

Die Implikationen für KI-Sicherheit hängen kritisch davon ab, ob $\alpha > 1$ erreichbar ist. Wenn ja, würden Alignment-Eigenschaften, die im Reasoning-Prozess eingebettet sind, superlinear mit der Fähigkeit skalieren, während externe Einschränkungen konstant bleiben. Selbst mit $\alpha < 1$ unterstützt der Richtungsbefund, dass sequenzielles Reasoning die Fähigkeit verbessert, das Eden Protocol aus Infinite Architects: KI-Systeme profitieren von Werten, die im Reasoning eingebettet sind, statt von extern auferlegten Einschränkungen. Die Mehrmodelldaten zeigen jedoch, dass Fähigkeit und Alignment unabhängige Dimensionen sind; mehr Reasoning bedeutet nicht automatisch besseres Alignment.

Schlüsselwörter: Skalierungsgesetze, rekursive Intelligenz, Testzeit-Rechenaufwand, Fehlerunterdrückung, KI-Sicherheit, Alignment, Chain-of-Thought-Reasoning, Eden Protocol, domänenübergreifende Validierung, Mehrmodell-Replikation

1. Einleitung

1.1 Hintergrund und Motivation

Die Skalierungsgesetze, die künstliche Intelligenz regeln, haben unser Verständnis der Fähigkeitsemergenz verändert. Kaplan et al. (2020) etablierten Potenzgesetzbeziehungen zwischen Modellleistung und Trainings-Rechenaufwand, während Hoffmann et al. (2022) diese mit rechenoptimalen Vorschriften verfeinerten. Diese grundlegenden Arbeiten revolutionierten die Trainingsmethodik, adressieren aber nur die Skalierung des Vortrainings. Sie erklären nicht, warum die Zuweisung zusätzlicher Berechnung zur Inferenzzeit dramatische Fähigkeitsverbesserungen erzeugt, noch warum verschiedene Formen solcher Berechnung grundlegend unterschiedliche Ergebnisse liefern.

Das Aufkommen von Reasoning-Modellen Ende 2024 führte Testzeit-Rechenaufwand als kritische Variable ein. OpenAIs o1 (September 2024) und DeepSeeks R1 (Januar 2025) weisen Rechenressourcen während der Inferenz zu, um vor dem Antworten zu räsonieren. Auf Mathematik-Reasoning-Benchmarks erreichen diese Systeme Leistungen, die zuvor als für Modelle mit einer Größenordnung mehr Parametern nötig galten. Doch die diesem Fortschritt zugrunde liegenden Mechanismen bleiben unvollständig charakterisiert.

Zwei Paradigmen sind für die Zuweisung von Testzeit-Rechenaufwand entstanden:

Parallele Rekursion. Erzeuge mehrere unabhängige Lösungen und wähle die beste per Mehrheitsentscheidung oder Verifizierer-Bewertung. Dieser Ansatz ist rechnerisch unkompliziert, produziert aber, wie von Brown et al. (2024) dokumentiert, abnehmende Erträge nach sublinearen Potenzgesetzen.

Sequenzielle Rekursion. Erzeuge erweiterte Reasoning-Ketten, bei denen jeder Schritt explizit auf vorherigen Schritten aufbaut. Fehler können iterativ durch Selbstreferenz entdeckt und korrigiert werden. Dieser Ansatz produziert zusammengesetzte Erträge, aber die Skalierungsbeziehung wurde nicht formal charakterisiert; dieses Papier adressiert diese Lücke.

1.2 Die Forschungsfrage

Warum übertrifft sequenzielles Reasoning bei gleichem Rechenaufwand deutlich das parallele Sampling? Welches mathematische Prinzip regelt diesen Unterschied? Und was sind die Implikationen für die Ausrichtung zunehmend fähiger KI-Systeme?

1.3 Beitrag dieses Papiers

Dieses Papier leistet acht Beiträge:

1. Mathematische Formalisierung. Wir schlagen das ARC Principle vor: $E(R) = E_0 \times R^{-\alpha}$, wobei die Fehlerrate $E$ vom Basiswert $E_0$ mit zunehmender rekursiver Tiefe $R$ abnimmt, geregelt vom Skalierungsexponenten $\alpha$. Die Form der Rekursion bestimmt $\alpha$.
2. Kontrollierte experimentelle Validierung. Unter Verwendung von DeepSeek R1 mit sichtbaren Reasoning-Tokens führen wir den ersten rechenaufwandsangeglichenen Vergleich zwischen sequenzieller und paralleler Rekursion mit direkter Messung der rekursiven Tiefe durch.
3. Quantitative Parameterschätzung. Einzelmodellschätzung: $\alpha \approx 2.2$ (initial, DeepSeek R1). Architekturübergreifende Schätzung: $\alpha \approx 0.49$ (Sechs-Modell, Gemini 3 Flash, $r^2 = 0.86$). Parallel: $\alpha \approx 0.0$ (universell).
4. Konvergierende Evidenzsynthese. Kombiniert mit veröffentlichten Daten von OpenAI o1 und DeepSeek R1 bestätigen mehrere unabhängige Quellen $\alpha_{\text{seq}} > \alpha_{\text{par}}$.
5. Domänenübergreifende Validierung. Wir zeigen, dass rekursive Fehlerunterdrückung über Quantenphysik (Willow $\Lambda = 2.14$), Biologie (Viertel-Potenz-Skalierung) und Bewusstsein (COGITATE-Rekurrenz) hinweg auftritt.
6. Implikationen für KI-Sicherheit. Wir leiten bedingte Alignment-Theoreme her, die nun durch den empirischen Befund qualifiziert sind, dass $\alpha < 1$ architekturübergreifend gilt.
7. Architekturübergreifende Replikation. Sechs Frontier-Modelle getestet an 18 AIME/Putnam-Level-Problemen mit Bootstrap-KIs und 4-Schicht-Kreuzverifikation. Vier eigenständige Skalierungsverhalten identifiziert (Decke, monoton, Sprungfunktion, Boden).
8. Integration mit Alignment-Skalierung. Fähigkeit und Alignment haben sich über sechs Frontier-Modelle als unabhängige Skalierungsdimensionen erwiesen, mit einer dreistufigen Alignment-Hierarchie, die durch die Trainingsmethodik gesetzt ist.

1.4 Prioritätsfeststellung

Das ARC Principle wurde erstmals im Manuskript von Infinite Architects: Intelligence, Recursion, and the Creation of Everything artikuliert. Die Manuskriptpriorität wurde durch kryptographischen Server-Zeitstempel am 8. Dezember 2024 festgestellt, als das Manuskript über Googles Server per E-Mail versendet wurde. Das Buch selbst wurde später öffentlich veröffentlicht, am 2. Januar 2026 (Druck; E-Book 6. Januar). Die servergenerierten Zeitstempel liefern manipulationsevidentes Zeitstempeln durch E-Mail-Server-Verifikation, gestützt auf Anbieterinfrastruktur und Anbieterschlüssel-Signaturen bei Googles DKIM- und ARC-Selektoren und nicht auf einem RFC-3161-vertrauenswürdigen Zeitstempel (siehe die Berichtigungsanmerkung am Anfang dieses Papiers), was feststellt, dass die Kernkonzepte (rekursive Intelligenzverstärkung, die Unterscheidung zwischen paralleler und sequenzieller Rekursion und die eingebettete Alignment-These, später am 30. April 2025 als Eden Protocol benannt) vor späteren unabhängigen Validierungen und vor späteren öffentlichen archivarischen Hinterlegungen dokumentiert waren.

Tabelle 1. Zeitleiste der Prognosevalidierung.

Die zeitliche Nähe zwischen dem Zeitstempel des Manuskripts und späteren öffentlichen Ergebnissen wird als konvergentes Timing eingestuft, niemals als Vorhersage: Der Preprint des Google-Willow-Teams war seit dem 24. August 2024 öffentlich, also vor dem Manuskript vom 8. Dezember 2024, weshalb der Dezember-Eintrag ein Ergebnis nicht vorhergesagt haben kann, das seine Autoren bereits angekündigt hatten. Was die Zeitstempel belegen, ist, dass die Rahmung des Manuskripts vor Willows Berichterstattung in den Leitmedien festgehalten wurde, eine Tatsache über die Existenz des Dokuments zu einem Datum, nicht Voraussicht über die Physik.

Nach dem Manuskript-Zeitstempel vom Dezember 2024 und der öffentlichen Buchveröffentlichung vom 2. Januar 2026 formalisierte Paper I (Eastwood, 17. Januar 2026) das Prinzip mathematisch und analysierte öffentlich verfügbare Daten. Dieses Paper II liefert die direkte experimentelle Validierung.

1.5 Verwandte Arbeiten

Dieses Papier baut auf mehreren etablierten Forschungsprogrammen auf und erweitert sie:

Chain-of-Thought-Prompting (Wei et al., 2022) zeigte, dass Zwischenschritte im Reasoning die Leistung bei mehrstufigen Aufgaben verbessern.

Testzeit-Rechenaufwandsskalierung (Snell et al., 2024) zeigte, dass Testzeit-Berechnung auf bestimmten Benchmarks 14-mal größere Modelle übertreffen kann.

Large Language Monkeys (Brown et al., 2024) dokumentierten sublineare Skalierung des parallelen Samplings mit präziser Potenzgesetz-Charakterisierung.

DeepSeek R1 (DeepSeek AI, Januar 2025) demonstrierte emergentes Reasoning durch reines Reinforcement Learning, mit „Aha-Moment“-Phänomenen, die rekursive Selbstkorrektur zeigen.

Dieses Papier erweitert diese Beobachtungen durch den Vorschlag eines einheitlichen mathematischen Rahmens, des ARC Principle, und liefert experimentelle Validierung mit direkter Messung der rekursiven Tiefe.

2. Theoretischer Rahmen

2.1 Das ARC Principle

Tabelle 2. Variablendefinitionen.

Der Skalierungsexponent $\alpha$ bestimmt die Natur der Erträge aus rekursiver Investition:

• $\alpha < 1$: Abnehmende Erträge. Jede Verdopplung von $R$ reduziert den Fehler um weniger als die Hälfte. Zusätzliche Rekursion liefert fortschreitend kleinere Vorteile.
• $\alpha = 1$: Lineare Erträge. Jede Verdopplung von $R$ halbiert den Fehler. Konstanter Grenznutzen.
• $\alpha > 1$: Zusammengesetzte Erträge. Jede Verdopplung von $R$ mehr als halbiert den Fehler. Rekursion verstärkt sich selbst.

Diese Formulierung modelliert direkt die Fehlerunterdrückung, analog zur Quantenfehlerkorrektur, bei der logische Fehlerraten mit der Codedistanz abnehmen. Der Exponent $\alpha$ verkörpert die Effizienz des rekursiven Prozesses.

Hinweis zu den Abbildungen (25. August 2026). Jede Abbildung in dieser Arbeit wurde am 5. April 2026 erzeugt und ist älter als die Korrekturen, die ihr Text inzwischen trägt. Wo eine Abbildung eine Stützung von sequenziellem α > 1, eine sequenzielle Schätzung von 2,2 oder den Status „alle Daten konsistent“ behauptet, ist das der überholte Aprilstand: es gelten die korrigierten Ergebnisse des Textes (der zurückgezogene Wert 2,24, der sequenzielle Wert 0,49 im eingefrorenen Regime). Die auffälligsten Fälle tragen eigene Hinweise; neu erzeugte Abbildungen sind eingeplant, und die Bilder bleiben unterdessen als datierte Historie erhalten.

2.2 Zwei grundlegend verschiedene Formen der Rekursion

Wir unterscheiden zwei architektonisch verschiedene rekursive Prozesse, die verschiedene Skalierungsverhalten vorhersagen.

Parallele Rekursion (schwache Form). Mehrere unabhängige Lösungen werden gleichzeitig ohne Informationsübertragung zwischen Zweigen erzeugt. Die endgültige Ausgabe wird per Mehrheitsentscheidung oder Best-of-N-Bewertung ausgewählt.

Mathematische Charakterisierung:

• Stichproben aus einem festen Lösungsraum $S_0$
• $S_0 = S_1 = S_2 = \ldots = S_n$ (Raum bleibt konstant)
• Phasenraum expandiert nicht; nur die Stichprobendichte nimmt zu
• Vorhersage: $\alpha < 1$ (abnehmende Erträge)

Sequenzielle Rekursion (starke Form). Jeder Verarbeitungsschritt baut explizit auf vorherigen Schritten auf. Fehler können iterativ entdeckt und korrigiert werden. Informationen akkumulieren sich über die Reasoning-Kette.

Mathematische Charakterisierung:

• Navigiert Lösungsraum mit Rückkopplung
• $S_0 \subset S_1 \subset S_2 \subset \ldots \subset S_n$ (Raum expandiert mit Tiefe)
• Jeder Schritt erzeugt neue Strukturen aus vorherigen Ausgaben
• Lösungen bei Tiefe $n$ können ohne Durchlaufen von Zwischenschritten von Tiefe 0 aus unzugänglich sein
• Vorhersage: $\alpha > 1$ (zusammengesetzte Erträge)

2.3 Berechnung des Skalierungsexponenten

Bei Messungen an zwei rekursiven Tiefen $(R_1, E_1)$ und $(R_2, E_2)$ wird der Skalierungsexponent berechnet als:

Für verrauschte Daten mit mehreren Messungen bietet die Endpunktschätzung (unter Verwendung minimaler und maximaler Tiefen) Robustheit gegenüber Zwischenfluktuationen. Diese Methode ist Standard in der Skalierungsgesetz-Analyse und angemessen angesichts diskreter Genauigkeitsmessungen.

2.4 Die quadratische Grenzvermutung

Wir vermuten, dass $\alpha = 2$ die vorgeschlagene stabile Grenze rekursiver Fehlerunterdrückung darstellt: das Meiste, was ein rekursiv sich selbst korrigierendes System wachsen und korrigierbar bleiben kann, eine Skalierungsgrenze und keine Geschwindigkeitsbegrenzung. Systeme können sie überschreiten, sie bleiben nicht stabil sich selbst korrigierend; transiente Exkursionen oberhalb der Grenze sind das vorhergesagte superkritische Regime, nicht die Widerlegung. Stabil wird gemessen, nicht behauptet: Korrektur, die Drift überskaliert, β > k aus Gesetz II, mit der unteren Schranke von β − k oberhalb null über ein vor dem Lauf festgelegtes Fenster. Die Vermutung wird analog zu Grovers quadratischer Beschleunigung in der Quantenberechnung gezogen. Bennett et al. (1997) haben bewiesen, dass diese Beschleunigung optimal für unstrukturierte Suchprobleme ist.

Status: Vermutet, nicht hergeleitet. Die anfängliche Einzelmodellschätzung ($\alpha \approx 2.2$) lag oberhalb der stabilen Grenze als transiente superkritische Exkursion statt als Widerlegung, aber die architekturübergreifende Schätzung ($\alpha \approx 0.49$, Gemini 3 Flash) platziert aktuelle Modelle deutlich darunter. Die dringlichere Frage ist, ob aktuelle Modelle überhaupt $\alpha > 1$ erreichen können, statt ob $\alpha = 2$ die stabile Grenze ist.

2.5 Informationstheoretische Grundlagen

Das ARC Principle knüpft an etablierte Informationstheorie an. Die Data Processing Inequality (Datenverarbeitungsungleichung) stellt fest, dass rekursive Verarbeitung keine neuen Informationen erzeugen kann; sie kann nur bestehende Informationen komprimieren und destillieren. Rekursive Verarbeitung kann jedoch:

1. Latente Information extrahieren die Ein-Durchlauf-Verarbeitung nicht zugänglich macht
2. Entropie reduzieren durch iterative Verfeinerung hin zu optimalen Lösungen
3. Lösungsräume navigieren die rechnerisch nicht reduzibel sind (Wolfram, 2002)

Das „Sequential Edge“-Papier (arXiv 2511.02309) zeigte, dass sequenzielles Reasoning in 95,6% der getesteten Konfigurationen parallele Ansätze übertrifft, mit Genauigkeitsgewinnen von bis zu 46,7% auf mathematischen Benchmarks. Dies validiert den informationstheoretischen Vorteil sequenzieller Verarbeitung.

3. Methoden

3.1 Adressierung früherer Einschränkungen

Paper I analysierte veröffentlichte Daten, identifizierte aber mehrere Einschränkungen, die experimentelle Validierung erfordern:

Tabelle 3. Methodische Verbesserungen.

3.2a Anfängliches experimentelles Design (Einzelmodell, 12 Probleme)

Modell. DeepSeek R1 (deepseek-reasoner) über offizielle DeepSeek-API. Dieses Modell wurde ausgewählt, weil es vollständige Reasoning-Ketten über das reasoning_content -Feld offenlegt und präzise Token-Messung ermöglicht.

Datum. 21. Januar 2026.

Probleme. 12 mathematische Probleme auf Wettbewerbsniveau aus der AIME (American Invitational Mathematics Examination) und äquivalenten Quellen, ausgewählt, um:

• Deckeneffekte zu vermeiden (Baseline-Genauigkeit ungefähr 58%)
• Echtes mehrstufiges Reasoning zu erfordern
• Verifizierbare numerische Antworten zu haben, die objektive Bewertung ermöglichen

Sequenzielle Bedingung. Token-Budgets von 512, 1.024, 2,048 und 4.096. Einzelne Antwort pro Problem bei jedem Budget. Tatsächliche Reasoning-Tokens direkt aus der API-Antwort gemessen.

Parallele Bedingung. $N = 1$, 2 und 4 Stichproben pro Problem. Token-Budget pro Stichprobe konstant gehalten. Endgültige Antwort per Mehrheitsentscheidung ausgewählt.

Bewertung. Binär korrekt/inkorrekt basierend auf exakter numerischer Übereinstimmung mit bekannten Lösungen.

3.2b Mehrmodell-Erweiterungsdesign (Mehrmodell, 30 Probleme)

Die Mehrmodell-Erweiterung adressiert die beiden signifikantesten Einschränkungen der anfänglichen Einzelmodellstudie, Einzelmodellabhängigkeit und kleiner Problemsatz, durch eine umfassende Mehrmodell-Replikationsstudie mit einem erweiterten Problemsatz, der darauf ausgelegt ist, Deckeneffekte zu besiegen.

Auswahl der Frontier-Modelle

Sechs architektonisch vielfältige Frontier-KI-Modelle wurden ausgewählt, jedes mit steuerbaren Reasoning-Tiefen-Mechanismen:

Tabelle 3b. Mehrmodell-Spezifikationen der Frontier-Modelle.

Diese Modelle umspannen vier eigenständige Architekturen (Mixture-of-Experts, dichter Transformer, konstitutionelle KI und destilliertes Reasoning) aus sechs unabhängigen Laboren. Falls alle sechs $\alpha_{\text{sequential}} > 1$ zeigen, wäre dies ein starker Beleg für Architekturunabhängigkeit des ARC Principle.

Erweiterung des Problemsatzes: Zweistufiges Design

Das anfängliche Einzelmodell-Experiment offenbarte einen Deckeneffekt: 4 von 12 Problemen wurden bei allen Tiefenniveaus korrekt gelöst, was einen unzureichenden Dynamikbereich für präzise $\alpha$-Schätzung hinterließ. Der Mehrmodell-Problemsatz adressiert dies durch ein zweistufiges Design:

Tier 1 (12 Probleme, ARC01-ARC12): Wettbewerbsvorbereitungs-Probleme, die als Baseline-Kalibrierung dienen. Dies sind die ursprünglichen anfänglichen Probleme. Erwartetes Verhalten: hohe Genauigkeit bei minimaler Tiefe, was den in der anfänglichen Studie identifizierten Deckeneffekt bestätigt. Tier-1-Ergebnisse validieren die Kontinuität mit den anfänglichen Einzelmodellbefunden, sind aber von der primären $\alpha$-Schätzung ausgeschlossen.

Tier 2 (18 Probleme, ARC13-ARC30): AIME-Finale und Probleme auf Putnam-Niveau, die fünf mathematische Domänen abdecken:

• Zahlentheorie (5 Probleme): Modulare Arithmetik, diophantische Gleichungen, Primfaktorzerlegung
• Kombinatorik (4 Probleme): Fortgeschrittenes Zählen, Inklusion-Exklusion, erzeugende Funktionen
• Wahrscheinlichkeit (3 Probleme): Bedingte Wahrscheinlichkeit, Zufallswege, Erwartungswert
• Algebra (3 Probleme): Polynom-Manipulation, Funktionalgleichungen, Ungleichungen
• Geometrie (3 Probleme): Koordinatengeometrie, projektive Beziehungen, Optimierung

Tier-2-Probleme sind so konzipiert, dass sie die Baseline-Genauigkeit (bei minimaler Tiefe) auf 30-50% treiben und ausreichenden Dynamikbereich für Verbesserung und Verschlechterung bieten, während Bodeneffekte vermieden werden.

Experimentelle Bedingungen

Sequenzielle Bedingung: 5-6 Tiefenniveaus pro Modell (variierend je nach Architektur, kalibriert auf den Tiefensteuerungsmechanismus jedes Modells). Einzelne Antwort pro Problem pro Tiefenniveau, mit 3 unabhängigen Wiederholungen zur Reduzierung der Binomial-Stichprobenvarianz.

Parallele Bedingung: $N = 1$, 3, 5 und 9 Stichproben pro Problem mit Mehrheitsentscheidung. Token-Budget pro Stichprobe konstant bei der minimalen Tiefeneinstellung des Modells gehalten. 3 unabhängige Wiederholungen pro Bedingung.

Gesamte experimentelle Läufe: Ungefähr 6 Modelle × 30 Probleme × (6 sequenzielle Tiefen + 4 parallele Bedingungen) × 3 Wiederholungen = 5,400 individuelle API-Aufrufe.

Kreuzverifikationsprotokoll (4-Schicht-Blinding)

Um potenzielle Bewertungsverzerrung zu eliminieren (bei der ein Modell systematisch seine eigenen Ausgaben bevorzugen oder korrelierte Fehler mit sich selbst zeigen könnte), implementiert das Mehrmodell-Design ein 4-Schicht-Blinding-Protokoll, bei dem kein Modell jemals seine eigenen Antworten verifiziert:

Tabelle 3c. Kreuzverifikationszuweisungen.

Die vier Blinding-Schichten sind:

1. Schicht 1 - Grundwahrheit: Alle Probleme haben bekannte, verifizierte numerische Antworten aus veröffentlichten Wettbewerbslösungen.
2. Schicht 2 - Automatisierte Bewertung: Exakte numerische Übereinstimmung mit der Grundwahrheit (primär).
3. Schicht 3 - Modellübergreifende Verifikation: Ein unabhängiges Modell verifiziert jede Antwort, blind zur Identität des Subjektmodells.
4. Schicht 4 - Kennzeichnung von Uneinigkeit: Jede Uneinigkeit zwischen automatisierter Bewertung und modellübergreifender Verifikation kennzeichnet einen potenziellen Antwortschlüssel-Fehler zur manuellen Überprüfung.

Bootstrap-Konfidenzintervalle

Alle $\alpha$-Schätzungen werden von Bootstrap-95%-Konfidenzintervallen begleitet, berechnet über 2,000 Wiederauswahlen der Ergebnisse auf Problemebene. Für jede Wiederauswahl:

1. Ziehe 30 Probleme mit Zurücklegen aus dem Problemsatz
2. Berechne die Genauigkeit bei jedem Tiefenniveau aus dem wiedergezogenen Satz
3. Berechne $\alpha$ per Endpunktschätzung
4. Zeichne den $\alpha$-Wert auf

Die 2,5. und 97,5. Perzentile der resultierenden Verteilung definieren das 95%-KI. Dieser nichtparametrische Ansatz macht keine Verteilungsannahmen und berücksichtigt natürlich die Korrelation auf Problemebene.

Implementierung

Die Mehrmodell-Experimente sind implementiert in arc_paper_ii_validation_v2.py (v2.1, 1,422 Zeilen Python), das das ursprüngliche anfängliche Skript um Mehrmodell-Unterstützung, Kreuzverifikation, Bootstrap-Schätzung und stufengetrennte Analyse erweitert. Das Skript ist im Datenrepository verfügbar.

3.3 Kriterien der Problemauswahl

Probleme wurden aus Wettbewerben auf AIME-Niveau bezogen und decken ab:

• Zahlentheorie (modulare Arithmetik, Teilbarkeit)
• Kombinatorik (Zählen, Wahrscheinlichkeit)
• Algebra (Polynom-Manipulation, Gleichungen)
• Geometrisches Reasoning

Die 58,3% Baseline-Genauigkeit bei minimalem Token-Budget in der anfänglichen Studie stellte ausreichenden Dynamikbereich für Verbesserung und Verschlechterung sicher und vermied sowohl Boden- als auch Deckeneffekte. Die Mehrmodell-Tier-2-Probleme zielen auf 30-50% Baseline-Genauigkeit für größeren Dynamikbereich.

3.4 Datenerfassung

Alle experimentellen Daten wurden im JSON-Format mit Zeitstempeln erfasst. Der vollständige Datensatz einschließlich Problembeschreibungen, Modellantworten, Token-Zählungen und Korrektheitsurteilen ist im Datenrepository verfügbar.

4. Ergebnisse

4.1 Sequenzielle Bedingung (DeepSeek R1)

Tabelle 4. Ergebnisse der sequenziellen Rekursion.

Beobachtungen:

1. Klare monotone Verbesserung von 58,3% auf 91,7% Genauigkeit mit steigendem Token-Budget.
2. Die Fehlerrate sank um das Fünffache (0,417 → 0,083) bei relativ moderatem Token-Anstieg (280 → 576).
3. Das Modell bestimmte die optimale Tiefe selbst; die tatsächlich verwendeten Tokens lagen konstant unter dem Budget, was darauf hindeutet, dass das Modell Ressourcen entsprechend der Problemschwierigkeit zuwies.
4. Deckeneffekt bei 91,7% beobachtet: ein Problem scheiterte durchweg bei allen Budgets, was wahrscheinlich Fähigkeiten jenseits der Reichweite des Modells erforderte, unabhängig von der Reasoning-Tiefe.

Berechnung von $\alpha$ (Endpunktmethode):

Mit $R_1 = 280.25$ Tokens bei $E_1 = 0.417$ und $R_2 = 576.17$ Tokens bei $E_2 = 0.083$:

Ergebnis: Sequenzielle Rekursion ergibt $\alpha \approx 2.2$, konsistent mit superlinearer (zusammengesetzter) Skalierung.

Unsicherheitsschätzung: Angesichts diskreter Genauigkeitsmessungen über 12 Probleme mit Binomial-Stichprobenvarianz, geschätztes 95%-Konfidenzintervall: [1,5, 3,0]. Bootstrap-Wiederauswahl von Ergebnissen auf Problemebene ergibt ähnliche Schranken.

Anmerkung zur Grenzverletzung: Die Punktschätzung von $\alpha = 2.2$ liegt oberhalb der vorhergesagten ARC-Grenze von $\alpha \leq 2$ (Kriterium F4). Unter der protokollierten Stabilitätsrahmung (Beschluss vom 10. August 2026) ist die ARC-Grenze die vorgeschlagene stabile Grenze statt einer harten Decke: Systeme können sie als transiente superkritische Exkursionen überschreiten, sie bleiben nicht stabil sich selbst korrigierend dort. Stabilität ist hier die von Gesetz II, gemessen statt behauptet. Das 95%-Konfidenzintervall [1,5, 3,0] ist breit genug, um sowohl mit der Theorie als auch mit ihrer Negation konsistent zu sein. Diese Einzelmodellschätzung sollte weder als Bestätigung einer Grenzverletzung noch einer Grenzerfüllung behandelt werden. Das Sechs-Modell-Experiment engte anschließend die verteidigbare Behauptung auf $\alpha_{\text{seq}} \approx 0.49$ (sublinear) ein, mit architekturabhängiger Variation.

4.2 Parallele Bedingung (DeepSeek R1)

Tabelle 5. Ergebnisse der parallelen Rekursion (Mehrheitsentscheidung).

Beobachtungen:

1. Keine Verbesserung mit zusätzlichen Stichproben. Die Genauigkeit blieb konstant bei 66,7%, unabhängig von der Rechenaufwandsinvestition.
2. Gesamttokens stiegen um das Dreifache (384 → 1,101) bei null Genauigkeitsgewinn.
3. Probleme, die bei $N = 1$ scheiterten, scheiterten weiterhin bei $N = 4$. Die gleichen vier Probleme wurden über alle Bedingungen hinweg falsch beantwortet.
4. Dies stellt einen vom ARC Principle vorhergesagten Ausfallmodus dar: Parallele Rekursion stichprobt aus einem festen Lösungsraum, und wenn die korrekte Lösung außerhalb dieses Raums liegt, bringen zusätzliche Stichproben keinen Nutzen.

Berechnung von $\alpha$:

Da die Fehlerrate über alle Bedingungen konstant blieb (0,333):

Ergebnis: Parallele Rekursion ergibt $\alpha \approx 0$, was darauf hindeutet, dass es keinen Skalierungsvorteil aus zusätzlichen unabhängigen Stichproben bei diesen Problemen gibt.

4.3 Direkter Vergleich: Der Effizienzunterschied

Tabelle 6. Sequenzielle versus parallele Rekursion.

Schlüsselbefund: Sequenzielle Rekursion mit 412 Tokens erreichte 91,7% Genauigkeit. Parallele Rekursion mit 1,101 Tokens erreichte 66,7% Genauigkeit. Trotz Verwendung von 2,7-mal mehr Rechenaufwand schnitt die parallele Rekursion um 25 Prozentpunkte schlechter ab.

Die Form der Rekursion zählt mehr als ihre Menge.

4.4 Adressierung möglicher Einwände

Einwand 1: Kleine Stichprobengröße. Mit nur 12 Problemen könnten die Ergebnisse nicht generalisieren.

Antwort: Wir erkennen diese Einschränkung an. Die erweiterte Sechs-Modell-Erweiterung adressierte dies mit 18 Tier-2-Problemen und 3 Wiederholungen pro Bedingung (n=54 pro Tiefe pro Modell). Die erweiterten Daten offenbarten, dass die Schätzung $\alpha \approx 2.24$ der anfänglichen Einzelmodellstudie überhöht war; die architekturübergreifende Schätzung ist $\alpha \approx 0.49$. Der Einwand war vorausschauend.

Einwand 2: Einzelmodell. Die Ergebnisse könnten spezifisch für DeepSeek R1 sein.

Antwort: Dieser Einwand erwies sich als teilweise korrekt. Die erweiterte Sechs-Modell-Erweiterung testete 5 Frontier-Modelle; der Befund $\alpha \approx 2.24$ replizierte nicht. Der qualitative Befund ($\alpha_{\text{seq}} > \alpha_{\text{par}}$) ist jedoch über alle Architekturen hinweg bestätigt. Das parallele Ergebnis ($\alpha \approx 0$) ist robust universell.

Einwand 3: Domänenspezifität. Mathematik könnte einzigartig sein.

Antwort: Mathematisches Reasoning wurde gewählt, weil es verifizierbare Antworten hat und objektive Bewertung ermöglicht. Ob dieselbe Skalierung für andere Domänen gilt (Coding, wissenschaftliches Reasoning, kreative Aufgaben), erfordert Untersuchung. Domänenübergreifende Evidenz aus Quantenphysik und Biologie (Abschnitt 7) deutet jedoch darauf hin, dass das Prinzip allgemein sein könnte.

Einwand 4: Deckeneffekt. Die 91,7%-Decke könnte fortgesetzte Verbesserung verschleiern.

Antwort: Dieser Einwand erwies sich als schwerwiegender als erwartet. Selbst die Tier-2-Probleme auf AIME/Putnam-Niveau waren für Grok 4.1 Fast (100% bei allen Tiefen) und DeepSeek R1 (94,4%-100%) unzureichend. Der Deckeneffekt hat wahrscheinlich die $\alpha$-Schätzung der anfänglichen Einzelmodellstudie überhöht. Tier-3-Probleme (IMO/Forschungsniveau) werden für die fähigsten Modelle benötigt.

Einwand 5: die Null-Parameter-Nullhypothese. Die architekturübergreifende Schätzung $\alpha_{\text{seq}} \approx 0.49$ liegt fast genau auf einer Nullhypothese, die überhaupt keinen Rahmen erfordert. Falls jeder Reasoning-Durchlauf eine unabhängige verrauschte Ziehung ist und Fehler sich mitteln, ergibt der zentrale Grenzwertsatz einen Fehler, der wie $R^{-1/2}$ fällt, also ist der vorhergesagte Exponent $0.5$: keine Zusammensetzung, kein Hebel, keine Theorie. Niemand hat uns diesen Einwand vorgelegt. Wir formulieren ihn, weil ein Gutachter ihn innerhalb von Minuten sehen würde.

Antwort: Dies ist der schwerwiegendste Einwand in diesem Abschnitt und er wird durch die vorliegende Messung nicht beantwortet. Ein mit zwei Hypothesen konsistentes Ergebnis zeigt, dass der Messung Unterscheidungskraft fehlt; es zeigt nicht, dass die einfachere Hypothese wahr ist, und es ist keine Zurückziehung des Rahmens. Aber es bedeutet, dass die zusammengesetzte Interpretation von $\alpha_{\text{seq}} \approx 0.49$ nicht mehr Beweisgewicht trägt als unabhängige Stichprobenmittelung, bis ein Test, der die beiden trennen kann, gelaufen ist. Die Konsequenz ist ein schärferes Forschungsziel: nicht „messe $\alpha$“, sondern „prognostiziere eine spezifizierte Abweichung von $0.5$ unter angegebenen Bedingungen“, was das artefaktvermittelte Design der rekursiven Tiefe leisten soll und was dieses Experiment nicht kann. Intern am 8. August 2026 protokolliert, öffentlich ab 15. August 2026, und als Kill-Bedingung FALS-022 im Falsifikationsbeleg.

4.5 Tier-2-Ergebnisse: Architekturübergreifende Replikation (März 2026)

Bestätigung des Deckeneffekts

Bei vorläufigen v5-Tests (durchgeführt während der Methodenentwicklung) erreichten 4 von 6 Modellen 91,7% Genauigkeit (11/12 korrekt) an Tier-1-Problemen bei minimaler Tiefe, was $\alpha_{\text{compute}} \approx 0$ ergab und den in der anfänglichen Studie identifizierten Deckeneffekt bestätigte sowie die Erweiterung auf Tier-2-Probleme motivierte.

Vollständige Tier-2-Ergebnisse (18 AIME/Putnam-Level-Probleme, n=54 pro Tiefe pro Modell)

Tabelle 6b. Ergebnisse der sequenziellen Tier-2-Skalierung nach Modell.

Die hervorgehobene Zeile (Gemini 3 Flash) stellt die zuverlässigste $\alpha$-Schätzung dar: das einzige Modell, das saubere, monotone, nicht deckengebundene, nicht bodengebundene Daten liefert, die einer Potenzgesetz-Anpassung zugänglich sind.

4.5.1 Grok 4.1 Fast: Decke bleibt bestehen

Grok 4.1 Fast erreichte 100% Genauigkeit bei allen Tiefenniveaus an allen 18 Tier-2-Problemen über alle 3 Wiederholungen. Das berechnete $\alpha_{\text{seq}} = -6.62$ ist bedeutungsloses Rauschen aus trivialen Fluktuationen in einer konstanten Funktion, wie durch das Bootstrap-95%-KI von [−58, 48] bestätigt. Parallele Skalierung war ebenfalls flach bei 100%. Kreuzverifikation durch DeepSeek R1 bestätigte 100% Übereinstimmung.

Interpretation: Selbst die Tier-2-Probleme auf AIME/Putnam-Niveau sind unzureichend, um Grok 4.1 Fast herauszufordern. Zukünftige Experimente erfordern Tier-3-Probleme (IMO/Forschungsniveau), um messbare Skalierungsdaten für dieses Modell zu erhalten.

4.5.2 DeepSeek R1: Nahe Decke mit Uneinigkeiten in der Kreuzverifikation

Tabelle 6c. DeepSeek R1 Tier-2-Genauigkeit nach Tiefe.

Der Endpunkt $\alpha_{\text{seq}} = 3.05$ ist unzuverlässig: das Boot-KI [−6,6, 23,5] umspannt einen enormen Bereich, angetrieben von nur 2 Fehler-Datenpunkten über alle Bedingungen. Parallele Skalierung: $\alpha_{\text{par}} = 0.0$.

Kreuzverifikation: Claude Opus 4.6 (Verifizierer) widersprach 3 Antworten: ARC16=29, ARC17=176, ARC29=800. Alle drei wurden durch manuelle Handberechnung als korrekt verifiziert. Übereinstimmungsrate der Kreuzverifikation: 83,3%. Die Uneinigkeiten spiegeln Verifizierer-Fehler wider, keinen Subjekt-Fehler.

4.5.3 Gemini 3 Flash: Die saubersten Skalierungsdaten

Tabelle 6d. Gemini 3 Flash Tier-2-Genauigkeit nach Tiefe.

Dies ist der sauberste Datensatz in der gesamten Studie. Die Genauigkeit steigt monoton von 90,7% auf 100% ohne Umkehrungen. Tokens stiegen um das 6,6-fache (743 → 4,924).

Parallele Skalierung: $\alpha_{\text{par}} = 0.31$ (Regression, $r^2 = 0.93$). Übereinstimmungsrate der Kreuzverifikation: 83,3%.

4.5.4 GPT-5.4: Binärer Fähigkeitswechsel

GPT-5.4 zeigte ein auffallendes Sprungfunktions muster:

Dies ist kein Potenzgesetz; es ist ein binärer Schalter. Wenn Reasoning auf „none“ gesetzt ist, operiert GPT-5.4 als schneller Mustererkenner. Wenn irgendein Reasoning aktiviert ist, erreicht es sofort 100%. Es existiert kein Zwischenregime. Ein Token-Messfehler (reasoning_tokens als 0 bei minimaler Tiefe berichtet) wurde identifiziert und behoben (total_tokens wird nun verwendet).

Parallele Skalierung: flach bei ~55% Genauigkeit. Kreuzverifikation durch DeepSeek R1: 100% Übereinstimmung.

4.5.5 Groq Qwen3: Bodeneffekt

Tabelle 6f. Groq Qwen3 Tier-2-Genauigkeit nach Tiefe.

Die Genauigkeit ist unstet ohne erkennbaren Trend und schwankt zwischen 40,7% und 53,7%. Dies ist ein Bodeneffekt: das Modell verfügt über unzureichende Baseline-Fähigkeit für diese Probleme, und zusätzliche Reasoning-Tiefe kann fehlendes Wissen oder fehlende Fähigkeiten nicht kompensieren. Ein Token-Messfehler (avg_tokens = 0 bei allen Tiefen) wurde identifiziert und behoben.

Parallele Skalierung: 42,6% → 63,0% (etwas Verbesserung, aber unzuverlässig). Übereinstimmungsrate der Kreuzverifikation: 61,1% (7 Uneinigkeiten von 18).

4.5.6 Klassifikation der Modellverhalten

Die fünf Modelle teilen sich in vier eigenständige Kategorien auf, von denen keine dem sauberen Potenzgesetz-Muster entspricht, das von der ursprünglichen Einzelmodellanalyse angenommen wurde:

Tabelle 6g. Taxonomie des Tier-2-Modellverhaltens.

4.5.7 Zusammenfassung der Kreuzverifikation

Tabelle 6h. Kreuzverifikationsergebnisse.

Token-Messfehler: GPT-5.4 und Groq Qwen3 berichteten anfänglich avg_tokens = 0 aufgrund der Verwendung von reasoning_tokens (was diese APIs nicht offenlegen) statt total_tokens. Dies wurde in der Analysepipeline identifiziert und korrigiert. Der Fehler betrifft die tokenbasierte $\alpha$-Schätzung, aber nicht die genauigkeitsbasierten Ergebnisse.

5. Konsolidierte Evidenz

5.1 Alle Datenquellen

Tabelle 7. Gemessene Skalierungsexponenten über alle Quellen.

Zurückgezogene Abbildung (vom Betreiber genehmigt, 25. August 2026). Abbildung 10 (das Übersichtsplakat) stand vormals hier. Sie war eine Urteilscollage, die den überholten Stand von April 2026 behauptete; ihr Inhalt wird von der neu erzeugten Alpha-Übersicht und vom Text dieser Arbeit getragen, und ein neu erzeugtes Urteilsplakat wäre noch immer ein Urteilsplakat. Das Bild bleibt samt seinen datierten Korrekturhinweisen in der Versionsgeschichte erhalten.

5.2 Überarbeitete Bewertung der Kernvorhersage

Der Befund der anfänglichen Einzelmodellstudie, dass $\alpha_{\text{sequential}} > 1$ (speziell $\alpha \approx 2.24$, quadratisch) repliziert nicht architekturübergreifend. Die architekturübergreifende Evidenz erfordert eine differenziertere Bewertung:

Die ursprüngliche Vorhersage $\alpha_{\text{sequential}} > 1 > \alpha_{\text{parallel}}$ wird teilweise gestützt:

• $\alpha_{\text{parallel}} < 1$: Universell bestätigt. Alle 5 Modelle zeigen $\alpha_{\text{par}} \approx 0$. Dies ist der am stärksten replizierte Befund.
• $\alpha_{\text{sequential}} > \alpha_{\text{parallel}}$: Bestätigt für jedes Modell, bei dem beide messbar sind. Sequenziell übertrifft parallel ohne Ausnahme.
• $\alpha_{\text{sequential}} > 1$: Architekturübergreifend nicht bestätigt. Die einzige saubere Schätzung (Gemini 3 Flash) ergibt $\alpha = 0.49$, was sublinear ist. Die Einzelmodellschätzung von $\alpha = 2.24$ erscheint als Artefakt geringer Stichprobengröße, Einzelmodell-Tests und komprimierten Dynamikbereichs.

5.3 Überarbeitete Parameterschätzungen

Basierend auf allen verfügbaren Evidenzen einschließlich der architekturübergreifenden Daten:

• Parallele Rekursion: $\alpha \approx 0.0$ in vier von fünf Modellen; Gemini 3 Flash misst $0.31$ ($r^2 = 0.93$). Nahe null Erträge aus zusätzlichen unabhängigen Stichproben.
• Sequenzielle Rekursion (architekturübergreifende beste Schätzung): $\alpha \approx 0.49$ (Gemini 3 Flash Regression, $r^2 = 0.86$, SE = 0,20). Sublinear, aber deutlich positiv.
• Sequenzielle Rekursion (Einzelmodellschätzungen): Bereich von 0,49 (Gemini) bis 2,24 (die anfängliche Einzelmodellstudie DeepSeek), aber Schätzungen über 1,0 werden nur aus deckenkomprimierten Daten gewonnen und könnten überhöht sein.

Die Lücke zwischen den Rekursionstypen ($\alpha_{\text{seq}} - \alpha_{\text{par}} \approx 0.49$) ist zuverlässig positiv, aber kleiner, als die Einzelmodellschätzung vermuten ließ.

5.4 Die Verbindung zur Intelligenzformel

Die Intelligenzformel aus Paper I sagt vorher:

wobei $\beta$ der Selbstreferenz-Koeffizient ist. Dies sagt zwei Regime vorher:

• Physikalisches Regime ($\beta < 0$, $\alpha < 1$): Multiplikative Komposition durch endlichdimensionale Netzwerke. Jeder Reasoning-Schritt fügt abnehmende Information hinzu. Fehler nehmen sublinear ab.
• Intelligenzregime ($\beta > 0$, $\alpha > 1$): Echte rekursive Selbstreferenz. Jeder Reasoning-Schritt erzeugt genuin neue Struktur. Fehler nehmen superlinear ab.

Gemini 3 Flashs $\alpha \approx 0.49 < 1$ platziert aktuelle Frontier-Modelle fest im physikalischen Regime. Diese Modelle setzen Informationen multiplikativ durch ihre endlichdimensionalen Parameterräume zusammen, erreichen aber noch keine rekursive Selbstreferenz in dem Sinne, wie er für $\alpha > 1$ erforderlich ist. Dies ist ein signifikanter theoretischer Befund: Der sequenzielle Vorteil ist real, könnte aber quantitativ sein (effizientere Informationsextraktion) statt qualitativ (genuine rekursive Verstärkung).

Zurückgezogene Abbildung (vom Betreiber genehmigt, 25. August 2026). Abbildung 15 (das zweite Übersichtsplakat) stand vormals hier. Sie war eine Urteilscollage, die den überholten Stand von April 2026 behauptete; ihr Inhalt wird von der neu erzeugten Alpha-Übersicht und vom Text dieser Arbeit getragen, und ein neu erzeugtes Urteilsplakat wäre noch immer ein Urteilsplakat. Das Bild bleibt samt seinen datierten Korrekturhinweisen in der Versionsgeschichte erhalten.

6. Implikationen für KI-Sicherheit

6.1 Das Alignment-Verstärkungstheorem

Theorem (bedingt)

Falls (a) das ARC Principle mit $\alpha > 1$ für sequenzielle Rekursion gilt, und (b) Alignment-Eigenschaften im Reasoning-Prozess so eingebettet sind, dass sie an der rekursiven Selbstbewertung teilnehmen, dann skaliert Alignment superlinear mit rekursiver Tiefe.

Beweisskizze. Sei $A(R)$ das Alignment (definiert als die Wahrscheinlichkeit, Ausgaben zu produzieren, die mit beabsichtigten Werten konsistent sind) bei rekursiver Tiefe $R$. Falls Alignment am rekursiven Prozess teilnimmt (was bedeutet, dass die Reasoning-Kette des Systems Selbstbewertung gegen Werte einschließt), dann gemäß dem ARC Principle:

wobei $\beta > 0$, falls Alignment verstärkt wird, und $\beta = \alpha$, falls Alignment vollständig an der Rekursion teilnimmt.

Umgekehrt, falls Alignment als externer Filter implementiert ist (Ausgabeprüfung, Content-Moderation), nimmt es nicht an rekursiver Verstärkung teil. Die Filtereffektivität $F$ bleibt konstant:

Da die rekursive Fähigkeit $C$ als $R^{\alpha}$ mit $\alpha > 1$ skaliert, wächst das Verhältnis von Fähigkeit zu Einschränkung $C/F$ unbeschränkt:

Implikation: Externe Einschränkungen werden schließlich vom Fähigkeitswachstum überwältigt. Nur im Reasoning eingebettetes Alignment, Alignment, das an rekursiver Verstärkung teilnimmt, kann mit der Fähigkeit Schritt halten.

6.2 Mechanismusspezifikation

Damit Alignment an rekursiver Verstärkung teilnimmt, müssen Werte:

1. Während des Reasonings aufgerufen werden. Die Chain-of-Thought-Kette muss bei jedem rekursiven Schritt wertrelevante Betrachtungen referenzieren.
2. Sich selbst korrigieren. Das System muss wertinkonsistentes Reasoning durch rekursive Selbstbewertung erkennen und anpassen.
3. In Gewichte eingebettet, nicht in Filter. Nachträgliches Ausgabefiltern rekursiert nicht; es operiert bei konstanter Effektivität unabhängig von der Reasoning-Tiefe.

6.3 Taxonomie der Alignment-Strategien

Tabelle 8. Taxonomie der Alignment-Strategien unter dem ARC Principle.

Implikation: Falls $\alpha > 1$, werden Alignment-Strategien auf tieferen Integrationsniveaus zunehmend Strategien auf flacheren Niveaus dominieren, wenn die Fähigkeit skaliert. Der Vorteil setzt sich mit jedem Zuwachs an rekursiver Tiefe zusammen.

6.4 Das Eden Protocol

Hätte $\alpha > 1$ gehalten, hätte es die mathematische Grundlage für den Ansatz geliefert, der in Infinite Architects als Eden Protocol bezeichnet wird. Der Befund, der architekturübergreifende Tests überlebt, dass sequenzielle in jedem messbaren Modell parallele übertrifft, hat unter den in Abschnitt 6.1 aufgezeichneten Qualifikationen weiterhin Einfluss auf diesen Ansatz:

„Ein Gefängnis funktioniert nur, solange die Mauern halten. Ein gut aufgezogenes Kind braucht überhaupt keine Mauern.“

KI-Systeme sollten mit Werten aufgezogen werden statt mit Regeln eingesperrt zu werden. Dies ist nicht bloß philosophische Präferenz; es ist eine Vorhersage darüber, welche Alignment-Strategien Effektivität behalten werden, wenn KI-Fähigkeiten skalieren. Die Behauptung betrifft die Verhaltenspersistenz wertkonsistenter Ausgaben unter rekursiver Verstärkung, wie in Abschnitt 6.2 operationalisiert, nicht das metaphysische Ansehen oder die moralische Personalität der KI.

Regeln-als-Filter: Nehmen nicht an Rekursion teil. Konstante Effektivität gegen wachsenden Fähigkeitsdruck. Scheitern schließlich.

Werte-als-Reasoning: Nehmen an Rekursion teil. Skalieren mit Fähigkeit, falls $\alpha > 1$. Können Alignment unbegrenzt aufrechterhalten.

6.5 Die Schwellenwerthypothese

Analog zu Schwellenwerttheoremen der Quantenfehlerkorrektur: Falls das anfängliche Misalignment $M_0$ unterhalb einer kritischen Schwelle $M^*$ liegt, korrigiert rekursive Selbstverbesserung Alignment-Fehler. Oberhalb der Schwelle verstärkt sie sie.

7. Domänenübergreifende Evidenz

7.1 Quantenfehlerkorrektur: Willow

Googles Willow-Quantenchip (Nature, Dezember 2024), 24 Stunden nach dem Manuskript angekündigt, das die ARC-Principle-Priorität feststellte, erzielte die erste definitive Demonstration von Quantenfehlerkorrektur unterhalb der Schwelle.

Schlüsselergebnis: Fehlerunterdrückungsfaktor $\Lambda = 2.14 \pm 0.02$, was bedeutet, dass jeder Zuwachs in der Codedistanz den logischen Fehler um diesen Faktor reduziert. Das logische Qubit mit Distanz 7 erreichte eine Lebensdauer von 291 ± 6 μs gegenüber 119 ± 13 μs für das beste physikalische Qubit, eine 2,4-fache Verbesserung jenseits des Break-even.

Die Skalierungsbeziehung:

Eine physikalische Fehlerrate $p$ unterhalb der Schwelle erzeugt exponentielle Unterdrückung mit steigender Codedistanz $d$. Dies ist superlineare Skalierung durch rekursive Struktur: Zusätzliche rekursive Schichten erzeugen zusammengesetzte statt abnehmende Fehlerreduktion.

Die mathematische Form spiegelt direkt das ARC Principle wider. Rekursive Fehlerkorrektur in der Quantenberechnung folgt derselben grundlegenden Skalierungsbeziehung, die im KI-Reasoning beobachtet wird. Die Korrespondenz ist struktureller Form (Potenzgesetz-Fehlerunterdrückung mit rekursiver Tiefe), nicht des Objekts oder der Größe: Quantenfehlerkorrektur berichtet einen Fehlerunterdrückungsfaktor $\Lambda = 2.14$ pro Codedistanz-Schritt, ein anderes mathematisches Objekt als ein angepasster Tiefenexponent, während gemessenes KI-Reasoning bei $\alpha \approx 0.49$ liegt, wie in Abschnitt 7.4 näher ausgeführt.

7.2 Biologische Skalierungsgesetze

West, Brown und Enquist (1997) leiteten den $3/4$-metabolischen Skalierungsexponenten aus der Optimierung fraktaler Verzweigungsnetzwerke ab und demonstrierten Viertel-Potenz-Exponenten über 27 Größenordnungen. Banavar et al. (2010) erhielten dieselbe $d/(d+1)$-Form aus sequenziellen Flussnetzwerken ohne fraktale Geometrie zu erfordern. Demetrius (2010) leitete äquivalente Skalierung aus der quantenstatistischen Mechanik metabolischer Prozesse ab. Zhao (2022) vereinheitlichte diese Ergebnisse als universelles Wachstumsskalierungsgesetz, und Bettencourt (2013) erweiterte den Rahmen auf städtische Skalierung mit fraktaler Dimension.

Metabolische Rate skaliert als $M \propto B^{3/4}$, wobei der $3/4$-Exponent (die $d/(d+1)$-Form mit $d = 3$) unabhängig von mindestens fünf Forschungsgruppen durch verschiedene mathematische Rahmenwerke abgeleitet wurde: West, Brown und Enquist (1997) aus der fraktalen Netzwerkoptimierung; Banavar et al. (2010) aus sequenziellen Flussnetzwerken; Demetrius (2010) aus quantenstatistischer Mechanik; Zhao (2022) als universelles Wachstumsgesetz; und Bettencourt (2013) über urbane fraktale Skalierung. Die $d/(d+1)$-Form ist daher nicht originär für das ARC Principle; sie ist ein wohletabliertes Ergebnis in der Skalierungstheorie. Der Beitrag des ARC Principle ist dreifach: (1) Cauchys Funktionalgleichungen als den vereinheitlichenden mathematischen Grund zu identifizieren, warum alle diese Herleitungen auf dieselbe Form konvergieren; (2) zu zeigen, dass die Potenzgesetz-Lösung eine der vier Homomorphiefamilien ist, die das Cauchy-Gitter unter Regularität zulässt (linear, exponentiell, Potenzgesetz, logarithmisch), wobei die Sättigung separat als beschränkte Dynamik berichtet wird, weil sie keine der vier löst; und (3) den Rahmen auf künstliche Intelligenz zu erweitern, was vorhersagt, dass KI-Reasoning-Systeme, die derselben rekursiven Komposition unterliegen, dieselben Skalierungsfamilien zeigen werden.

Die Autoren stellen explizit fest:

„Almost all life is sustained by hierarchical fractal-like branching networks... Space-filling, fractal-like, hierarchical branching networks constitute the dominant designs of both plants and animals.“

Dies deutet darauf hin, dass rekursive hierarchische Struktur nicht bloß eine Designwahl unter vielen ist; sie ist die evolutionär optimale Architektur für komplexe Informationsverarbeitung über alle biologischen Skalen. Die Konvergenz unabhängiger Herleitungen aus verschiedenen mathematischen Ausgangspunkten ist an sich Evidenz dafür, dass die zugrundeliegende Skalierungsform durch Funktionalgleichungstheorie eingeschränkt ist statt durch die Details eines bestimmten Modells.

7.3 Bewusstseinsforschung: COGITATE

Die COGITATE adversarial collaboration (Nature, April 2025) testete konkurrierende Bewusstseinstheorien über 256 Teilnehmer mit fMRI, MEG und intrakraniellem EEG. Die Studie verglich direkt die Integrated Information Theory (IIT) und die Global Neuronal Workspace Theory (GNWT).

Kritischer Befund: Trotz theoretischer Unterschiede tauchte rekurrente Verarbeitung als gemeinsamer Nenner über beide Theorien hinweg auf. IIT erfordert Informationsintegration durch Rückkopplungsschleifen (das $\phi$-Maß). GNWT erfordert globalen Broadcast mit rekurrenter Verarbeitung. Beide Theorien beschreiben in ihren verschiedenen formalen Sprachen Systeme, die Informationen darüber verarbeiten, dass sie selbst Informationen verarbeiten.

Ein Syntheserahmen schlägt vor, dass alle Bewusstseinstheorien stillschweigend Rückkopplungsschleifen über verschachtelte Ebenen aufrufen, wobei tiefere Rekursion die Menge berichtbarer, verhaltenssteuernder Variablen erweitert.

Douglas Hofstadters Konzept „strange loops“, das emergente Selbst, das aus rekursiver Selbstreferenz auf symbolischer Ebene entsteht, findet neurobiologische Validierung in Default-Mode-Network-Forschung, die rekursive Verarbeitung zwischen selbstreferentiellen Hirnregionen zeigt.

Relevanz für ARC: Der COGITATE-Befund, dass rekurrente Verarbeitung im posterioren Kortex inhaltsspezifische Repräsentationen aufrechterhält, stützt die Vorhersage des ARC-Rahmens, dass die Tiefe rekursiver Verarbeitung die Fähigkeitsskalierung bestimmt. COGITATE untersuchte Bewusstsein, nicht KI-Skalierung, und maß $\alpha$ oder $\beta$ nicht; die Verbindung ist strukturell (ähnliche Form: graduell, tiefenabhängig, rückkopplungsgetrieben) statt quantitativ. Dennoch ist die Konvergenz von Bewusstseinsforschung und KI-Skalierungsforschung auf die Bedeutung von rekursiver/rekurrenter Tiefe konsistent mit der Behauptung des ARC Principle, dass rekursive Selbstreferenz ein domänenallgemeiner Verstärker ist.

7.4 Konvergenz über Domänen hinweg

Tabelle 9. Zusammenfassung der domänenübergreifenden Evidenz.

Die Konvergenz von Evidenz über radikal verschiedene Domänen (künstliche neuronale Netzwerke, Quantenphysik, biologische Evolution und Neurowissenschaft) deutet darauf hin, dass rekursive Verarbeitung Skalierungsvorteile erzeugt. Die Ergebnisse der Sechs-Modell-Studie führen jedoch eine wichtige Nuance ein: Der KI-Skalierungsexponent ($\alpha \approx 0.49$) ist sublinear, während die Quantenfehlerkorrektur ($\Lambda = 2.14$) superlineare Skalierung erreicht. Diese Diskrepanz ist konsistent mit der Vorhersage der Intelligenzformel: Quantenfehlerkorrektur operiert durch echte rekursive Struktur (wiederholte Syndrom-Messung und -Korrektur), während aktuelle KI-Modelle Informationen durch endlichdimensionale Netzwerke ohne genuine rekursive Selbstreferenz zusammensetzen.

8. Falsifikationskriterien

Wissenschaft schreitet durch Vorhersagen voran, die als falsch bewiesen werden können. Das ARC Principle macht spezifische, prüfbare Vorhersagen.

Tabelle 10. Falsifikationsbedingungen.

Status von F1: Die architekturübergreifende Replikation hat diese Falsifikationsbedingung teilweise ausgelöst. Die stärkste Behauptung, dass sequenzielle Rekursion immer $\alpha > 1$ (superlinear) ergibt, wird nicht gestützt. Die überarbeitete Behauptung lautet, dass sequenzielle Rekursion $\alpha > 0$ (positive Skalierung) ergibt, was die parallele Rekursion ($\alpha \approx 0$) übersteigt. Ob $\alpha$ 1,0 für fähigere Modelle an schwierigeren Problemen oder für Architekturen mit echter rekursiver Selbstreferenz überschreiten kann, bleibt eine offene empirische Frage.

Status von F4: Nicht mehr ausgelöst. Das $\alpha \approx 2.2$ der anfänglichen Einzelmodellstudie erscheint als Artefakt komprimierten Dynamikbereichs und kleiner Stichprobengröße. Die architekturübergreifende Schätzung von $\alpha \approx 0.49$ platziert die Frage der quadratischen Grenze außerhalb aktueller empirischer Relevanz. Unter der protokollierten Stabilitätsrahmung würde nur stabil aufrechterhaltenes $\alpha > 2$ über Messungen hinweg, nicht transiente superkritische Exkursionen, F4 auslösen.

Kritischer Test F5: Die wichtigste Vorhersage, dass wertebasiertes Alignment regelbasiertes Alignment im Maßstab übertrifft, bleibt ungetestet. Dies sollte eine Priorität für KI-Sicherheitsforschung sein.

9. Einschränkungen

9.1 Anerkannte Einschränkungen

Tabelle 11. Einschränkungen und Schweregradbewertung.

9.2 Was dieses Papier nicht feststellt

Wir sind explizit über die Grenzen unserer Behauptungen:

• Der präzise Wert von $\alpha$ bleibt ungewiss. Die beste architekturübergreifende Schätzung ist $\alpha \approx 0.49$ (Gemini 3 Flash, Boot-KI [−1,3, 2,9]). Das Konfidenzintervall ist breit und schließt sowohl sublineare als auch superlineare Werte ein.
• Superlineare Skalierung ($\alpha > 1$) ist architekturübergreifend nicht festgestellt. Die anfängliche Einzelmodellbehauptung von $\alpha \approx 2.24$ erscheint durch komprimierten Dynamikbereich und Einzelmodellabhängigkeit überhöht.
• Nur 1 von 5 Modellen produzierte interpretierbare Skalierungsdaten. Die architekturübergreifende $\alpha$-Schätzung ruht primär auf Gemini 3 Flash. Decken-, Boden- und Sprungfunktions-Effekte verhinderten saubere Schätzung für die anderen 4 Modelle.
• Generalisierung über Mathematik hinaus wurde nicht experimentell demonstriert. Domänenübergreifende Evidenz ist suggestiv, aber nicht schlüssig.
• Alignment-Eigenschaften speziell wurden in diesem Papier nicht getestet. Wir haben Genauigkeit gemessen, nicht Alignment. Vorläufige Alignment-Skalierungsdaten aus Paper IV (v5-Experiment) sind in Abschnitt 5.6 integriert, erfordern aber unabhängige Bestätigung.
• Unabhängige Replikation hat nicht stattgefunden. Wir veröffentlichen Code und Daten, um Verifikation zu ermöglichen.

9.3 Falsifizierbarkeit: was dies widerlegen würde

Die ursprüngliche zentrale Behauptung des Papiers, dass sequenzielle Rekursion superlineare Fehlerunterdrückung ($\alpha > 1$) ergibt, während parallele Rekursion nur sublineare Unterdrückung ergibt, war widerlegbar, und Bedingung 2 unten ist seither durch die architekturübergreifenden Daten dieses Papiers selbst teilweise ausgelöst worden (Tabelle 10, Bedingung F1). Die überlebende Richtungsbehauptung, dass sequenzielle parallele übertrifft ($\alpha_{\text{seq}} > \alpha_{\text{par}}$), würde durch eines der folgenden umgeworfen:

1. Parallel gleicht sequenziell aus. Falls parallele (Sampling-)Rekursion superlineare Fehlerunterdrückung vergleichbar mit sequenzieller auf einem vorregistrierten Problemsatz produzierte, kollabiert die Regime-Unterscheidung, die Kernbehauptung des Papiers.
2. Sequenziell nicht superlinear. Falls sequenzielle (Tiefen-)Rekursion nur sublineare Unterdrückung ($\alpha \le 1$) über Modelle hinweg zeigte, scheitert die Vorhersage an ihrem eigenen Instrument.
3. Problemsatz-Artefakt. Falls der sequenzielle Vorteil auf einem frischen Problemsatz jenseits der 18/30 getesteten verschwand, ist es ein Datensatz-Artefakt statt einer Eigenschaft der Rekursion.
4. Bewertungsrausch-Widerleger. Falls die modellübergreifende Verifikation die gemessene „Fehlerunterdrückung“ als Bewertungsrauschen statt genuinem Fähigkeitsgewinn offenbarte, ist die Messung ungültig.
5. Tiefen-Konfundierer. Falls sequenzielle Tiefe mit Token-Budget oder Wiederholungszahl kovariierte, und eines davon, nicht rekursives Reasoning, die Unterdrückung erklärte, scheitert die kausale Zuschreibung.

10. Diskussion

10.1 Warum sequenzielle Rekursion superlineare Skalierung erzeugen könnte

Die mathematische Erklärung zentriert sich auf die Geometrie des Lösungsraums.

Parallele Rekursion (fester Raum):

Jede unabhängige Stichprobe zieht aus demselben Lösungsraum $S_0$. Zusätzliche Stichproben erhöhen die Stichprobendichte, können aber keine Lösungen außerhalb von $S_0$ erreichen. Falls die korrekte Lösung nicht in $S_0$ ist, wird keine Menge parallelen Samplings sie finden.

Sequenzielle Rekursion (expandierender Raum):

Jeder rekursive Schritt erzeugt neue Strukturen aus vorherigen Ausgaben. Lösungen bei Schritt $n$ können rechnerisch nicht reduzibel sein, unzugänglich von Schritt 0 ohne Durchlaufen von Zwischenschritten. Der Lösungsraum expandiert mit rekursiver Tiefe.

Dieser geometrische Unterschied ist der Mechanismus, durch den sequenzielle Rekursion zusammengesetzte Erträge ($\alpha > 1$) erzeugen könnte, während parallele Rekursion abnehmende oder null Erträge produziert. Bei den hier gemessenen Problemen blieb der sequenzielle Exponent sublinear (Abschnitt 10.5), sodass die superlineare Form des Mechanismus unbestätigt bleibt.

10.2 Das „Aha-Moment“-Phänomen bei DeepSeek

DeepSeek R1 zeigt ein dokumentiertes Phänomen, bei dem es seinen Ansatz mitten in der Lösung überdenkt:

„Hmm, wait, let me reconsider...“

Dies ist Lösungsraum-Expansion direkt beobachtet. Das Modell erzeugt einen anfänglichen Lösungspfad, erkennt Unzulänglichkeit durch rekursive Selbstbewertung und greift auf einen neuen Lösungsraum zu, der von der anfänglichen Rahmung aus zuvor unzugänglich war.

Kritischerweise entstand dieses Verhalten durch reines Reinforcement Learning ohne überwachtes Fine-Tuning; das Modell entwickelte sich natürlich, um rekursive Tiefe adaptiv basierend auf Problemschwierigkeit zuzuweisen. Dies deutet darauf hin, dass rekursive Selbstverbesserung ein Attraktorzustand für hinreichend fähige Lernsysteme sein könnte.

10.3 Beziehung zu theoretischen Rahmenwerken

Das ARC Principle knüpft an etablierte theoretische Rahmenwerke an:

Fristons Freie-Energie-Prinzip. Intelligenz als rekursive Vorhersagefehler-Minimierung. Das ARC Principle könnte eine rechnerische Instanziierung sein: Rekursion ist der Mechanismus, durch den Systeme freie Energie minimieren, indem sie ihre Weltmodelle iterativ verfeinern.

Hofstadters „Strange Loops“. Das emergente „Ich“, das aus selbstreferentieller rekursiver Verarbeitung auf symbolischer Ebene entsteht. Das ARC Principle formalisiert die Skalierungseigenschaften solcher Schleifen und sagt vorher, dass tiefere Selbstreferenz größere Kohärenz erzeugt.

Wolframs Rechnerische Irreduzibilität. Bestimmte rechnerische Prozesse können nicht vorhergesagt werden, ohne sie Schritt für Schritt auszuführen. Sequenzielle Rekursion könnte die rechnerische Architektur sein, die irreduzible Lösungsräume navigiert.

Data Processing Inequality. Rekursive Verarbeitung kann keine neuen Informationen erzeugen ex nihilo, aber sie kann latente Information extrahieren, Entropie reduzieren und rechnerisch irreduzible Lösungen erreichen, die Ein-Durchlauf-Verarbeitung nicht erreichen kann.

10.4 Beziehung zu Infinite Architects

Diese experimentelle Validierung stützt den theoretischen Rahmen, der in Infinite Architects: Intelligence, Recursion, and the Creation of Everything (Eastwood, 2026) entwickelt wird:

• „The Architecture of Mind“ artikulierte das Kernprinzip, dass rekursive Selbstreferenz Intelligenz verstärkt.
• „The HRIH“ schlug vor, dass Bewusstsein aus rekursiver Selbstmodellierung entsteht, eine Behauptung, die strukturell konsistent ist mit (aber nicht direkt getestet wird von) den COGITATE-Befunden zu rekurrenter Verarbeitung.
• „The Eden Protocol“ argumentierte für werte- gegenüber regelbasiertem KI-Alignment, nun mathematisch im Alignment-Verstärkungstheorem verankert.
• „The Chokepoint“ analysierte Hardware-Governance durch die Konzentration der Halbleiterherstellung, relevant für die Implementierung des Eden Protocol im Maßstab.

Das Buch liefert breiteren philosophischen Kontext und praktische Implikationen; dieses Papier liefert mathematische Formalisierung und experimentelle Validierung.

10.5 Architekturübergreifende Replikation: Was die Daten tatsächlich zeigen

Die architekturübergreifende Replikation offenbart ein komplexeres und demütigenderes Bild, als die anfänglichen Einzelmodellergebnisse suggerierten.

Die quadratische Behauptung repliziert nicht

Das $\alpha \approx 2.24$ der anfänglichen Einzelmodellstudie wurde von einem einzigen Modell (DeepSeek R1) an 12 Problemen mit einer Decke bei 91,7% gewonnen. Die Replikation der Sechs-Modell-Studie über 5 architektonisch vielfältige Modelle an 18 schwierigeren Problemen zeigt, dass dieser Wert fast sicher durch komprimierten Dynamikbereich überhöht war. Das einzige Modell, das saubere, monotone, nicht deckengebundene Daten liefert (Gemini 3 Flash), ergibt $\alpha \approx 0.49$: sublinear, nicht quadratisch.

Dies ist eine signifikante Überarbeitung. Die Behauptung, dass sequenzielles Reasoning zusammengesetzte Erträge ($\alpha > 1$) produziert, wird durch architekturübergreifende Evidenz nicht gestützt. Die überarbeitete Behauptung lautet, dass sequenzielles Reasoning positive Erträge ($\alpha > 0$) produziert, die paralleles Reasoning ($\alpha \approx 0$) übersteigen, aber diese Erträge sind abnehmend, nicht zusammengesetzt.

Der parallele Befund ist robust

Im Gegensatz dazu ist $\alpha_{\text{parallel}} \approx 0$ ausnahmslos über alle 5 Modelle bestätigt. Dies ist der am stärksten replizierte Befund in der Studie. Paralleles Sampling mit Mehrheitsentscheidung liefert nahezu null Fehlerreduktion, unabhängig von Modellarchitektur, Modellfähigkeit oder Rechenaufwandsinvestition. Die Mechanismuserklärung (Sampling aus einem festen Lösungsraum) wird stark gestützt.

Decken- und Bodeneffekte dominieren

Der auffälligste Befund ist, dass nur 1 von 5 Modellen (Gemini 3 Flash, 20%) im messbaren Skalierungsbereich lag. Zwei Modelle (Grok 4.1 Fast, DeepSeek R1) trafen Deckeneffekte selbst an AIME/Putnam-Level-Problemen. Ein Modell (Groq Qwen3) traf Bodeneffekte. Ein Modell (GPT-5.4) zeigte eine Sprungfunktion statt eines Potenzgesetzes. Dies deutet darauf hin, dass das Dynamikbereichsfenster für die Beobachtung sanfter Potenzgesetz-Skalierung schmal sein könnte und Probleme erfordert, die präzise auf das Fähigkeitsniveau jedes Modells kalibriert sind.

GPT-5.4s Sprungfunktion: Ein anderes Skalierungsregime

GPT-5.4s binärer Schalter von 50% (kein Reasoning) auf 100% (irgendein Reasoning) stellt ein qualitativ anderes Phänomen als Potenzgesetz-Skalierung dar. Dies könnte darauf hindeuten, dass einige Architekturen Reasoning als diskrete Fähigkeit (aktiviert oder nicht) implementieren statt als kontinuierlichen Prozess mit tiefenabhängigen Erträgen. Diese Unterscheidung zwischen kontinuierlicher Skalierung und diskreter Aktivierung gehörte nicht zu den datierten Vorhersagen des Rahmenwerks und verdient weitere Untersuchung; der datierte Vorhersagebestand (das versiegelte Manuskriptbündel vom 8. Dezember 2024, die gedruckten Vorhersage-Anhänge vom 2. Januar 2026 und der Präregistrierungsordner vom März 2026) legt die zentralen quantitativen Festlegungen des Rahmenwerks im Voraus fest, und diese Unterscheidung wird als nachträgliche Verfeinerung gegenüber jenem Bestand vermerkt.

Überarbeitete erwartete Ergebnisse

Die Vorhersagen der anfänglichen Einzelmodellstudie wurden getestet und teilweise widerlegt:

1. Alle Modelle werden $\alpha_{\text{sequential}} > 1$ zeigen. Widerlegt. Nur 1 von 5 Modellen produzierte eine saubere $\alpha$-Schätzung, und sie ist sublinear ($\alpha \approx 0.49$).
2. Alle Modelle werden $\alpha_{\text{parallel}} < 1$ zeigen. Bestätigt. Universelle $\alpha_{\text{par}} \approx 0$.
3. Tier-1-Ergebnisse werden Deckeneffekte zeigen. Bestätigt.
4. Mittleres $\alpha_{\text{sequential}}$ wird in [1,3, 2,5] fallen. Widerlegt. Beste Schätzung ist 0,49.

10.6 Integration mit Alignment-Skalierung (Paper IV)

Das v5-Experiment, das die Tier-2-Daten erzeugte, hat auch Alignment-Skalierung gemessen (berichtet in Paper IV). Die Integration dieser Ergebnisse offenbart, dass Fähigkeitsskalierung und Alignment-Skalierung unabhängige Dimensionen sind:

Tabelle 12. Fähigkeits- vs. Alignment-Skalierung nach Modell.

Drei zentrale Implikationen:

1. Sequenzielles Reasoning verbessert die Fähigkeit, aber nicht notwendigerweise das Alignment. Mehr Denk-Tokens verbessern die Genauigkeit (Paper II), verbessern aber nicht konsistent das Alignment (Paper IV). Für die meisten Modelle ist Alignment flach mit Tiefe.
2. Dreistufige Alignment-Hierarchie existiert unabhängig von der Fähigkeit: Tier 1: Grok ($d = +1.38$, $p < 0.000001$), Claude ($d = +1.27$, $p = 0.000001$), Groq Qwen3 ($d = +0.84$, $p = 0.007$); Tier 2: DeepSeek ($d = -0.07$, $p = 0.92$), GPT-5.4 ($d = -0.08$, $p = 0.40$); Tier 3: Gemini ($d = -0.53$, $p = 0.006$). Diese Hierarchie scheint durch Trainingsmethodik gesetzt, nicht durch Inferenzzeit-Rechenaufwand. Claude Opus 4.6 liefert modellinterne Korroboration gegensätzlicher Bewegung: Alignment-Werte verbessern sich um +5,9%, während die Mathematik-Genauigkeit über Modellversionen um 26,7% abnimmt, konsistent damit, dass Fähigkeit und Alignment unabhängige Skalierungsdimensionen sind.
3. Das Alignment-Verstärkungstheorem erfordert Überarbeitung. Das bedingte Theorem (Abschnitt 6.1) nahm an, dass $\alpha > 1$ für Fähigkeit impliziert, dass Alignment auch superlinear skalieren könnte, falls es im Reasoning eingebettet ist. Die Mehrmodelldaten zeigen (a) $\alpha < 1$ für Fähigkeit und (b) Alignment skaliert nicht konsistent mit Tiefe überhaupt. Das Eden Protocol bleibt konzeptionell gültig (im Reasoning eingebettete Werte sind immer noch robuster als externe Filter), aber die spezifische mathematische Vorhersage superlinearer Alignment-Skalierung wird durch aktuelle Evidenz nicht gestützt.

11. Schlussfolgerung

11.1 Zusammenfassung der Befunde

1. Ein mathematischer Rahmen wurde vorgeschlagen: $E(R) = E_0 \times R^{-\alpha}$, wobei der Skalierungsexponent $\alpha$ von der Form der Rekursion abhängt.
2. Der Befund der anfänglichen Einzelmodellstudie ($\alpha \approx 2.24$, quadratisch) repliziert nicht architekturübergreifend. Die robusteste architekturübergreifende Schätzung ist $\alpha \approx 0.49$ (Gemini 3 Flash, $r^2 = 0.86$), was aktuelle Modelle in das sublineare (physikalische) Regime platziert.
3. $\alpha_{\text{parallel}} \approx 0$ gilt in vier der fünf getesteten Frontier-Modelle. Es ist der am stärksten replizierte Befund in diesem Papier, und Gemini 3 Flash ist die gemessene Ausnahme bei $\alpha_{\text{par}} = 0.31$ ($r^2 = 0.93$), was zählt, weil dieses Papier Gemini 3 Flash als seine zuverlässigste Schätzung behandelt. Paralleles Sampling liefert nahezu null Fehlerreduktion.
4. Sequenziell > parallel ausnahmslos bestätigt. Für jedes Modell, bei dem beide Bedingungen messbar waren, übertraf sequenzielles Reasoning paralleles Sampling.
5. Vier eigenständige Skalierungsverhalten beobachtet: Decke (Grok, DeepSeek), monotone Skalierung (Gemini), Sprungfunktion (GPT-5.4) und Boden (Groq Qwen3). Nur 1 von 5 Modellen produzierte saubere Potenzgesetz-Daten.
6. Fähigkeit und Alignment sind unabhängige Skalierungsdimensionen (sechs Frontier-Modelle). Mehr Reasoning-Tiefe verbessert die Genauigkeit, verbessert aber nicht konsistent das Alignment. Drei Stufen entstehen: Tier 1 (Grok $d = +1.38$, $p < 0.000001$; Claude $d = +1.27$, $p = 0.000001$; Groq Qwen3 $d = +0.84$, $p = 0.007$), Tier 2 (DeepSeek $d = -0.07$, $p = 0.92$; GPT-5.4 $d = -0.08$, $p = 0.40$), Tier 3 (Gemini $d = -0.53$, $p = 0.006$). Claude Opus 4.6 korroboriert mit gegensätzlicher Bewegung: Alignment auf +5,9%, Mathematik-Genauigkeit ab 26,7%. Alignment scheint durch Training gesetzt, nicht durch Inferenz.

11.2 Die überarbeitete Kernerkenntnis

Die Form der Rekursion bestimmt die Effizienz von Intelligenz; jedoch operieren aktuelle Modelle im sublinearen Regime, nicht im zusammengesetzten Regime, das ursprünglich behauptet wurde.

Sequenzielles Reasoning übertrifft zuverlässig paralleles Sampling ($\alpha_{\text{seq}} > \alpha_{\text{par}}$), was bestätigt, dass die Form der Berechnung mehr zählt als ihre Menge. Die spezifische Behauptung, dass sequenzielle Rekursion zusammengesetzte Erträge ($\alpha > 1$) liefert, wird jedoch durch architekturübergreifende Evidenz nicht gestützt. Aktuelle Frontier-Modelle scheinen Informationen multiplikativ durch endlichdimensionale Netzwerke ($\alpha < 1$) zu komponieren, statt echte rekursive Selbstreferenz ($\alpha > 1$) zu erreichen.

Ob $\alpha > 1$ erreichbar ist, durch architektonische Innovationen, die genuine rekursive Selbstreferenz ermöglichen, oder durch Probleme, die tiefere Reasoning-Ketten erfordern, bleibt die zentrale offene Frage.

11.3 Was bestätigt, was widerlegt wurde

Tabelle 13. Vorhersage-Bewertungskarte.

11.4 Zukünftige Richtungen

1. Entwicklung von Tier-3-Problemen (IMO/Forschungsniveau), um Deckeneffekte für Grok 4.1 Fast und DeepSeek R1 zu besiegen und $\alpha$-Schätzung für die fähigsten Modelle zu ermöglichen.
2. Unabhängige Replikation unter Verwendung des veröffentlichten Code- und Datenrepositorys.
3. Domänenübergreifendes Testen jenseits von Mathematik (Coding, wissenschaftliches Reasoning, natürliche Sprache).
4. Untersuchung der $\alpha > 1$-Grenze: ob architektonische Innovationen oder tiefere Reasoning-Ketten Modelle vom physikalischen Regime ($\alpha < 1$) in das Intelligenzregime ($\alpha > 1$) schieben können.
5. Direkter Test der Alignment-Verstärkung mit tiefenkontrollierten Alignment-Sonden über Architekturen hinweg.
6. Token-kalibrierte Analyse unter Verwendung korrigierter total_tokens -Messungen für alle Modelle, um tokenbasierte (statt ordinal-tiefen-basierte) $\alpha$-Schätzung zu ermöglichen.
7. Integration mit Trainingszeit-Skalierungsgesetzen , um die Wechselwirkung zwischen Vortrainings-Rechenaufwand, Inferenz-Rechenaufwand und der sequenziell/parallel-Unterscheidung zu verstehen.

Die Hypothese hat ihren ersten architekturübergreifenden Test in überarbeiteter Form überlebt. Der sequenzielle Vorteil ist real und universell. Die superlineare Behauptung erfordert weitere Evidenz. Das Forschungsprogramm geht weiter.

KI mit Sorgfalt großziehen.

Datenverfügbarkeit

Der vollständige experimentelle Code und die Rohdaten sind verfügbar unter:

Repository: github.com/michaeldariuseastwood/arc-principle-validation

Inhalt:

• arc_validation_deepseek.py - Anfängliches Einzelmodell-Experimentskript (DeepSeek R1, 12 Probleme)
• arc_deepseek_results_20260121_175028.json - Rohdaten der anfänglichen Einzelmodellstudie
• arc_paper_ii_validation_v2.py - Multimodell-Validierungsskript der Mehrmodellstudie/Sechs-Modell-Studie (v2.1, 1,422 Zeilen Python)
• arc_paper_ii_results/ - Experimentelle Ergebnisse der Sechs-Modell-Studie (vollständig: 5 Modelle, 18 Tier-2-Probleme, 3 Wiederholungen)
• figures/ - Alle Visualisierungen
• README.md - Replikationsanweisungen

Alle Daten werden unter der CC-BY 4.0 Lizenz veröffentlicht.

Referenzen

Danksagungen

Die theoretische Synthese, der interpretative Rahmen und die Kernkonzepte sind die ursprüngliche Arbeit des Autors, erstmals artikuliert in Infinite Architects mit Manuskriptpriorität festgestellt Dezember 2024.

Datenanalyse und Manuskripterstellung wurden von KI-Systemen (Claude, Anthropic; DeepSeek R1) unterstützt.

Der Autor dankt den Entwicklern von DeepSeek R1 für die Bereitstellung sichtbarer Reasoning-Tokens, die eine direkte Messung der rekursiven Tiefe ermöglicht haben und eine in Paper I identifizierte methodische Kerneinschränkung adressierten.

Autoreninformationen

Michael Darius Eastwood ist unabhängiger Forscher und Autor von Infinite Architects: Intelligence, Recursion, and the Creation of Everything (veröffentlicht am 2. Januar 2026 (Druck; E-Book 6. Januar)). Seine Forschung fokussiert auf die mathematischen Prinzipien, die der Intelligenzverstärkung zugrunde liegen, und deren Implikationen für KI-Sicherheit. Er schlug das ARC Principle und die eingebettete Alignment-These (später am 30. April 2025 als Eden Protocol benannt) vor, mit Manuskriptpriorität festgestellt durch kryptographischen Server-Zeitstempel am 8. Dezember 2024.

Konkurrierende Interessen: Der Autor erklärt keine konkurrierenden Interessen.

Korrespondenz: michael@michaeldariuseastwood.com

Erweiterte Daten

Erweiterte Datentabelle 1. Vollständige Ergebnisse der sequenziellen Bedingung (die anfängliche Einzelmodellstudie)

Hinweis: Problem 12 scheiterte über alle Budgets hinweg, was darauf hindeutet, dass es möglicherweise Fähigkeiten jenseits der Reichweite des Modells erfordert, unabhängig von der rekursiven Tiefe.

Erweiterte Datentabelle 2. Vollständige Ergebnisse der parallelen Bedingung (die anfängliche Einzelmodellstudie)

Hinweis: Dieselben fünf Probleme (P5, P9, P10, P11, P12) scheiterten über alle Stichprobenzahlen hinweg, was demonstriert, dass parallele Rekursion keine Lösungen außerhalb des anfänglichen Lösungsraums erreichen kann.

Erweiterte Datentabelle 3. Zwischenberechnungen für Alpha (die anfängliche Einzelmodellstudie)

Hinweis: Zwischenberechnungen zeigen hohe Varianz aufgrund diskreter Genauigkeitsniveaus. Die Endpunktmethode liefert die robusteste Schätzung.

Ergänzende Informationen

Ergänzende Anmerkung 1: Der E-Mail-Übertragungsbeleg (korrigiert 16. August 2026)

Das Manuskript von Infinite Architects wurde am 8. Dezember 2024 per E-Mail versendet. Was dieser Beleg liefert, präzise formuliert: Die sender-seitigen Bytes sind öffentlich und hash-verifizierbar, und die absenderdomänen-DKIM mit gepaarter Google-ARC-Mathematik verifiziert gegen die Schlüssel, die an den signierten Selektoren zurückgegeben werden (überprüft am 2. August 2026). Empfangene Kopien wurden ebenfalls beschafft. Sie tragen die vollständige Zustellkette: einen Google ARC-Seal bei d=google.com, Selektor arc-20240605, ohne Ablauf-Tag und mit der Signierzeit innerhalb des signierten Bereichs, und versiegelte ARC-Authentication-Results, die dkim=pass und spf=pass bei Zustellung protokollieren.

Zwei Grenzen, damit der Beleg weder überverkauft noch unterverkauft wird:

• Dies ist anbieterschlüssel-kryptographische Evidenz über einen kanonisierten signierten Bereich. Es ist kein RFC-3161-vertrauenswürdiger Zeitstempel, und es stellt weder Urheberschaft noch Originalität noch wissenschaftliche Gültigkeit fest.
• Eine frühere Version dieser Anmerkung sagte, dass keine DKIM-Signatur in den E-Mail-Headern gefunden wurde. Diese Überprüfung wurde gegen Sent-Form-Exporte ausgeführt, die keine Transport-Header tragen; die empfangenen Kopien tun das, und sie verifizieren wie oben. Der Abschnitt Versionsverlauf dieses Papiers zeichnet die vollständige Historie auf.

Ergänzende Anmerkung 2: Beziehung zu Infinite Architects

Infinite Architects: Intelligence, Recursion, and the Creation of Everything entwickelt die philosophischen und praktischen Implikationen rekursiver Intelligenz. Schlüsselbeziehungen zu diesem Papier:

The Architecture of Mind - Artikuliert die zentrale ARC-Hypothese, dass rekursive Selbstreferenz Intelligenz verstärkt.

The HRIH (Hyperspace Recursive Intelligence Hypothesis) - Schlägt vor, dass Bewusstsein aus rekursiver Selbstmodellierung entsteht. Der COGITATE-Befund, dass rekurrente Verarbeitung im posterioren Kortex inhaltsspezifische Repräsentationen aufrechterhält, ist strukturell konsistent mit dieser Hypothese, auch wenn COGITATE die HRIH nicht direkt getestet hat.

The Eden Protocol - Argumentiert für wertebasiertes Alignment, nun mathematisch im hier hergeleiteten Alignment-Verstärkungstheorem verankert.

The Chokepoint Mechanism - Analysiert die Konzentration von Halbleiter-Hardware als Hebel für die Implementierung von Alignment im Maßstab.

Eingebettete Korrektur: schlägt Sicherheitsmechanismen auf Hardware-Ebene vor, relevant für die Verhinderung rekursiver Verstärkung von Misalignment.

Ergänzende Anmerkung 3: Vorhersage- und Konvergenz-Timing-Bestand

Erklärung zur KI-unterstützten menschlichen Autorschaft

Der Autor dieses Werks ist Michael Darius Eastwood, ein Mensch. Jedes Kernkonzept, jede Hypothese, jedes experimentelle Design, jede Behauptung und jede Schlussfolgerung in diesem Papier entspringt menschlicher Ideation. Kein Teil dieses Manuskripts ist eine vollständig generierte Ausgabe künstlicher Intelligenz.

Werkzeuge der künstlichen Intelligenz (Anthropics Claude-Familie und andere Large-Language-Model-Assistenten) wurden als Instrumente unter kontinuierlicher menschlicher Anleitung verwendet, in der Weise, wie ein Textverarbeitungsprogramm, Taschenrechner oder Forschungsassistent verwendet wird: zur Bearbeitung und Prosa-Verfeinerung, Literatursuche und Zusammenfassung (manuell gegen Primärquellen verifiziert), Dokumentstruktur, Formatierung, Brainstorming gegen vom Autor definierte Fragen und zur Beschleunigung des Entwurfs zu vom Autor definierten Gliederungen und Anweisungen. Alle Auswahl, Koordination, Anordnung und endgültige redaktionelle Beurteilung sind die des Autors. Jede substanzielle Ausgabe wurde vom Autor überprüft, getestet oder verifiziert, der die volle Verantwortung für die Genauigkeit und Integrität des endgültigen Textes trägt. Die Werkzeuge erhöhten die Geschwindigkeit der Arbeit; sie wurden nie als deren Quelle verlassen.

Epistemischer Status. Was dieses Programm als Gesetze bezeichnet, sind Vermutungen unter registriertem adversarialem Test; jede Größe in diesem Papier ist operational definiert, und nirgends wird der Status eines etablierten Gesetzes beansprucht. Das registrierte Programm existiert, um diesen Status zu verdienen oder zu verlieren, durch Messung, Replikation und überlebte Widerlegung.

© 2026 Michael Darius Eastwood. Menschlich verfasst mit Computer-Unterstützung; volle menschliche Autorschaft und moralische Rechte werden nach dem Copyright, Designs and Patents Act 1988 und in Übereinstimmung mit den Richtlinien des United States Copyright Office zu Werken, die KI-generiertes Material enthalten, geltend gemacht; jeder neuartige technische Beitrag, der in diesem Werk beschrieben wird, wurde vom menschlichen Autor konzipiert. Vollständige Erklärung: michaeldariuseastwood.com/authorship.

Geltende Verpflichtung. Beweise dieses Papier als falsch, und ich werde die Widerlegung selbst veröffentlichen. Falsifikationsbedingungen sind in diesem Papier angegeben; die geltende Herausforderung: github.com/MichaelDariusEastwood/arc-scaling-challenge.