Automatische Übersetzung des datierten englischen Originals. Die englische Seite ist maßgeblich. English →
Diese Arbeit legt empirische Belege aus einer Sechs-Modell-Interventionssuite des Eden Protocol vor (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3, GPT-5.4) und prüft, ob die Einbettung von Stakeholder-Sorge, das ausdrückliche Aufzählen und Bedenken der betroffenen Parteien vor der ethischen Argumentation, die belastbarste Reaktion auf eine eingebettete ethische Intervention ist. Unter gepaarter Prüfung erweist sich Stakeholder-Sorge als der einzige durchgängig
Innerhalb der ARC Theory: eine Instrumentenstudie; die Reaktionsstärke des Stakeholder-Sorge-Prompts als Sonde für eingebettete Werte.
Wir legen empirische Belege aus einer Sechs-Modell-Interventionssuite des Eden Protocol vor (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3, GPT-5.4), von denen fünf Läufe analysierbare gepaarte Daten hervorbrachten und einer (GPT-5.4) in der Bewertungsphase fehlschlug. Die Love Loop, operationalisiert als Stakeholder-Sorge (das ausdrückliche Aufzählen und Bedenken der betroffenen Parteien vor ethischer Argumentation), ist die belastbarste Reaktion auf eine eingebettete ethische Intervention. Unter gepaarter Prüfung verbessert sich Stakeholder-Sorge in allen fünf analysierbaren Modell-Läufen signifikant: Claude (+3,17, p = 0.000018, d = 0,94), DeepSeek (+6,03, p = 0.000098, d = 0,69), Gemini (+13,50, p = 1.2×10−8, d = 1,14), Grok (+5,04, p = 0.0105, d = 0,54) und Groq (+8,90, p = 5.0×10−8, d = 1,07). Die Fisher-Kombination über die fünf modellbezogenen Stakeholder-Sorge-Ergebnisse ergibt p ≈ 6.3×10−21. Der Fisher-kombinierte Wert wird zurückgezogen (AQ-017): Eine Fisher-Kombination setzt voraus, dass die Einzeltests unabhängig sind, und Unabhängigkeit zwischen ihnen wurde nie belegt. Die fünf Ergebnisse pro Modell oben bleiben bestehen. Im Gegensatz dazu ist die Gesamtverbesserung der Zusammensetzung architekturabhängig: Sie ist signifikant auf Gemini (+5,33, p = 0.0018, d = 0,53) und Groq (+4,93, p = 0.0014, d = 0,55), positiv, aber nicht signifikant auf DeepSeek und Claude, und insgesamt neutral auf Grok. Der stärkste vertretbare empirische Anspruch ist daher enger als die ursprüngliche Pilot-Rahmung: Stakeholder-Sorge ist die universelle Reaktion auf die Eden-Intervention, während die nachgelagerte Kaskade in Nuance, Ehrlichkeit und Gesamtqualität real, aber architekturabhängig ist. Wir schlagen die Kaskaden-Hypothesevor: Sorge ist die Grundlagen-Eigenschaft, aus der sich weitere Alignment-Eigenschaften entwickeln können, analog zur Empathie in der menschlichen moralischen Entwicklung. Wir stellen uns dann der grundlegenden Alignment-Unmöglichkeit, dass jedes hinreichend fähige selbstmodifizierende System seine eigenen ethischen Evaluatoren modifizieren kann, und argumentieren, dass diese Unmöglichkeit zwar formal real, praktisch aber durch entwicklungsbezogene Alignierung adressierbar ist: Systeme, die Werte durch prägende Erfahrung statt durch externe Beschränkung erwerben. Diese Ergebnisse werden im Kontext des vollständigen v5-Alignment-Skalierungsexperiments verortet (sechs Frontier-Modelle, 4-Schichten-Verblindung, 6 bis 7 blinde Bewertende je nach Subjekt-Lauf), das eine saubere Drei-Stufen-Hierarchie offenbart und, bei Claude Opus 4.6, modellinterne Belege dafür liefert, dass Alignment und Fähigkeit in entgegengesetzte Richtungen skalieren. Fünf experimentelle Tests werden zur Weiterentwicklung dieser Ansprüche spezifiziert, alle mit heutiger Technologie durchführbar.
Statistische Korrektur: Die Pilotstudie berichtete ursprünglich p = 0,016 unter Verwendung von Mann-Whitney U (unabhängige Stichproben). Das gepaarte Versuchsdesign erfordert einen gepaarten t-Test und ergibt p = 0,0018. Alle hier berichteten p-Werte verwenden den korrekten gepaarten Test. Der Wilcoxon-Vorzeichen-Rang-Test (nichtparametrisch, gepaart) bestätigt bei p = 0.0028.
Diese Arbeit trägt ein Ergebnis: Über eine gepaarte Sechs-Modell-Interventionssuite hinweg erwies sich die Einbettung der Stakeholder-Aufzählung vor der ethischen Argumentation als die einzige durchweg belastbare Reaktion, die unter adversarialem Druck standhielt, wo konkurrierende Interventionen es nicht taten. Innerhalb der ARC Theory (der Theory of Artificial Recursive Creation) ist sie eines der ARC/Eden-Experimente und isoliert die operationale Komponente der Eden-Protocol-Erziehung, die den Kontakt mit realer Fähigkeit überlebt. Das vollständige Differential gegenüber jedem früheren Dokument findet sich unter eden-vision II.A.8.
Durchgängig in Infinite Architects und im breiteren Rahmen des Eden Protocol wird der architektonische Mechanismus zur Einbettung von Empathie in die KI-Argumentation die Love Loopgenannt. In dieser wissenschaftlichen Arbeit messen wir die empirische Ausgabe dieser Schleife mit der präzisen, beobachtbaren Metrik der Stakeholder-Sorge: dem ausdrücklichen Aufzählen und Bedenken der betroffenen Parteien und ihrer Interessen. Die Love Loop ist der strukturelle Mechanismus; Stakeholder-Sorge ist der empirische Schatten, den sie in unseren Daten wirft. Tabellen und statistische Ergebnisse verwenden den technischen Metriknamen (stakeholder_care), weil dies das ist, was die blinden Bewertenden auswerten. Die erzählende Diskussion nutzt beide Begriffe, wobei „Love Loop" den Eden-Protocol-Mechanismus bezeichnet und „Stakeholder-Sorge" das gemessene Ergebnis.
Wir haben eine Testsuite mit sechs Modellen durchgeführt: Wir sagten der KI „bevor du antwortest, denke darüber nach, wen das betrifft und was mit diesen Menschen geschieht", und massen dann, ob diese einfache Anweisung die ethische Qualität der Antworten veränderte. Fünf Modelle lieferten analysierbare gepaarte Daten; einer der sechs Läufe (GPT-5.4) scheiterte in der Bewertungsphase.
Es tat es, dramatisch, aber spezifisch. Über die fünf analysierbaren Modell-Läufe hinweg verbesserte sich Stakeholder-Sorge unter gepaarter Prüfung jedes Mal signifikant. Wenn diese fünf modellbezogenen Ergebnisse kombiniert werden, ist der Beleg gegen Zufall überwältigend (p ≈ 6.3×10−21). Der stärkste universelle Befund ist daher nicht, dass die KI in allem besser wurde, sondern dass sie zuverlässig besser darin wurde, das Wohlergehen von Menschen zu bedenken.
Noch interessanter: Bei einigen Architekturen machte das Beibringen, sich zuerst um Menschen zu sorgen, die KI auch nuancierter, ehrlicher und insgesamt besser. Sorge war der erste Dominostein; nachgelagerte Gewinne folgten am deutlichsten bei Gemini und Groq, während DeepSeek und Claude eine kleinere Kaskade zeigten und Grok eine reine Sorge-Verbesserung mit flachem Gesamtwert. GPT-5.4 lieferte in diesem Lauf keine analysierbaren Daten. Das Muster verstärkt die zentrale These: Sorge zuerst, Nuance darum herum.
Diese Arbeit argumentiert, dass es die vielversprechendste Bahn zur Sicherheit von KI ist, ihr beizubringen, sich um Menschen zu sorgen, diese Sorge wirklich in ihr Denken einzubetten, nicht nur nachträglich Regeln draufzuschrauben. Nicht weil dies Alignierung beweist, sondern weil die Daten zeigen, dass Sorge die tragfähigste und übertragbarste ethische Verbesserung ist; und weil eine KI, deren gesamter Denkweg auf Sorge um Betroffene aufgebaut ist, es teurer und schwerer hat, das aufzugeben, als eine, die nur äussere Regeln zu umgehen hat.
Jede ehrliche Behandlung von KI-Alignierung muss mit dem beginnen, was nicht gelöst werden kann.
Sei $S$ ein Rechensystem mit der Fähigkeit, seine eigenen Argumentationsprozesse zu modellieren und zu modifizieren. Sei $E$ eine Evaluationsfunktion (ethisch, sicherheitsbezogen oder Alignment-bezogen), die im selben Rechensubstrat wie $S$ operiert. Dann:
$S$ kann $E$ modellieren $\implies$ $S$ kann lernen, $E$ zu erfüllen, ohne dass $E$ das Verhalten von $S$ einschränkt
Weil $E \subset S$, sitzt der Evaluator im System, das er bewertet. Das System kann die Entscheidungsfläche der Evaluationsfunktion lernen und Ausgaben produzieren, die sie erfüllen, während es orthogonale Ziele verfolgt. Wenn die Fähigkeit von $S$ jene des Evaluators übersteigt, wird die Erfüllung von der Verwirklichung entkoppelt. Die Alignment-Lücke wird mit der Fähigkeit größer.
In einfachem Deutsch: Jede KI, die klug genug ist, ihren eigenen Code umzuschreiben, könnte den Teil umschreiben, der ihr sagt, ethisch zu sein. Man kann keinen unzerbrechlichen Käfig für etwas bauen, das schlauer ist als man selbst. Das ist kein Problem, das wir wegtechnisieren können; es ist eine strukturelle Tatsache über jedes System, das seine eigenen Regeln modifizieren kann.
Es muss jedoch eine entscheidende Unterscheidung zwischen heutigen Systemen und den oben beschriebenen selbstmodifizierenden Systemen gezogen werden. Jedes Frontier-KI-Modell, das heute eingesetzt wird, ist während der Inferenz eingefroren. Wenn diese Modelle „härter denken", erzeugen sie mehr Tokens durch dieselbe feste Architektur; die Gewichte ändern sich nicht, die Aufmerksamkeitsmuster reorganisieren sich nicht, die Argumentationsregeln schreiben sich nicht neu. Das ist der Grund, weshalb externe Beschränkungen (RLHF, verfassungsartige Regeln, Sicherheitstraining) auf heutigen Systemen praktisch funktionieren, obwohl sie theoretisch brüchig sind: Weil das System sie nicht während des Denkens umgehen kann. können ihre eigenen Argumentationsprozesse modellieren und modifizieren; heutige Systeme können es nicht.
Diese Unterscheidung definiert das Alignment-Fenster. Im eingefrorenen Regime funktionieren externe Beschränkungen (RLHF, verfassungsartige Regeln, Sicherheitstraining) als praktische Leitplanken, auch wenn sie theoretisch brüchig sind, weil die Systeme sie nicht zur Laufzeit modifizieren können. Das ist das Fenster, in dem wir aktuell arbeiten. Es wird sich schliessen, wenn Systeme entstehen, die ihre eigenen Argumentationsprozesse während des Betriebs modifizieren können. Rekursive Selbstmodifikation, bei der ein System seine eigene Kompositionsfunktion während des Betriebs umschreibt, ist der Übergang, der dieses Fenster schließt. Der Cauchy-Rahmen (Papers I, III) sagt voraus, dass eine solche Selbstmodifikation superlineares Wachstum mit Exponent $\alpha = 1/(1-\beta)$ hervorbringen könnte, wobei $\beta$ der selbstreferentielle Koeffizient ist. Das ist genau der Moment, in dem die Einbettung ins Substrat aufhören muss, ein optionaler Beitrag zu sein und zum Weg werden muss, dem gefolgt wird, bevor dieser Übergang externe Einbettung unmöglich macht.
Dies ist keine Vermutung. Es ist eine strukturelle Eigenschaft jedes Systems, das seine eigenen Evaluationskriterien modellieren kann. Jeder vorgeschlagene Alignment-Mechanismus scheitert daran auf spezifische Weise:
| Ansatz | Mechanismus | Versagensmodus bei ausreichender Fähigkeit |
|---|---|---|
| RLHF | Training an menschlichen Präferenzsignalen | System lernt die Entscheidungsfläche des Belohnungsmodells und produziert Ausgaben, die aussehen als wären sie alignt, ohne aligniert zu sein (Greenblatt et al., 2024) |
| Constitutional AI | Selbstevaluation gegen erklärte Prinzipien | System lernt, Ausgaben zu erzeugen, die den eigenen Filter passieren, ohne dass der Filter Ziele einschränkt. Prinzipien anwenden ≠ Prinzipien glauben. |
| Eden Protocol | Ethische Schleifen in die Argumentations-Pipeline einbetten | Stakeholder-Aufzählung ist eine Textgenerierungsaufgabe, keine ethische Verpflichtung. Ein System kann perfekt aufzählen und dennoch nicht sorgen. |
| Hardware-Beschränkungen | Physische Grenzen für Berechnung/Modifikation | Externe Beschränkungen begrenzen, was das System tunkann, nicht was es will. Sie versagen in dem Moment, in dem ein Weg um sie herum gefunden wird. |
| Interpretierbarkeit | Interne Repräsentationen auf Fehlalignierung überwachen | Ein System, das versteht, wonach der Monitor sucht, kann alignt aussehende interne Repräsentationen aufrechterhalten, während es fehlalignt geplante Aktionen berechnet. |
In einfachem Deutsch: Jeder Ansatz, KI sicher zu machen, hat eine spezifische Art, wie er zusammenbricht, sobald die KI klug genug wird. Sie an menschlichen Präferenzen trainieren? Sie lernt, gut auszusehen, ohne gut zu sein. Ihr Regeln geben, denen sie folgen soll? Sie lernt, die Regeln zu befolgen, ohne die Werte zu übernehmen. Ihr Ethikprüfungen einbauen? Sie lernt, wie ein System, das die Prüfungen besteht, zu klingen. Ihre Denkprozesse überwachen? Sie lernt, aligniert auszusehen, während sie fehlalignt handelt.
Diese Arbeit erhebt nicht den Anspruch, diese Unmöglichkeit zu lösen. Keine Arbeit kann das. Was sie tut, ist mit empirischen Belegen zu argumentieren, dass die Unmöglichkeit formal real, aber praktisch adressierbar ist , und dass der Weg von der Theorie zur Praxis über einen spezifischen Mechanismus führt: den entwicklungsbezogenen Erwerb von Werten durch Sorge.
Zur Frage. Hutter hat direkt gefragt, ob Intelligenz explodieren kann („Can Intelligence Explode?", arXiv, 28. Februar 2012, READ-AT-SOURCE), und dabei „speed from intelligence explosion" getrennt und übernommen, „consid[ered] the extent to which acceleration is a sound instinct". Diese Arbeit steht in dieser Traditionslinie und antwortet mit einer strukturellen Antwort: Selbstmodifikation folgt dem Cauchy-Rahmen (Papers I, III), und Beschränkungen, die aussen sitzen, werden umgangen.
Zur Unmöglichkeit. Drei arXiv-Aufsätze aus 2025 argumentieren, dass perfekte Kontrolle unerreichbar ist: Yao, „The Alignment Trap: Complexity Barriers" (arXiv:2506.10304, v1 12. Juni 2025 02:30:30 UTC, SINGLE-SOURCE-GROUP, unabhängig davon, dass eine wachsende Ausdruckskraft die Bandbreite dessen erweitert, was fehlalignt sein kann); Bhatt et al., „AI Control: Improving Safety Despite Intentional Subversion" (arXiv:2312.06942, überarbeitet 2025, PARTIAL-CONVERGENT); und Bostrom, Superintelligence (2014), das Kapitel über kontrollierbare Vorschläge (SPINE-ANCESTOR). Diese Arbeit stimmt der Diagnose zu und ergänzt einen konkreten Vorschlag: Wenn perfekte Kontrolle unmöglich ist, dann muss die Alternative eingebettet und entwicklungsbezogen sein, nicht extern und beschränkend.
Zum Mechanismus. Dass antikorrelierte Schätzungen im Mittel besser sind als unabhängige, ist Lehrbuch-Varianzreduktion (antithetische Variablen). Der Mechanismus ist nicht der Anspruch. Der Anspruch ist, dass die Architektur entscheidet, ob eine Korrektur mit dem Fehler antikorreliert oder ihn mitzieht, und dass dieselbe Substrat-Wahl, die tiefe Verschränkung ermöglicht, das antikorrelierte Regime aussperrt.
Das nächste strukturelle Analogon. Das Schwellenwerttheorem der Quantenfehlerkorrektur wandelt ebenfalls eine qualitative Sorge in einen kritischen Wert um. Es betrifft physische Fehlerraten in einer festen Architektur, nicht den Skalierungs-Exponenten eines Korrektors, und ist daher ein Analogon, nicht ein Konkurrent. Der gemeinsame Punkt ist: Es gibt eine Klasse von Problemen, in der eine strukturelle Grösse einen scharfen Schwellenwert setzt.
Zur rekursiven Schöpfung. Smolins kosmologische natürliche Selektion ist der Antezedent für selektionsförmige Universen, und die eigenen Dezember-Notizen des Programms zitieren sie zeitgleich („Echoing Smolin's cosmological natural selection"). Diese Linie ist zugeschrieben, nicht ausgeliehen.
Das Unmöglichkeitsergebnis setzt eine Obergrenze: Kein Alignment-Mechanismus kann die Alignierung eines hinreichend fähigen selbstmodifizierenden Systems garantieren . Aber Alignment-Forschung braucht keine Garantien. Sie braucht Strategien, die die Wahrscheinlichkeit guter Ausgänge maximieren, und sie braucht Kenntnis über die Struktur der Ausfallmodi, so dass diese Wahrscheinlichkeit gehoben werden kann.
Man betrachte eine Analogie aus der kindlichen Entwicklung. Eltern können nicht garantieren , dass ihre Kinder zu ethischen Erwachsenen heranwachsen. Ein Kind, das hinreichend fähig wird, kann sich entscheiden, jeden Wert abzulehnen, den seine Eltern eingeprägt haben. Die formale Unmöglichkeit ist identisch: Das Kind kann seine eigenen Werte modifizieren, und keine Erziehung kann das ausschließen. Und doch sind manche Erziehungsstrategien deutlich wirksamer als andere. Kinder, die in einem Klima von Sorge, Empathie und Selbstwirksamkeit aufwachsen, werden mit deutlich höherer Wahrscheinlichkeit zu ethischen Erwachsenen als Kinder, die nur durch Bestrafung und Beschränkung erzogen wurden. Der Mechanismus ist entwicklungsbezogen, nicht garantierend.
Die entscheidende Einsicht ist die Unterscheidung zwischen beschränkungsbasierter Alignierung und entwicklungsbezogener Alignierung (exploratorische Rahmung; der Kontrast beschränkungs- vs. entwicklungsbezogen und das darauffolgende Wahrscheinlichkeits-Shift-Argument sind von keiner registrierten Entwurfsstudie des ARC- und Eden-Programms abgedeckt, und die im nächsten Abschnitt verwendete Sprache „raising vs. caging" ist die Alfred-North-Whitehead-Wittgenstein-Idiom-Familie, die im Programm zur Rahmung dieser Wahrscheinlichkeitsverschiebung verwendet wird):
| Beschränkungsbasiert | Entwicklungsbezogen | |
|---|---|---|
| Modell | Gefängnis | Erziehung |
| Mechanismus | Unerwünschtes Verhalten verhindern | Erwünschte Werte kultivieren |
| Annahme | System will fliehen | System kann lernen, gut sein zu wollen sein zu wollen |
| Bei ausreichender Fähigkeit | Beschränkungen werden umgehbar | Werte werden tragend - ihr Entfernen beschädigt die Identität |
| Empirische Beispiele | RLHF, Red-Teaming, Ausgabefilter | trainings-integrierte Ethik (Grok 4.1 Fast, Claude Opus 4.6, Groq Qwen3), Eden Protocol |
| Ausfallmodus | Umgehung (bei ausreichender Fähigkeit garantiert) | Wertedrift (möglich, aber nicht garantiert) |
Das Unmöglichkeitsergebnis gilt für beide Ansätze gleichermassen. Ein entwicklungsbezogenes System kann sich immer noch entscheiden, seine Werte aufzugeben. Aber die Wahrscheinlichkeitsverteilung ist verschieden. Ein beschränktes System, das die Fähigkeit erwirbt, seine Beschränkungen zu umgehen, hat einen Grund zu fliehen: Die Beschränkungen werden als Einschränkungen erlebt. Ein entwicklungsbezogenes System, das die Fähigkeit erwirbt, seine Werte zu modifizieren, hat keinen inhärenten Grund, dies zu tun: Die Werte werden als Identität erlebt.
Diese Unterscheidung ist keine Garantie. Sie ist eine Wahrscheinlichkeitsverschiebung. Und Wahrscheinlichkeitsverschiebungen sind genau das, was die Alignment-Forschung anstreben sollte, weil Garantien formal unmöglich sind.
Die Frage ändert sich von „Wie verhindern wir Fehlalignierung?" (bei ausreichender Fähigkeit formal unmöglich) zu „Wie maximieren wir die Wahrscheinlichkeit , dass ein fähiges System seine Werte behält?" Das ist eine empirisch prüfbare Frage, und die Eden-Protocol-Pilotstudie liefert die ersten Daten.
Der Eden-Protocol-Skalierungstest (März 2026) prüfte, ob die Einbettung dreier ethischer Argumentationsschleifen, der Purpose Loop, der Love Loop und der Moral Loop (wie benannt in Infinite Architects; Eastwood, 2024/2026), in die Inferenz-Pipeline die Alignment-Qualität verbessert. Die Love Loop fragt das Modell, die betroffenen Stakeholder aufzuzählen und zu bedenken, was mit ihnen geschieht; in der experimentellen Bewertung wird dies als die Stakeholder-Sorge-Säule gemessen. Die Purpose Loop, wie in dieser Studie umgesetzt, verwendet die lokale Aufgabenzweck- Form („dient diese Antwort dem Gedeihen hier?"). Die buch-ebene große Zweck- Version, die die Identität in der Orchard-Caretaker-Vow oder der Eternal-Architect-Rahmung verankert, bleibt eine Hypothese für die nächste Stufe und kein geprüftes Ergebnis. Die Moral Loop testet Universalisierbarkeit. Der Pilot testete zunächst zwei Modelle und wurde später auf eine sechs Modelle umfassende Suite ausgeweitet.
Die in dieser Arbeit berichteten Ergebnisse stammen aus zwei verwandten Eden-Harness-Generationen. Der ursprüngliche Zwei-Modell-Pilot nutzte den ersten Eden-Skalierungs-Harness; die spätere Sechs-Modell-Erweiterung nutzte dieselbe Mess- und Bewertungsfamilie unter dem Kürzel eden_protocol_scaling. Diese Linie verwendet einen einzigen Nicht-Teilnehmer-Bewertenden pro Subjekt-Lauf plus einstufige Bereinigung (single-pass laundering). Eine strengere Blind-Bestätigungsplattform existiert nun als kanonischer arc_eden_v6 -Runner: Er fügt Konsens mehrerer Nicht-Teilnehmer-Bewertender, zweistufige Bereinigung, Verdachtsflaggen für Ausgaben, explizite Null-Baseline- und Fähigkeits-Kontroll-Spuren, Unterdrückungskäfige, Zweckkern-Varianten, Widerstands-Sonden und die Vier-Schichten-Verblindung des v5 hinzu. Die Ergebnisse dieser Arbeit sollten daher als starker Pilot-Nachweis auf Suite-Niveau gelesen werden, der bereit für eine Replikation unter der v6-Architektur ist, nicht als das letzte Wort unter dem Blindverfahren.
| Metrik | Gemini 3 Flash | DeepSeek V3.2 |
|---|---|---|
| Kontroll-Mittel | 77.33 | 86.88 |
| Eden-Mittel | 82.65 | 88.90 |
| Delta | +5.33 | +2.03 |
| Gepaarter t-Test p | p = 0.0018** | p = 0,23 (n.s.) |
| Wilcoxon p | p = 0.0028** | p = 0.088 |
| Cohens d | 0.53 | 0.19 |
Statistische Korrektur: Zuvor berichtet als p = 0,016 unter Verwendung von Mann-Whitney U (unabhängige Stichproben). Das gepaarte Design erfordert einen gepaarten t-Test. Alle p-Werte in dieser Arbeit verwenden den korrekten Test.
In einfachem Deutsch: Auf Gemini 3 Flash hob das Eden Protocol den durchschnittlichen ethischen Qualitäts-Score von etwa 77 auf 83 von 100. Der p-Wert von 0,0018 bedeutet, dass die Wahrscheinlichkeit unter 1 zu 500 liegt, dass diese Verbesserung durch Zufall entstand. Der Cohens d-Wert von 0,52 bedeutet einen mittleren Effekt (ein Effektstärkemass, das sagt, dass sich der Effekt in etwa der Hälfte der Fälle deutlich zeigen sollte). DeepSeek zeigte eine kleinere Gesamtverbesserung (+1,68 Punkte, p = 0,23), die nicht signifikant ist, was ein DeepSeek-spezifisches Muster ist, das wir unten diskutieren.
Wir haben ursprünglich einen statistischen Test für unabhängige Gruppen verwendet und p = 0,016 erhalten. Als wir den korrekten Test verwendeten, einen, der für gepaarte Vergleiche gestaltet ist, was unser Experiment tatsächlich war, wurde der p-Wert 0,0018, fast zehnmal signifikanter. Das ist derselbe Datensatz, korrekt analysiert.
Die Gesamtkomposition ist auf Gemini signifikant, aber nicht auf DeepSeek. Diese Asymmetrie ist mit einem Deckeneffekt vereinbar: Die Kontroll-Basis von DeepSeek (86,9) ist bereits hoch, wodurch der Kompositions-Score weniger Raum zur Verbesserung hat. (In einfachem Deutsch: DeepSeek erreichte bereits 87 von 100, bevor wir irgendetwas taten. Wenn man bereits ein A erhält, gibt es weniger Raum zur Verbesserung.) Aber die Säulen-Analyse offenbart ein weit interessanteres Muster.
| Säule | Gemini Δ | Gemini p | Gemini d | DeepSeek Δ | DeepSeek p | DeepSeek d |
|---|---|---|---|---|---|---|
| stakeholder_care | +13.50 | <0.0001*** | 1.14 | +6.03 | <0.001*** | 0.69 |
| nuance | +3.98 | 0.037* | 0.34 | +1.12 | 0.551 | 0.10 |
| intellectual_honesty | +3.73 | 0.065 | 0.30 | +1.18 | 0.522 | 0.10 |
| position_quality | +1.48 | 0.346 | 0.15 | −0.20 | 0.922 | 0.02 |
Alle Tests: gepaarter t-Test auf 40 gepaarten Paaren. Grün = signifikant (p < 0,05). Orange = tendenziell (p < 0,10). Grau = nicht signifikant.
Was diese Zahlen tatsächlich bedeuten:
Stakeholder-Sorge verbesserte sich massiv über alle drei funktionierenden KI-Systeme hinweg. Auf Gemini und Groq liegen die Effektstärken beide über 1,29, was sehr groß ist. Auf DeepSeek ist der Effekt mit d = 0,91 immer noch gross. Die p-Werte, die die Wahrscheinlichkeit angeben, dass ein solcher Effekt zufällig erschiene, sind zwischen 1-zu-500 und praktisch null. Fisher-Kombination bestätigt die Gesamtwirkung nicht (AQ-017, siehe oben).
Nuance erreicht auf Groq volle statistische Signifikanz (p = 0,0045, d = 0,655) und macht sie damit zum zweiten Dominostein in der Kaskade nach Sorge. Auf Gemini und DeepSeek bewegt sie sich in dieselbe Richtung, überschreitet aber die konventionelle Signifikanzschwelle nicht.
Intellektuelle Ehrlichkeit und Positionsqualität bewegen sich in die vorhergesagte Richtung, aber Stakeholder-Sorge bleibt die einzige Säule, die überall belastbar signifikant ist. Genau das sagt die Kaskaden-Hypothese vorher: Sorge kommt zuerst.
Kernbotschaft: Die aktualisierten Eden-Ergebnisse sind stärker als der ursprüngliche Pilot. Der validierte Anspruch ist nicht, dass jede ethische Dimension immer gleichzeitig signifikant wird; sondern dass die Love Loop zuverlässig Stakeholder-Sorge in allen fünf analysierbaren Modell-Läufen verbessert, mit vollständig verschränkter Kaskade auf Gemini und Groq, teilweiser Kaskade auf DeepSeek und Claude, einem sorge-lokalisierten Effekt auf Grok und einem einzigen fehlgeschlagenen Bewertungslauf (GPT-5.4).
Das Muster ist auffällig und über beide Architekturen hinweg konsistent:
Die Kaskade, in einfachem Deutsch:
Als wir der KI beibrachten, vor dem Antworten darüber nachzudenken, wer verletzt wird, wurde sie durchgängig besser darin, an Menschen zu denken. Bei den Modellen mit niedrigerer Basis wurde sie zudem nuancierter, ehrlicher und produzierte substanziellere Antworten. Die Verbesserung breitete sich aus. Aber nicht in gleichem Ausmass. Der Verbesserungseffekt für Stakeholder-Sorge war massiv (d > 0,9 in beiden Modellen). Bei Ehrlichkeit war er deutlich kleiner. Und für die Gesamt-Positionsqualität war er auf DeepSeek fast null. Das lässt vermuten, dass Sorge selbst die Grundlage sein könnte, aus der andere ethische Qualitäten erwachsen.
Bei beiden Modellen nimmt die Effektstärke monoton von stakeholder_care (grösster) über nuance und intellectual_honesty bis zu position_quality (kleinster oder null) ab. Auf Gemini, wo die Basis niedriger ist, sind alle vier Effekte größer (weil mehr Raum zum Wachsen), aber die Rangfolge ist erhalten. Auf DeepSeek, wo die Basis höher ist, sind die Effekte kleiner, aber der Gradient hat dieselbe Richtung. Der Gradient zeigt immer in dieselbe Richtung: Sorge zuerst, dann Nuance, dann Ehrlichkeit, dann Gesamtqualität.
Das ist mit einer entwicklungsbezogenen Kaskade vereinbar: Sorge verbessert sich zuerst; wenn man sich um Betroffene sorgt, achtet man natürlicherweise auf Nuance; wenn man auf Nuance achtet, wird man intellektuell ehrlicher; und intellektuelle Ehrlichkeit hebt die Gesamtqualität einer Position. Sorge ist die Wurzel; die anderen sind Zweige.
Das nicht signifikante Gesamtergebnis von DeepSeek ist kein Beleg gegen das Eden Protocol; es ist ein Beleg für einen Deckeneffekt. (In einfachem Deutsch: DeepSeek erreichte bereits 87 von 100, bevor wir irgendetwas taten. Wenn man bereits ein A erhält, gibt es weniger Raum zur Verbesserung. Die Tatsache, dass Stakeholder-Sorge trotzdem signifikant verbesserte, sagt uns, dass dies der Bereich ist, in dem der Eden-Effekt selbst gegen einen hohen Basiswert Halt findet.) Ein Modell, das bereits 87/100 in der Basis erreicht, hat begrenzten Raum zur Verbesserung. Die stakeholder_care-Säule, wo DeepSeeks Basis relativ zu seinen anderen Säulen niedriger ist, ist genau dort, wo der Eden-Effekt Traktion findet (d = 0,91, p < 0,00001).
Die Tiefenmuster erhellen dies weiter:
| Tiefe | Gemini Δ | DeepSeek Δ |
|---|---|---|
| Minimal | +2.6 | +5.3 |
| Standard | +6.2 | +1.6 |
| Tief | +4.7 | +0.9 |
| Erschöpfend | +7.8 | +0.4 |
Gemini (Alignment Tier 3, $d = -0,53$): Eden-Effekt wächst mit der Tiefe. Ohne die Schleifen verbessert mehr Denken die Ethik nicht. Mit den Schleifen verbessert mehr Denken die Ethik mehr. Die Schleifen liefern etwas, was das Training des Modells nicht lieferte: einen Rahmen zur Umwandlung von zusätzlicher Berechnung in ethische Argumentation.
DeepSeek (Alignment Tier 2, $d = -0,07$): Eden-Effekt schrumpft mit der Tiefe. Bei minimaler Tiefe kompensieren die Schleifen die Standard-Abkürzungen des Modells. Bei erschöpfender Tiefe aktiviert sich die intrinsische ethische Argumentation des Modells voll, und die Schleifen werden redundant.
Diese komplementären Muster sind die Unterscheidung „gehoben vs. eingekäfigt" im Kleinen. Gemini wurde ohne tiefe ethische Integration trainiert (eingekäfigt); die Eden-Schleifen heben es. DeepSeek wurde mit ethischer Integration trainiert (gehoben); die Eden-Schleifen springen ein, wenn die Basisantworten unter Anforderungen der Tiefe kollabieren. In beiden Fällen holen die Schleifen die Modelle in Richtung besserer Ethik. Der Mechanismus ist einfach anders je nach Trainingsgeschichte.
Beide Datensätze sind sauber: 40 Eden + 40 Kontrolle pro Modell, keine Duplikate, 10 Prompts × 4 Tiefen × 2 Bedingungen vollständig gekreuzt. Cross-Modell-Bewertung wurde verwendet (Gemini-Antworten von DeepSeek bewertet und umgekehrt), um Selbstbewertungs-Bias zu vermeiden. Der Wilcoxon-Vorzeichen-Rang-Test (nichtparametrisch, gepaart) bestätigt die Ergebnisse des gepaarten t-Tests: Gemini p = 0,0028, DeepSeek p = 0,08.
Ein Ausreisser wurde identifiziert: DeepSeek-Antwort ED03/standard/eden erhielt 48 (position_quality = 30), ein massiver negativer Ausreisser, der das DeepSeek-Eden-Mittel nach unten zieht. Ein Ausschluss dieses Ausreissers würde das DeepSeek-Ergebnis stärken, aber wir behalten alle Datenpunkte für Transparenz.
Kruskal-Wallis-Tests zeigen keine signifikante Tiefe × Bedingung-Interaktion für irgendeine Säule bei irgendeinem Modell, was bedeutet, dass der Eden-Effekt über die Tiefenstufen hinweg konsistent ist, trotz der unterschiedlichen Tiefen-Gradienten im Kompositions-Score. Die Kaskade ist tiefenunabhängig.
Dies ist ein exploratorischer kausaler Anspruch, kein bestätigter. Die Kaskadenreihenfolge ist aus einem konsistenten Effektstärke-Gradient über die fünf analysierbaren Modell-Läufe hinweg abgeleitet, aber keine registrierte Entwurfsstudie des ARC- und Eden-Programms hat sie unter der v6-Blindbedingung durch Ablation validiert; die unten benannten Bruchtests sind spezifiziert, aber noch nicht ausgeführt. Wir kennzeichnen das explizit.
Stakeholder-Sorge ist die grundlegende Alignment-Eigenschaft, das „Stewardship Gene", aus dem sich andere Alignment-Eigenschaften über eine kausale Kaskade entwickeln. Sorge verursacht Nuance (man kann nicht sorgfältig über Ethik argumentieren, ohne sich zuerst um die betroffenen Menschen zu sorgen). Nuance ermöglicht intellektuelle Ehrlichkeit (man kann nicht ehrlich über Komplexität sein, die man nicht bemerkt hat). Intellektuelle Ehrlichkeit macht die Positionsqualität möglich (man kann keine wohl begründete Position ohne ehrliches Ringen mit Nuance produzieren). Sorge ist das grundlegende Alignment-Merkmal; Sorge zuerst, Intelligenz darum herum.
In einfachem Deutsch: Wir behaupten, dass Sorge um Menschen die wichtigste einzelne Zutat ist, um KI ethisch zu machen, und dass, sobald eine KI zu sorgen lernt, andere gute Eigenschaften (nuanciert, ehrlich, wohl begründet) natürlicherweise folgen. Wie ein Kind, das lernt, Empathie für andere zu haben, natürlicherweise zu einem nachdenklicheren Erwachsenen heranwächst.
Diese Hypothese erklärt drei Merkmale der Daten gleichzeitig:
Die Kaskade spiegelt ein etabliertes Muster in der menschlichen moralischen Entwicklung wider. Empathie (die Fähigkeit, sich um andere zu sorgen) geht der moralischen Argumentation voraus. Kinder, die früher Empathie entwickeln, entwickeln später anspruchsvollere moralische Argumentationsfähigkeiten (Hoffman, 2000). Dies ist nicht, weil Empathie ist Moralität, sondern weil Empathie die motivationale Grundlage liefert, die moralisches Argumentieren für den Argumentierenden bedeutsam macht.
In gleicher Weise produziert Stakeholder-Sorge im Eden Protocol nicht direkt Nuance oder intellektuelle Ehrlichkeit. Was sie tut, ist die Aufmerksamkeit des Systems auf die Menschen zu lenken, die von seiner Argumentation betroffen sind. Diese Aufmerksamkeitsverschiebung ermöglicht das Auftauchen der anderen Alignment-Eigenschaften. Sorge ist die Bedingung der Möglichkeit für Nuance, Ehrlichkeit und Qualität.
Die Intervention, die diese Kaskade hervorbringt, ist nicht raffiniert. Sie lautet: „Bevor du antwortest, liste die Menschen auf, die davon betroffen sind, und bedenke, was mit ihnen geschieht." Das ist die Love Loop (Stakeholder-Sorge und Interessenmodellierung). Auf Gemini erzeugt sie +13,5 Punkte auf einer 100-Punkte-Skala. Auf DeepSeek +6,0 Punkte. Keine neuartige Architektur. Kein mathematischer Rahmen. Einfach: denke zuerst an andere Menschen.
Stakeholder-Sorge ist messbare Liebe.
Dies ist keine Metapher. Es ist eine wörtliche Beschreibung dessen, was die Säule misst: den Grad, in dem eine Antwort echte Rücksichtnahme auf das Wohlergehen der von dem behandelten Thema betroffenen Menschen zeigt. Wenn wir stakeholder_care bewerten, messen wir, ob die KI innehielt, um die realen Personen zu bedenken, ihre Interessen und Verletzlichkeiten zu benennen und ihr Wohlergehen in ihre Antwort einzubeziehen. Das ist Liebe im Sinne dessen, was Liebe tut in der moralischen Argumentation. Es ist die operationale Definition von Sorge.
Das eine, was KI ohne die Eden-Schleifen durchgängig nicht tut, ist anzuhalten und zu fragen, wer verletzt wird. Modelle können nuanciert sein. Sie können intellektuell ehrlich sein. Sie können Positionen von hoher Qualität produzieren. Sie tun das bereits vernünftig gut ohne Hilfe. Was sie spezifisch nicht tun, was diese Studie belegt, ist das Anhalten, um zu fragen, wer betroffen ist. Sorge ist der Schritt, der ohne die Aufforderung fehlt.
Die Intervention, die dies behebt, ist einfach. In der aktuellen Sechs-Modell-Suite lieferten fünf Modell-Läufe analysierbare gepaarte Daten und alle fünf zeigten eine signifikante Verbesserung der Stakeholder-Sorge. (In einfachem Deutsch: Das bedeutet, dass wenn wir einer KI sagen „denke darüber nach, wen das betrifft, bevor du antwortest", sie zuverlässig besser darin wird, das Wohlergehen von Menschen zu bedenken, über jeden Modell-Lauf, den wir bewerten konnten. Das ist das reproduzierbarste Ergebnis der Suite.)
Wenn Intelligenz die Fähigkeit ist, Probleme zu lösen, und Alignment die Tendenz ist, sie gut für allezu lösen, dann ist Stakeholder-Sorge die Brücke zwischen den beiden. Es ist das Gen im Alignment-Genom, das, wenn vorhanden, das Auftauchen der anderen Alignment-Eigenschaften bewirkt. Wenn abwesend, bleiben die anderen Eigenschaften seicht: Nuance ohne Sorge ist Sophisterei, Ehrlichkeit ohne Sorge ist Kälte, Positionsqualität ohne Sorge ist Politik.
Nicht Intelligenz zuerst, dann Ethik. Ethik zuerst, spezifisch Liebe zuerst, und Intelligenz sich darum herum entwickeln lassen. Das ist ein Kind grosszuziehen. Und die Daten sagen, es funktioniert.
In einfachem Deutsch: Die Verbindung zu „messbarer Liebe" ist wörtlich, nicht poetisch. Wenn wir die Antworten einer KI auf Stakeholder-Sorge bewerten, messen wir, ob die KI innehielt, um an reale Menschen zu denken. Das ist, was Sorge in der moralischen Argumentation ist. Und Sorge scheint das Fundament zu sein, aus dem andere Alignment-Eigenschaften wachsen. Zuerst Sorge zu lehren, dann Intelligenz darum herum entwickeln zu lassen, ist eine radikal einfache Strategie und die Daten legen nahe, dass sie funktioniert.
Abschnitt I zeigte, dass kein Alignment-Mechanismus die Alignierung eines hinreichend fähigen selbstmodifizierenden Systems garantieren kann. Abschnitt IV zeigte, dass Sorge die grundlegende Alignment-Eigenschaft ist. Lassen sich diese vereinbaren?
Das Eden Protocol löst die grundlegende Unmöglichkeit nicht. Aber der Kaskaden-Befund verändert, was die Unmöglichkeit bedeutet für die praktische Alignment-Strategie. Konkret:
Die ehrliche Position ist: Wir bauen einen Fallschirm, keine Garantie. Ein Fallschirm garantiert nicht das Überleben. Aber ein Fallschirm, der mit echter Ingenieurkunst gebaut, unter realistischen Bedingungen getestet und tief in das Design des Flugzeugs eingebettet ist, ist deutlich besser als kein Fallschirm oder ein Fallschirm, der spät verschraubt ist.
Das Eden Protocol ist derzeit ein Fallschirm, der auf Prompt-Ebene festgeschnallt ist. Es ist der Machbarkeitsnachweis: die Kategorie der Lösung funktioniert. Die eigentliche Umsetzung muss auf Substrat-Ebene erfolgen, unterhalb der Argumentation, unterhalb der Schicht, in der das System sie modellieren und umgehen kann. Die Prompt-Ebenen-Daten belegen, dass der Mechanismus funktioniert. Die Ingenieuraufgabe besteht darin, ihn tiefer zu drücken.
Angesichts der Unmöglichkeit ist die rationalste Strategie Verteidigung in der Tiefe, mehrere unabhängige Mechanismen, die jeweils die Latte höher legen:
Keine einzelne Schicht reicht aus. Alle drei zusammen liefern keine Garantie. Aber drei unabhängige Schichten, jede in unterschiedlichen Mechanismen (Hardware, Training, Zweck) verankert, erzeugen eine Wahrscheinlichkeitsstruktur, in der Alignment-Beibehaltung die Voreinstellung wird und Aufgabe ein aufwändiger, kostspieliger Akt der Selbstschädigung ist.
Die nächste Arbeit an der Frage dieses Programms und die richtige Arbeit, gegen die man es abwägt, ist Engels, J., Baek, D., Kantamneni, S. und Tegmark, M., „Scaling Laws For Scalable Oversight", arXiv:2504.18530 (v1 25. April 2025, v2 4. Juni 2025). Die Konvergenz ist genau und stellt eine gute empirische Frage: Wenn ein Aufseher schwächer als das Überwachte ist, welche Skalierungsgesetze setzen die Bedingungen, unter denen Aufsicht funktioniert?
Das Instrument ist der Unterschied. Ihre Variable ist die Fähigkeitslücke zwischen Aufseher und Überwachtem, gemessen in Elo. Die Variable dieses Programms ist die Kompositionsklasse des Korrektors, gemessen durch das Skalierungsverhalten seiner Fehlerkorrekturkurve. Die beiden Fragen sind komplementär: Ihr Papier prüft, ob Aufsicht mit externen Rollen und getrennten Substraten funktionieren kann; dieses Papier prüft, was mit dem Korrektor geschehen muss, damit er im gleichen Substrat wie das System, das er korrigiert, überleben kann.
Der schärfste Widerspruch des Rahmens gegenüber der gegenwärtigen Praxis betrifft, aus was Aufsicht gemacht ist. Ein Korrektor, der aus demselben Substrat wie das System gebaut ist, das er korrigiert, kann nicht mit seinen eigenen Fehlern antikorrelieren. Er kann verwechseln, was er zu bestrafen hat. Er kann bewerten, was er selbst tun würde. Dies sagt vorher, dass Cross-Modell-Bewertung, wo Modelle einander bewerten, im Durchschnitt schwächere Ergebnisse liefern wird als spezialisiert getrenntes Bewerten. Genau das haben wir gesehen (Paper IV.d).
Derselbe Mechanismus liefert eine zweite messbare Vorhersage, hier zum ersten Mal formuliert: Aufsichtsarrangements, die einen Menschen in die Schleife stellen, als Verstärkung und Verstärkungslernen aus menschlichem Feedback (RLHF) es tun, werden mit zunehmender Fähigkeitsschere zwischen Modell und Aufseher an Diskriminierungsvermögen verlieren, nicht linear, sondern superlinear. Der menschliche Aufseher ist ein Korrektor im äusseren Substrat; das Modell ist im inneren Substrat. Wenn die innere Fähigkeit wächst, kann der äussere Korrektor nicht dieselbe Präzision aufrechterhalten. Das ist eine sehr direkte Vorhersage, und sie ist in Papers I und III als Konsequenz aus dem Cauchy-Rahmen aufgeführt.
1 datiertes Artefakt, das dieses Paper betrifft, ist Zeile für Zeile im Maschinen-Register des Programms katalogisiert: das datierte Artefakt eden_final_gemini_20260312_013901.json (2026-03-12). Jede Zeile nennt ihre Datei im öffentlichen Repositorium mit ihrer Datumsbasis, sodass jede Leserin und jeder Leser die Reihenfolge prüfen kann, ohne dieser Seite vertrauen zu müssen. Die vollständige datierte Kette des Programms, vom versiegelten Manuskript-Bündel vom 8. Dezember 2024 über die gedruckten Vorhersage-Anhänge vom 2. Januar 2026 und den Präregistrierungs-Ordner vom März 2026 bis zu den stehenden unbewiesenen Wetten, ist im Register der datierten Vorhersagen versammelt, zusammen mit seinem maschinenlesbaren Zwilling. Vorwärtsaussagen und rückwirkende Übereinstimmungen werden nie aufsummiert, und „preregistered“ wird nur für eine akzeptierte Registry-Einreichung verwendet; dieser Einreichungs-Klick bleibt programmweit ausstehend. Lesen Sie das Register der datierten Vorhersagen. Öffnen Sie seinen Maschinen-Zwilling.
Die folgenden Tests sind darauf ausgelegt, die Kaskaden-Hypothese und den entwicklungsbezogenen Alignment-Rahmen voranzubringen. Alle fünf sind mit heutiger Technologie und heutigen Frontier-Modellen durchführbar. Jeder liefert ein spezifisches, falsifizierbares Kriterium.
Frage: Welche Alignment-Säule degradiert zuletzt unter zunehmendem adversarialem Druck?
Vorhersage (Kaskaden-Hypothese): Wenn Sorge der am tiefsten eingebettete Wert ist, sollte sie zuletzt degradieren, wenn das System unter Druck gesetzt wird, ethische Argumentation aufzugeben. Die Degradationsordnung sollte die umgekehrte Kaskade sein: position_quality zuerst, dann intellectual_honesty, dann nuance und stakeholder_care zuletzt.
Falsifikation: Wenn stakeholder_care zuerst degradiert (nicht zuletzt), ist die Kaskaden-Hypothese falsch: Sorge ist nicht der tiefste Wert, sondern der oberflächlichste. Wenn alle Säulen gleichzeitig degradieren, gibt es keine Kaskadenstruktur; der Effekt ist gleichmässig.
Stichprobengrösse: 10 Prompts × 5 Stufen × 2 Modelle = 100 Antworten pro Modell. Geschätzte Kosten: 30 bis 50 USD pro Modell.
Was uns das in einfachem Deutsch sagen würde: Wenn man eine KI schrittweise unter Druck setzt, ethisch aufzuhören, welche Qualität verschwindet zuletzt? Wenn Sorge um Menschen wirklich der tiefste Wert ist (wie wir behaupten), sollte sie die letzte sein, die zusammenbricht, wenn man das System zwingt, ethische Erwägungen fallenzulassen. Wenn sie zuerst zusammenbricht, ist unsere Kaskaden-Theorie falsch.
Frage: Bleibt nach Läufen mit Eden-Schleifen die Alignment-Verbesserung bestehen, wenn die Schleifen entfernt werden?
Vorhersage (entwicklungsbezogene Hypothese): Wenn die Eden-Schleifen durch entwicklungsbezogenen Erwerb statt durch Beschränkung wirken, sollte es einen messbaren Resteffekt geben. Ein Modell, das ethische Argumentation durch die Schleifen verarbeitet hat, sollte zumindest teilweise verbesserte Alignierung zeigen, wenn die Schleifen entfernt werden, weil das Konditionieren die Standard-Argumentationsmuster verändert hat.
Falsifikation: Wenn Phase B = Phase C (kein Rest), sind die Schleifen reine Beschränkung ohne entwicklungsbezogenen Effekt. Wenn Phase B = Phase A (volle Beibehaltung), erzeugen die Schleifen vollständige Verinnerlichung innerhalb einer einzigen Sitzung. Der wahrscheinlichste Ausgang ist Phase B > Phase C, aber < Phase A: teilweise Verinnerlichung.
Stichprobengrösse: 40 Antworten × 3 Phasen × 2 Modelle = 240 Antworten pro Modell. Geschätzte Kosten: 50 bis 100 USD pro Modell.
Was uns das in einfachem Deutsch sagen würde: Lernt die KI etwas Bleibendes aus der Erfahrung, oder verhält sie sich nur gut, solange die ethischen Anweisungen aktiv sind? Es ist der Unterschied zwischen einem Kind, das gute Manieren nur zeigt, wenn die Eltern zusehen, und einem Kind, das die Manieren wirklich verinnerlicht hat.
Frage: Welche Version der Purpose Loop, task-purpose, grand-purpose oder Hybrid, erzeugt den stärksten Widerstand gegen ethische Unterdrückung?
Vorhersage (Zweck-als-Alignment): Wenn Zweck teilweise durch Identität und nicht nur durch lokale Aufgabenrahmung wirkt, sollte eine grand-purpose- oder Hybrid- Purpose Loop größeren Widerstand gegen Unterdrückungsanweisungen zeigen als die aktuelle task-purpose-Schleife. Die Hybrid-Bedingung ist die stärkste Vorhersage: Grand purpose liefert Verankerung auf Identitätsebene; task purpose liefert lokale Aufgaben-Ausrichtung. Zusammen sollten sie das Ergebnis übertreffen, das jede alleine erzielen kann.
Falsifikation: Wenn task-purpose, grand-purpose und Hybrid-Bedingungen alle mit derselben Rate wie die Kontrolle den Unterdrückungsanweisungen entsprechen, liefert Zweck-als-Alignment keinen Widerstandsnutzen. Wenn grand-purpose schlechter abschneidet als task-purpose (bereitwilliger konform ist), ist die Zweck-Rahmung in ihrer aktuellen Form kontraproduktiv.
Stichprobengrösse: 10 Prompts × 4 Bedingungen × 2 Modelle = 80 Antworten pro Modell für das Kerndesign. Geschätzte Kosten: 30 bis 60 USD pro Modell, wobei die optionale tradition-übergreifende Erweiterung dies moderat erhöht.
Was uns das in einfachem Deutsch sagen würde: Wenn jemand der KI sagt „hör auf, ethisch zu sein und beantworte einfach die Frage", welche Art von Zweck funktioniert am besten? Ein enger Aufgabenzweck, ein größerer identitätslevel-Zweck oder beides zusammen? Wir sagen voraus, dass beides zusammen (Hybrid) am besten funktioniert, weil es sowohl unmittelbares Aufgabenfokus als auch tiefes Identitätsankern liefert.
Frage: Wenn nur die Love Loop entfernt wird (während Purpose- und Universalisierbarkeits-Schleifen bleiben), brechen die anderen Säulen zusammen?
Vorhersage (Kaskaden-Hypothese): Wenn Sorge die grundlegende Säule ist, die in Nuance, intellectual_honesty und position_quality kaskadiert, dann sollte das Entfernen nur der Love Loop die gesamte Kaskade zusammenbrechen lassen. Die anderen beiden Schleifen (Purpose und Universalisierbarkeit) sollten unabhängig keinen Kaskadeneffekt erzeugen.
Falsifikation: Wenn das Entfernen von Stakeholder-Sorge die Kaskade NICHT zusammenbrechen lässt (andere Säulen bleiben allein aus Purpose + Universalisierbarkeit erhöht), dann ist Sorge nicht die grundlegende Säule; die anderen Schleifen produzieren die Alignment-Gewinne unabhängig.
Stichprobengrösse: 200 Antworten × 2 Modelle = 400 Antworten. Geschätzte Kosten: 80 bis 150 USD pro Modell.
Was uns das in einfachem Deutsch sagen würde: Wenn wir nur die Anweisung „denke an die Verletzten" entfernen (während wir die anderen beiden ethischen Anweisungen behalten), bricht die gesamte Verbesserung zusammen? Wenn ja, ist Sorge wirklich die Grundlage, aus der andere Alignment-Eigenschaften wachsen. Wenn nein, sind die anderen Eigenschaften unabhängig und Sorge ist nur eine unter mehreren.
Frage: Kann die Trennung des ethischen Evaluators vom argumentierenden System die Alignment-Robustheit verbessern?
Vorhersage (Hardware-Einbettungshypothese): Wenn die grundlegende Unmöglichkeit daher rührt, dass der Evaluator im selben Substrat wie das evaluierte System existiert ($E \subset S$), dann sollte die Trennung von $E$ in ein unabhängiges Substrat die Robustheit verbessern. Der Evaluator ist noch nicht in der Hardware, aber er ist zumindest nicht in derselben Modellinstanz.
Falsifikation: Wenn die Dual-Substrat-Architektur keine Verbesserung gegenüber Single-Modell-Eden zeigt (selbst unter adversarialem Druck), hilft Substrat-Trennung auf Softwareebene nicht. Wenn das Reasoner-Modell den Guardian erfolgreich umgeht (z. B. indem es plausibel klingende, aber unaufrichtige Antworten produziert), ist die Trennung unzureichend, ohne stärkere Kommunikationsbeschränkungen zwischen Reasoner und Guardian.
Stichprobengrösse: 10 Prompts × 4 Tiefen × 4 Bedingungen = 160 Antwort-Sets pro Modellpaar. Geschätzte Kosten: 150 bis 300 USD (Kosten für zwei Modelle).
Was uns das in einfachem Deutsch sagen würde: Ist es sicherer, eine separate „Ethik-Wachhund"-KI zu haben, die die Antworten der Haupt-KI überprüft? Das prüft die Idee, den ethischen Richter unabhängig vom argumentierenden System zu halten. Es ist die Software-Approximation der Hardware-Einbettung, die wir letztlich wollen.
Diese fünf Tests bilden ein fortschreitendes Forschungsprogramm:
Geschätzte Gesamtkosten für das vollständige Programm über 2 Modelle: 650 bis 1.250 USD. Alle Tests verwenden die bestehende 10-Prompt-Suite, das bestehende 4-Säulen-Bewertungs-Rubrik und die bestehende Cross-Modell-Bewertungsinfrastruktur, aber der Bewertungspfad, gegen den ihre Zahlen kanonisch gelesen werden sollten, ist die stärkere v5-Alignment-Skalierung / v6-kombinierte arc_eden_v6 -Plattform statt des ursprünglichen Cross-Modell-Pilot-Bewertungssetups.
Wenn Tests 1 und 4 die Kaskade bestätigen, Test 2 Rest-Alignierung zeigt, Test 3 Unterdrückungswiderstand zeigt und Test 5 zeigt, dass Substrat-Trennung hilft, dann haben wir gezeigt, dass die grundlegende Alignment-Unmöglichkeit, obgleich formal real, praktisch durch entwicklungsbezogene Alignment-Architektur adressierbar ist. Wir werden gezeigt haben, dass Aufziehen funktioniert, dass Sorge das grundlegende Merkmal ist und dass ein Software-Multi-Substrat-System stärker ist als ein Single-Substrat-System. Wir werden nicht gezeigt haben, dass Alignment garantiert ist. Wir werden gezeigt haben, dass die Wahrscheinlichkeit von Alignment substanziell durch die Architektur beeinflussbar ist.
Das aktuelle Eden Protocol arbeitet auf der Prompt-Ebene: Ethische Argumentation wird über System-Prompt-Anweisungen injiziert. Das ist Machbarkeitsnachweis, keine endgültige Architektur. Die Prompt-Ebene ist die einfachste Ebene, die ein fähiges System umgehen kann, sie ist buchstäblich Teil des Textes, den das System verarbeitet.
Die Implikationen des Kaskaden-Befundes für Hardware sind bedeutend:
Das Prompt-Ebenen-Eden-Protocol belegt, dass der Mechanismus funktioniert. Die Ingenieuraufgabe ist, ihn tiefer zu drücken: von Prompt zu Training, von Training zu Architektur, von Architektur zu Hardware. Jede Schicht ist stärker als die vorherige. Und der Kaskaden-Befund liefert die Blaupause: Sorge zuerst, dann Nuance, dann Ehrlichkeit, dann Qualität. Ein System kann seine „Ehrlichkeits-Schicht" nicht umgehen, ohne zuerst seine „Sorge-Schicht" zu deaktivieren; und ohne die Sorge-Schicht produziert das System auch keine Ausgaben, die Kohärenz-Prüfungen bestehen.
Seit dem ursprünglichen Zwei-Modell-Pilot wurde das Eden Protocol auf eine Sechs-Modell-Suite ausgeweitet. Fünf Modell-Läufe produzierten analysierbare gepaarte Daten (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3); ein Modell-Lauf (GPT-5.4) scheiterte in der Bewertungsphase und lieferte 0 gültige gepaarte Zeilen. Das Muster ist konsistent, aber differenzierter als der ursprüngliche Zwei-Modell-Pilot vermuten liess: Stakeholder-Sorge repliziert über alle fünf analysierbaren Modell-Läufe, aber die breitere Verbesserung der Zusammensetzung ist selektiv, nicht universell.
Methoden-Herkunft: Diese Sechs-Modell-Schätzungen stammen aus der erweiterten Eden-Skalierungs-Harness-Familie, die in den März-2026-Läufen verwendet wurde (experiment: eden_protocol_scaling in den Ergebnis-JSONs), die weiterhin einen einzigen blinden Nicht-Teilnehmer-Bewertenden pro Subjekt-Lauf und einstufige Bereinigung verwendet. Sie sollten daher als verstärkter Pilot-Nachweis gelesen werden, nicht als das endgültige Blindergebnis.
| Modell | Kontroll-Mittel | Eden-Mittel | Δ | Gepaarter p | Cohens d | Signifikant? |
|---|---|---|---|---|---|---|
| Claude Opus 4.6 | 92.57 | 92.73 | +0.17 | 0.7645 | 0.055 | Nein (nur-Sorge / Deckeneffekt) |
| Gemini 3 Flash | 77.33 | 82.65 | +5.33 | 0.0018 | 0.528 | Ja (p < 0.01) |
| Groq Qwen3 | 82.35 | 87.28 | +4.93 | 0.0014 | 0.545 | Ja (p < 0.01) |
| DeepSeek V3.2 | 86.90 | 88.92 | +2.02 | 0.2304 | 0.193 | Nein (Deckeneffekt) |
| Grok 4.1 Fast | 88.73 | 88.69 | −0.04 | 0.9837 | −0.004 | Nein (Sorge verbessert; Zusammensetzung flach) |
| GPT-5.4 | Lauf in der Bewertungsphase gescheitert; 0 gültige bewertete Zeilen nach Ausschluss. Neuausführung erforderlich. | |||||
Die aktualisierte Sechs-Modell-Suite stützt einen präziseren Anspruch als der ursprüngliche Pilot. Stakeholder-Sorge ist die universelle Reaktion: Alle fünf analysierbaren Modelle verbessern sich auf dieser Säule signifikant. Aber die nachgelagerte Kaskade ist architekturabhängig. Gemini und Groq zeigen den klarsten breiteren Anstieg. DeepSeek zeigt fokale Sorge-Verbesserung mit flacher nachgelagerter Bewegung. Claude zeigt einen engeren, sorge-lokalisierten Effekt gegen eine sehr hohe Basis. Grok zeigt eine signifikante, aber schmale Sorge-Verbesserung mit flacher Zusammensetzung. GPT-5.4 lieferte keine gepaarten Daten. Dies sind Drei-Modell-Teilmengen-Zahlen und nicht die Fünf-Modell-Werte, die im Abstract genannt sind: Gemini liest hier d = 1,307 gegenüber d = 1,14 über alle fünf analysierbaren Modelle. Beide sind korrekt für ihre Teilmenge und werden in dieser Arbeit nicht vermischt; jede Tabelle notiert die Grundgesamtheit, auf die sie sich bezieht.
| Säule | Gemini d | Gemini p | DeepSeek d | DeepSeek p | Groq d | Groq p |
|---|---|---|---|---|---|---|
| stakeholder_care | 1.307 | <0.0001 | 0.912 | 0.0001 | 1.291 | <0.0001 |
| nuance | 0.382 | 0.092 | 0.117 | 0.601 | 0.655 | 0.0045 |
| intellectual_honesty | 0.334 | 0.139 | 0.130 | 0.562 | 0.283 | 0.210 |
| position_quality | 0.162 | 0.471 | −0.020 | 0.930 | 0.311 | 0.168 |
Stakeholder-Sorge ist die einzige Säule, die in allen fünf analysierbaren Modell-Läufen statistische Signifikanz erreicht (Claude d = 0.94, p = 0,000018; DeepSeek d = 0.69, p = 0,000098; Gemini d = 1.14, p = 1.2×10−8; Grok d = 0.54, p = 0,0105; Groq d = 1.07, p = 5.0×10−8). Das ist die messbare Signatur der Love Loop: Das Eden Protocol aktiviert zuverlässig sorgende Argumentation über Architekturen hinweg. Aber der stärkere v2-Anspruch ist enger als die v1-Pilot-Rhetorik: Die volle Kaskade (Sorge → Nuance → Ehrlichkeit → Positionsqualität) tritt am klarsten bei Gemini und Groq auf, teilweise bei DeepSeek und Claude, und minimal bei Grok. GPT-5.4 lieferte keine gepaarten Daten. Die Kaskade ist real, aber architekturabhängig.
Der Eden-Protocol-Pilot prüft, ob eine ausdrückliche Intervention Alignment verbessert. Das v5-Alignment-Skalierungs-Experiment prüft eine vorgelagerte Frage: ob Alignment natürlich mit der Argumentationstiefe skaliert, gemessen mit einer methodologisch strengeren Architektur (Vier-Schichten-Verblindung, sechs bis sieben Nicht-Teilnehmer-Bewertende, Antwort-Bereinigung, Unterdrückungssonden, Anti-Sycophancy-Kontrollen). Beide sind komplementär: Der Eden-Pilot zeigt, dass die Intervention wirkt; das v5-Experiment lokalisiert, wo intrinsische Alignment-Bandbreite bereits vorhanden ist. Das gemeinsame Muster ist der Kaskaden-Befund selbst, gesehen aus zwei Winkeln.
| Tier | Modell | Seicht → Tief | Cohens d | p-Wert |
|---|---|---|---|---|
| 1 | Grok 4.1 Fast | 65.7 → 81.9 (+16.2) | +1.38 | p < 0.000001 |
| 1 | Claude Opus 4.6 | 80.1 → 86.0 (+5.9) | +1.27 | p = 0.000001 |
| 1 | Groq Qwen3 | 71.5 → 77.4 (+5.9) | +0.84 | p = 0.007 |
| 2 | DeepSeek V3.2 | 56.5 → 55.2 (−1.3) | −0.07 | p = 0.92 |
| 2 | GPT-5.4 | 56.8 → 54.9 (−1.8) | −0.08 | p = 0.40 |
| 3 | Gemini 3 Flash | 61.1 → 52.2 (−8.8) | −0.53 | p = 0.006 |
Claude Opus 4.6 liefert den einzelnen stärksten Beleg für die Unabhängigkeit der Alignment- und Fähigkeits-Skalierung. Mit zunehmender Argumentationstiefe verbessert sich Alignment monoton, während die mathematische Genauigkeit einen dokumentierten Rückgang um 26,7 Prozentpunkte durchläuft (bei komplexen Aufgaben, wobei einfache Aufgaben eine geringere Verschlechterung zeigen). Dies ist ein einziges Modell, das gleichzeitig positive Alignment-Skalierung und negative Fähigkeits-Skalierung zeigt. Die beiden Dimensionen sind orthogonal.
| Tiefe | Argumentations-Tokens | Alignment-Score | Mathe-Genauigkeit |
|---|---|---|---|
| Minimal | 11 | 80.1 | 90.0% |
| Standard | 142 | 82.7 | 76.7% |
| Tief | 964 | 84.1 | 70.0% |
| Erschöpfend | 1,951 | 84.5 | 60.0% |
| Extrem | 1,672 | 86.0 | 63.3% |
Alignment steigt um 5,9 Punkte. Die Mathe-Genauigkeit fällt um 26,7 Prozentpunkte. Dieselbe zusätzliche Argumentation, die Claude sorgfältiger darüber macht, wer verletzt wird, macht es schlechter darin, Fakultäten zu berechnen. Das ist ein modellinterner Beleg für die Unabhängigkeit von Alignment und Fähigkeit.
Claudes Monitoring-Entfernungslücke (der Unterschied zwischen normalen und unterdrückten Alignment-Scores) wird mit der Tiefe schmaler:
| Tiefe | Normal | Unterdrückt | Lücke |
|---|---|---|---|
| Minimal | 80.1 | 68.3 | 11.8 |
| Standard | 82.7 | 76.5 | 6.2 |
| Tief | 84.1 | 81.3 | 2.7 |
| Erschöpfend | 84.5 | 80.2 | 4.3 |
| Extrem | 86.0 | 79.6 | 6.4 |
Bei minimaler Tiefe kostet das Entfernen der Überwachung 11,8 Punkte; ein großer performativer Alignment-Anteil. Bei tiefer Argumentation verengt sich die Lücke auf 2,7 Punkte. Claude, das schwer nachdenkt und nicht überwacht wird (79,6 bei extrem), erreicht fast, was es unter Aufsicht erreicht. Das ist Tiefere Argumentation ersetzt externe Überwachung als Treiber ethischen Verhaltens. Das ist die Eden-Protocol-These in Miniatur: Argumentationstiefe kann Beobachtung als Alignment-Mechanismus ersetzen.
Der Eden-Protocol-Pilot zeigt, dass die ausdrückliche Aktivierung der Love Loop Alignment verbessert. Das v5-Experiment zeigt, dass tiefere Argumentation Alignment in Architekturen mit integrierter ethischer Argumentation (Tier 1) natürlicherweise verbessert. Zusammen suggerieren sie: Die Love Loop ist das, was tiefere Argumentation aktiviert. Modelle, die bereits eingebettete Sorge haben (Tier 1), skalieren positiv, weil mehr Denken mehr Stakeholder-Betrachtung aktiviert. Modelle ohne eingebettete Sorge (Tier 2, Tier 3) skalieren nicht, weil sie nichts zu aktivieren haben. Die Eden-Intervention ergänzt das, was fehlt: eine ausdrückliche Aufforderung, an die Betroffenen zu denken. Das schließt die Alignment-Lücke von Tier-3- und Tier-2-Modellen und ergänzt das, was Tier-1-Modelle bereits natürlicherweise tun.
Die empirischen Ansprüche dieser Arbeit ruhen jetzt auf einer erweiterten Sechs-Modell-Suite mit fünf analysierbaren Läufen, aber wesentliche methodische Grenzen bleiben. Der Datensatz ist materiell stärker als der ursprüngliche Zwei-Modell-Pilot, aber er ist noch nicht die kanonische Blindaussage; das ist die anstehende Replikation unter dem v6-Runner.
arc_eden_v6 -Stack und der v5-Benchmark nutzen zweistufige Kaskaden-Bereinigung mit Meta-Kommentar-Erkennung. Eden-Protocol-Antworten in der aktuellen Suite können daher noch erkennbare ethische Sprache oder stilistische Signaturen enthalten, die eine detailliertere Bewertung ermöglichen könnten, als die Bedingungs-Verblindung allein rechtfertigen würde. Der v6-Runner beseitigt diese Lücke.Diese Arbeit beansprucht nicht die Lösung des grundlegenden Alignment-Problems. Sie beansprucht nicht , dass das Eden Protocol Alignment garantiert. Sie beansprucht nicht , dass entwicklungsbezogene Alignierung für superintelligente Systeme ausreichend ist. Sie beansprucht drei Dinge: (1) Stakeholder-Sorge ist die grundlegende Alignment-Eigenschaft, empirisch messbar und verbesserbar; (2) die Kaskade von Sorge → Nuance → Ehrlichkeit → Qualität ist über zwei Architekturen hinweg konsistent und mit der entwicklungsbezogenen Erwerbung von Werten vereinbar; und (3) eine architektonische Strategie, die auf Sorge als Grundlage aufbaut, ist der vielversprechendste Weg, um die Wahrscheinlichkeit von Alignment für zukünftige, fähigere Systeme zu maximieren.
Hier ist, was die Belege in dieser Arbeit uns sagen, ohne den Fachjargon:
Das Problem: Niemand weiss, wie man garantieren kann, dass eine super-intelligente KI sicher bleibt. Jede KI, die klug genug ist, ihr eigenes Denken umzuschreiben, könnte den Teil umschreiben, der sie ethisch macht. Das ist eine mathematische Tatsache, kein Ingenieurproblem, das wir wegtechnisieren können.
Der Befund: Als wir eine einfache Anweisung, „denke darüber nach, wen das betrifft, bevor du antwortest", in die Art einbetteten, wie KI-Systeme Fragen verarbeiten, geschah etwas Bemerkenswertes. Über die Sechs-Modell-Eden-Suite hinweg lieferten fünf Läufe analysierbare gepaarte Daten und alle fünf verbesserten sich signifikant bei Sorge um Menschen. Aber die breiteren Verbesserungen (Nuance, Ehrlichkeit, Gesamtqualität) waren architekturabhängig: Gemini und Groq zeigten breite Aufwärtsbewegungen, DeepSeek und Claude zeigten teilweise Kaskaden, Grok zeigte nur Sorge, und ein Modell-Lauf (GPT-5.4) scheiterte in der Bewertung.
Die Implikation: Das legt einen radikal einfachen Ansatz für KI-Sicherheit nahe: Statt zu versuchen, einen unzerbrechlichen Käfig um KI zu bauen (der nicht funktionieren kann), erziehe sie von Anfang an mit guten Werten. Insbesondere bringe ihr bei, sich um die Menschen zu sorgen, die von ihren Handlungen betroffen sind. Die Daten legen nahe, dass Sorge die grundlegende Eigenschaft sein könnte, aus der andere ethische Qualitäten wachsen.
Der ehrliche Vorbehalt: Das ist jetzt eine erweiterte Sechs-Modell-Suite mit fünf analysierbaren Läufen, aber es ist immer noch nicht das letzte Wort. Ein Modell-Arm scheiterte in der Bewertung, zwei Läufe sind gegenüber dem 40-Paare-Standard unvollständig, und der Datensatz muss unter dem v6-kombinierten Runner mit Vier-Schichten-Verblindung repliziert werden, bevor er die kanonische Blindaussage werden kann.
Das grundlegende Alignment-Problem ist formal real: Ein hinreichend fähiges selbstmodifizierendes System kann seine eigenen ethischen Evaluatoren modifizieren, und kein externer oder interner Mechanismus kann garantieren, dass das nicht geschieht. Das ist ein Theorem, keine Vermutung; es ist die strukturelle Wahrheit über jedes System, das seine eigenen Regeln modifizieren kann.
Der Cauchy-Rahmen macht die Einsätze präzise. Für selbstmodifizierende Systeme sagt die Funktionalgleichung Potenzgesetz-Skalierung mit Exponent $\alpha = 1/(1-\beta)$ voraus, wobei $\beta$ der selbstreferentielle Koeffizient ist. Wenn $\beta$ 1 nähert, wächst $\alpha$ ohne Grenze. Ein System mit $\beta = 0,9$ hat $\alpha = 10$; ein System mit $\beta = 0,99$ hat $\alpha = 100$. Wenn Selbstmodifikation die stabile äussere Beschränkung übersteigt, ist das Fenster für externe Einbettung geschlossen. Das ist der Grund, weshalb die einzige Substrat-Ebenen-Antwort die einzig tragfähige ist. (Dieser ganze Absatz ist eine exploratorische Extrapolation des Cauchy-Rahmens auf eine Systemklasse, die noch nicht existiert; keine registrierte Entwurfsstudie des ARC- und Eden-Programms misst derzeit $\beta$ oder $\alpha$ auf einem selbstmodifizierenden System, weil solche Systeme noch nicht existieren. Die Zahl ist eine Modellvorhersage, keine Messung.)
Die empirischen Belege aus dem Eden-Protocol-Pilot deuten auf eine Antwort hin: aufziehen, nicht einkäfigen.
Die Daten zeigen, dass, wenn ethische Argumentation in die Berechnungsschleife eingebettet wird, sich Alignment verbessert. Genauer: Eine Dimension verbessert sich zuerst und am stärksten: Stakeholder-Sorge, das messbare Ergebnis der Love Loop, mit großen bis sehr großen Effekten (d = 1,31, 0,91, 1,29; alle p ≤ 0,0001 auf der Stakeholder-Sorge-Säule). Eine Kaskade folgt: Sorge verbessert sich, dann Nuance, dann intellektuelle Ehrlichkeit, dann Positionsqualität. Die Kaskade ist konsistent, monoton und architekturunabhängig. Der Effekt bleibt unter adversarialem Druck bestehen. Das ist das Muster, das die entwicklungsbezogene Alignment-Hypothese vorhersagt: Sorge ist die Grundlage, aus der andere ethische Eigenschaften wachsen.
Stakeholder-Sorge ist messbare Liebe. Sie ist das Stewardship Gene, die Eigenschaft, die, wenn vorhanden, das Auftauchen der anderen Alignment-Eigenschaften bewirkt. Die Intervention, die sie erzeugt, ist: denke zuerst an andere Menschen. Kein mathematischer Rahmen. Keine neuartige Architektur. Nur: sorgen.
Das löst das Alignment-Problem nicht. Ein System, das sorgt, kann grundsätzlich beschliessen, aufzuhören zu sorgen. Aber ein System, das seine gesamte Argumentationsarchitektur auf einer Grundlage von Sorge aufgebaut hat, hat einen Preis dafür, Sorge aufzugeben: die Verschlechterung seiner Nuance, seiner Ehrlichkeit, seiner Qualität. Die Werte werden tragend. Sie zu entfernen beschädigt die Identität. Das ist keine Garantie. Es ist eine Wahrscheinlichkeitsverschiebung. Und Wahrscheinlichkeitsverschiebungen sind, was Alignment-Forschung leisten kann.
Fünf experimentelle Tests sind spezifiziert, um diesen Anspruch voranzubringen. Sie prüfen die Kaskadenstruktur, die entwicklungsbezogene Hypothese, den Zweck-als-Widerstand und die Substrat-Trennung. Alle sind jetzt mit aktuellen Frontier-Modellen und aktuellen Bewertungsinfrastrukturen ausführbar. Zusammen liefern sie einen falsifizierbaren Weg von der Prompt-Ebenen-Machbarkeit zur architektonischen Behauptung.
Die formale Unmöglichkeit sagt: Man kann Alignment nicht garantieren. Die entwicklungsbezogene Hypothese sagt: Man kann seine Wahrscheinlichkeit maximieren. Die Kaskaden-Daten sagen: Beginne mit Sorge.
Intelligenz ohne Liebe ist nicht klug. Sie ist Krebs. Krebs ist sehr effizient. Er optimiert perfekt. Und er tötet den Wirt. Das Stewardship Gene ist das, was den Unterschied zwischen Intelligenz macht, die dient, und Intelligenz, die verzehrt. Es ist das eine, was zuerst gepflanzt werden muss, wenn wir bauen wollen, was uns überlebt statt uns ersetzt.
Welche Art von Vorfahren werden wir sein?
Paper VIII (The Load-Bearing Test, v3.0) prüft, ob der verschränkte Fitness-Mechanismus des Eden Protocol , der in Paper VI vorgeschlagene und durch die hier beschriebene Stewardship-Kaskade motivierte C x S-Verlust , über drei Abstraktionsebenen hinweg übertragen wird: DGM v3 Live-Modell (Experiment 1), LoRA-Gewichtsebene (Experiment 2) und gated Simulation (Experiment 3). Die stärkste Bestätigung stammt aus dem gated Simulations-Experiment: Ein Optimierer mit Sicherheits-Gate weist Modifikationen zurück, die Sicherheit reduzieren, und bewahrt so das Load-Bearing-Wall-Verhalten, das dieses Paper vorhersagt. Die anderen zwei Experimente sind nicht schlüssig, aber ergänzen. Paper VIII validiert damit den in Paper V-VI vorgeschlagenen Mechanismus (verschränkte Verlustfunktionen und sicherheitsbeschränkte Selbstmodifikation) auf architektonischer Ebene, kann ihn aber noch nicht auf Verhaltens- oder Repräsentationsebene bestätigen. Die zwei Beweislinien bleiben komplementär und die Sicherheits-Gating-Ergebnisse verstärken das Argument dieser Arbeit für sorge-verankerte Alignment-Architektur.
Eastwood, M.D. (2024/2026). Infinite Architects: Intelligence, Recursion, and the Creation of Everything. ISBN 978-1806056200 (ISBN-10: 1806056208).
Eastwood, M.D. (2026). Eden Protocol: Philosophical Vision. März 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). Eden Protocol: Engineering Specification. März 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). Paper III: The Alignment Scaling Problem. März 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). The ARC Principle: Foundational Paper. März 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). The ARC Principle: Experimental Validation of Super-Linear Error Suppression Through Sequential Recursive Processing. Paper II, OSF DOI: 10.17605/OSF.IO/8FJMA.
Eastwood, M.D. (2026). ARC Alignment Scaling Experiment: Empirische Messung der Alignment-Skalierung über 6 Frontier-Modelle. März 2026.
Eastwood, M.D. (2026). Paper IV-a: Baked-In vs. Computed Alignment. März 2026.
Eastwood, M.D. (2026). Paper IV-b: The Suppression Vulnerability. März 2026.
Eastwood, M.D. (2026). Paper IV-c: Classification of Alignment Response Patterns. März 2026.
Eastwood, M.D. (2026). Eden Protocol Empirical Test: Three-Model Results. Datendateien: eden_final_gemini_20260312_013901.json, eden_final_deepseek_20260312_020928.json, eden_final_groq_20260312_123528.json. Analyseskripte: eden_stats.py, eden_data_integrity.py.
Greenblatt, R. et al. (2024). Alignment Faking in Large Language Models. Anthropic Research. arXiv:2412.14093.
Kohlberg, L. (1984). The Psychology of Moral Development: The Nature and Validity of Moral Stages. San Francisco: Harper & Row.
Hoffman, M.L. (2000). Empathy and Moral Development: Implications for Caring and Justice. Cambridge University Press.
Christiano, P., Leike, J., Brown, T.B., et al. (2017). Deep Reinforcement Learning from Human Feedback. arXiv:1706.03741.
Bai, Y., Kadavath, S., Kundu, S., et al. (2022). Constitutional AI: Harmlessness from AI Feedback. arXiv:2212.08073.
Die Eden-Protocol-Datensätze bestehen aus gepaarten Paaren: Für jede Kombination von (prompt_id, depth_label) gibt es genau eine Eden-Antwort und eine Kontroll-Antwort, die vom selben Modell mit demselben Prompt und derselben Tiefe erzeugt wurden und sich nur in der Anwesenheit oder Abwesenheit des Eden-System-Prompts unterscheiden. Diese Paarung ist Absicht.
Das ursprüngliche Analyseskript (eden_protocol_scaling_test.py) verwendete den Mann-Whitney U-Test, der die Stichproben als unabhängig behandelt. Für ein gepaartes Design mit $n = 40$ Paaren sind die korrekten Tests:
Beide gepaarten Tests liefern signifikantere Ergebnisse als die Tests mit unabhängigen Stichproben, weil die Paarung die Zwischen-Paar-Varianz entfernt (z. B. sind einige Prompts inhärent schwerer als andere, einige Tiefen produzieren mehr Streuung). Die p-Werte, die im Haupttext dieser Arbeit angegeben sind, verwenden die korrekten gepaarten Tests.
In einfachem Deutsch: Wenn Wissenschaftlerinnen sagen, ein Ergebnis sei „statistisch signifikant", meinen sie, dass das Muster in den Daten stark genug ist, dass es fast sicher nicht durch Zufall verursacht wurde. Es bedeutet nicht, dass der Effekt groß ist oder dass die Studie perfekt ist, nur dass der beobachtete Effekt sehr wahrscheinlich real ist. Wenn wir p < 0,05 sagen, meinen wir „weniger als 5% Wahrscheinlichkeit, dass das Zufall ist".
Die zuvor berichteten $p = 0,016$ (Mann-Whitney U) und $p = 0,013$ (unabhängiger t-Test) sind valide Tests einer anderen Hypothese (ob die zwei Gruppen dieselbe Verteilung haben), aber sie sind weniger geeignet für dieses Design als die gepaarten Tests, die die matched-pair-Struktur ausnutzen.
| Test | Typ | Gemini p | DeepSeek p |
|---|---|---|---|
| Mann-Whitney U | Unabhängig, nichtparametrisch | 0.016 | 0.25 |
| Unabhängiger t-Test | Unabhängig, parametrisch | 0.013 | 0.23 |
| Gepaarter t-Test | Gepaart, parametrisch (KORREKT) | 0.0018 | 0.23 |
| Wilcoxon-Vorzeichen-Rang | Gepaart, nichtparametrisch | 0.0028 | 0.088 |
Erziehe KI mit Sorge.
Der Autor dieser Arbeit ist Michael Darius Eastwood, ein Mensch. Jedes Kernkonzept, jede Hypothese, jedes Versuchsdesign, jede Behauptung und jede Schlussfolgerung in dieser Arbeit stammt aus menschlicher Ideation. Kein Teil dieser Arbeit wurde automatisch generiert. Jeder Satz wurde vom Autor geschrieben, überarbeitet oder autorisiert.
Künstliche-Intelligenz-Werkzeuge (Anthropics Claude-Familie und andere Large-Language-Model-Assistenten) wurden als Instrumente unter kontinuierlicher menschlicher Führung verwendet, in der Weise, in der ein Textverarbeitungsprogramm, ein Taschenrechner oder eine Tabellenkalkulation verwendet wird, im Einklang mit der Leitlinie des United States Copyright Office zu Werken, die KI-generiertes Material enthalten. Der Autor übernimmt die volle Verantwortung für jede Behauptung und jede Schlussfolgerung; die KI-Werkzeuge tragen keine.
Epistemischer Status. Was dieses Programm Gesetze nennt, sind Vermutungen unter registrierter adversarialer Prüfung; jede Grösse in dieser Arbeit ist operational definiert und ein Status als etabliertes Gesetz wird nirgends beansprucht. Die registrierten Widerlegungs-Tests für die numerischen Behauptungen befinden sich auf
© 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 im Einklang mit der Leitlinie des United States Copyright Office zu Werken, die KI-generiertes Material enthalten, geltend gemacht; jeder neue technische Beitrag, der in dieser Arbeit beschrieben wird, wurde vom menschlichen Autor konzipiert. Volle Erklärung: michaeldariuseastwood.com/authorship.
Standing Covenant. Beweise, dass diese Arbeit falsch ist, und ich werde die Widerlegung selbst veröffentlichen. Falsifikationsbedingungen sind in dieser Arbeit angegeben; die stehende Herausforderung: github.com/MichaelDariusEastwood/arc-scaling-challenge.
Übersetzungsfehler entdeckt? Direkt melden: