Traducción automática del original inglés fechado. La página en inglés es la canónica. English →
Predicciones a nivel de teoría preinscritas en OSF: DOI 10.17605/OSF.IO/P8CKQ, registradas el 8 de septiembre de 2026 (versión 1.100), actualizadas el 13 de septiembre de 2026 (versión 1.102), veintidós proposiciones.
Documento complementario: Definiciones operativas del programa ARC, versión 1.7.1, 3 de septiembre de 2026.
Este artículo formaliza y prueba preliminarmente el ARC Principle (Artificial Recursive Creation), propuesto por primera vez en Infinite Architects (Eastwood, 2026): que la capacidad en los sistemas inteligentes escala de forma superlineal con la profundidad recursiva. El principio se expresa matemáticamente como U = I x R^alpha, donde la capacidad efectiva (U) escala con la inteligencia base (I) multiplicada por la profundidad recursiva (R) elevada a un exponente estimado empíricamente.
Dónde se sitúa esto dentro de la Teoría ARC: enuncia la Ley I, la ecuación ARC, en términos formales, junto con el ARC Bound, que es el valor conjeturado que toma la Ley III, el techo ARC.
Qué ley porta este artículo. La ARC Theory tiene tres leyes numeradas, y el ARC Principle es el nombre colectivo de las tres juntas antes que de una en particular. Este artículo porta la Primera Ley, la ARC Equation: $U = I \times R^{\alpha}$, la recursión convirtiéndose en capacidad con un exponente medido. El Artículo X porta la Segunda Ley (co-escalado). El artículo de síntesis porta la Tercera Ley (el techo ARC). El artículo fundacional porta los axiomas y las demostraciones sobre los que descansan las tres.
Este artículo formaliza y prueba preliminarmente el ARC Principle (Artificial Recursive Creation), propuesto por primera vez en Infinite Architects (Eastwood, 2026): que la capacidad en los sistemas inteligentes escala de forma superlineal con la profundidad recursiva. El principio se expresa matemáticamente como $U = I \times R^{\alpha}$, donde la capacidad efectiva ($U$) escala con la inteligencia base ($I$) multiplicada por la profundidad recursiva ($R$) elevada a un exponente estimado empíricamente $\alpha$.
El análisis de datos públicos de cómputo en tiempo de prueba procedentes de modelos de razonamiento revela una distinción crítica entre dos formas de recursión. La recursión paralela (voto mayoritario sobre muestras independientes) produce un escalado sublineal con $\alpha \approx 0.1$ a $0.3$. La recursión secuencial (razonamiento en cadena de pensamiento donde cada paso se apoya en los anteriores) produce un escalado superlineal con $\alpha \approx 1.34$ en la estimación de dos puntos de este artículo; la medición posterior sobre seis modelos y varias arquitecturas (Artículo II) halla que el exponente secuencial depende de la arquitectura, con mejor ajuste $\alpha_{\text{seq}} \approx 0.49$ y un intervalo que abarca tanto lo sublineal como lo superlineal, de modo que la afirmación de superlinealidad queda sin resolver en lugar de establecida.
Este hallazgo preliminar, si se valida con investigación ulterior, sugiere que la forma de la recursión determina si la inteligencia se compone o meramente se acumula. Proponemos que $\alpha = 2$ es un techo de estabilidad, no un límite de imposibilidad: es el límite estable propuesto, lo máximo que un sistema recursivamente autocorrectivo puede crecer y seguir siendo corregible, un límite de escalado y no un límite de velocidad. Los sistemas pueden superar $\alpha = 2$; no permanecen establemente autocorrectivos por encima. Un sistema duraderamente estable por encima de dos refutaría la cota; una excursión transitoria es el régimen supercrítico predicho, no la refutación. Estable se mide, no se afirma: la corrección tiene que superar en escalado a la deriva, lo que la Ley II enuncia como $\beta_C > k$, y la cota inferior de $\beta_C - k$ tiene que situarse por encima de cero a lo largo de una ventana fijada antes de que comenzara la ejecución.
Palabras clave: leyes de escala, inteligencia recursiva, cómputo en tiempo de inferencia, amplificación de capacidad, emergencia, razonamiento en cadena de pensamiento, ARC Principle
Cómo leer este artículo. Este artículo es un resultado preliminar de la Teoría ARC. La recursión secuencial produce un exponente de escalado mayor que la recursión paralela en los datos publicados de modelos de razonamiento, con una estimación temprana de dos puntos de $\alpha_{\mathrm{seq}} \approx 1.34$, luego desplazada por la medición sobre seis modelos del Artículo II, que halla exponentes dependientes de la arquitectura con mejor ajuste en $\alpha_{\mathrm{seq}} \approx 0.49$. Su lugar dentro de la teoría es la primera mirada empírica por encima de la capa de leyes fundacionales. El diferencial completo frente a cada documento anterior está en eden-vision II.A.8.
Las leyes de escala que gobiernan la inteligencia artificial se han estudiado ampliamente. Kaplan et al. (2020) establecieron relaciones de ley de potencias entre el rendimiento del modelo y sus parámetros, y Hoffmann et al. (2022) las refinaron con prescripciones de entrenamiento óptimo en cómputo. Estas leyes gobiernan qué escalar, pero no abordan por qué el escalado produce comportamiento inteligente.
La aparición de los modelos de razonamiento en 2024 y 2025 introdujo una nueva variable: el cómputo en tiempo de inferencia. o1 de OpenAI (septiembre de 2024) y R1 de DeepSeek (enero de 2025) asignan recursos computacionales en el momento de la inferencia para razonar antes de responder, produciendo mejoras sustanciales de capacidad en benchmarks de razonamiento.
Este artículo propone que el cómputo en tiempo de inferencia sirve como aproximación de la profundidad recursiva, y que la profundidad recursiva puede ser un impulsor fundamental de la amplificación de capacidad en los sistemas de inteligencia artificial.
El ARC Principle (Artificial Recursive Creation), articulado por primera vez en Infinite Architects (Eastwood, 2026), propone:
La capacidad escala con la inteligencia multiplicada por la profundidad recursiva elevada a una potencia
Donde:
La afirmación central del principio: la recursión no se limita a sumar capacidad; la multiplica según una ley de potencias.
Nota terminológica sobre alfa. Alfa aparece en este programa con dos significados distintos a lo largo de las épocas: la constante de estructura fina en el formalismo de diciembre de 2024, y el exponente del Límite ARC en el trabajo de 2026. Todo uso de alfa en este artículo corresponde al sentido de 2026 arriba indicado; el glosario del programa porta ambos significados con sus fechas, y ninguna superficie nueva emplea alfa a secas sin su época.
Este artículo hace las siguientes afirmaciones, cada una con estatus epistémico explícito:
| Afirmación | Estatus | Nivel de evidencia |
|---|---|---|
| $U = I \times R^{\alpha}$ es un marco útil para los sistemas de IA | PROPUESTO | Teórico |
| La recursión paralela produce $\alpha < 1$ en los benchmarks de IA | PRELIMINAR | Datos limitados (o1) |
| La recursión secuencial produce $\alpha > 1$ en los benchmarks de IA | SIN RESOLVER | Sólo dos puntos (DeepSeek-R1), desde entonces desplazados por el mejor ajuste sobre seis modelos reportado en el Artículo II, $\alpha_{\text{seq}} \approx 0.49$, intervalo [-1.3, 2.9] |
| $\alpha = 2$ es un techo de estabilidad: excedible, pero no mientras un sistema permanezca establemente autocorrector | HIPOTETIZADO | Solo teórico |
| La forma de la recursión importa | APOYADO | Consistente con ambos conjuntos de datos |
Presentamos un principio con evidencia preliminar de apoyo e invitamos a su prueba rigurosa.
La premisa de las tuberías (West, Brown y Enquist, más la disputa). La premisa de que las redes de transporte fijan el ritmo del crecimiento biológico no es una afirmación que este programa tenga que defender; es biología cuantitativa establecida. West, Brown y Enquist derivaron las leyes alométricas de escala de la biología a partir de la geometría de las redes de distribución de nutrientes (West, G. B., Brown, J. H. y Enquist, B. J., «A General Model for the Origin of Allometric Scaling Laws in Biology», Science 276(5309), 4 de abril de 1997, DOI 10.1126/science.276.5309.122; uno de los artículos más citados de su campo, con un recuento de citas de OpenAlex de 5,046 al 12 de agosto de 2026, recuento SINGLE-SOURCE y dependiente del índice). El exponente exacto sigue siendo objeto de disputa: White informa que la tasa metabólica basal es proporcional a la masa corporal elevada a dos tercios y no a tres cuartos (White, C. R., 2003, «Mammalian basal metabolic rate is proportional to body mass 2/3», 725 citas, OpenAlex), y Kozlowski ha cuestionado dos veces las matemáticas de la derivación (Kozlowski, J., 2004 y 2005). La premisa de este programa necesita solo el mecanismo, que la red de reparto fija el techo, y no un exponente en particular, de modo que la disputa sobre el valor del exponente deja la premisa intacta. El mecanismo es terreno común para ambas partes de esa disputa.
La excepción que encontró el propio grupo de West (Bettencourt et al 2007). La huida del límite de las tuberías tampoco es la afirmación de este programa; se mide en la literatura de escala urbana firmada por el mismo autor sénior. Bettencourt, Lobo, Helbing, Kuhnert y West («Growth, innovation, scaling, and the pace of life in cities», PNAS, 2007, DOI 10.1073/pnas.0610172104; 2,704 citas, OpenAlex, 12 de agosto de 2026, recuento SINGLE-SOURCE) informan, con las propias palabras del artículo (READ-AT-SOURCE del resumen vía NCBI PMC1852329):
«Quantities reflecting wealth creation and innovation have Beta of approximately 1.2, greater than 1 (increasing returns), whereas those accounting for infrastructure display Beta of approximately 0.8, less than 1 (economies of scale).»
La infraestructura, las tuberías literales, escala de forma sublineal. La actividad mediada por información escala de forma superlineal. Enuncian el contraste con la biología directamente: «we discuss how cities are similar to, and differ from, biological organisms, for which Beta is less than 1». Derivan «growth equations, which quantify the dramatic difference between growth fueled by innovation versus that driven by economies of scale» (ortografía como en el original). Y su inferencia final nombra la consecuencia: «This difference suggests that, as population grows, major innovation cycles must be generated at a continually accelerating rate to sustain growth and avoid stagnation or collapse.»
Esa es la forma del problema abierto que este programa aborda: el grupo de West halló que el crecimiento mediado por información escapa del límite de rendimiento, y el único freno en su marco es externo y ha de aplicarse una y otra vez, cada vez más rápido. No se deriva ningún límite interno. El límite de reemplazo, un techo perteneciente al propio sistema en crecimiento, es la brecha.
El instrumento rival (Engels, Baek, Kantamneni y Tegmark 2025). El trabajo más próximo a la pregunta de este programa, y el artículo con el que corresponde compararlo, es Engels, J., Baek, D., Kantamneni, S. y Tegmark, M., «Scaling Laws For Scalable Oversight», arXiv:2504.18530, publicado por primera vez el 25 de abril de 2025 a las 17:54:27 UTC (SINGLE-SOURCE-GROUP, arXiv Atom; póster Spotlight de NeurIPS 2025, verificado el 15 de agosto de 2026 contra la página virtual de NeurIPS del póster 115536, según consta en el dosier de referencias del artículo de síntesis). Pregunta cómo escala la propia supervisión y responde cuantitativamente: el éxito de la supervisión se modela como un juego entre jugadores de capacidad desigual cuyo Elo específico de supervisión es una función lineal por tramos de la inteligencia general con dos mesetas, y los números óptimos de niveles de supervisión se derivan numéricamente y en algunos casos analíticamente para la Supervisión Escalable Anidada, en la que modelos de confianza supervisan modelos más fuertes no fiables que pasan a ser los modelos de confianza del paso siguiente.
El instrumento es la diferencia. Su variable es la brecha de capacidad entre supervisor y supervisado, medida en Elo. La variable de este programa es la clase de composición del corrector, medida a través del exponente de escala del propio corrector. Su marco no contiene ningún término para aquello de lo que está hecho el supervisor: ni sustrato, ni estructura de correlación de errores, ni identidad recíproca entre un exponente de corrección y una tasa crítica de crecimiento, ni dependencia de la arquitectura. Nested Scalable Oversight es, por construcción, supervisión iterada dentro de la misma clase, y la predicción central de este programa es que la escalera de la misma clase está acotada por muchos peldaños que se le añadan, mientras que un corrector entre clases no lo está. Los dos marcos discrepan, por tanto, sobre una cantidad medible, que es la relación más productiva que pueden mantener dos programas de investigación.
Antecedentes y casi-aciertos, cada uno con su diferencial.
Sobre la pregunta. Hutter preguntó directamente si la inteligencia puede explotar («Can Intelligence Explode?», arXiv, 28 de febrero de 2012, READ-AT-SOURCE), separando la «speed from intelligence explosion» y comprometiéndose a «consider possible bounds on intelligence», ampliando el análisis de Chalmers de 2010. La pregunta y la distinción velocidad-frente-a-estructura tienen, por tanto, al menos catorce años. Esa literatura, hasta donde se ha rastreado, no contiene un número: no aparecen en ella ni exponente medible, ni techo derivado, ni dependencia de la arquitectura; una fuente previa que aporte cualquiera de los tres derrota la prioridad correspondiente aquí, y se invita a los lectores que localicen alguna a informar de ello.
Sobre la imposibilidad. Tres artículos de arXiv de 2025 sostienen que el control perfecto es inalcanzable: Yao, «The Alignment Trap: Complexity Barriers» (arXiv:2506.10304, v1 12 de junio de 2025 02:30:30 UTC, SINGLE-SOURCE-GROUP, observado de manera independiente por el Internet Archive el 13 de junio de 2025; citado por arXiv:2512.03048); Yao, «On the Mathematical Impossibility of Safe Universal Approximators» (arXiv:2507.03031, 3 de julio de 2025, el único artículo en el corpus de resúmenes de arXiv que contiene la expresión «irreducible uncontrollability», total de una en búsqueda de resumen, medido el 12 de agosto de 2026); y Ball, Gluch, Goldwasser, Kreuter, Reingold y Rothblum, «On the Impossibility of Separating Intelligence from Judgment» (arXiv:2507.07341, 9 de julio de 2025). Los tres son de peor caso y cualitativos: medida cero, coNP-completitud, dureza criptográfica. Ninguno reporta un exponente de escala en caso medio ni una tasa. El tercero, notablemente, concluye que la alineación «must instead be integrated into the model's architecture and weights», un argumento independiente, desde la intratabilidad del filtrado, en la misma dirección que la dependencia de arquitectura de este programa; es apoyo convergente en esa pata, no un rival. Dos de los tres artículos son de un solo autor; la descripción «una ola» sobredimensiona la amplitud de la literatura, aunque no la seriedad del artículo de seis autores.
Sobre el mecanismo. Que las estimaciones anticorrelacionadas promedien mejor que las independientes es reducción de varianza de manual (variables antitéticas). El mecanismo no es la afirmación. La afirmación es que la arquitectura determina si la anticorrelación está siquiera disponible, y que esto acota un exponente relevante para la seguridad.
El análogo estructural más cercano. El teorema del umbral de corrección de errores cuánticos también convierte una preocupación cualitativa en un valor crítico. Se refiere a tasas físicas de error en una arquitectura fija, no al exponente de escala de un corrector, así que es un casi-acierto y no un ocupante; la analogía es de método. Este análogo lo identificó la propia búsqueda del programa antes que un revisor, y se declara en consecuencia.
Sobre la creación recursiva. La selección natural cosmológica de Smolin es el antecedente de los universos moldeados por selección, y las propias notas del programa de la época de diciembre la citan contemporáneamente («Echoing Smolin's cosmological natural selection, AI could create recursive universes with their own laws», READ-AT-SOURCE de las notas del operador).
Sobre realimentación y estabilidad (clásico). La proposición general de que una ganancia correctiva insuficiente respecto de la ganancia del sistema causa inestabilidad tiene una larga trayectoria en teoría de control (teoremas de ganancia pequeña). El diferencial: se trata de condiciones de ganancia sobre sistemas interconectados, no de un criterio de exponente de ley de potencias sobre la escala de un corrector con la capacidad de un sistema que mejora recursivamente. La proposición general nunca se afirma; la formulación del exponente, la dinámica y el estimador son la superficie de contribución.
El vecino cuantitativo más cercano. Liu, A. y Meng, J., «Self-Correction as Feedback Control: Error Dynamics, Stability Thresholds, and Prompt Interventions in LLMs» (arXiv:2604.22273) recuadran la autocorrección como un problema de control en bucle cerrado mediante un modelo de Markov de dos estados y derivan un umbral de estabilidad directamente medible: iterar solo cuando la tasa de corrección de errores sobre la tasa de introducción de errores supere Acc/(1 − Acc). El diferencial: el suyo es un umbral de tasa por paso a un nivel de capacidad fijo, que decide si otra iteración ayuda ahora; el criterio de este programa es una relación de escala a lo largo de la capacidad, que decide si la fuerza correctiva sigue el ritmo mientras el sistema mejora. Regímenes complementarios; ninguno contiene al otro. Se nombran por título dos resultados empíricos de 2026 adyacentes procedentes de la misma búsqueda, pendientes de verificación de fuente: arXiv:2601.00828 (una paradoja de precisión-corrección, modelos más débiles mostrando tasas intrínsecas de corrección más altas) y arXiv:2507.02778 (un punto ciego sistemático de autocorrección en modelos abiertos).
El encuadre de las tuberías, a rendimiento fijo. Todo lo que crece se alimenta por un canal, y para todo lo anterior al software, fijar el canal fija el crecimiento: mata de hambre la vasculatura de un tumor y este se detiene; fija el combustible y la geometría de una reacción en cadena y esta se detiene; el límite de Eddington detiene la acreción por presión de radiación. La inflación cósmica queda excluida por ámbito (expansión del espacio, no crecimiento de una estructura sobre un sustrato); la evolución es el caso más nítido y encaja (complejidad ascendiendo durante miles de millones de años a un rendimiento solar aproximadamente fijo, glacialmente, sin corrector interno, así que este marco predice para ella un exponente medible muy por debajo del techo). El software es la primera cosa que sigue creciendo cuando las tuberías se mantienen fijas, y la definición operativa es portante: un bucle de artefacto sobre un sustrato fijo, medido en un reloj de sustrato fijo; un modelo que meramente piensa más tiempo no cualifica. La objeción del físico es la de Landauer, que la computación se implementa físicamente; el reloj de sustrato fijo es la respuesta, porque el régimen bajo estudio mantiene fijo el sustrato y pregunta qué sigue creciendo.
Un artefacto relativo a este artículo está catalogado fila por fila en el registro-máquina del programa, y es de la clase más débil: arc_principle_results.json incorpora sus umbrales de falsación en el archivo, pero no lleva sello de tiempo ni encabezado fechado dentro del cuerpo JSON, de modo que su orden no puede establecerse a partir del propio artefacto. El registro lo califica de débil por esa razón y lo dice en la fila. Cada fila nombra su archivo en el repositorio público con su base de fecha, de modo que cualquier lector puede comprobar el orden sin fiarse de esta página. La cadena fechada completa del programa, desde el paquete de manuscrito sellado del 8 de diciembre de 2024, pasando por los apéndices de predicción impresos del 2 de enero de 2026 y la carpeta de preinscripción de marzo de 2026, hasta las apuestas no probadas en pie, está ensamblada en el registro de predicciones fechadas, junto con su gemelo legible por máquina. Las declaraciones prospectivas y las coincidencias retrospectivas nunca se suman. «Registrado» se usa sólo para una presentación aceptada en un registro, y ese clic de presentación sigue pendiente en todo el programa; «preinscrito en sustancia» se usa, siempre con su calificador y siempre junto a su clase de atestación, para una predicción cuyo texto fue público y llevaba marca temporal antes de que existiera su resultado, como lo fue el manifiesto de doce filas cuyo commit se hizo a las 00:19 UTC del 17 de marzo de 2026, veintitrés minutos antes de sus ajustes. Lea el registro de predicciones fechadas. Abra su equivalente legible por máquina.
La recursión es autorreferencia: un proceso cuya salida se convierte en su entrada. Es distinta de la mera iteración (repetir la misma operación) porque cada ciclo opera sobre los resultados transformados de los ciclos anteriores.
Recursión paralela (débil): Múltiples soluciones independientes generadas simultáneamente. Sin transferencia de información entre ramas. Ejemplo: generar N muestras y seleccionar por voto mayoritario. Escala esperada: retornos decrecientes a medida que aumenta la redundancia.
Recursión secuencial (fuerte): Cada paso de procesamiento se apoya explícitamente en los pasos anteriores. Los errores pueden detectarse y corregirse de forma iterativa. Ejemplo: razonamiento en cadena de pensamiento que pliega la autorreflexión dentro de cada paso (Wei et al., 2022). Escalado esperado: rendimientos compuestos a medida que la profundidad habilita la autocorrección.
El ARC Principle predice que la recursión secuencial debería producir valores de $\alpha$ mayores que la recursión paralela.
Formulamos la hipótesis de que $\alpha = 2$ representa el límite estable propuesto, lo máximo que un sistema recursivamente autocorrectivo puede crecer y seguir siendo corregible: un límite de escalado, no un límite de velocidad. La aceleración exactamente cuadrática pertenece al algoritmo de búsqueda cuántica de Grover (1996); Bennett, Bernstein, Brassard y Vazirani (1997) establecieron después la cota inferior que la iguala, que es lo que hace óptima esa aceleración para la búsqueda no estructurada. La correspondencia invocada aquí es estructural, la misma forma cuadrática de una cota de optimalidad de búsqueda, no la afirmación de que el razonamiento recursivo implemente amplificación de amplitud. Si un límite de forma semejante se aplica a la inteligencia recursiva por razones emparentadas, el escalado cuadrático podría marcar el techo por encima del cual la autocorrección no se mantiene de forma estable; los sistemas pueden ser empujados más allá, no permanecen allí establemente autocorrectivos, y cualquier excursión por encima de dos es el régimen supercrítico predicho y no una refutación de la cota. La estabilidad aquí es la de la Ley II, medida en lugar de afirmada.
La ley antes que el valor. El techo de la automejora estable lo fija la rapidez con que un sistema puede corregirse: es el recíproco de uno menos el exponente de apalancamiento correctivo $\gamma$, $\alpha_{\text{crit}} = 1/(1-\gamma)$. Para un corrector construido a partir del mismo sustrato que el motor, ese recíproco es dos, bajo un solo supuesto: que las correcciones acumuladas internamente se combinan como muestras independientes. La ley es la afirmación. Dos es lo que la ley predice, y el supuesto que lo produce es lo que los registros redactados someten a prueba. Si dos muere, la ley sobrevive por completo: mídase $\gamma$ y repórtese el techo que implica. Si la ley muere, dos no tiene apoyo independiente, porque la derivación pasa por $1/(1-\gamma)$. La forma está asentada; su profundidad no. La relación se deriva dentro de un modelo de cadencia y no se ha derivado de un modelo conjunto del crecimiento de la capacidad, la acumulación de correcciones, la covarianza de errores, el retardo de corrección y el daño absoluto, de modo que la Ley III se enuncia aquí como un resultado de modelo mínimo y no como una ley general. Una consecuencia debería encontrarse allí donde se encuentre la ley, porque corta en ambos sentidos: puesto que $1/(1-\gamma) \le 2$ es exactamente equivalente a $\gamma \le 1/2$, el techo y el valor de un medio son un mismo compromiso escrito en dos notaciones antes que dos afirmaciones independientes, y ninguno puede ofrecerse jamás como evidencia del otro.
OpenAI o1 System Card (septiembre de 2024). Benchmark: AIME 2024 (American Invitational Mathematics Examination). Variable: número de muestras (voto mayoritario). Fuente: openai.com/index/openai-o1-system-card.
DeepSeek-R1 Technical Report (enero de 2025). Cita: arXiv:2501.12948. Benchmark: AIME 2024. Variable: recuento de tokens de pensamiento (longitud de cadena de pensamiento).
Para determinar $\alpha$, utilizamos la relación de ley de potencias. Para métricas de precisión acotadas, analizamos la reducción de la tasa de error:
| Muestras (R) | Precisión (%) | Tasa de error (%) |
|---|---|---|
| 1 | 74 | 26 |
| 64 | 83 | 17 |
| 1000 | 93 | 7 |
| Tokens de pensamiento (R) | Precisión (%) | Tasa de error (%) |
|---|---|---|
| ~12,000 | 70 | 30 |
| ~23,000 (estimado) | 87.5 | 12.5 |
| Método | Tipo de recursión | $\alpha$ medido | Clasificación |
|---|---|---|---|
| o1 (1 a 64) | Paralela | 0.10 | Sublineal |
| o1 (64 a 1000) | Paralela/híbrida | 0.32 | Sublineal |
| DeepSeek-R1 | Secuencial | ~1.34 | Superlineal (sólo a partir de dos puntos; el Artículo II lo desplaza) |
El ARC Principle quedaría significativamente debilitado o refutado si:
| Código | Condición | Estado actual |
|---|---|---|
| F1 | La profundidad recursiva secuencial produce sistemáticamente $\alpha \leq 1$ | Bajo prueba: el mejor ajuste del estudio de seis modelos es $\alpha_{\text{seq}} \approx 0.49$, con 2 de 6 estimaciones puntuales por encima de 1 e intervalos amplios, de modo que «sistemáticamente» no se decide en ninguna dirección (Paper II) |
| F2 | $\alpha$ disminuye a medida que maduran las arquitecturas recursivas | No cumplido |
| F3 | La relación es aditiva antes que multiplicativa | No cumplido |
| F4 | Conjuntos de datos más extensos muestran $\alpha < 1$ para el razonamiento secuencial | Parcialmente cumplido: el mejor ajuste cruzado entre arquitecturas de Paper II se sitúa por debajo de 1 con un intervalo que abarca ambos regímenes; la forma decisiva aguarda a la estimación mediada por artefacto registrada |
La integridad científica exige el reconocimiento explícito de las limitaciones:
El ARC Principle, según el cual la capacidad escala de forma superlineal con la profundidad recursiva, $U = I \times R^{\alpha}$, con la distinción secuencial/paralela determinando el régimen, es refutable. Quedaría invalidado por cualquiera de los siguientes:
La forma decisoria que estos criterios heredan. La sección 4 registra el estado frente a los criterios originales de este artículo; las registraciones decisorias usan una forma de tres resultados, y todo criterio de arriba la hereda: APOYADO cuando el intervalo queda enteramente más allá del efecto mínimo fijado por adelantado; REFUTADO cuando el intervalo queda enteramente dentro del margen de equivalencia fijado por adelantado (lógica de dos pruebas unilaterales); PRECISIÓN INSUFICIENTE cuando el intervalo es más ancho que el margen, reportado en esas palabras exactas y nunca como apoyo o refutación. El margen, el efecto mínimo y una cifra de potencia medida se fijan antes de la presentación. «Refutado si el intervalo de confianza contiene la nula» permite que un estudio con poca potencia refute por defecto y no está autorizado en ninguna parte de este programa.
Una objeción anticipada, porque un físico la alcanza en un solo paso. La corrección tolerante a fallos de errores cuánticos suprime el error lógico exponencialmente en la distancia del código por debajo del umbral, lo que parece un contraejemplo a cualquier tope de raíz cuadrada. Dos hechos de ámbito responden: la supresión exponencial corre sobre el eje de la redundancia a capacidad fija, no sobre el acoplamiento de la fuerza correctiva a la capacidad del sistema corregido, que es el exponente que mide este programa; y el propio teorema del umbral requiere un ruido físico suficientemente descorrelacionado, que es la premisa de independencia otra vez, vestida de hardware. Los límites de concentración dan asimismo una probabilidad de error que cae exponencialmente mientras la anchura del estimador cae como la raíz cuadrada: cantidades distintas, y confundirlas fabrica una refutación.
El techo de estabilidad del programa y su exponente de conversión se encuentran en el mismo número, y la tentación en cada superficie es decir que una única constante hace dos trabajos. El estatus de la afirmación es más estricto que eso y debe enunciarse de forma estricta: la identidad está REGISTRADA PARA PRUEBA, por adelantado de los datos, con resultados que pueden matarla. Dos registraciones redactadas la portan. El estudio AE registra el requisito de reciprocidad entre el tope de apalancamiento y la frontera de estabilidad medidos por separado, en escala logarítmica, con tres resultados por celda (apoyado, refutado, precisión insuficiente) y una regla de agregación bajo la cual una celda refutada refuta la identidad; su estructura de independencia se declara por adelantado, incluida la enumeración de cualquier solapamiento de punto final entre los dos diseños de alimentación, de modo que la varianza de método común se evalúa antes del análisis y no se plantea después como la explicación del acuerdo. El estudio AG somete a prueba las dos derivaciones del exponente crítico entre sí sobre el mismo sistema, señala que concuerdan numéricamente solo en el único punto donde ambos parámetros son iguales a un medio y discrepan en sus derivadas en todas partes, y está diseñado para hallar el desacuerdo, no para confirmar el acuerdo.
Las superficies dicen por tanto: la identidad es una afirmación registrada bajo prueba, las mediciones decisorias están redactadas y fechadas, y si los canales discrepan la unificación se retira de cada superficie a la que ha llegado, con la misma prominencia que el encuadre. Las superficies nunca dicen que la identidad esté establecida, y nunca presentan el acuerdo entre un medio asertado y un 0.49 medido como evidencia, porque los dos pueden compartir una ley de acumulación, y el acuerdo entre quienes la comparten no es corroboración.
Los dispositivos de supervisión que sitúan a un humano en el bucle, como la amplificación y el aprendizaje por refuerzo a partir de retroalimentación humana, son entre clases por construcción, porque el corrector humano no comparte el sustrato del modelo. El marco predice, por tanto, que la supervisión con humano en el bucle muestra un exponente de corrección mayor que la supervisión puramente de modelo, por una razón estructural y no sentimental. Esto es comprobable sobre datos existentes y no requiere sistemas nuevos. Tanto la definición operativa de un exponente de corrección bajo supervisión como las reglas que zanjan la comparación proceden de las unidades de clase de corrector, a saber la auditoría de clase de corrector y el contraste de clase de corrector, redactadas y a la espera de presentación humana.
Si se sostiene el ARC Principle, la profundidad recursiva constituye un tercer eje de escala junto a los parámetros y los datos. La inversión en arquitecturas recursivas puede dar mejores retornos que el escalado del tamaño del modelo por sí solo.
Si la recursión amplifica no solo la capacidad sino también los valores incrustados, entonces los valores iniciales bien alineados deberían fortalecerse mediante la automejora recursiva. Los valores mal alineados también se compondrían, haciendo crítica la alineación temprana.
El ARC Principle conecta con varios marcos establecidos, entre ellos las leyes de escala de Kaplan et al. (2020), la Integrated Information Theory (Tononi, 2008) y la prueba de optimalidad de la búsqueda cuántica de Grover (Bennett et al., 1997).
Hemos formalizado el ARC Principle y presentado evidencia preliminar:
En términos llanos: «Pensar sobre el pensar te hace más inteligente. No linealmente más inteligente, sino desproporcionadamente más inteligente, si el pensamiento es secuencial antes que paralelo.»
El principio se sostiene. La investigación continúa.
El marco intelectual, la formulación de las hipótesis y las conclusiones interpretativas son del propio autor.
Bennett, C. H., Bernstein, E., Brassard, G., & Vazirani, U. (1997). Strengths and weaknesses of quantum computing. SIAM Journal on Computing, 26(5), 1510-1523.
DeepSeek AI. (2025). DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv:2501.12948.
Eastwood, M. D. (2026). Infinite Architects: Intelligence, Recursion, and the Creation of Everything. Publicación independiente.
Grover, L. K. (1996). A fast quantum mechanical algorithm for database search. Proceedings of the 28th Annual ACM Symposium on Theory of Computing, 212-219.
Hoffmann, J., Borgeaud, S., Mensch, A., et al. (2022). Training Compute-Optimal Large Language Models. arXiv:2203.15556.
Kaplan, J., McCandlish, S., Henighan, T., et al. (2020). Scaling Laws for Neural Language Models. arXiv:2001.08361.
Lloyd, S. (2002). Computational capacity of the universe. Physical Review Letters, 88(23), 237901.
OpenAI. (2024). OpenAI o1 System Card. openai.com/index/openai-o1-system-card.
Tononi, G. (2008). Consciousness as Integrated Information. The Biological Bulletin, 215(3), 216-242.
Wei, J., et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022.
El código y los resultados registrados detrás de este artículo están en GitHub:
github.com/MichaelDariusEastwood/arc-principle-validation
Toda contribución es bienvenida, incluidas las falsaciones.
Estatus epistémico. Lo que este programa nombra Leyes son conjeturas bajo prueba adversarial registrada; cada magnitud en este artículo está operacionalmente definida, y en ninguna parte se reclama el rango de ley establecida. El programa registrado existe para ganar ese rango, o perderlo, por medición, replicación y refutación superada.
© 2026 Michael Darius Eastwood. Autoría humana con asistencia informática; se reivindica la plena autoría humana y los derechos morales bajo la Copyright, Designs and Patents Act 1988 y de manera consistente con la orientación de la United States Copyright Office sobre obras que contienen material generado por IA; toda contribución técnica novedosa descrita en este trabajo fue concebida por el autor humano. Enunciado completo: michaeldariuseastwood.com/authorship.
Compromiso permanente. Demuestre que este artículo es erróneo, y publicaré la refutación yo mismo. Las condiciones de falsación se enuncian en este artículo; el reto permanente: github.com/MichaelDariusEastwood/arc-scaling-challenge.
v1.12: La nota de procedencia del final se ha corregido para mayor exactitud. No ha cambiado ninguna afirmación, fecha, resultado ni estado.
Michael Darius Eastwood concibió y dirige este programa de investigación y es el autor de esta obra. A lo largo del programa, ha utilizado más de seis sistemas de inteligencia artificial en paralelo, bajo sus propias instrucciones, para poner a prueba sus argumentos, identificar posibles errores y ayudar a preparar borradores de texto a partir de sus propios esquemas. Él determina qué se adopta, qué se revisa o qué se rechaza, y asume la responsabilidad del contenido publicado. Estos sistemas son herramientas, no autores.
¿Un error de traducción? Infórmalo directamente: