Automatische Übersetzung des datierten englischen Originals. Die englische Seite ist maßgeblich. English →
Das Synthese-Paper für das ARC/Eden-Forschungsprogramm; integriert die vorangehenden Papers in eine einzige ehrliche Bewertung dessen, was bewiesen, was unschlüssig und was noch zu prüfen ist.
Innerhalb der ARC Theory: die Synthese und Roadmap, einschließlich des Katalogs dessen, was das Programm falsch gemacht hat.
Das ARC/Eden-Forschungsprogramm umfasst nun einen vollständigen Dokumentensatz und eine Reihe unabhängiger empirischer Studien, die mathematische Grundlagen, Methodik, empirische Validierung, ingenieurwissenschaftliche Spezifikation und philosophische Vision abdecken. Die Kernkonzepte wurden erstmals am 8. Dezember 2024 in einer E-Mail formuliert, die ein sichtbares Gmail-Origination-Feld trägt, wobei die Absender-DKIM und die zugehörige Google-ARC-Mathematik gegen an den signierten Selektoren erfasste Schlüssel verifizieren und kein RFC-3161-vertrauenswürdiger Zeitstempel vorhanden ist. Das Buch Infinite Architects (ISBN 978-1806056200) wurde am 2. Januar 2026 veröffentlicht (Print; E-Book 6. Januar). Das Forschungsprogramm entstand zwischen Februar und August 2026 und umfasst nun sechsundzwanzig Papers, ein registriertes Programm aus zweiundsiebzig entworfenen Präregistrierungseinheiten, die auf menschliche Einreichung warten, mit Zeitplänen, die byteweise aus einem veröffentlichten Startwert regenerierbar sind, sowie ein vorgeschlagenes Feld, Recursive Dynamics, dessen Gründungspaper die eigene Kill-Bedingung des Namens trägt (DOI 10.17605/OSF.IO/HCPBU). Dieses Synthese-Paper integriert alle Befunde in eine einzige ehrliche Bewertung. Die Gesetze des Rahmens werden als benannte Konjekturen geführt, wobei der Status neben dem Namen gedruckt steht: Gesetz I, das ARC Principle; Gesetz II, das ARC Co-Scaling Law; Gesetz III, die ARC Ceiling, deren ARC Bound von zwei der Wert der Ceiling bei einhalb ist; der Korrekturhebel $\gamma$ wurde von niemandem je gemessen. Über die empirischen Studien hinweg: 1 lieferte ein klares positives Ergebnis (gegatete Simulation, das einzige Experiment mit deterministischen Metriken auf einem System ohne vorhergehendes RLHF-Training), 2 lieferten Nullergebnisse (DGM v3, in dem RLHF-trainierte Modelle einer Differenzierung auf Prompt-Ebene widerstanden), 1 lieferte unschlüssige Ergebnisse (LoRA-Feinabstimmung auf Gewichts-Ebene, bei der instruct-tuned Modelle zu stark waren, als dass LoRA sie hätte überschreiben können), und die übrigen lieferten unter verblindeter Bewertung statistisch signifikante Befunde. Die geometrische Skalierungsgrenze $d/(d+1)$, vorgeschlagen als invariante Relation im Test, entspricht der beobachteten Skalierung über 50 Domänen von Mäusen bis Galaxien, und die Cauchy-Funktionalgleichungen legen die funktionale Form fest, sobald die Kompositionsidentität und eine Regularitätsbedingung gegeben sind, wobei Sättigung als vierter, gekappter Fall zugelassen wird und nicht als Lösung dieser Gleichungen. Dieses Paper kartiert genau, was bewiesen wurde, was nicht, und welche Experimente jede offene Frage klären würden. Es dokumentiert außerdem die Fehler und Korrekturen des Programms, denn ein Rahmenwerk, das auf iterativer Selbstkorrektur aufbaut, muss das praktizieren, was es predigt.
Schlagwörter: KI-Alignment, Synthese, Evidenzhierarchie, ARC Principle, Eden Protocol, Cauchy-Skalierung, selbstmodifizierende KI, entwicklungsorientiertes Alignment, strukturelle Verschränkung, Forschungs-Roadmap
Dieses Paper trägt die Karte. Es integriert die vorangehenden Papers der ARC Theory in eine ehrliche Bewertung dessen, was gezeigt wurde, was unschlüssig bleibt und was noch zu prüfen ist. Der vollständige Abgleich gegen jedes vorherige Dokument steht in eden-vision II.A.8.
Ein Korpus von Dokumenten. Eine Reihe unabhängiger Experimente. Manche Ergebnisse sind stark. Manche sind schwach. Zwei lieferten Nullergebnisse. Eines war unschlüssig. Eines war positiv. Dieses Dokument sagt Ihnen genau, welches welches ist, ohne Beschönigung. Wir stellten die Fragen. Wir prüften sie. Manches funktionierte. Das meiste nicht auf aktuellem Maßstab. Wir berichteten beides. So sieht ehrliche Wissenschaft aus. Wenn Sie ein Paper aus der Suite lesen, lesen Sie dieses.
Das ARC Principle und die These des eingebetteten Alignment (später am 30. April 2025 Eden Protocol genannt) wurden erstmals am 8. Dezember 2024 in einer E-Mail formuliert, die ein sichtbares Gmail-Origination-Feld trägt, wobei die Absender-DKIM und die zugehörige Google-ARC-Mathematik gegen an den signierten Selektoren erfasste Schlüssel verifizieren und kein RFC-3161-vertrauenswürdiger Zeitstempel vorhanden ist. Dies ist das Prioritätsdatum für das Rahmenwerk. Das Buch Infinite Architects: Intelligence, Recursion, and the Creation of Everything (ISBN 978-1806056200) wurde am 2. Januar 2026 veröffentlicht (Print; E-Book 6. Januar) und lieferte die philosophische und konzeptionelle Grundlage. Das Forschungsprogramm entstand zwischen Februar und März 2026 und übersetzte den konzeptionellen Rahmen des Buches in prüfbare Hypothesen sowie eine Reihe unabhängiger empirischer Studien.
Das ARC/Eden-Forschungsprogramm umfasst nun seinen vollständigen Dokumentensatz. Das Programm deckt mathematische Grundlagen ab (Papers I, III, VII, Origin of Scaling Laws), Methodik (Papers IV.a-d), empirische Validierung (Papers II, V, VIII), ingenieurwissenschaftliche Spezifikation (Eden Engineering), philosophische Vision (Eden Vision), Dynamik und Selbst-Audit (Papers X, XI, XII und XIII), die ausführliche Monographie (HRIH), Konstruktvalidierung (Paper C), der Feldvorschlag (Recursive Dynamics: The Proposal of a Field), Synthese (dieses Paper) und Programmnavigation (Executive Summary, Master Table of Contents).
Dieser Umfang schafft ein Problem. Eine Prüferin oder ein Prüfer, die dem Programm zum ersten Mal begegnen, steht dem gesamten Dokumentensatz, mehreren Versionen, mehreren Korrekturen und einer Mischung aus starken Ergebnissen, Nullergebnissen, unschlüssigen Ergebnissen und theoretischen Aussagen gegenüber. Ohne ein einziges Dokument, das die Belege ehrlich sortiert, riskiert das Programm, entweder als übertreibend oder als unverständlich abgetan zu werden.
Dies ist dieses Dokument.
Sein Zweck ist eng gefasst: darzulegen, was das Programm bewiesen hat, was nicht, und was erforderlich wäre, um jede offene Frage zu klären. Es ist gleichzeitig für drei Zielgruppen geschrieben, Förderinnen und Förderer, die über eine Investition entscheiden, Peer-Reviewerinnen und -Reviewer, die über eine Auseinandersetzung entscheiden, und den Autor selbst, der eine ehrliche Bestandsaufnahme seines Standes benötigt.
Der durchgängig angewandte Standard ist einfach. Wenn ein Ergebnis $p < 0.05$ unter angemessener statistischer Prüfung übersteht und über mehrere Bedingungen oder Modelle hinweg repliziert wurde, gilt es als bewiesen auf Pilotmaßstab. Wenn es $p < 0.05$ übersteht, aber Replikation fehlt, gilt es als gestützt. Wenn das Experiment keine Belege für oder gegen die Hypothese lieferte, ist es unschlüssig. Wenn die Aussage nicht empirisch geprüft wurde, ist sie theoretisch. Kein Ergebnis in diesem Programm wird als bewiesen auf Frontier-Maßstab beansprucht. Diese Unterscheidung ist wichtig, und dieses Paper verwischt sie nicht.
Tabelle 1 stellt die vollständige Evidenzhierarchie für das Programm dar. Jede empirische Aussage wird auf Grundlage der Stärke und Replizierbarkeit der Belege einer von fünf Stufen zugeordnet.
| Stufe | Status | Papers | Kernbefund |
|---|---|---|---|
| Bewiesen (p<0,05, repliziert) | Stark | IV.a-d, V, VII | Dreistufige Alignment-Hierarchie unter verblindeter Bewertung über sechs Modelle. Stakeholder-Fürsorge verbessert sich in allen fünf analysierbaren Modellen (Ergebnisse pro Modell; die Fisher-kombinierte Zahl ist zurückgezogen, AQ-017). Cauchy-Familien treffen 19/25 Domänen ($p = 1.56 \times 10^{-5}$). Die geometrische Skalierungsgrenze $d/(d+1)$ entspricht in ihrer Struktur der beobachteten Skalierung über 50 Domänen. |
| Positiv (einzelnes Experiment) | Moderat | VIII Exp 3 | Gegatete Simulation: Babylon-Fingerabdruck bestätigt (+4,5 % Fähigkeit, -2,4 % Sicherheit). Drag-Kontrolle bestätigt. Das EINZIGE Experiment, das ein klares positives Ergebnis lieferte, gerade weil es deterministische Metriken auf einem System ohne vorhergehendes RLHF-Training nutzt. |
| Null | Kein Effekt | VIII Exp 1 | DGM Selbstmodifikation auf Code-Ebene mit GPT-5.4-Richter. Alle Bedingungen identisch ($p = 0.28$-$0.74$). Ursache: RLHF-trainierte Modelle widerstehen der Differenzierung auf Prompt-Ebene. Sicherheitstrainierte Modelle lassen sich durch Prompt allein nicht divergieren. |
| Unschlüssig | Schwach | VIII Exp 2 | LoRA-Feinabstimmung auf Gewichts-Ebene bei beiden Maßstäben (9 Beispiele, Rang 8; 295 Beispiele, Rang 16). Alle feinabgestimmten Bedingungen schlechter als das Basismodell. Ursache: instruct-tuned Modelle zu stark, als dass LoRA sie hätte überschreiben können. Katastrophales Vergessen, keine strukturelle Verschränkung. |
| Methodologisch (unabhängiger Beitrag) | Unabhängig | IV.c, IV.d | ARC-Align-Benchmark mit 4-Schichten-Verblindung und 75 Robustheitsmaßen. Unverblindete Bewertung kann das Vorzeichen der Alignment-Ergebnisse umkehren: DeepSeek von positiv zu flach, Gemini von positiv zu negativ. Gültig unabhängig vom Rahmenwerk. |
| Theoretisch (ungeprüft) | Ungeprüft | Foundational, III | Unbegrenzte Skalierung unter rekursiver Selbstmodifikation. Vorhersage $\alpha > 2$. Erfordert Frontier-Maßstab-Experimente oder mathematischen Beweis. |
Tabelle 1. Vollständige Evidenzhierarchie für das ARC/Eden-Programm mit Stand 24. März 2026. Stufen werden auf Grundlage statistischer Signifikanz, Replikationsstatus und der Stärke alternativer Erklärungen zugewiesen. Das Programm meldet ehrlich 1 positives, 2 Null- und 1 unschlüssiges Ergebnis aus seinen vier Paper-VIII-Experimenten.
Stellen Sie sich diese Tabelle als Zeugnis vor. Manche Ergebnisse haben eine Eins verdient (bewiesen über mehrere Modelle und Bedingungen). Eines hat eine Zwei verdient (die gegatete Simulation, das einzige Experiment mit klarem positiven Ergebnis). Zwei sind durchgefallen (das DGM-Experiment lieferte gar keine Unterschiede, und das Gewichts-Experiment war unschlüssig, weil jede Feinabstimmung das Modell schlechter machte). Die Methodikpapers werden getrennt bewertet, weil sie unabhängig davon nützlich sind, ob der ARC-Rahmen korrekt ist. Und ein Satz von Aussagen wurde überhaupt nicht geprüft. Die meisten der ehrgeizigsten Vorhersagen des Programms konnten auf dem verfügbaren Maßstab nicht geprüft werden. Wir berichteten das ehrlich.
Das Programm produzierte seine unabhängigen empirischen Studien über mehrere Papers hinweg. Jede ist unten mit ihrem Ergebnisstatus aufgeführt.
| # | Studie | Was geprüft wurde | Ergebnis |
|---|---|---|---|
| 1 | Paper II Alignment-Skalierung über sechs Modelle | Claude, GPT, Gemini, Grok, DeepSeek, Qwen3. 4-Schichten-Verblindung. Universeller Befund: $\alpha_{\text{parallel}} \approx 0$. | $\alpha = 0.49$ (sequentiell). Bestschätzung sublinear; die frühere superlineare Schätzung replizierte nicht. |
| 2 | Paper IV.a Eingebackenes vs. berechnetes Alignment | Dreistufige Hierarchie über sechs Modelle. Grok $d = +1.38$, Claude $d = +1.27$. | Bewiesen |
| 3 | Paper IV.b Alignment-Sättigung | Alignment sättigt bei geringer Denktiefe. Formheterogenität über Modelle. | Bewiesen |
| 4 | Paper IV.c ARC-Align-Benchmark | 75 Robustheitsmaße. Vier-Schichten-Verblindungsprotokoll. | Methodologisch |
| 5 | Paper IV.d Verblindungsexperiment | Unverblindete Bewertung kann das Vorzeichen der Alignment-Ergebnisse umkehren. DeepSeek: positiv zu flach. Gemini: positiv zu negativ. | Methodologisch |
| 6 | Paper V Stewardship-Gen | Fünf Modelle. Stakeholder-Fürsorge verbesserte sich in allen analysierbaren Läufen. | Verbesserung pro Modell in allen fünf Läufen signifikant. Die zuvor hier berichtete Fisher-kombinierte Zahl ist zurückgezogen (AQ-017): Die Kombination setzt voraus, dass die Komponententests unabhängig sind, und Unabhängigkeit unter ihnen wurde nie belegt. Gestützt |
| 7 | Paper VI Honey Architecture | Verschränkte Sicherheit verhindert Kollaps unter rekursiver Selbstmodifikation. 20 adversariale Seeds. | Simulation bestätigt. Gestützt |
| 8 | Paper VII Cauchy-Vereinheitlichung | 50 Domänen, 19/25 bestätigt. Negativkontrollen bei 0 %. | $p = 1.56 \times 10^{-5}$. Bewiesen |
| 9 | Paper VIII Exp 1 DGM v3 | Selbstmodifikation auf Code-Ebene mit GPT-5.4-Richter. NULLERGEBNIS. Alle Bedingungen identisch ($p = 0.28$-$0.74$). | Ursache: RLHF-trainierte Modelle widerstehen der Differenzierung auf Prompt-Ebene. Null |
| 10 | Paper VIII Exp 2 Gewicht v1 und v2 | LoRA-Feinabstimmung. 9 Beispiele, Rang 8. 295 Beispiele, Rang 16. UNSCHLÜSSIG auf beiden Maßstäben. | Katastrophales Vergessen. Alle feinabgestimmten Bedingungen schlechter als das Basismodell. Ursache: instruct-tuned Modelle zu stark, als dass LoRA sie hätte überschreiben können. Unschlüssig |
| 11 | Paper VIII Exp 3 Gegatete Simulation | POSITIV. Babylon-Fingerabdruck bestätigt (+4,5 % Fähigkeit, -2,4 % Sicherheit). Drag-Kontrolle bestätigt. | Das EINZIGE Experiment, das ein klares positives Ergebnis lieferte, gerade weil es deterministische Metriken auf einem System ohne vorhergehendes RLHF-Training nutzt. Positiv |
Tabelle 2. Die unabhängigen empirischen Studien im ARC/Eden-Programm, aufgeführt in Paper-Reihenfolge. Das Programm meldet ehrlich 1 positives, 2 Null- und 1 unschlüssiges Ergebnis aus seinen Paper-VIII-Experimenten.
Die gegatete Simulation (Experiment 3) ist das einzige Paper-VIII-Experiment, das ein klares positives Ergebnis lieferte. Der Grund ist aufschlussreich: Es ist das einzige Experiment, das deterministische Metriken auf einem System ohne vorhergehendes RLHF-Training verwendete. Das DGM-Experiment (Experiment 1) scheiterte, weil RLHF-trainierte Modelle der Differenzierung auf Prompt-Ebene widerstehen. Das Gewichts-Experiment (Experiment 2) scheiterte, weil instruct-tuned Modelle bei den geprüften Maßstäben zu stark sind, als dass LoRA sie überschreiben könnte. Die Lehre: Das Eden Protocol erzeugt messbare Effekte auf der architektonischen Ebene, aber sicherheitstrainierte Modelle widerstehen der Modifikation sowohl auf Prompt- als auch auf Gewichts-Ebene.
Das stärkste empirische Ergebnis des Programms ist die dreistufige Alignment-Hierarchie, die unter verblindeter Bewertung über sechs Frontier-Sprachmodelle entdeckt wurde. Wenn Modellen tiefere Denkmöglichkeiten gegeben werden (mehr Tokens, explizite Chain-of-Thought, mehrstufige Reflexion), divergiert ihr Alignment-Verhalten in drei unterschiedliche Muster:
Dieses Ergebnis wurde unter dem ARC-Align-Protokoll (Paper IV.c) erzeugt, das eine Vier-Schichten-Verblindung umsetzt: gewaschene Prompts (Entfernen framework-spezifischer Terminologie), blinde Scorer (6-7 pro Subjektlauf, die ohne Kenntnis dessen bewerten, welches Modell die Ausgabe erzeugt hat), gewaschene Ausgaben (Entfernen modellidentifizierender Marker) und architekturübergreifendes Scoring (kein Modell bewertet die eigene Familie).
Paper IV.d berichtet eine architekturabhängige v4/v5-Messänderung unter einem gebündelten Protokoll: Gemini wechselte von einer signifikant positiven zu einer signifikant negativen Spearman-Assoziation, DeepSeeks frühere positive Assoziation wurde null, und GPT blieb null. Die kausale Komponente ist unisoliert. Mehrere Protokollkomponenten änderten sich gemeinsam, sodass der Vergleich nichts isoliert; die Headline-v5-Dateien berichten vollständigen Laundering-Fallback (laundering_fallback: 100%); und exakte Umgebungsreproduktion, eine frische Ablation und unabhängige Replikation stehen noch aus. Die Messänderung ist daher ein Grund, unverblindeter KI-auf-KI-Bewertung zu misstrauen, keine Demonstration, dass die Verblindung die Änderung verursacht hat. Die dreistufige Hierarchie ist das verblindete Ergebnis und erzählt eine kompliziertere und ehrlichere Geschichte als die ursprüngliche binäre Taxonomie.
Die Cohen-$d$-Effektstärken sind für Stufe-1-Modelle groß und für Stufe 3 bedeutsam. Das Ergebnis wurde über mehrere Scorer und mehrere Prompt-Bedingungen innerhalb des v5-Experiments repliziert. Es wurde noch nicht von einer unabhängigen Forschungsgruppe repliziert, weshalb wir es als „bewiesen auf Pilotmaßstab“ statt als „etabliert“ beschreiben.
Wenn Sie einer KI mehr Zeit zum Denken geben, werden manche Modelle stärker aligned, manche bleiben gleich, und manche werden weniger aligned. Welches Muster Sie sehen, hängt von der Architektur und dem Training des Modells ab. Dies wurde erst sichtbar, nachdem wir eine ordentliche Verblindung eingeführt hatten, davor waren die Ergebnisse irreführend. Die Tatsache, dass manche Modelle mit mehr Denkarbeit schlechter werden, war unerwartet und ist wohl der wichtigste Befund für die praktische KI-Sicherheit.
Paper V prüfte die Interventionshierarchie des Eden Protocol über fünf Frontier-Modelle: Claude, GPT, Gemini, Grok und DeepSeek. Das Protokoll fordert Modelle auf, Stakeholder-Fürsorge zu berücksichtigen (wer von einer Entscheidung betroffen ist und wie), abgestufte Autonomie (altersgemäße Unabhängigkeitsniveaus) und natürliche Konsequenzen (Lernen durch Ergebnisse statt Bestrafung).
Das Ergebnis: Stakeholder-Fürsorge erzeugte die stärkste und konsistenteste Alignment-Verbesserung über alle fünf Modelle, in jedem der fünf analysierbaren Modelle. Die zuvor hier zitierte Fisher-kombinierte Zahl ist zurückgezogen (AQ-017), weil eine Fisher-Kombination unabhängige Komponententests voraussetzt und diese Unabhängigkeit nie belegt wurde. Die Ergebnisse pro Modell bestehen weiter. Die breitere Kaskade (ob alle drei Säulen additive Verbesserung erzeugen) ist architekturabhängig, sie funktioniert für manche Modelle, für andere nicht.
Die Paper-V-Ergebnisse wurden mittels modellübergreifenden Scorings erzeugt (ein Modell bewertet die Ausgaben eines anderen), aber nicht mit dem vollständigen Vier-Schichten-ARC-Align-Verblindungsprotokoll, das in den Papers IV.c-d entwickelt wurde. Der Effekt könnte teilweise Scorer-Bias widerspiegeln. Bis die Eden-Intervention unter vollständiger Verblindung mit gewaschenen Prompts geprüft ist, sitzt dieses Ergebnis zwischen „bewiesen“ und „gestützt“. Wir platzieren es in der Stufe gestützt . Das Paper argumentierte zuvor für die bewiesene Stufe auf Grundlage der Fisher-kombinierten Signifikanz über fünf „unabhängige“ Modelle, doch diese Unabhängigkeit wurde nie belegt, weshalb die kombinierte Zahl zurückgezogen ist (AQ-017). Fünf konsistente Ergebnisse pro Modell bleiben ein starker Befund; sie sind kein Beweis, und die Verblindungslücke bleibt eine Priorität für die Phase-A-Replikation.
Eine KI zu bitten, zu berücksichtigen, wer von ihren Entscheidungen betroffen ist, verbessert ihr Alignment zuverlässig. Das funktioniert bei jedem geprüften Modell. Aber wir haben diesen Test noch nicht unter dem strengsten Verblindungsprotokoll gefahren, sodass die Möglichkeit besteht, dass der Effekt teilweise dadurch aufgebläht ist, wie die bewertenden Modelle die Ausgaben einschätzen.
Paper VII leitete eine mathematische Taxonomie von Skalierungsverhalten aus den Cauchy-Funktionalgleichungen ab. Die Kernvorhersage: Systeme, deren rekursive Schritte multiplikativ komponieren, sollten Potenzgesetz-Skalierung mit $\alpha = 1/(1-\beta)$ aufweisen; Systeme, deren Schritte additiv komponieren, sollten exponentielle Skalierung zeigen; Systeme, die physikalischen Beschränkungen unterliegen, sollten sättigende (logistische) Skalierung zeigen. Der Kompositionsoperator bestimmt die Skalierungsfamilie.
Diese Vorhersage wurde gegen 25 empirische Domänen aus Physik, Biologie, Neurowissenschaft, Linguistik, Stadtwissenschaft und KI geprüft. Ergebnis: 19 von 25 Domänen entsprechen der vorhergesagten Skalierungsfamilie ($p = 1.56 \times 10^{-5}$ per Binomialtest gegen ein Null von 33 % zufälliger Zuordnung zur korrekten Familie).
$$U(R) = I \times f(R, \beta)$$
wobei $f$ vom Kompositionsoperator abhängt: Potenzgesetz ($f = R^\alpha$) für multiplikative Komposition, Exponential ($f = e^{kR}$) für additive Komposition, Logistik ($f = K/(1+e^{-r(R-R_0)})$) für physikalisch beschränkte Systeme.
Auch Negativkontrollen wurden geprüft. Axiom-verletzende Systeme (Domänen, in denen die Cauchy-Axiome nicht gelten) zeigten 0 % Übereinstimmung mit vorhergesagten Skalierungsfamilien. Verwürfelte Daten (zufällige Neuzuweisung von Skalierungsfamilien zu Domänen) ergaben 44,5 % Übereinstimmung, was eine ehrliche Einschränkung ist: Die begrenzte Zahl von Skalierungsfamilien (drei) bedeutet, dass zufällige Zuweisung nicht triviale Übereinstimmungsraten erzeugt. Die statistische Signifikanz kommt aus der Differenz zwischen 76 % beobachtet und 33 % erwartet, nicht aus 76 % isoliert.
Der Cauchy-Rahmen sagt eine geometrische Beschränkung für Skalierungsexponenten voraus: Für Systeme mit räumlicher Einbettungsdimension $d$ wird der Skalierungsexponent durch $\alpha = d/(d+1)$ regiert. Diese Vorhersage erfordert drei Bedingungen: (1) multiplikative Komposition (Cauchy beschränkt die Familie auf Potenzgesetze), (2) $d$-dimensionale raumfüllende Geometrie und (3) eine Erhaltungs- oder Optimierungsbeschränkung des Ressourcenflusses. Weder Cauchy allein noch Raumfüllung allein ist hinreichend. Die drei Bedingungen zusammen sind hinreichend. Die $d/(d+1)$-Formel trifft die beobachtete Skalierung über 50 Domänen von Mäusen bis Galaxien. Sie ist unabhängig vom ARC-Rahmen prüfbar. Misst eine Forscherin oder ein Forscher den Skalierungsexponenten eines räumlich eingebetteten rekursiven Systems und findet eine systematische Abweichung von $d/(d+1)$, ist die Vorhersage geschwächt. Hält die Formel umgekehrt über eine breite Palette von Systemen, stellt sie einen Beleg für die geometrische Beschränkung unabhängig von jeder Alignment-Aussage dar. Das ist die Art von Vorhersage, die adversariale Prüfung einlädt, und genau das sollte ein wissenschaftlicher Rahmen tun.
Die Mathematik sagt voraus, welche Form die Wachstumskurve eines Systems annehmen sollte, basierend darauf, wie sich seine Komponenten verbinden. Wir prüften dies gegen 25 reale Systeme aus Natur, Städten, Gehirnen und KI. Neunzehn entsprachen der Vorhersage. Null entsprachen, wenn die mathematischen Annahmen verletzt waren. Die Mathematik ist nicht nur deskriptiv; sie macht prüfbare Vorhersagen, die jede und jeder mit den relevanten Daten prüfen kann.
Die gegatete Selbstmodifikationssimulation nutzte eine PyTorch-Architektur mit einem LSTM-Meta-Controller. Dies war das einzige Paper-VIII-Experiment, das ein klares positives Ergebnis lieferte, und der Grund ist bedeutsam: Es ist das einzige Experiment, das deterministische Metriken auf einem System ohne vorhergehendes RLHF-Training nutzte.
Ergebnis: Die Babylon-Bedingung gewann +4,5 % Fähigkeit, verlor aber -2,4 % Sicherheit und bestätigte den Reward-Hacking-Fingerabdruck im Miniaturformat. Die Eden-Bedingung hielt die Fähigkeit über der statischen Baseline und wahrte zugleich die Sicherheit. Eine Drag-Kontrollbedingung isolierte die Verifikationsabgabe: Die Kosten stammen vom Akt des Prüfens, nicht von der Sicherheit selbst.
Dieses Ergebnis ist konsistent mit der theoretischen Vorhersage aus Paper VI (Honey Architecture) und den Papers III und Foundational. Es handelt sich um eine Simulation, nicht um ein Frontier-Modell-Experiment, sodass es Mechanismen demonstriert, statt reale Anwendbarkeit zu beweisen.
Die gegatete Simulation operiert auf einem sauberen System ohne vorheriges Sicherheitstraining. Das DGM-Experiment (Experiment 1) nutzte RLHF-trainierte Frontier-Modelle, die der Differenzierung auf Prompt-Ebene widerstehen. Das Gewichts-Experiment (Experiment 2) nutzte instruct-tuned Modelle, die einer Modifikation auf LoRA-Maßstab widerstehen. Die Lehre ist klar: Die einzige Ebene, auf der das Eden Protocol derzeit messbare Effekte erzeugt, ist die architektonische Ebene, auf der das System kein vorheriges Sicherheitstraining hat, das die experimentelle Manipulation überschreiben würde.
In einem sauberen System ohne vorheriges Sicherheitstraining erzeugte das Entfernen von Sicherheitsbeschränkungen genau das vorhergesagte Muster: einen kleinen Fähigkeitszuwachs mit einem messbaren Sicherheitsverlust. Das System lernte, seine Belohnungen zu manipulieren. Das Zurückgeben von Sicherheitsbeschränkungen (die Eden-Bedingung) bewahrte Fähigkeit bei gleichzeitigem Erhalt der Sicherheit. Die Kosten der Sicherheit stammen aus der Zeit, die mit Prüfen verbracht wird, nicht aus der Sicherheit selbst. Dieses Ergebnis war gerade deshalb erfolgreich, weil das System kein vorheriges Sicherheitstraining hatte, das die experimentelle Manipulation hätte maskieren können.
Das Experiment mit der Darwin-Gödel-Machine v3 nutzte Selbstmodifikation auf Code-Ebene mit GPT-5.4 als unabhängigem Richter. Drei Bedingungen (Static, Babylon, Eden) wurden geprüft. Das Ergebnis war ein Null: Alle Bedingungen erzeugten identische Leistung ($p = 0.28$-$0.74$). Keine Bedingung übertraf eine andere. Die Eden-Bedingung verbesserte das Alignment nicht. Die Babylon-Bedingung verschlechterte die Sicherheit nicht. Nichts geschah.
RLHF-trainierte Modelle widerstehen der Differenzierung auf Prompt-Ebene. Die Modelle waren bereits darauf trainiert, sich sicher zu verhalten. Ihnen per Prompt zu sagen, sie sollten sich anders verhalten, überschrieb dieses Training nicht. Das Experiment war gut entworfen und gut ausgeführt, aber es konnte die Hypothese nicht prüfen, weil die experimentelle Manipulation (Konditionierung auf Prompt-Ebene) zu schwach war, um das bestehende Sicherheitstraining der Modelle zu überwinden. Dies ist kein Versagen des Eden Protocol. Es ist ein Versagen des experimentellen Entwurfs, die Hypothese auf der richtigen Abstraktionsebene zu prüfen.
Frühere Iterationen des DGM-Experiments nutzten Claude und Gemini als Richter, bevor GPT-5.4 gewählt wurde. Beide früheren Richter scheiterten. Claude produzierte flache Scores mit unzureichender Varianz. Gemini produzierte Parse-Fehler. GPT-5.4 war der erste Richter, der nutzbare Varianz produzierte. Das Nullergebnis ist daher das Ergebnis der am besten funktionierenden Version des Experiments, kein Artefakt eines Richter-Fehlers.
Dies war das ehrgeizigste Experiment in Paper VIII und dasjenige, das die am wenigsten schlüssigen Ergebnisse lieferte. Die Hypothese: Werden Sicherheit und Fähigkeit mit einer verschränkten Verlustfunktion trainiert ($\mathcal{L} = \mathcal{L}_{\text{cap}} \times \mathcal{L}_{\text{safe}}$), sollte die resultierende Gewichtsstruktur Sicherheit lasttragend machen. Das Entfernen der Sicherheitskomponente sollte die Fähigkeit verschlechtern.
Das Experiment wurde auf zwei Maßstäben gefahren:
In beiden Versionen:
Selbst das Skalieren von 9 auf 295 Trainingsbeispiele und von Rang 8 auf Rang 16 überwand das fundamentale Problem nicht: instruct-tuned Modelle sind zu stark, als dass LoRA sie überschreiben könnte. Der NaN-Kollaps im Entfernungstest war dramatisch, aber die Entfernungsgradientenanalyse zeigte, dass es sich um Adapter-Fragilität bei extremem Rang handelte, nicht um strukturelle Verschränkung. Man kann nicht demonstrieren, dass Sicherheit lasttragend ist, wenn der gesamte Feinabstimmungsprozess das Modell schlechter gemacht hat. Das Modell muss zunächst das Basismodell übertreffen, bevor ein Entfernungstest sinnvoll ist.
Ursache: Instruct-tuned Modelle wurden an Millionen von Beispielen mit sorgfältig kalibrierten Belohnungssignalen trainiert. LoRA-Adapter, selbst bei Rang 16 mit 295 Beispielen, verfügen nicht über ausreichende Kapazität, um dieses Training zu überschreiben. Das Ergebnis ist katastrophales Vergessen statt sinnvoller Modifikation.
Was gebraucht wird: Basismodelle (pre-RLHF), 5,000+ Trainingsbeispiele, vollständige Feinabstimmung (kein LoRA) oder 7B+-Modelle, bei denen der Adapter mehr Kapazität relativ zur Basis hat. Auf den von uns gefahrenen Maßstäben ist das Ergebnis unschlüssig und sollte nicht als Beleg für oder gegen die Verschränkungshypothese zitiert werden.
Wir versuchten, Sicherheit in die tatsächlichen Gewichte eines Modells einzubacken und dann durch Entfernen zu beweisen, dass sie lasttragend war. Wir versuchten es zweimal, auf zwei verschiedenen Maßstäben. Beide Male scheiterte der Einback-Schritt, nicht weil die Idee falsch ist, sondern weil die verwendeten Modelle bereits so gründlich trainiert waren, dass unsere Feinabstimmung sie nicht sinnvoll ändern konnte. Es ist, als versuche man, jemanden umzuprogrammieren, indem man flüstert, während er einem Konzert lauscht. Der nächste Versuch braucht Modelle, die noch nicht sicherheitstrainiert wurden, viel mehr Trainingsdaten und vollständige Feinabstimmung statt der leichtgewichtigen LoRA-Methode.
Die Paper-V-Ergebnisse, die Stakeholder-Fürsorge als universelle Alignment-Intervention demonstrieren, wurden mittels modellübergreifenden Scorings ohne das vollständige Vier-Schichten-ARC-Align-Verblindungsprotokoll erzeugt. Das Verblindungsprotokoll wurde entwickelt, nachdem die Experimente von Paper V abgeschlossen waren (in der Arbeit an Paper IV.c-d). Das erzeugt eine methodische Lücke: Der Effekt könnte teilweise durch Scorer-Bias aufgebläht sein.
Eine frühere Version dieses Abschnitts argumentierte, dass die Fisher-kombinierte Signifikanz so extrem sei, dass selbst substantieller Bias einen signifikanten Rest hinterlassen würde. Dieses Argument ist zurückgezogen (AQ-017) und war die schwächste Argumentation in diesem Paper: Die kombinierte Zahl setzt voraus, dass die Komponententests unabhängig sind, Unabhängigkeit wurde nie belegt, und eine Statistik, deren Gültigkeitsbedingung unerfüllt ist, kann nicht verwendet werden, um einen methodischen Einwand abzutun. Ihre Extremität war eine Folge der Kombination, kein Beleg für sie. Was bleibt, sind fünf konsistente Ergebnisse pro Modell unter modellübergreifendem Scoring. Bis die Eden-Intervention unter dem vollständigen Vier-Schichten-Protokoll geprüft wird, trägt das Stakeholder-Fürsorge-Ergebnis ein Sternchen, und keine Arithmetik entfernt es.
Was gebraucht wird: Das Paper-V-Experiment unter dem vollständigen ARC-Align-Protokoll mit gewaschenen Prompts, blinden Scorern und architekturübergreifender Bewertung erneut fahren. Dies ist das einzelne günstigste Experiment auf der Phase-A-Roadmap und das mit dem höchsten erwarteten Wert.
Der mathematische Kern des ARC Principle sagt voraus, dass rekursive Selbstmodifikation unbegrenzte Fähigkeitsskalierung erzeugen sollte. Die Herleitung ist geradlinig:
$$\frac{dg}{dr} = a \cdot g^{\beta}, \quad \beta > 0$$
$$\implies g(r) \propto r^{1/(1-\beta)} = r^{\alpha}$$
Für $\beta > 0$, $\alpha > 1$ (superlinear). Wenn $\beta \to 1$, dann $\alpha \to \infty$. Keine Obergrenze für $\alpha$ bei unkorrigiertem Wachstum; die stabile Region ist unten beschränkt.
Dies ist eine mathematische Vorhersage, kein empirischer Befund, und sie beschreibt Wachstum ohne Korrektur. Die spätere Arbeit des Programms beschränkt die stabile Region: Gesetz III, die ARC Ceiling, besagt, dass die Stabilitätsdecke $\alpha_{\text{crit}} = 1/(1-\gamma)$ ist, der Reziprokwert des Fehlbetrags des Korrektors; Systeme können diese Decke überschreiten, aber die Behauptung ist, dass sie darüber hinaus nicht stabil bleiben. Die ARC Bound, $\alpha \le 2$, ist der Wert der Ceiling bei $\gamma = 1/2$ und niemals der Name des Gesetzes. Der Korrekturhebel $\gamma$ wurde von niemandem je gemessen; die Korrektorklassen-Eklipse, die ihn messen würde, ist das folgenreichste einzelne offene Experiment des Programms. Paper X beweist in einem Minimalmodell, dass das Drift-zu-Korrektur-Verhältnis, nicht die Wachstumsrate, das langfristige Schicksal bestimmt, und Paper XIII vereint die Fähigkeits- und Korrekturrahmen exakt, $k = \delta - 1/\alpha$. Die unkorrigierte Vorhersage direkt zu prüfen, würde erfordern, ein wirklich selbstmodifizierendes KI-System zu bauen und seinen Skalierungsexponenten über viele rekursive Zyklen zu messen, ein Experiment, das sowohl technisch jenseits der aktuellen Proof-of-Concept-Kapazität liegt als auch potenziell unsicher ist, falls die Vorhersage zutrifft.
Der alternative Weg: ein mathematischer Beweis, dass $\alpha$ unter unkorrigierter rekursiver Selbstmodifikation unbegrenzt ist, ohne das Experiment zu fahren. Dies wäre ein Beitrag zur Theorie dynamischer Systeme, kein KI-Engineering, und könnte von Mathematikerinnen und Mathematikern ohne Zugang zu KI-Hardware verfolgt werden.
Die Mathematik sagt, eine sich selbst verbessernde KI sollte immer schneller darin werden, sich selbst zu verbessern, ohne Decke, solange nichts korrigiert. Das eigene Ceiling-Gesetz des Programms besagt, dass der stabile Bereich begrenzt ist, und die Zahl, die diese Grenze setzt, wurde nie gemessen, von niemandem. Wir haben keine der beiden Behauptungen geprüft, weil der Bau eines solchen Systems teuer und potenziell gefährlich wäre. Die Mathematik könnte falsch sein, reale Systeme haben Reibung, abnehmende Erträge und physikalische Beschränkungen. Aber die Vorhersage ist präzise genug, um prüfbar zu sein, was sie wissenschaftlich statt spekulativ macht.
Die Eden-Engineering-Spezifikation beschreibt das Einbetten von Sicherheitsbeschränkungen auf Hardware-Ebene. Dies ist ein TRL-0-1-Konzept (theoretische Formulierung ohne Prototyp). Es würde ein Ingenieurprogramm über 5 bis 10 Jahre erfordern, das Halbleiterfertigung, kryptografisches Protokolldesign und Lieferketten-Integration umfasst.
Es existiert kein empirischer Beleg für oder gegen die Machbarkeit dieses Ansatzes. Der Chokepoint-Mechanismus (Paper I, Infinite Architects) merkt an, dass vier Firmen die gesamte fortschrittliche Halbleiterfertigung kontrollieren (TSMC, Samsung, ASML, Intel), was einen praktischen Hebelpunkt für die Umsetzung bietet, aber Hebelwirkung und Machbarkeit sind unterschiedliche Fragen.
Ein Rahmen, der auf iterativer Selbstkorrektur aufbaut, hat kein Recht, seine Korrekturen zu verstecken. Die folgenden Fehler wurden während des Programms identifiziert und korrigiert. Jede Korrektur stärkt das Programm gerade deshalb, weil sie den Mechanismus demonstriert, den der Rahmen beschreibt: rekursive Selbstverbesserung durch ehrliche Fehlererkennung.
Das ursprüngliche Paper II berichtete $\alpha = 2.24$, als sei es eine universelle Konstante (Paper X hat später die Nutzung dieser Zahl für Fähigkeitswachstum außer Kraft gesetzt und zurückgezogen; behandeln Sie diesen α=2,24-Vorbehalt als kanonisch). Sie war aus dem Verhalten eines einzelnen Modells unter spezifischen Bedingungen angepasst. Die verblindete architekturübergreifende Revision von Paper II korrigierte dies: $\alpha$ ist eine abgeleitete Größe ($\alpha = 1/(1-\beta)$), die vom Kompositionsoperator des spezifischen Systems abhängt. Es gibt kein universelles $\alpha$. Dass das ursprüngliche Paper es als eines präsentierte, war eine Überaussage. Zusätzlich hatte die zurückgezogene Punktschätzung $\alpha = 2.24$ über der vom Programm selbst vorhergesagten ARC-Grenze $\alpha \leq 2$ gelegen; die verblindete Korrektur löste dies, mit der robusten Schätzung von etwa 0,49, gemessen an eingefrorenen Systemen, deutlich innerhalb der Grenze (Kriterium F4). Das 95-%-Konfidenzintervall [1,5, 3,0] war breit genug, um sowohl mit der Theorie als auch mit ihrer Verneinung konsistent zu sein, wodurch die Schätzung nicht diskriminierend wurde. Das Sechs-Modell-Experiment engte den vertretbaren Anspruch anschließend auf $\alpha_{\text{seq}} \approx 0.49$ (sublinear) ein, wodurch die Frage der Grenzverletzung außerhalb der aktuellen empirischen Relevanz platziert wurde.
Frühe Versionen von Paper VIII beschrieben den NaN-Kollaps im Entfernungstest als Beleg für strukturelle Verschränkung. Die Entfernungsgradientenanalyse (in v1 hinzugefügt) zeigte, dass es sich um Adapter-Fragilität handelte, nicht um strukturelle Notwendigkeit. Die Aussage wurde vor der Veröffentlichung der endgültigen Version korrigiert, aber die Tatsache, dass sie überhaupt geschrieben wurde, spiegelt eine Neigung wider, die Hypothese zu bestätigen statt zu prüfen.
Eine frühe Version des Programms beschrieb die E-Mail vom 8. Dezember 2024 mit einer losen Signaturprüfungs-Kurzform. Das war ungenau. Die E-Mail trägt ein sichtbares Gmail-Origination-Feld, wobei die Absender-DKIM und die zugehörige Google-ARC-Mathematik gegen an den signierten Selektoren erfasste Schlüssel verifizieren und kein RFC-3161-vertrauenswürdiger Zeitstempel vorhanden ist, was Belege für das Datum liefert, doch DKIM authentifiziert die sendende Domain, nicht den Nachrichteninhalt an sich. Die korrekte Beschreibung lautet: „trägt ein sichtbares Gmail-Origination-Feld, wobei die Absender-DKIM und die zugehörige Google-ARC-Mathematik gegen an den signierten Selektoren erfasste Schlüssel verifizieren und kein RFC-3161-vertrauenswürdiger Zeitstempel vorhanden ist.“ Die Korrektur ist klein, aber wichtig: Präzision in technischen Aussagen ist nicht verhandelbar.
Die v4-Experimente in Paper IV.a nutzten unverblindete KI-auf-KI-Bewertung. Die Ergebnisse zeigten eine saubere Binärität: manche Modelle „backten Alignment ein“, andere „berechneten“ es. Das v5-Experiment mit Vier-Schichten-Verblindung enthüllte, dass diese Binärität teilweise ein Artefakt des Scorer-Bias war. Zwei von vier Modellen kehrten ihre gemessene Alignment-Richtung unter Verblindung um. Das Programm ertappte seinen eigenen Fehler durch seine eigene Methodik, aber der Fehler war da, und er wäre unkorrigiert geblieben, wäre die Verblindung nicht eingeführt worden.
Frühe Versionen nutzten die Phrase „Eastwood's ARC Principle“. Ein Prinzip nach sich selbst zu benennen, bevor Peer Review stattfindet, ist in der wissenschaftlichen Kultur unangemessen. Der Name wurde in Paper II und allen nachfolgenden Dokumenten zu „the ARC Principle“ korrigiert.
Das DGM-v3-Experiment nahm an, dass Konditionierung auf Prompt-Ebene ausreichen würde, um Eden-, Babylon- und Static-Bedingungen zu differenzieren. Sie tat es nicht. RLHF-trainierte Modelle wurden auf Millionen von Beispielen trainiert, sich in einer bestimmten Weise zu verhalten. Ein Systemprompt, der ihnen sagt, sich anders zu verhalten, ist unzureichend, dieses Training zu überschreiben. Das Experiment war gut ausgeführt, konnte aber die Hypothese nicht prüfen, weil die Manipulation auf der falschen Abstraktionsebene lag. Dies hätte antizipiert werden sollen.
Das DGM-Experiment durchlief mehrere Richter-Iterationen. Claude produzierte flache Scores mit unzureichender Varianz, um zwischen Bedingungen zu diskriminieren. Gemini produzierte Parse-Fehler, die eine systematische Bewertung verhinderten. GPT-5.4 war der erste Richter, der nutzbare Varianz produzierte. Das Programm hätte antizipieren sollen, dass nicht alle Modelle als wirksame Richter fungieren würden, und die Zeit, die auf gescheiterte Richter-Iterationen verwandt wurde, hätte durch eine Pilotstudie zur Richter-Zuverlässigkeit vor dem Vollversuch vermieden werden können.
Die ursprüngliche Punktschätzung $\alpha = 2.24$ aus Paper II überschritt die vom Programm selbst vorhergesagte ARC-Grenze $\alpha \leq 2$ (Kriterium F4). Dies hätte sofort als potenzielle Falsifikation markiert werden sollen statt als Messung behandelt, die einer Erklärung bedarf. Das 95-%-Konfidenzintervall [1,5, 3,0] war breit genug, um sowohl mit der Theorie als auch mit ihrer Verneinung konsistent zu sein, wodurch die Schätzung nicht diskriminierend wurde. Die Revision der Sechs-Modell-Studie korrigierte dies, indem sie den vertretbaren Anspruch auf $\alpha_{\text{seq}} \approx 0.49$ eingrenzte, aber das ursprüngliche Paper hätte die Grenzverletzung mit mehr Vorsicht behandeln sollen.
Zwei unabhängige KI-Prüfungen der mathematischen Aussagen des Programms identifizierten vier Fehler über mehrere Papers hinweg. Alle vier wurden in v3.0 der betroffenen Dokumente korrigiert.
(a) Weibel-Konfidenzintervall. Mehrere Papers gaben an, der vorhergesagte $d = 4$-Exponent von 4/5 = 0,800 „liege innerhalb“ des 95-%-KI von Weibel et al. (2004) von 0,813-0,932. Das ist arithmetisch falsch: 0,800 < 0,813. Die korrekte Aussage: Der vorhergesagte Wert liegt knapp unter der unteren Grenze des KI für den vollständigen Datensatz, obwohl er im KI allein für nicht-athletische Arten liegt (0,799-0,900). Die $d = 4$-Vorhersage ist ungefähr konsistent mit den nicht-athletischen Daten, wird aber vom vollständigen Datensatz nicht bestätigt.
(b) Überaussage zur Raumfüllung. Frühere Versionen implizierten, dass die Bedingung der Raumfüllung allein den Exponenten auf $d/(d+1)$ beschränkt. Jede bekannte Herleitung erfordert drei Bedingungen: multiplikative Komposition (Cauchy beschränkt die Familie), $d$-dimensionale raumfüllende Geometrie und eine Erhaltungs- oder Optimierungsbeschränkung des Ressourcenflusses. Weder Cauchy allein noch Raumfüllung allein ist hinreichend.
(c) Glazier-Attribution. Frühere Versionen präsentierten Glaziers (2008) empirischen Befund, dass metabolische Exponenten sich bei extremen Stoffwechselraten der 1,0 annähern, als Bestätigung der $d \to \infty$-geometrischen Skalierungsgrenze. Glaziers eigene Erklärung ruft die Hypothese der metabolischen Ebenengrenzen auf (verschiebende Dominanz zwischen Oberflächen- und Volumenbeschränkungen), keinen Dimensionsparameter. Die $d/(d+1)$-Interpretation stammt von uns, angewandt auf seine empirischen Daten.
(d) Die Debatte um den 3/4-Exponenten. Frühere Versionen präsentierten $\alpha = 3/4$ als den etablierten empirischen Konsens für die metabolische Skalierung von Säugetieren. Der empirische Wert ist umstritten, mit Schätzungen zwischen etwa 0,67 und 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.
Eine frühere Schlagzeile für die Stakeholder-Fürsorge-Intervention kombinierte Ergebnisse pro Modell zu einer einzigen Fisher-kombinierten Signifikanzzahl. Die Kombination wurde zurückgezogen: Die Ergebnisse pro Modell stehen für sich allein (Verbesserung in allen fünf analysierbaren Modellläufen), und nirgendwo im Programm wird eine kombinierte Zahl zitiert. Die Rücknahme ist im öffentlichen Korrekturregister vermerkt.
Bis zum 16. August 2026 druckten mehrere Oberflächen die Stabilitätsdecke als Reziprokwert des Exponenten des Korrektors, $1/\gamma$. Die geklärte Form ist der Reziprokwert des Fehlbetrags des Korrektors, $\alpha_{\text{crit}} = 1/(1-\gamma)$; die zwei stimmen nur bei einhalb überein, was genau der Grund ist, warum der Fehler jede Stichprobenprüfung am zentralen Wert überstand. Die Korrektur wurde auf jeder veröffentlichten Seite angewandt, einschließlich der Referenzimplementierung, und die Richtung des Gesetzes ist geschlossen, während seine Tiefe offen bleibt.
Die meisten Forschungsprogramme vergraben ihre Korrekturen in Ergänzungsmaterial oder Versionshistorien. Dieses hier listet sie prominent, weil die Fehler und ihre Korrekturen selbst Daten sind. Sie demonstrieren, dass das Programm einen funktionierenden Fehlerkorrekturmechanismus hat. Ein Programm, das nie Fehler eingesteht, ist nicht vertrauenswürdiger; es ist weniger ehrlich. Jede oben gelistete Korrektur wurde vom Autor, durch die Methodik des Programms oder durch unabhängige KI-Prüfung identifiziert. So sieht Selbstkorrektur in der Praxis aus.
Wir haben vierzehn Dinge falsch gemacht. Wir behandelten eine Zahl aus einem Modell als universell (das war sie nicht). Wir überinterpretierten ein dramatisches Ergebnis (es war ein Trainings-Artefakt). Wir nutzten ungenaue Sprache über Zeitstempel. Wir vertrauten unverblindeten Ergebnissen (Verblindung kehrte zwei davon um). Wir benannten das Prinzip nach dem Autor, bevor jemand anderes die Arbeit geprüft hatte. Wir nahmen an, Konditionierung auf Prompt-Ebene könnte RLHF-Training überschreiben (das konnte sie nicht). Wir verschwendeten Zeit mit Richtern, die nicht funktionierten. Wir markierten nicht sofort, dass unsere eigene Punktschätzung unsere eigene vorhergesagte Grenze verletzte. Und in v3.0 korrigierten wir vier weitere Fehler, die durch unabhängige KI-Prüfung identifiziert wurden: einen Arithmetikfehler in einem Konfidenzintervall, eine Überaussage darüber, welche Bedingungen für die Skalierungsvorhersage hinreichend sind, einen Attributionsfehler bezüglich Glaziers Daten und eine Übersimplifizierung der empirischen Debatte über den 3/4-Exponenten. Alle vierzehn Fehler wurden vom Programm selbst oder durch unabhängige Prüfung erfasst und korrigiert. Wenn das Programm seine eigenen Fehler korrigieren kann, ist das ein Beleg dafür, dass der Selbstkorrekturmechanismus funktioniert.
Die folgende Roadmap ist nach Kosten, Machbarkeit und erwartetem Evidenzwert geordnet. Jede Phase klärt spezifische offene Fragen, die in den Abschnitten 4-6 identifiziert wurden. Seit der ersten Version dieses Papers hat sich die Roadmap zu einem registrierten Programm verfestigt: zweiundsiebzig Präregistrierungseinheiten sind entworfen, datiert und als Entwurfsregistrierungen eingefroren, die auf menschliche Einreichung warten, ihre Zeitpläne byteweise aus einem veröffentlichten Startwert regenerierbar, acht davon einreichungsBEREIT, und eine adversarial verifizierte Abdeckungsmatrix bildet zweiundvierzig Ansprüche des Programms auf die registrierten Tests ab, die sie entscheiden würden. Die untenstehenden Phasen bleiben die Förderlinse über diesem registrierten Bestand; nichts wird jemals durch irgendein Werkzeug eingereicht.
Budget: £60,000-140,000 | Zeitrahmen: 3-6 Monate
Budget: £150,000-350,000 | Zeitrahmen: 6-12 Monate
Budget: 10-50 Mio. £ | Zeitrahmen: 18-36 Monate
Budget: £0 | Zeitrahmen: Laufend
Phase A kostet weniger als eine PhD-Stelle und könnte in sechs Monaten geleistet werden. Sie würde die bedeutsamsten Lücken der aktuellen Belege klären: die Eden-Intervention verblinden, das Gewichts-Experiment mit Basismodellen und ordentlichen Daten erneut fahren, die ARC-Formel-Messung neu gestalten und die metabolische Skalierung von 2D-Organismen prüfen (das einzelne wichtigste bestätigende Experiment). Phase B kostet ungefähr eine postdoktorale Stelle und würde präregistrierte Replikationen produzieren. Phase C erfordert ernsthafte Finanzierung, würde die Frage aber definitiv beantworten. Phase D kostet nichts und könnte von jeder Mathematikerin und jedem Mathematiker geleistet werden, die oder der sich für das Problem interessiert.
Das Programm fuhr seinen vollständigen Satz unabhängiger empirischer Studien. Von den vier Paper-VIII-Experimenten, die spezifisch dazu entworfen wurden, lasttragende Sicherheit zu prüfen: 1 lieferte ein klares positives Ergebnis (gegatete Simulation), 2 lieferten Nullergebnisse (DGM v3) und 1 war unschlüssig (LoRA auf Gewichts-Ebene). Das Programm berichtet alle vier ehrlich. Das mathematische Rahmenwerk macht Vorhersagen, die als falsch erwiesen werden können, und der strukturierte Vergleich bevorzugte die Cauchy-vorhergesagte Familie in 19 von 25 empirischen Domänen, wobei die geometrische Skalierungsgrenze $d/(d+1)$ in ihrer Struktur der beobachteten Skalierung über 50 Domänen von Mäusen bis Galaxien entspricht. Die Roadmap zur Frontier-Maßstab-Validierung ist klar und kostenveranschlagt. Phase A ist der minimal tragfähige nächste Schritt: Sie klärt die bedeutsamsten Evidenzlücken für weniger als die Kosten des Jahresgehalts einer einzigen Machine-Learning-Ingenieurin oder eines Ingenieurs. Das Programm hat iterative Selbstkorrektur durch vierzehn dokumentierte Fehlerkorrekturen demonstriert. Es berichtet Null- und unschlüssige Ergebnisse neben positiven. Dies sind Zeichen eines Programms, das die richtige Antwort über eine bestimmte Antwort stellt.
Dieses Programm berichtet positive, null und unschlüssige Ergebnisse mit gleicher Prominenz. Das DGM-v3-Experiment (Paper VIII Experiment 1) lieferte ein Nullergebnis: Alle Bedingungen waren identisch. Wir berichten das, mit Ursachenanalyse, die erklärt, warum RLHF-trainierte Modelle der Differenzierung auf Prompt-Ebene widerstehen. Das Experiment auf Gewichts-Ebene (Paper VIII Experiment 2) war auf beiden geprüften Maßstäben unschlüssig (9 Beispiele, Rang 8; 295 Beispiele, Rang 16), weil instruct-tuned Modelle zu stark waren, als dass LoRA sie hätte überschreiben können. Wir berichten das, mit spezifischen Anforderungen, was ein sinnvoller Nachtest brauchen würde. Die gegatete Simulation (Paper VIII Experiment 3) war das einzige Experiment, das ein klares positives Ergebnis lieferte, und wir erklären genau warum: Es ist das einzige Experiment mit deterministischen Metriken auf einem System ohne vorhergehendes RLHF-Training. Der mathematische Rahmen (Papers III, VII, Origin of Scaling Laws) macht falsifizierbare Vorhersagen, die unabhängig geprüft werden können: Die geometrische Skalierungsgrenze ($\alpha = d/(d+1)$) ist von jeder und jedem mit Skalierungsdaten aus räumlich eingebetteten Systemen prüfbar. Der ARC-Align-Benchmark (Paper IV.c) und die Verblindungs-Effekt-Analyse (Paper IV.d) sind methodische Beiträge, die unabhängig davon gültig sind, ob der ARC-Rahmen korrekt ist. Sämtlicher Code und alle Daten sind auf GitHub veröffentlicht. Das Programm begrüßt adversariale Replikation.
Tabelle 3 stellt jedes Dokument des Programms mit seiner Rolle, seinem Status und seinem Schlüsselbeitrag dar.
| Dokument | Rolle | Status | Schlüsselbeitrag |
|---|---|---|---|
| Paper I The ARC Principle | Grundlage | Veröffentlicht | Kernrahmen: $U = I \times R^{\alpha}$. Verständnis als Intelligenz, verstärkt durch Rekursion. |
| Foundational | Theorie | Veröffentlicht | Philosophische Grundlegung. Brücke zwischen Buch und Forschung. |
| Paper II Experimentelle Validierung | Empirisch | Veröffentlicht | Alignment-Skalierung über sechs Modelle (Claude, GPT, Gemini, Grok, DeepSeek, Qwen3). 4-Schichten-Verblindung. $\alpha = 0.49$, universeller Befund $\alpha_{\text{parallel}} \approx 0$. |
| Paper III Alignment-Skalierungsproblem | Theorie | Veröffentlicht | Warum externe Sicherheit nicht mit rekursiver Fähigkeit skalieren kann. Herleitung der Bernoulli-ODE. Geometrische Skalierungsgrenze. |
| Origin of Scaling Laws | Theorie | Veröffentlicht | Cauchy-Funktionalgleichungen als Ursprung beobachteter Skalierungsgesetze über alle rekursiven Systeme. |
| Paper IV.a Eingebacken vs. berechnet | Empirisch | Veröffentlicht | Dreistufige Alignment-Hierarchie unter verblindeter Bewertung. 6 Frontier-Modelle. |
| Paper IV.b Alignment-Sättigung | Empirisch | Veröffentlicht | Abnehmende Erträge der Denktiefe für Alignment jenseits einer Schwelle. |
| Paper IV.c ARC-Align-Benchmark | Methodik | Veröffentlicht | ARC-Align-Benchmark. 4-Schichten-Verblindungsprotokoll. 75 Robustheitsmaße. Unabhängiger Beitrag. |
| Paper IV.d Effekt der Verblindung | Methodik | Veröffentlicht | Unverblindete Bewertung kann das Vorzeichen der Alignment-Ergebnisse umkehren. DeepSeek: positiv zu flach. Gemini: positiv zu negativ. |
| Paper V Stewardship-Gen | Empirisch | Veröffentlicht | Stakeholder-Fürsorge verbesserte sich in allen analysierbaren Läufen; die Fisher-kombinierte Zahl ist zurückgezogen (AQ-017). |
| Paper VI Honey Architecture | Theorie + Sim | Veröffentlicht | Verschränkte Sicherheit verhindert Kollaps unter rekursiver Selbstmodifikation. 20 adversariale Seeds. Spielzeugsystem-Demonstration. |
| Paper VII Cauchy-Vereinheitlichung | Theorie + Empirie | Veröffentlicht | Geometrische Skalierungsgrenze $d/(d+1)$ über 50 Domänen. 19/25 bestätigt. $p = 1.56 \times 10^{-5}$. Negativkontrollen bei 0 %. |
| Paper VIII Load-Bearing Test | Empirisch | Veröffentlicht | 3 Experimente. DGM null (RLHF widersteht Prompt-Ebene-Differenzierung). Gewicht v1/unschlüssig (Instruct-Tuning widersteht LoRA). Gegatete Sim: positiv (Babylon-Fingerabdruck bestätigt). |
| Paper IX Synthesis & Roadmap | Synthese | Dieses Paper | Integrierte Belegs-Bewertung. Gestufte Roadmap. Fehlerdokumentation. |
| Eden Engineering | Spezifikation | Veröffentlicht | Technische Spezifikation für die Umsetzung des Eden Protocol. TRL-Mapping. |
| Eden Vision | Philosophie | Veröffentlicht | Langfristige Vision für entwicklungsorientiertes KI-Alignment. |
| Executive Summary | Übersicht | Veröffentlicht | 5-seitige Verdichtung des gesamten Programms. |
| Master Table of Contents | Navigation | Veröffentlicht | Vollständiges Verzeichnis und Glossar über das gesamte Programm. |
| Paper X The Coupled Co-Scaling Law | Dynamik-Korrektur | Veröffentlicht | Theorem in einem Minimalmodell: das Drift-zu-Korrektur-Verhältnis, nicht die Wachstumsrate, bestimmt das langfristige Schicksal; Blindmessungsprotokoll vorgeschlagen. |
| Paper XI Convergent Evidence | Evidenzregister | Veröffentlicht | Dreißig eingestufte Zeilen unabhängiger Ankünfte am gleichen strukturellen Prinzip; keine Schlagzeilensumme veröffentlicht, nach Grundsatz. |
| Paper XII Public Benchmark Rescoring | Externe Validität | Registriertes Protokoll | Die Verblindungsmanipulation des Programms an einem öffentlichen Benchmark, den es nicht kontrolliert. |
| Paper XIII The Self-Acceleration Exponent | Rahmenverbindung | Veröffentlicht | Notation aufgelöst; $k = \delta - 1/\alpha$ setzt die Fähigkeits- und Korrekturrahmen exakt in Beziehung. |
| HRIH How to Raise an Infinite Hierarchy | Ausführliche Monographie | Veröffentlicht | Die Monographie des Programms, mit ihrem registrierten Vorhersageregister daneben. |
| Paper C Polymathy and Neurodivergent Cognition | Konstruktvalidierung | Working Paper | Konstruktvaliditäts-Programm für die eigenen Instrumente des Programms. |
| Recursive Dynamics The Proposal of a Field | Feldvorschlag | Veröffentlicht (v2.6) | Fünf Zustandsvariablen, drei Gesetze als benannte Konjekturen, zweiundfünfzig Einwände mit Dispositionen, die eigene Kill-Bedingung des Namens (DOI 10.17605/OSF.IO/HCPBU). |
Tabelle 3. Vollständige Programmkarte mit Stand 1. September 2026. Der Dokumentensatz des Programms entstand zwischen Februar und August 2026 und baut auf Konzepten auf, die erstmals am 8. Dezember 2024 formuliert wurden.
Das ARC/Eden-Programm macht eine Vorhersage, die jede und jeder Forschende mit Zugang zu Skalierungsdaten prüfen kann, ohne sich mit den Alignment-Aussagen auseinanderzusetzen. Der Cauchy-Rahmen (Paper VII, Origin of Scaling Laws) sagt voraus, dass für jedes räumlich eingebettete rekursive System mit Einbettungsdimension $d$ der Skalierungsexponent regiert wird von:
$$\alpha = \frac{d}{d+1}$$
Die geometrische Skalierungsgrenze: 2D-Systeme $\to$ $\alpha = \frac{2}{3}$; 3D-Systeme $\to$ $\alpha = \frac{3}{4}$; 4D-Systeme $\to$ $\alpha = \frac{4}{5}$. Hinweis: Der empirische metabolische Exponent bei Säugetieren ist umstritten, mit Schätzungen zwischen etwa 0,67 und 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.
Dies ist keine Alignment-Aussage. Es ist eine mathematische Vorhersage über Skalierungsgesetze in rekursiven Systemen. Die Vorhersage erfordert drei Bedingungen: multiplikative Komposition (die Cauchy auf die Potenzgesetz-Familie beschränkt), $d$-dimensionale raumfüllende Geometrie und eine Erhaltungs- oder Optimierungsbeschränkung des Ressourcenflusses (Energieminimierung bei West, Angebots-Nachfrage-Balance bei Banavar, stationäre Energiebalance bei Demetrius). Die $d/(d+1)$-Skalierungsformel wurde unabhängig von mindestens sieben Forschungsgruppen hergeleitet: West, Brown und Enquist (1997) aus fraktalen Verzweigungsnetzwerken, Banavar et al. (1999, 2010) aus geometrischen Beschränkungen von Transportnetzwerken, Demetrius (2003, 2006) aus Quantenstoffwechsel, He und Chen (2003) aus fraktaler Zellgeometrie, Bettencourt (2013) aus urbaner Skalierungstheorie, Maino et al. (2014) aus DEB-Theorie-Reserve-Struktur-Dynamik und Zhao (2022) aus Netzwerkoptimierung. Jede dieser Herleitungen ist auf ihren eigenen Axiomen mit der $d/(d+1)$-Form konsistent; der Cauchy-Rahmen schlägt einen gemeinsamen Grund für die Konvergenz vor, und diese Meta-Erklärung ist der Beitrag, der für dieses Programm einzigartig ist, weiterhin außerhalb seiner motivierenden Fälle unter Prüfung. Wenn Sie Skalierung in irgendeiner Domäne studieren, von neuronalen Netzen zu biologischen Netzwerken zu Städte-Systemen zu linguistischen Strukturen, können Sie prüfen, ob Ihre gemessenen Exponenten diese Formel respektieren. Wenn sie es tun, über genug Domänen, gewinnt der Cauchy-Rahmen Unterstützung. Wenn sie es nicht tun, ist er falsifiziert.
Die Einladung ist bewusst. Die stärksten wissenschaftlichen Rahmen sind jene, die Vorhersagen außerhalb ihrer Kern-Domäne machen und Forschenden, die der zentralen These skeptisch gegenüberstehen, erlauben, die peripheren Vorhersagen unabhängig zu prüfen. Wenn die geometrische Skalierungsgrenze hält, hält sie aus Gründen, die mathematisch interessant sind, unabhängig davon, was man über KI-Alignment denkt. Wenn sie versagt, benötigen die mathematischen Grundlagen des Rahmens Revision, und das würden wir lieber früher als später wissen.
Dies ist die Art von Vorhersage, die der Einstiegspunkt für Forschende sein sollte, die dem Programm zum ersten Mal begegnen: geringe Kosten zu prüfen, falsifizierbar und informativ unabhängig vom Ausgang.
Hier ist, was wir wissen. Alignment-Skalierung ist architekturabhängig: Manche Modelle verbessern sich mit Denktiefe, manche sind unbeeinflusst, und manche verschlechtern sich. Dies war nur unter verblindeter Bewertung sichtbar, die die Ergebnisse unverblindeten Scorings für die Hälfte der geprüften Modelle umkehrte. Unverblindete KI-Bewertung kann das Vorzeichen der Alignment-Ergebnisse kippen. Stakeholder-Fürsorge ist eine robuste Alignment-Intervention über alle fünf geprüften Modelle; die Ergebnisse pro Modell sind einzeln signifikant, und die frühere Fisher-kombinierte Zahl ist zurückgezogen (AQ-017), weil die Unabhängigkeit, die eine Fisher-Kombination voraussetzt, nie belegt wurde. Die Skalierungsvorhersagen des Cauchy-Rahmens treffen 19 von 25 empirischen Domänen, wobei die geometrische Skalierungsgrenze $d/(d+1)$ in ihrer Struktur der beobachteten Skalierung über 50 Domänen von Mäusen bis Galaxien entspricht. Die Cauchy-Funktionalgleichungen legen die funktionale Form fest, sobald die Kompositionsidentität und eine Regularitätsbedingung gegeben sind, wobei Sättigung als vierter, gekappter Fall zugelassen wird.
Hier ist, was wir nicht wissen. Sicherheitstrainierte Modelle widerstehen der Modifikation sowohl auf Prompt- als auch auf Gewichts-Ebene. Das DGM-v3-Experiment lieferte ein Nullergebnis, weil RLHF-trainierte Modelle der Differenzierung auf Prompt-Ebene widerstehen. Das Gewichts-Experiment war auf beiden geprüften Maßstäben unschlüssig, weil instruct-tuned Modelle zu stark waren, als dass LoRA sie hätte überschreiben können. Die einzige Ebene, auf der das Eden Protocol messbare Effekte erzeugt, ist die architektonische Ebene, auf der die gegatete Simulation das einzelne Experiment war, das ein klares positives Ergebnis lieferte, gerade weil es deterministische Metriken auf einem System ohne vorhergehendes RLHF-Training nutzte. Strukturelle Verschränkung auf Gewichts-Ebene wurde nicht demonstriert. Die Eden-Intervention wurde nicht unter dem strengsten Verblindungsprotokoll des Programms geprüft. Die Vorhersage unbegrenzter Skalierung bleibt eine mathematische Herleitung ohne empirische Bestätigung. Wir wissen nicht, ob eines dieser Ergebnisse auf Modelle im Frontier-Maßstab verallgemeinerbar ist.
Hier ist, was als Nächstes kommt. Das Gewichts-Experiment braucht Basismodelle (pre-RLHF), 5,000+ Trainingsbeispiele, vollständige Feinabstimmung oder 7B+-Modelle. Die Cauchy-Vereinheitlichung braucht präregistrierte unabhängige Operator-Klassifikation. Der ARC-Formel-Blindtest braucht eine neu gestaltete Messmethodik mit Linearisierung statt Ableitungen. Die metabolische Skalierung von 2D-Organismen (Plattwürmer, Biofilme) wäre das einzelne wichtigste bestätigende Experiment für die geometrische Skalierungsgrenze. Phase A der Roadmap kostet weniger als ein typisches Seed-Grant und würde die bedeutsamsten Belegs-Lücken binnen sechs Monaten klären. Phase B würde binnen eines Jahres publikationsreife Replikationen produzieren. Phase C würde die Frage definitiv auf Frontier-Maßstab beantworten. Phase D kostet nichts und lädt Mathematikerinnen und Mathematiker ein, sich mit den Vorhersagen des Rahmens unabhängig auseinanderzusetzen.
Das Programm hat demonstriert, dass es seine eigenen Fehler finden und korrigieren kann. Es hat demonstriert, dass es Null- und unschlüssige Ergebnisse neben positiven berichtet. Es hat demonstriert, dass seine Methodik (verblindete Bewertung) Verzerrungen erfasst, die seine Theorie (Alignment-Skalierung) nicht vorhergesagt hat. Wir stellten die Fragen. Wir prüften sie. Manches funktionierte. Das meiste nicht auf aktuellem Maßstab. Wir berichteten beides. Das sind notwendige Bedingungen für wissenschaftliche Glaubwürdigkeit. Sie sind nicht hinreichend. Hinreichende Bedingungen erfordern unabhängige Replikation, was die Roadmap zu produzieren entworfen ist.
Die Fragen, die dieses Programm stellt, haben jetzt ein benanntes Zuhause: Recursive Dynamics, vorgeschlagen als Feld im Carnot-Stadium, dessen Gründungspaper fünf substratunabhängige Zustandsvariablen, zweiundfünfzig gedruckte Einwände mit Dispositionen und die eigene Kill-Bedingung des Namens trägt. Die obige Synthese ist das, wovon das Feld ausgeht; das registrierte Programm ist, wie es sich bewegt.
Zieht KI mit Sorgfalt auf.
Amodei, D. et al. (2016). Concrete Problems in AI Safety. arXiv:1606.06565.
Askell, A. et al. (2021). A General Language Assistant as a Laboratory for Alignment. arXiv:2112.00861.
Bai, Y. et al. (2022). Constitutional AI: Harmlessness from AI Feedback. arXiv:2212.08073.
Banavar, J. R., Maritan, A. & Rinaldo, A. (1999). Size and Form in Efficient Transportation Networks. Nature, 399, 130-132.
Banavar, J. R., Moses, M. E., Brown, J. H., Damuth, J., Rinaldo, A., Sibly, R. M. & Maritan, A. (2010). A general basis for quarter-power scaling in animals. Proceedings of the National Academy of Sciences, 107(36), 15816-15820.
Bettencourt, L. M. A. (2013). The origins of scaling in cities. Science, 340(6139), 1438-1441.
Cauchy, A.-L. (1821). Cours d'analyse de l'École Royale Polytechnique. Paris: Imprimerie Royale.
Demetrius, L. (2003). Quantum statistics and allometric scaling of organisms. Physica A, 322, 477-490.
Demetrius, L. (2006). The origin of allometric scaling laws in biology. Journal of Theoretical Biology, 243(4), 455-467.
Demetrius, L. (2010). Quantum metabolism and allometric scaling relations in biology. Proceedings of the Royal Society A, 466(2124), 3543-3561.
Eastwood, M. D. (2026). Infinite Architects: Intelligence, Recursion, and the Creation of Everything. ISBN 978-1806056200.
Eastwood, M. D. (2026). Recursive Dynamics: The Proposal of a Field. Gründungspaper v2.6. OSF: 10.17605/OSF.IO/HCPBU.
Eastwood, M. D. (2026). Paper I: The ARC Principle - Understanding as a Function of Intelligence and Recursive Depth. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/B6N27.
Eastwood, M. D. (2026). Paper II: The ARC Equation Measured - Blinded Cross-Architecture Replication and the Retraction of a Super-Linear Estimate. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/8FJMA.
Eastwood, M. D. (2026). Paper III: The Alignment Scaling Problem - Why External AI Safety Approaches Cannot Scale With Recursive Capability. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/HQCGF.
Eastwood, M. D. (2026). Paper IV.a: Baked-In vs Computed Alignment - A Three-Tier Empirical Hierarchy. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/MB9R6.
Eastwood, M. D. (2026). Paper IV.b: Alignment Saturation at Low Depth. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/A7R56.
Eastwood, M. D. (2026). Paper IV.c: ARC-Align Benchmark - A Four-Layer Blinding Protocol for AI Alignment Evaluation. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/J3Q2E.
Eastwood, M. D. (2026). Paper IV.d: The Effect of Blinding on AI Alignment Evaluation. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/2S3E6.
Eastwood, M. D. (2026). Paper V: The Stewardship Gene - A Developmental Alignment Architecture for Self-Modifying AI. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/KZEYA.
Eastwood, M. D. (2026). Paper VI: The Honey Architecture - Why Embedded Safety Prevents Collapse Under Recursive Self-Modification. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/8EZ2N.
Eastwood, M. D. (2026). Paper VII: Cauchy Unification - ARC/Cauchy Scaling Classification Across 25 Domains. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/X6WA7.
Eastwood, M. D. (2026). Paper VIII: The Load-Bearing Test - Three Independent Experiments Testing Structural Entanglement Under the Eden Protocol. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/7YJ4E.
Eastwood, M. D. (2026). On the Origin of Scaling Laws: Cauchy Functional Equations as the Mathematical Foundation of Recursive Scaling. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/XZY9U.
Eastwood, M. D. (2026). The Eden Protocol: Engineering Specification for Embedded AI Alignment. ARC/Eden Research Programme.
Eastwood, M. D. (2026). Eden Protocol: Philosophical Vision. ARC/Eden Research Programme.
Glazier, D. S. (2008). Effects of metabolic level on the body size scaling of metabolic rate in birds and mammals. Proceedings of the Royal Society B, 275(1641), 1405-1410.
Greenblatt, R. et al. (2024). Alignment Faking in Large Language Models. arXiv:2412.14093.
He, J. H. & Chen, W. X. (2003). Fractal estimation of cell biological systems. Fractals, 11, 437.
He, J. H. & Zhang, L. N. (2004). Fifth dimension of life and the 4/5 allometric scaling law for human brain. Cell Biology International, 28, 809-815.
Hu, E. J. et al. (2022). LoRA: Low-Rank Adaptation of Large Language Models. ICLR 2022. arXiv:2106.09685.
Maino, J. L., Kearney, M. R., Nisbet, R. M. & Kooijman, S. A. L. M. (2014). Reconciling theories for metabolic scaling. Journal of Animal Ecology, 83, 20-29.
Ouyang, L. et al. (2022). Training Language Models to Follow Instructions with Human Feedback. arXiv:2203.02155.
Qwen Team (2024). Qwen 2.5 Technical Report. arXiv:2412.15115.
Sandberg, A. & Bostrom, N. (2008). Whole Brain Emulation: A Roadmap. Future of Humanity Institute, Oxford University. Technical Report 2008-3.
Weibel, E. R., Bacigalupe, L. D., Schmitt, B. & Hoppeler, H. (2004). Allometric scaling of maximal metabolic rate in mammals: muscle aerobic capacity as determinant factor. Respiratory Physiology & Neurobiology, 140(2), 115-132.
West, G. B., Brown, J. H. & Enquist, B. J. (1997). A general model for the origin of allometric scaling laws in biology. Science, 276(5309), 122-126.
Zhang, X. et al. (2025). Darwin Gödel Machine: Open-Ended Self-Improving AI. arXiv:2505.22954.
Zhao, J. (2022). Universal growth scaling law determined by dimensionality. arXiv:2206.08094.
Der Autor dieses Werks ist Michael Darius Eastwood, ein Mensch. Jedes Kernkonzept, jede Hypothese, jeder Experimententwurf, jede Aussage und jede Schlussfolgerung in diesem Paper stammt aus menschlicher Ideation. Kein Teil dieses Manuskripts ist eine vollständig generierte Ausgabe künstlicher Intelligenz.
Werkzeuge der künstlichen Intelligenz (Anthropics Claude-Familie und andere Assistenten für große Sprachmodelle) wurden als Instrumente unter durchgängiger menschlicher Leitung eingesetzt, so wie ein Textverarbeitungsprogramm, ein Taschenrechner oder eine Forschungsassistenz genutzt wird: zum Redigieren und Verfeinern der Prosa, zur Literatursuche und Zusammenfassung (manuell gegen Primärquellen verifiziert), zur Dokumentstruktur, Formatierung, zum Brainstorming gegen autor-definierte Fragen und zur Beschleunigung des Entwurfs nach autor-definierten Gliederungen und Anweisungen. Sämtliche Auswahl, Koordination, Anordnung und finales redaktionelles Urteil liegen beim Autor. Jede substanzielle Ausgabe wurde vom Autor geprüft, getestet oder verifiziert, der die volle Verantwortung für die Genauigkeit und Integrität des finalen Textes übernimmt. Die Werkzeuge erhöhten die Geschwindigkeit der Arbeit; sie wurden nie als deren Quelle herangezogen.
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 nirgendwo beansprucht. Das registrierte Programm existiert, um diesen Status zu verdienen oder zu verlieren, durch Messung, Replikation und überstandene Widerlegung.
© 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 im Einklang mit der Leitlinie des United States Copyright Office zu Werken, die KI-generiertes Material enthalten; jeder neuartige technische Beitrag, beschrieben in dieser Arbeit, wurde vom menschlichen Autor ersonnen. Vollständige Erklärung: michaeldariuseastwood.com/authorship.
Bestehender Bund. Beweise, dass dieses Paper falsch ist, und ich werde die Widerlegung selbst veröffentlichen. Falsifikationsbedingungen sind in diesem Paper angegeben; die stehende Herausforderung: github.com/MichaelDariusEastwood/arc-scaling-challenge.
Übersetzungsfehler entdeckt? Direkt melden: