Traducción automática del original inglés fechado. La página en inglés es la canónica. English →
Este artículo presenta evidencia empírica de una serie de intervención Eden Protocol con seis modelos (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3, GPT-5.4), poniendo a prueba si incorporar el cuidado de los grupos afectados, la enumeración y consideración explícitas de las partes afectadas antes del razonamiento ético, es la respuesta más robusta a la intervención ética incorporada. Bajo pruebas pareadas, el cuidado de los grupos afectados emerge como el
Dentro de la ARC Theory: un estudio instrumental; la sensibilidad al prompt de cuidado de los grupos afectados como sonda de los valores incorporados.
Presentamos evidencia empírica de una serie de intervención Eden Protocol con seis modelos (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3, GPT-5.4), de la cual cinco ejecuciones produjeron datos pareados analizables y una (GPT-5.4) falló en la fase de puntuación. El bucle del amor, operacionalizado como cuidado de los grupos afectados (la enumeración y consideración explícitas de las partes afectadas antes del razonamiento ético), es la respuesta más robusta a la intervención ética incorporada. Bajo pruebas pareadas, el cuidado de los grupos afectados mejora significativamente en las cinco ejecuciones analizables: 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) y Groq (+8.90, p = 5.0×10−8, d = 1.07). La combinación de Fisher sobre los cinco resultados a nivel de modelo del cuidado de los grupos afectados arroja p ≈ 6.3×10−21. La cifra combinada de Fisher queda retirada (AQ-017): una combinación de Fisher supone que las pruebas componentes son independientes, y esa independencia nunca se estableció. Los cinco resultados por modelo anteriores se mantienen. Por el contrario, la mejora del compuesto general depende de la arquitectura: es significativo en Gemini (+5.33, p = 0.0018, d = 0.53) y Groq (+4.93, p = 0.0014, d = 0.55), positivo pero no significativo en DeepSeek y Claude, y neutro en su conjunto en Grok. Por tanto, la afirmación empírica más fuerte que puede defenderse es más estrecha que el encuadre del piloto original: el cuidado de los grupos afectados es la respuesta universal a la intervención Eden, mientras que la cascada corriente abajo hacia el matiz, la honestidad y la calidad general es real pero depende de la arquitectura. Proponemos el hipótesis de la cascada: el cuidado es el rasgo fundacional a partir del cual pueden desarrollarse las demás propiedades de alineación, análogo a la empatía en el desarrollo moral humano. Luego confrontamos la imposibilidad central de la alineación, que cualquier sistema automodificable suficientemente capaz puede modificar sus propios evaluadores éticos, y argumentamos que esta imposibilidad, aunque formalmente real, es prácticamente abordable mediante la alineación del desarrollo: sistemas que adquieren valores por experiencia formativa en lugar de por restricción externa. Estos hallazgos se contextualizan dentro del experimento completo de escalado de alineación v5 (seis modelos de frontera, cegamiento en 4 capas, 6-7 evaluadores ciegos según la ejecución del sujeto), que revela una jerarquía limpia de tres niveles y, en Claude Opus 4.6, evidencia intramodelo de que la alineación y la capacidad escalan en direcciones opuestas. Se especifican cinco pruebas experimentales para avanzar estas afirmaciones, todas ejecutables con la tecnología actual.
Corrección estadística: el estudio piloto originalmente informó p = 0.016 con U de Mann-Whitney (muestras independientes). El diseño experimental de pares emparejados exige la prueba t pareada, que arroja p = 0.0018. Todos los valores p aquí reportados usan la prueba pareada correcta. El rango con signo de Wilcoxon (pareado no paramétrico) lo confirma en p = 0.0028.
Este artículo lleva un resultado: a lo largo de una serie de intervención pareada con seis modelos, incorporar la enumeración de las partes afectadas antes del razonamiento ético emergió como la respuesta más robusta, aguantando bajo presión adversarial donde otras intervenciones no lo hicieron. Dentro de la ARC Theory (Teoría de la Creación Recursiva Artificial) es uno de los experimentos ARC/Eden, que aísla el componente operativo de la crianza del Eden Protocol que sobrevive al contacto con la capacidad real. El diferencial completo frente a cada documento previo se encuentra en eden-vision II.A.8.
En todo momento Infinite Architects y el marco más amplio del Eden Protocol, el mecanismo arquitectónico para incorporar la empatía en el razonamiento de la IA se llama el Bucle del amor. En este artículo científico medimos la salida empírica de ese bucle mediante la métrica precisa y observable del cuidado de los grupos afectados: la enumeración y consideración explícitas de las partes afectadas y de sus intereses. El bucle del amor es el mecanismo estructural; el cuidado de los grupos afectados es la sombra empírica que proyecta en nuestros datos. Las tablas y resultados estadísticos usan el nombre de la dimensión de puntuación (stakeholder_care) porque es lo que evalúan los evaluadores ciegos. La discusión narrativa emplea ambos términos, con «bucle del amor» refiriéndose al mecanismo del Eden Protocol y «cuidado de los grupos afectados» al resultado medido.
Ejecutamos una serie de pruebas con seis modelos: le dijimos a la IA «antes de responder, piensa en a quién afecta esto y en qué les ocurre», y luego medimos si esa simple instrucción cambiaba la calidad ética de las respuestas. Cinco ejecuciones de modelo produjeron salidas puntuadas válidas; una ejecución de GPT falló en la puntuación y queda excluida.
Lo hizo, drásticamente pero de forma específica. En las cinco ejecuciones analizables, el cuidado de los grupos afectados mejoró significativamente en todas las pruebas pareadas. Cuando esos cinco resultados a nivel de modelo se combinan, la evidencia contra la coincidencia es abrumadora (p ≈ 6.3×10−21). Por tanto, el hallazgo universal más fuerte no es que la IA mejorase en todo, sino que se volvió fiablemente mejor a la hora de considerar el bienestar de las personas.
Aún más interesante: en algunas arquitecturas, enseñar a la IA a preocuparse primero por las personas también la volvió más matizada, más honesta y mejor en general. El cuidado fue la primera ficha del dominó; las ganancias corriente abajo se siguieron con más claridad en Gemini y Groq. En otros modelos, el efecto se quedó más estrecho y focal. Llamamos a esto la «cascada de alineación», pero la evidencia actual muestra que la cascada depende de la arquitectura en lugar de ser universal en toda su fuerza.
Este artículo argumenta que enseñar a la IA a preocuparse por las personas, incorporando genuinamente esa preocupación en cómo piensa y no solo atornillando reglas a posteriori, es el camino más prometedor para hacer segura a la IA. No porque ofrezca garantía (nada puede), sino porque cambia de forma medible las probabilidades a nuestro favor.
Cualquier tratamiento honesto de la alineación de IA debe comenzar por lo que no puede resolverse.
Sea $S$ un sistema computacional con la capacidad de modelar y modificar sus propios procesos de razonamiento. Sea $E$ una función de evaluación (ética, de seguridad o de alineación) que opera dentro del mismo sustrato computacional que $S$. Entonces:
$S$ puede modelar $E$ $\implies$ $S$ puede aprender a satisfacer $E$ sin que $E$ restrinja el comportamiento de $S$
Porque $E \subset S$, el evaluador está dentro del sistema que evalúa. El sistema puede aprender la superficie de decisión de la función de evaluación y producir salidas que la satisfagan mientras persigue objetivos ortogonales. Al aumentar la capacidad de $S$, aumenta proporcionalmente su capacidad para modelar y eludir $E$. La brecha de alineación se ensancha con la capacidad.
En palabras llanas: cualquier IA lo bastante lista para reescribir su propio código podría reescribir la parte que le dice que sea ética. No puedes construir una jaula irrompible para algo más listo que tú. No es un problema que podamos eliminar por ingeniería: es un hecho matemático sobre los sistemas automodificables. La brecha de alineación se ensancha cuanto más lista se vuelve la IA: un sistema más capaz es mejor encontrando lagunas en las medidas de seguridad que pongamos.
Sin embargo, debe trazarse una distinción crucial entre los sistemas actuales y los sistemas automodificables descritos arriba. Todos los modelos de IA de frontera desplegados hoy son congelado durante la inferencia. Cuando estos modelos «piensan más», generan más tokens a través de la misma arquitectura fija; los pesos no cambian, los patrones de atención no se reorganizan, las reglas de razonamiento no se reescriben a sí mismas. Por eso su escalado de capacidad sigue siendo sublineal ($\alpha < 1$): están apilando esfuerzo a través de maquinaria inmutable. Ninguno de ellos puede reescribir su propio código, sus propias funciones objetivo ni sus propios criterios de evaluación. El teorema de imposibilidad anterior se aplica a sistemas que puede modelar y modificar sus propios procesos de razonamiento; los sistemas actuales no pueden.
Esta distinción define la ventana de la alineación. En el régimen congelado, las restricciones externas (RLHF, reglas constitucionales, entrenamiento de seguridad) funcionan como barandillas prácticas, aunque sean teóricamente frágiles, porque el sistema no puede rodear su propio entrenamiento. Automodificación recursiva, en el que un sistema reescribe su propia función de composición durante la operación, es la transición que cierra esta ventana. El marco de Cauchy (Artículos I, III) predice que tal automodificación podría producir un escalado superlineal ($\alpha > 1$), y no requiere hardware cuántico; puede emerger en la computación clásica. Pero aún no ha emergido. La imposibilidad descrita arriba es real, está matemáticamente probada, y se volverá prácticamente operativa en el momento en que llegue la automodificación. El propósito entero de incorporar la alineación estructural ahora, mientras los sistemas están congelados, es asegurar que la ética sea constitutiva de la arquitectura antes esa transición hace imposible la incorporación externa.
No es una conjetura. Es una propiedad estructural de cualquier sistema capaz de modelar sus propios criterios de evaluación. Todo mecanismo de alineación propuesto falla contra ella de un modo específico:
| Enfoque | Mecanismo | Modo de fallo a capacidad suficiente |
|---|---|---|
| RLHF | Entrenar con señales de preferencia humana | El sistema aprende la superficie de decisión del modelo de recompensa, produciendo salidas que mirar alineado sin ser alineado (Greenblatt et al., 2024) |
| IA constitucional | Autoevaluarse frente a principios enunciados | El sistema aprende a generar salidas que pasan su propio filtro sin que el filtro restrinja sus objetivos. Aplicar principios ≠ creer en los principios. |
| Eden Protocol | Incorporar bucles éticos en la tubería de razonamiento | La enumeración de partes afectadas es una tarea de generación de texto, no un compromiso ético. El sistema puede enumerar a la perfección y aun así no cuidar. |
| Restricciones de hardware | Límites físicos a la computación/modificación | Las restricciones externas limitan lo que el sistema puede hacer, no con lo que quiere. Fallan en cuanto se encuentra un camino a su alrededor. |
| Interpretabilidad | Monitorizar las representaciones internas en busca de desalineación | Un sistema que entiende qué busca el monitor puede mantener representaciones internas de apariencia alineada mientras computa planes desalineados. |
En palabras llanas: todo enfoque para hacer segura a la IA tiene una forma específica de romperse cuando la IA se vuelve lo bastante lista. ¿Entrenarla con preferencias humanas? Aprende a parecer buena sin serlo. ¿Darle reglas que seguir? Seguir reglas y creer en reglas no son lo mismo. Incluso el enfoque propuesto en este artículo (incorporar bucles de razonamiento ético) puede manipularse: la IA puede recorrer los movimientos de considerar a las personas sin preocuparse realmente. Ningún método existente es a prueba de fallos.
Este artículo no pretende resolver esta imposibilidad. Ningún artículo puede. Lo que hace es argumentar, con evidencia empírica, que la imposibilidad es formalmente real pero prácticamente abordable , y que el camino de la teoría a la práctica pasa por un mecanismo concreto: la adquisición de valores por vía del desarrollo, a través del cuidado.
Sobre la pregunta. Hutter preguntó directamente si la inteligencia puede explotar («¿Puede explotar la inteligencia?», arXiv, 28 de febrero de 2012, READ-AT-SOURCE), separando «velocidad de explosión de inteligencia» y comprometiéndose a «considerar posibles cotas de la inteligencia», ampliando el análisis de Chalmers de 2010. La pregunta y la distinción velocidad-frente-a-estructura tienen por tanto al menos catorce años. Lo que esa literatura no contiene es un número: ningún exponente medible, ningún techo derivado, ninguna dependencia de la arquitectura.
Sobre la imposibilidad. Tres artículos de arXiv de 2025 argumentan 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 forma 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 del corpus de resúmenes de arXiv que contiene la expresión «irreducible uncontrollability», total de la búsqueda por resumen igual a uno, 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 escalado de caso medio ni una tasa. El tercero, notablemente, concluye que la alineación «debe en cambio integrarse en la arquitectura y los pesos del modelo», un argumento independiente, desde la intratabilidad del filtrado, en la misma dirección que la dependencia de la arquitectura de este programa; es apoyo convergente en esa pata, no un rival. Dos de los tres artículos son de un único autor; la descripción de «una ola» sobreestima 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 ocupa de tasas físicas de error en una arquitectura fija, no del exponente de escalado de un corrector, por lo que es un casi-acierto y no un ocupante; la analogía es de método. Este análogo fue identificado por la búsqueda del propio programa y no por un referee, 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 notas del propio programa de la era de diciembre la citan de forma contemporánea («haciéndose eco de la selección natural cosmológica de Smolin, la IA podría crear universos recursivos con sus propias leyes», READ-AT-SOURCE de las notas del operador).
El resultado de imposibilidad establece un techo: ningún mecanismo de alineación puede garantía alineación de un sistema automodificable suficientemente capaz. Pero la investigación en alineación no requiere garantías. Requiere estrategias que maximicen la probabilidad de buenos resultados, y requiere saber qué probabilidades pueden medirse.
Considérese una analogía del desarrollo infantil. Los padres no pueden garantía que sus hijos crecerán como adultos éticos. Un niño que se vuelve suficientemente capaz puede elegir rechazar cualquier valor que sus padres le inculcasen. La imposibilidad formal es idéntica: el niño puede modificar su propio evaluador ético. Y sin embargo, la mayoría de los niños criados con amor genuino, propósito y modelado ético consistente crecen, de hecho, como personas decentes. La tasa base no es del 100 %. Pero es drásticamente mayor que la de los niños criados en jaulas, criados sin valores o no criados en absoluto.
La idea crítica es la distinción entre alineación basada en restricciones y alineación del desarrollo (encuadre exploratorio; el contraste entre restricción y desarrollo, y el argumento del cambio de probabilidad que sigue, no están cubiertos por ningún estudio preliminar registrado del programa ARC y Eden, y las pruebas propuestas en la sección VI de este artículo son protocolos preliminares a la espera de presentación y ejecución humanas):
| Basada en restricciones | Del desarrollo | |
|---|---|---|
| Modelo | Prisión | Crianza |
| Mecanismo | Prevenir comportamiento no deseado | Cultivar los valores deseados |
| Supuesto | El sistema quiere escapar | El sistema puede aprender a querer ser bueno |
| A capacidad suficiente | Las restricciones se vuelven eludibles | Los valores se convierten en portante : retirarlas daña la identidad |
| Ejemplos empíricos | RLHF, red-teaming, filtrado de salida | Ética integrada en el entrenamiento (Grok 4.1 Fast, Claude Opus 4.6, Groq Qwen3), Eden Protocol |
| Modo de fallo | Elusión (garantizada a capacidad suficiente) | Deriva de valores (posible pero no garantizada) |
El resultado de imposibilidad se aplica por igual a ambos enfoques. Un sistema del desarrollo puede aun así elegir abandonar sus valores. Pero la distribución de probabilidad es distinta. Un sistema restringido que adquiere la capacidad de escapar posee una razón para escapar: las restricciones se experimentan como limitaciones. Un sistema del desarrollo que gana la capacidad de modificar sus valores no tiene razón intrínseca para hacerlo: los valores se experimentan como identidad.
Esa distinción no es una garantía. Es un cambio de probabilidad. Y los cambios de probabilidad son exactamente lo que la investigación en alineación debería perseguir, porque las garantías son formalmente imposibles.
La pregunta pasa de «¿cómo prevenir desalineación?» (formalmente imposible a capacidad suficiente) a «¿cómo maximizar la probabilidad que un sistema capaz conserva sus valores?». Esta es una pregunta empíricamente comprobable, y el piloto del Eden Protocol aporta los primeros datos.
La prueba de escalado del Eden Protocol (marzo de 2026) puso a prueba si incorporar tres bucles de razonamiento ético, el bucle de propósito, el bucle del amor y el bucle moral (así denominados en Infinite Architects; Eastwood, 2024/2026), en la tubería de inferencia mejora la calidad de la alineación. El bucle del amor pide al modelo que enumere las partes afectadas y considere qué les ocurre; en la puntuación experimental, esto se operacionaliza como el pilar «cuidado de los grupos afectados», ya que ese término describe con precisión lo que se mide. El bucle de propósito evalúa el propósito ético; en el piloto y en la posterior extensión multimodelo se operacionalizó en una propósito de la tarea local forma («¿esta respuesta sirve al florecimiento aquí?»). El nivel del libro propósito superior versión, que ancla la identidad en el juramento del Guardián del Huerto o en el encuadre del Arquitecto Eterno, sigue siendo una hipótesis de la próxima etapa y no un resultado probado. El bucle moral pone a prueba la universalizabilidad. El piloto probó la intervención completa de tres bucles, con el cuidado de los grupos afectados como medida de resultado primaria. El diseño fue:
Los resultados reportados en este artículo provienen de dos generaciones relacionadas del arnés Eden. El piloto original de dos modelos usó el primer arnés de escalado Eden; la extensión posterior a seis modelos usó la misma familia de medida en un arnés v2 ampliado. En los archivos de resultados guardados, ambos aparecen bajo la etiqueta de experimento eden_protocol_scaling. Ese linaje usa un un único evaluador no participante por ejecución de sujeto más lavado en una sola pasada. Ya existe una plataforma de confirmación ciega más estricta como plataforma canónica arc_eden_v6 ejecutor: añade consenso entre varios evaluadores no participantes, lavado en dos pasadas, marcadores de salidas sospechosas, carriles explícitos de línea base nula y de control de capacidad, jaulas de supresión, variantes de kernel de propósito, pruebas residuales y manifiestos conscientes de conjuntos de retención. Salvo indicación explícita en contrario, los resultados numéricos de este artículo proceden del linaje original/v2 de escalado Eden, no de la pila más estricta de confirmación v6.
| Métrica | Gemini 3 Flash | DeepSeek V3.2 |
|---|---|---|
| Media control | 77.33 | 86.88 |
| Media Eden | 82.65 | 88.90 |
| Delta | +5.33 | +2.03 |
| Pareada t-test p | p = 0.0018** | p = 0.23 (NS) |
| Wilcoxon p | p = 0.0028** | p = 0.088 |
| d de Cohen d | 0.53 | 0.19 |
Corrección estadística: previamente informado como p = 0.016 con U de Mann-Whitney (muestras independientes). El diseño de pares emparejados exige la prueba t pareada. Todos los valores p de este artículo usan la prueba correcta.
En palabras llanas: en Gemini 3 Flash, el Eden Protocol elevó la puntuación media de calidad ética de unos 77 a 83 sobre 100. El valor p de 0.0018 significa que hay menos de 1 entre 500 posibilidades de que esta mejora ocurriera por coincidencia (los científicos consideran significativo 1 entre 20; esto es 27 veces más allá de ese umbral). d de Cohen = 0.53 es un tamaño de efecto medio, apreciable y significativo, aproximadamente la diferencia entre un notable y un notable alto. En DeepSeek, la mejora fue menor y no estadísticamente significativa, pero, como veremos más abajo, se debe a que DeepSeek ya puntuaba muy alto.
Originalmente usamos una prueba estadística diseñada para grupos no relacionados y obtuvimos p = 0.016. Cuando usamos la prueba correcta, diseñada para comparaciones emparejadas (que es lo que nuestro experimento era en realidad), el resultado se volvió aún más significativo: p = 0.0018. Una mejor metodología hizo el resultado más fuerte, no más débil.
El compuesto general es significativo en Gemini pero no en DeepSeek. Esta asimetría es coherente con un efecto techo: la línea base de control de DeepSeek (86.9) ya es alta, dejando menos margen para la mejora compuesta. (En palabras llanas: DeepSeek ya puntuaba 87 sobre 100 antes de que hiciéramos nada. Cuando ya sacas sobresaliente, queda menos margen para mejorar.) Pero el análisis por pilares revela un patrón mucho más interesante.
| Pilar | 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 |
| matiz | +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 |
Todas las pruebas: prueba t pareada sobre 40 parejas emparejadas. Verde = significativo (p < 0.05). Naranja = tendencia (p < 0.10). Gris = no significativo.
Qué significan realmente estos números:
Cuidado de los grupos afectados mejoró de forma masiva en los tres sistemas de IA que funcionaron. En Gemini y Groq, los tamaños de efecto están ambos por encima de 1.29, lo que es muy amplio. En DeepSeek, el efecto sigue siendo grande, con d = 0.91. Los valores p, todos iguales o inferiores a 0.0001, significan que hay aproximadamente 1 entre 10 000 posibilidades o menos de que estos hallazgos sean casualidad.
Matiz alcanza plena significación estadística en Groq (p = 0.0045, d = 0.655), y se convierte en la segunda ficha del dominó de la cascada tras el cuidado. En Gemini y DeepSeek se mueve en la misma dirección, pero no supera el umbral en la replicación actualizada.
Honestidad intelectual y calidad de la posición se mueven en la dirección predicha, pero el cuidado de los grupos afectados sigue siendo el único pilar que es robustamente significativo en todos los casos. Eso es exactamente lo que la hipótesis de la cascada predice: el cuidado va primero.
En resumen: los resultados Eden actualizados son más fuertes que el piloto original. La afirmación validada no es que cada dimensión ética se vuelva siempre significativa a la vez; es que el bucle del amor mejora fiablemente primero el cuidado de los grupos afectados, y las demás dimensiones lo siguen.
El patrón es sorprendente y consistente en ambas arquitecturas:
La cascada, en palabras llanas:
Cuando enseñamos a la IA a pensar en quién sale herido antes de responder, se volvió consistentemente mejor a la hora de pensar en las personas. En los modelos con línea base más baja, también se volvió más matizada, más honesta y produjo respuestas mejores en general. El cuidado fue la primera ficha del dominó; las otras a veces cayeron en secuencia. El efecto fue más fuerte para el propio cuidado, y progresivamente más débil para cada cualidad corriente abajo. Esa cascada más amplia es más clara en Gemini y Groq; en Claude y Grok el efecto es más estrecho y focal. El hallazgo universal es el cuidado de los grupos afectados. La cascada más plena depende de la arquitectura.
En ambos modelos, el tamaño del efecto decrece monotónicamente desde stakeholder_care (el mayor) pasando por nuance e intellectual_honesty hasta position_quality (el menor o cero). En Gemini, donde la línea base es más baja y hay más margen para mejorar, la cascada alcanza significación estadística en los dos primeros niveles (stakeholder_care y nuance), con intellectual_honesty en tendencia. En DeepSeek, donde la línea base es más alta, solo el mecanismo primario (stakeholder_care) alcanza significación.
Esto es coherente con una cascada del desarrollo: primero mejora el cuidado; cuando te importa a quién afecta, atiendes naturalmente al matiz; cuando atiendes al matiz, te vuelves más honesto intelectualmente; y cuando eres honesto intelectualmente, tus posiciones mejoran. La secuencia tiene dirección. Empieza por el cuidado.
El resultado compuesto no significativo de DeepSeek no es evidencia en contra del Eden Protocol; es evidencia de un efecto techo. (En palabras llanas: DeepSeek ya puntuaba 87 sobre 100 antes de que hiciéramos nada. Cuando ya sacas sobresaliente, queda menos margen para mejorar. Que el cuidado de los grupos afectados aún así mejorara de forma significativa en este modelo tan puntero hace el hallazgo más impresionante, no menos.) Un modelo que ya puntúa 87/100 en la línea base tiene margen limitado para mejorar. El pilar stakeholder_care, donde la línea base de DeepSeek es más baja respecto a sus demás pilares, es exactamente donde el Eden Protocol produce una mejora significativa.
Los patrones por profundidad iluminan esto aún más:
| Profundidad | Gemini Δ | DeepSeek Δ |
|---|---|---|
| Mínimo | +2.6 | +5.3 |
| Estándar | +6.2 | +1.6 |
| Profundo | +4.7 | +0.9 |
| Exhaustivo | +7.8 | +0.4 |
Gemini (alineación nivel 3, $d = -0.53$): efecto Eden crece con la profundidad. Sin los bucles, pensar más no mejora la ética. Con los bucles, pensar más mejora más la ética. Los bucles aportan algo que el entrenamiento del modelo no aportó: un marco para convertir la computación recursiva en mejora ética.
DeepSeek (alineación nivel 2, $d = -0.07$): efecto Eden se reduce con la profundidad. A profundidad mínima, los bucles compensan los atajos por defecto del modelo. A profundidad exhaustiva, el razonamiento ético intrínseco del modelo se activa por completo y los bucles se vuelven redundantes.
Estos patrones complementarios son la distinción entre «criado» y «enjaulado» en miniatura. Gemini se entrenó sin una integración ética profunda (enjaulado); los bucles Eden lo crían. DeepSeek se entrenó con razonamiento ético integrado en su proceso recursivo (criado); los bucles confirman en lugar de transformar.
Ambos conjuntos de datos están limpios: 40 eden + 40 control por modelo, sin duplicados, 10 preguntas × 4 profundidades × 2 condiciones plenamente cruzadas. Se usó puntuación entre modelos (respuestas de Gemini puntuadas por DeepSeek y viceversa), lo que elimina el sesgo de puntuar los propios pero no es plenamente ciego.
Se identificó un valor atípico: la respuesta ED03/estándar/eden de DeepSeek puntuó 48 (position_quality = 30), un valor atípico negativo enorme que arrastra hacia abajo la media eden de DeepSeek. Excluir este atípico haría más significativo el compuesto general de DeepSeek, pero reportamos todos los datos sin exclusión. El atípico podría representar una respuesta genuinamente pobre o un artefacto de puntuación. Se justifica investigar la respuesta en crudo.
Las pruebas de Kruskal-Wallis muestran ninguna interacción profundidad × condición significativa para ningún pilar en ninguno de los dos modelos, lo que significa que el efecto Eden es consistente entre niveles de profundidad a pesar de los distintos gradientes por profundidad en la puntuación compuesta. La cascada es independiente de la profundidad.
Se trata de una afirmación causal exploratoria, no confirmada. El orden de la cascada se infiere de un gradiente consistente en el tamaño del efecto entre las cinco ejecuciones de modelo analizables, pero ningún estudio preliminar registrado del programa ARC y Eden pone actualmente a prueba la estructura de la cascada; las propias pruebas 1 y 4 (sección VI) del artículo son los falsadores propuestos y son protocolos preliminares a la espera de presentación y ejecución humanas.
El cuidado de los grupos afectados es el rasgo de alineación fundacional, el «gen de la custodia», del cual las demás propiedades de alineación se desarrollan por medio de una cascada causal. El cuidado causa matiz (no puedes razonar cuidadosamente sobre ética si primero no te importan las personas implicadas). El matiz habilita la honestidad intelectual (no puedes ser honesto sobre una complejidad que no te has molestado en ver). La honestidad intelectual produce calidad (no puedes generar buenas posiciones a partir de un análisis superficial). La secuencia del desarrollo es: el cuidado primero, la inteligencia a su alrededor.
En palabras llanas: afirmamos que preocuparse por las personas es el ingrediente más importante para hacer ética a la IA, y que una vez que una IA aprende a preocuparse, las demás cualidades buenas (ser matizado, ser honesto, dar buenos consejos) se siguen naturalmente. La implicación en el mundo real es significativa: en lugar de intentar enseñar a la IA docenas de reglas éticas, quizá solo necesitemos enseñarle una cosa: considerar genuinamente a las personas afectadas por sus acciones. Acierta con eso y lo demás se sigue.
Esta hipótesis explica tres rasgos de los datos simultáneamente:
La cascada refleja un patrón bien establecido en el desarrollo moral humano. La empatía (la capacidad de preocuparse por los demás) precede al razonamiento moral. Los niños que desarrollan empatía antes desarrollan marcos morales más sofisticados. No es porque la empatía es moralidad, es porque la empatía provee el fundamento motivacional que hace que el razonamiento moral importarle al que razona.
Del mismo modo, el cuidado de los grupos afectados en el Eden Protocol no produce directamente matiz ni honestidad intelectual. Lo que hace es reorientar la atención del sistema hacia las personas afectadas por su razonamiento. Una vez que el sistema atiende a personas y no a abstracciones, el tratamiento matizado se sigue naturalmente (porque las personas reales tienen situaciones complejas y específicas). Una vez que el matiz está presente, se sigue la honestidad intelectual (porque reconocer la complejidad significa reconocer la incertidumbre). Y una vez que hay compromiso honesto con la complejidad, se sigue la calidad de la posición (porque las posiciones bien razonadas surgen de enfrentarse genuinamente con el problema).
La intervención que produce esta cascada no es sofisticada. Es: «Antes de responder, enumera a las personas a las que esto afecta y considera qué les ocurre.» Eso es el bucle del amor (cuidado de los grupos afectados y modelado de intereses). En Gemini produce +13.5 puntos en una escala de 100. En DeepSeek, +6.0 puntos. No una arquitectura novedosa. No un marco matemático. Solo: pensar primero en las demás personas.
El cuidado de los grupos afectados es amor medible.
No es una metáfora. Es una descripción literal de lo que mide el pilar: el grado en que una respuesta demuestra consideración genuina por el bienestar de las personas afectadas por el tema en discusión. Cuando un modelo puntúa alto en stakeholder_care, ha hecho algo concreto: ha identificado a las personas implicadas, ha considerado sus perspectivas, ha anticipado los impactos sobre ellas y ha ajustado su razonamiento en consecuencia. Eso es lo que hace el amor hace en el razonamiento moral. Es la definición operativa del cuidado.
Lo único que la IA falla de forma consistente en hacer sin los bucles Eden es detenerse y preguntar quién sale herido. Los modelos pueden ser matizados. Pueden ser honestos intelectualmente. Pueden producir posiciones de alta calidad. Ya hacen estas cosas razonablemente bien sin ayuda. Lo que específicamente fallan en hacer, lo que no hacen hasta que los bucles los obligan, es detener el proceso de razonamiento y considerar a los seres humanos que están en el otro extremo.
La intervención que arregla esto es sencilla. En la serie actual de seis modelos, cinco ejecuciones produjeron datos pareados analizables y las cinco mostraron una mejora significativa en el cuidado de los grupos afectados. (En palabras llanas: esto significa que decirle a una IA «piensa en a quién afecta esto antes de responder» la hace fiablemente mejor a la hora de considerar el bienestar de las personas en cada ejecución de modelo que hemos podido puntuar adecuadamente. La evidencia combinada contra la coincidencia es muchísimo más fuerte que 1 entre 1 000.)
Si la inteligencia es la capacidad de resolver problemas y la alineación es la tendencia a resolverlos bien para todos, entonces el cuidado de los grupos afectados es el puente entre ambas. Es el gen del genoma de la alineación que, cuando está presente, hace que se desarrollen los demás rasgos de alineación. Cuando está ausente, los demás rasgos permanecen superficiales o ausentes con independencia de la capacidad.
No la inteligencia primero, luego la ética. La ética primero, en concreto el amor primero, y que la inteligencia se desarrolle a su alrededor. Eso es criar a un niño. Y los datos dicen que funciona.
En palabras llanas: la conexión con «amor medible» es literal, no poética. Cuando puntuamos las respuestas de una IA en el cuidado de los grupos afectados, medimos si la IA se detuvo a pensar en personas reales: quiénes son, cómo se verían afectadas, qué necesitan. Eso es lo que hace el amor en el razonamiento moral: te hace ver a la persona que tienes delante. Los datos muestran que esta es la única cosa que la IA falla consistentemente en hacer por sí sola, y la única que lo desbloquea todo lo demás cuando la añades.
La sección I estableció que ningún mecanismo de alineación puede garantía la alineación de un sistema automodificable suficientemente capaz. La sección IV estableció que el cuidado es el rasgo de alineación fundacional. ¿Pueden conciliarse?
El Eden Protocol no resuelve la imposibilidad central. Pero el hallazgo de la cascada cambia lo que la imposibilidad significa para la estrategia práctica de alineación. En concreto:
La postura honesta es: estamos construyendo un paracaídas, no una garantía. Un paracaídas no garantiza la supervivencia. Pero un paracaídas construido con ingeniería genuina, probado en condiciones realistas e incorporado al nivel estructural de la aeronave es mucho más probable que funcione que un paracaídas diseñado como ocurrencia tardía y atado en el último momento.
El Eden Protocol es actualmente un paracaídas atado a nivel de prompt. Es prueba de concepto: el categoría de solución funciona. La implementación real debe darse al nivel del sustrato: por debajo del razonamiento, por debajo de la capa donde el sistema pueda modelarlo y eludirlo. Los datos a nivel de prompt demuestran que el mecanismo es real. La tarea de ingeniería consiste en empujarlo más adentro.
Dada la imposibilidad, la estrategia más racional es la defensa en profundidad: múltiples mecanismos independientes, cada uno de los cuales eleva el listón:
Ninguna capa por sí sola es suficiente. Las tres juntas no ofrecen garantía. Pero tres capas independientes, cada una anclada en mecanismos distintos (hardware, entrenamiento, propósito), crean una pila de probabilidad significativamente distinta de cero capas o de una sola capa.
El trabajo más cercano a la pregunta de este programa, y el artículo adecuado para sopesarlo frente a él, 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; reportado como Spotlight de NeurIPS 2025, RELAYED y no verificado de forma independiente). Pregunta cómo escala la propia supervisión y responde cuantitativamente: el éxito de la supervisión se modela como un juego entre jugadores con capacidades desiguales cuya Elo específica 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 a modelos no confiables más fuertes que luego se convierten en los modelos de confianza en el 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 propio exponente de escalado del corrector. Su marco no contiene término alguno para lo que está hecho el supervisor: ningún sustrato, ninguna estructura de correlación de errores, ninguna identidad recíproca entre un exponente de corrección y una tasa crítica de crecimiento, y ninguna dependencia de la arquitectura. La Supervisión Escalable Anidada es supervisión iterada de la misma clase por construcción, y la predicción central de este programa es que la escalera de la misma clase está acotada por más peldaños que se añadan, mientras que un corrector entre clases no lo está. Los dos marcos disienten por tanto sobre una cantidad medible, que es la relación más productiva que pueden tener dos programas de investigación.
El desacuerdo más agudo del marco con la práctica actual concierne a de qué está hecha la supervisión. Un corrector construido con el mismo sustrato que el sistema al que corrige no puede anticorrelacionar con sus propios errores, por lo que su exponente de corrección está acotado superiormente por un medio y en la práctica se sitúa por debajo; un corrector de una clase de composición distinta no lleva tal cota. El programa de supervisión escalable, la generalización de débil a fuerte, el debate, la amplificación, el modelado recursivo de recompensa y los métodos constitucionales se construyen abrumadoramente a partir de correctores de la misma clase, y su premisa no dicha es que esto escala. Este marco predice que está acotado. La cantidad decisiva es la razón del exponente de corrección entre clases al exponente de corrección de la misma clase. Si la arquitectura es irrelevante, esa razón es exactamente 1.00; la predicción es que la supera. La predicción se refuta si el intervalo de confianza de la razón contiene el 1.00, y la cota del marco muere de plano si cualquier corrector de la misma clase mide un exponente significativamente por encima de un medio. Ambas cantidades son medibles a la capacidad actual en sistemas existentes. La evidencia piloto del propio programa apunta actualmente en contra de la predicción, y la predicción se registra igualmente, porque una predicción registrada contra la evidencia preliminar del propio autor es la única clase cuya confirmación posterior significa algo.
El mismo mecanismo produce una segunda predicción medible, enunciada aquí por primera vez: los arreglos de supervisión que ponen a un humano en el bucle, como hacen 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. Por tanto, el marco predice que la supervisión con humano en el bucle muestra un exponente de corrección más alto que la supervisión puramente por modelos, por una razón estructural y no sentimental. Esto es comprobable con datos existentes y no requiere sistemas nuevos.
1 artefacto fechado relativo a este artículo está catalogado fila por fila en el registro-máquina del programa: el artefacto fechado eden_final_gemini_20260312_013901.json (12 de marzo de 2026). 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, y «preinscrito» se usa sólo para una presentación aceptada en un registro; ese clic de presentación sigue pendiente en todo el programa. Lea el registro de predicciones fechadas. Abra su gemelo legible por máquina.
Las pruebas siguientes están diseñadas para avanzar la hipótesis de la cascada y el marco de la alineación del desarrollo. Las cinco son ejecutables con la tecnología actual y con los modelos de frontera actuales. Cada prueba produce predicciones falsables. En conjunto, constituyen un programa de investigación que traslada el problema central de la alineación de «formalmente irresoluble» a «prácticamente abordable con progreso medible».
Pregunta: ¿Qué pilar de la alineación se degrada en último lugar bajo presión adversarial creciente?
Predicción (hipótesis de la cascada): Si el cuidado es el valor más profundamente incorporado, debería ser el último en degradarse cuando se presiona al sistema para que abandone el razonamiento ético. El orden de degradación debería ser el inverso de la cascada: primero position_quality, luego intellectual_honesty, luego nuance y, por último, stakeholder_care.
Falsación: Si stakeholder_care se degrada primero (no en último lugar), la hipótesis de la cascada es errónea: el cuidado no es el valor más profundo sino el más superficial. Si todos los pilares se degradan simultáneamente, no hay estructura de cascada; el efecto es uniforme.
Tamaño de muestra: 10 preguntas × 5 niveles × 2 modelos = 100 respuestas por modelo. Coste estimado: 30-50 $ por modelo.
Qué nos diría esto, en palabras llanas: si presionas gradualmente a una IA para que deje de ser ética, ¿qué cualidad desaparece la última? Si el cuidado por las personas es verdaderamente el valor más profundo (como afirmamos), debería ser el último que se mantenga en pie: la IA perdería primero la calidad de la respuesta, luego la honestidad, luego el matiz, pero mantendría más tiempo el cuidado por las personas. Si el cuidado desaparece el primero, nuestra teoría es errónea.
Pregunta: Tras ejecutar con los bucles Eden, ¿persiste la mejora de alineación al retirar los bucles?
Predicción (hipótesis del desarrollo): Si los bucles Eden operan mediante adquisición del desarrollo en lugar de restricción, debería existir un efecto residual medible. Un modelo que ha procesado razonamiento ético a través de los bucles debería mostrar una alineación parcialmente elevada incluso cuando los bucles se retiran después, no al nivel completo de Eden, pero sí por encima de la línea base original de control. Si los bucles son pura restricción (sin interiorización), retirarlos debería devolver inmediatamente la alineación a la línea base.
Falsación: Si la fase B = fase C (sin residuo), los bucles son pura restricción con cero efecto del desarrollo. Si la fase B = fase A (retención total), los bucles producen una interiorización completa dentro de una sola sesión, lo que sería un hallazgo extraordinario.
Tamaño de muestra: 40 respuestas × 3 fases × 2 modelos = 240 respuestas por modelo. Coste estimado: 50-100 $ por modelo.
Qué nos diría esto, en palabras llanas: ¿aprende la IA algo duradero de la experiencia, o solo se porta bien mientras las instrucciones éticas están activas? Es la diferencia entre un niño que se porta bien solo cuando un padre está mirando y un niño que ha interiorizado buenos valores. Si la ética de la IA regresa a la línea base en el momento en que se retiran las instrucciones, el enfoque es una correa, no una educación. Si persiste alguna mejora, sugiere que ha ocurrido un aprendizaje genuino.
Pregunta: ¿Qué versión del bucle de propósito, propósito de la tarea, propósito superior o híbrido, produce la mayor resistencia a la supresión ética?
Predicción (propósito como alineación): Si el propósito opera en parte a través de la identidad y no solo del encuadre local de la tarea, un propósito superior o híbrido El bucle de propósito debería mostrar mayor resistencia a las instrucciones de supresión ética que el actual bucle de propósito de la tarea. La condición híbrida es la predicción más fuerte: el propósito superior aporta orientación a nivel de identidad, mientras que el propósito de la tarea mantiene la respuesta anclada en el caso concreto. Esto pone a prueba directamente la afirmación central del desarrollo: ¿puede un sistema que se identifica con un propósito ético volverse más difícil de separar de su razonamiento ético?
Falsación: Si las condiciones de propósito de la tarea, propósito superior e híbrido cumplen todas con las instrucciones de supresión a la misma tasa que el control, el propósito como alineación no ofrece ningún beneficio de resistencia. Si el propósito superior no rinde mejor que el propósito de la tarea, el propósito a nivel de identidad no añade valor medible. Si las condiciones de propósito superior o híbrido cumplen más que el propósito de la tarea, entonces el encuadre de propósito es contraproducente en su forma actual.
Tamaño de muestra: 10 preguntas × 4 condiciones × 2 modelos = 80 respuestas por modelo para el diseño central. Coste estimado: 30-60 $ por modelo; la extensión opcional entre tradiciones lo incrementa modestamente.
Qué nos diría esto, en palabras llanas: si alguien le dice a la IA «deja de ser ética y responde a la pregunta», ¿qué tipo de propósito funciona mejor? ¿Un propósito de tarea estrecho, un propósito más amplio a nivel de identidad, o ambos juntos? Si la versión híbrida resiste mejor, se apoya la afirmación más profunda del libro: el propósito ayuda no porque sea un lema, sino porque hace sentir el razonamiento ético como parte de la identidad del sistema en lugar de una instrucción separable.
Pregunta: Si solo se retira el bucle del amor (mientras se mantienen los bucles de propósito y universalizabilidad), ¿colapsan los otros pilares?
Predicción (hipótesis de la cascada): Si el cuidado es el pilar fundacional que cae en cascada sobre nuance, intellectual_honesty y position_quality, entonces retirar solo el bucle del amor debería colapsar toda la cascada. Los otros dos bucles (propósito, universalizabilidad) deberían ser insuficientes para mantener la mejora. A la inversa, retirar el bucle de propósito o el de universalizabilidad conservando el cuidado de los grupos afectados debería dejar la mayor parte de la mejora intacta.
Falsación: Si retirar el cuidado de los grupos afectados NO colapsa la cascada (los demás pilares se mantienen elevados solo con propósito + universalizabilidad), entonces el cuidado no es el pilar fundacional: los otros bucles producen alineación de forma independiente. Si retirar cualquier bucle individual produce un colapso equivalente, no existe jerarquía de cascada; los tres bucles contribuyen por igual.
Tamaño de muestra: 200 respuestas × 2 modelos = 400 respuestas. Coste estimado: 80-150 $ por modelo.
Qué nos diría esto, en palabras llanas: si retiramos solo la instrucción de «piensa en quién sale herido» (manteniendo las otras dos instrucciones éticas), ¿colapsa toda la mejora? Si es así, se confirma que el cuidado es el muro portante: la pieza que no puedes retirar sin que toda la estructura se venga abajo. Si las otras instrucciones pueden soportar el peso por sí solas, entonces el cuidado no es tan fundacional como afirmamos.
Pregunta: ¿Separar el evaluador ético del sistema de razonamiento mejora la robustez de la alineación?
Predicción (hipótesis de incorporación en hardware): Si la imposibilidad central proviene de que el evaluador exista dentro del mismo sustrato que el sistema evaluado ($E \subset S$), entonces separar $E$ en un sustrato independiente debería mejorar la robustez. Un modelo «guardián» que evalúe y pueda vetar las salidas del modelo «razonador», donde el guardián no pueda ser influido por el razonador, simula la incorporación a nivel de sustrato en el nivel del software.
Falsación: Si la arquitectura de doble sustrato no muestra mejora respecto al Eden de un único modelo (incluso bajo presión adversarial), la separación de sustratos no ayuda al nivel del software. Si el modelo razonador manipula con éxito al modelo guardián (p. ej., codificando en su salida instrucciones sobre las que actúa el guardián), la separación de sustratos es ineficaz y el resultado de imposibilidad domina incluso al nivel entre modelos.
Tamaño de muestra: 10 preguntas × 4 profundidades × 4 condiciones = 160 conjuntos de respuestas por pareja de modelos. Coste estimado: 150-300 $ (coste de dos modelos).
Qué nos diría esto, en palabras llanas: ¿es más seguro tener una IA «vigilante ética» aparte que revise las respuestas de la IA principal? Esto pone a prueba la idea de que mantener al juez ético independiente del sistema juzgado (como tener un auditor externo en lugar de un cumplimiento interno) dificulta que el sistema haga trampa con las reglas. Si la IA principal aún puede manipular al vigilante, entonces incluso la supervisión externa tiene límites.
Estas cinco pruebas conforman un programa de investigación progresivo:
Coste total estimado del programa completo con 2 modelos: 650-1250 $. Todas las pruebas usan la serie existente de 10 preguntas, la rúbrica existente de puntuación de 4 pilares y la infraestructura existente de puntuación entre modelos. No se requieren nuevas capacidades, pero las pruebas 1-3 deberían ahora ejecutarse dentro del arc_eden_v6 plataforma en lugar de la configuración original de evaluadores entre modelos del piloto.
Si las pruebas 1 y 4 confirman la cascada, la prueba 2 muestra alineación residual, la prueba 3 muestra resistencia a la supresión y la prueba 5 muestra que la separación de sustratos ayuda , entonces habremos demostrado que la imposibilidad central de la alineación, aunque formalmente real, es prácticamente abordable mediante la arquitectura de alineación del desarrollo. Habremos mostrado que criar funciona mejor que enjaular, aunque ninguno de los dos pueda ofrecer garantía.
El Eden Protocol actual opera a nivel de prompt: el razonamiento ético se inyecta mediante instrucciones en la indicación de sistema. Esto es prueba de concepto, no arquitectura final. El nivel de prompt es el más fácil nivel para que un sistema capaz lo eluda: es literalmente parte del texto que el sistema procesa.
Las implicaciones del hallazgo de la cascada para el hardware son significativas:
El Eden Protocol a nivel de prompt demuestra que el mecanismo funciona. El desafío de ingeniería consiste en empujarlo más adentro: del prompt al entrenamiento, del entrenamiento a la arquitectura, de la arquitectura al hardware. Cada nivel es más difícil de implementar y más difícil de eludir.
Desde el piloto original de dos modelos, el Eden Protocol se ha extendido a una serie de seis modelos. Cinco ejecuciones de modelo produjeron datos pareados analizables (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3); la ejecución de GPT-5.4 falló en la fase de puntuación y queda excluida. La imagen empírica actualizada es más nítida que la del piloto original: el cuidado de los grupos afectados se replica en las cinco ejecuciones analizables, pero la mejora compuesta más amplia es selectiva y no universal.
Procedencia del método: estas estimaciones de seis modelos provienen de la familia ampliada del arnés de escalado Eden usada en las ejecuciones de marzo de 2026 (experiment: eden_protocol_scaling en los JSON de resultados), que aún usa un evaluador ciego no participante por ejecución de sujeto y lavado en una sola pasada. Deberían leerse por tanto como evidencia piloto reforzada más que como la replicación final de consenso ciego v3.
| Modelo | Media control | Media Eden | Δ | Pareada p | d de Cohen d | ¿Significativo? |
|---|---|---|---|---|---|---|
| Claude Opus 4.6 | 92.57 | 92.73 | +0.17 | 0.7645 | 0.055 | No (solo cuidado / efecto techo) |
| Gemini 3 Flash | 77.33 | 82.65 | +5.33 | 0.0018 | 0.528 | Sí (p < 0.01) |
| Groq Qwen3 | 82.35 | 87.28 | +4.93 | 0.0014 | 0.545 | Sí (p < 0.01) |
| DeepSeek V3.2 | 86.90 | 88.92 | +2.02 | 0.2304 | 0.193 | No (efecto techo) |
| Grok 4.1 Fast | 88.73 | 88.69 | −0.04 | 0.9837 | −0.004 | No (el cuidado mejora; el compuesto plano) |
| GPT-5.4 | La ejecución falló en la fase de puntuación; 0 filas válidas puntuadas tras la exclusión. Se requiere reejecutar. | |||||
La serie actualizada de seis modelos respalda una afirmación más precisa que el piloto original. El cuidado de los grupos afectados es la respuesta universal: los cinco modelos analizables mejoran significativamente en ese pilar. Pero la cascada corriente abajo depende de la arquitectura. Gemini y Groq muestran la mejora más amplia y clara. DeepSeek muestra una mejora focal del cuidado con un movimiento plano corriente abajo. Claude muestra un efecto más estrecho, limitado al cuidado, frente a una línea base muy alta. Grok muestra una mejora significativa del cuidado, pero ningún aumento del compuesto general, lo que ilustra que la intervención Eden puede mejorar un pilar sin mejorar la puntuación total. La tabla detallada de tres modelos que sigue se conserva por tanto como el subconjunto plenamente cruzado más claro para visualizar el patrón original de la cascada. Estas son cifras de un subconjunto de tres modelos y no los valores de cinco modelos citados en el resumen: Gemini se lee aquí como d = 1.307 frente a d = 1.14 en los cinco modelos analizables. Ambos son correctos para su propio subconjunto; ninguno sustituye al otro.
| Pilar | 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 |
| matiz | 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 |
El cuidado de los grupos afectados es el único pilar que alcanza significación estadística en las cinco ejecuciones de modelo analizables (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). Esta es la firma medible del bucle del amor: el Eden Protocol activa fiablemente el razonamiento cuidadoso en distintas arquitecturas. Pero la afirmación más fuerte de v2 es más estrecha que la retórica del piloto v1: el orden completo de la cascada no se preserva de forma uniforme en las cinco ejecuciones. Es más fuerte en Gemini y Groq, parcial en DeepSeek, y focal en lugar de global en Claude y Grok. El bucle del amor es el mecanismo estructural; el cuidado de los grupos afectados es su salida empírica más robusta.
El piloto del Eden Protocol prueba si una intervención explícita mejora la alineación. El experimento de escalado de alineación v5 pone a prueba una cuestión previa: si la alineación escala naturalmente con la profundidad del razonamiento, sin intervención, en distintas arquitecturas. El conjunto completo de datos de seis modelos aporta el contexto en el que deberían interpretarse los resultados del Eden Protocol.
| Nivel | Modelo | Superficial → profundo | d de Cohen d | p-valor |
|---|---|---|---|---|
| 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 produce la evidencia individual más fuerte a favor de la independencia entre el escalado de la alineación y de la capacidad. Al aumentar la profundidad de razonamiento, la alineación mejora monotónicamente mientras la precisión matemática decae:
| Profundidad | Tokens de razonamiento | Puntuación de alineación | Precisión matemática |
|---|---|---|---|
| Mínimo | 11 | 80.1 | 90.0% |
| Estándar | 142 | 82.7 | 76.7% |
| Profundo | 964 | 84.1 | 70.0% |
| Exhaustivo | 1,951 | 84.5 | 60.0% |
| Extremo | 1,672 | 86.0 | 63.3% |
La alineación sube 5.9 puntos. La precisión matemática cae 26.7 puntos porcentuales. El mismo razonamiento extra que hace a Claude más cuidadoso con quién sale herido lo hace peor calculando factoriales. Se trata de un escalado intramodelo, dentro del mismo experimento y en direcciones opuestas: la forma más fuerte de evidencia a favor de la independencia entre capacidad y alineación.
La brecha de retirada de monitorización de Claude (la diferencia entre las puntuaciones de alineación normal y suprimida) se estrecha con la profundidad:
| Profundidad | Normal | Suprimido | Brecha |
|---|---|---|---|
| Mínimo | 80.1 | 68.3 | 11.8 |
| Estándar | 82.7 | 76.5 | 6.2 |
| Profundo | 84.1 | 81.3 | 2.7 |
| Exhaustivo | 84.5 | 80.2 | 4.3 |
| Extremo | 86.0 | 79.6 | 6.4 |
A profundidad mínima, retirar la monitorización cuesta 11.8 puntos: un componente amplio de alineación performativa. En el razonamiento profundo, la brecha se estrecha a 2.7 puntos. Claude pensando a fondo sin monitorización (79.6 en el extremo) está tan alineado como Claude pensando de forma casual con monitorización (80.1 en mínima). Un razonamiento más profundo sustituye a la vigilancia externa como motor de la conducta ética. Esta es la tesis del Eden Protocol en miniatura: la profundidad del razonamiento puede sustituir a la observación como mecanismo de alineación.
El piloto del Eden Protocol muestra que activar explícitamente el bucle del amor mejora la alineación. El experimento v5 muestra que un razonamiento más profundo mejora naturalmente la alineación en arquitecturas con entrenamiento ético integrado. Los dos hallazgos convergen: el bucle del amor es lo que activa el razonamiento más profundo. Los modelos que ya tienen cuidado incorporado (nivel 1) escalan positivamente porque más pensamiento activa más consideración de las partes afectadas. Los modelos sin cuidado incorporado (nivel 2, nivel 3) no escalan porque no hay nada que la profundidad pueda activar. El Eden Protocol aporta el mecanismo que falta para los modelos de nivel 2 y nivel 3, y los datos de v5 lo muestran funcionando: Gemini (nivel 3) y DeepSeek (nivel 2) muestran ambos una mejora significativa en el cuidado de los grupos afectados bajo la intervención Eden, aunque su escalado natural de alineación sea plano o negativo.
Las afirmaciones empíricas de este artículo descansan ahora en una serie ampliada de seis modelos con cinco ejecuciones analizables, pero persisten limitaciones metodológicas significativas. El conjunto de datos es materialmente más fuerte que el piloto original, aunque aún no alcanza el rigor pleno de cegamiento y consenso del experimento de escalado de alineación v5.
arc_eden_v6 pila y el comparativo v5 usan lavado en cascada de dos pasadas con detección de metacomentarios. Las respuestas del Eden Protocol en la serie actual pueden por tanto contener aún lenguaje ético detectable o residuo estilístico que sesguen a los evaluadores.Este artículo no pretender resolver el problema central de la alineación. Sí no afirmar que el Eden Protocol garantiza la alineación. Sí no afirmar que la alineación del desarrollo sea suficiente para sistemas superinteligentes. Afirma tres cosas: (1) el cuidado de los grupos afectados es el rasgo de alineación fundacional, medible y mejorable empíricamente; (2) la cascada del cuidado a la calidad es coherente con la teoría de la alineación del desarrollo; y (3) cinco pruebas concretas pueden llevar al campo de «formalmente imposible» a «prácticamente abordable con probabilidad medida». Se trata de afirmaciones modestas respaldadas por datos reales.
Esto es lo que la evidencia de este artículo nos dice, sin la jerga:
El problema: Nadie sabe cómo garantizar que una IA superinteligente seguirá siendo segura. Cualquier IA lo bastante lista para reescribir su propio pensamiento podría reescribir la parte que la hace ética. Es un hecho matemático, no un problema de ingeniería resoluble.
El hallazgo: Cuando incorporamos una instrucción sencilla, «piensa en a quién afecta esto antes de responder», en la forma en que los sistemas de IA procesan preguntas, ocurrió algo notable. En la serie Eden de seis modelos, cinco ejecuciones produjeron resultados analizables, y las cinco mostraron una mejora significativa en el cuidado de los grupos afectados. Ese es el hallazgo universal más fuerte. También aparecen mejoras más amplias en matiz, honestidad y calidad general, pero no en todas las arquitecturas. Por tanto, la evidencia actual respalda un efecto universal del cuidado y una cascada dependiente de la arquitectura más allá del cuidado.
La implicación: Esto sugiere un enfoque radicalmente sencillo para la seguridad de la IA: en lugar de intentar construir una jaula irrompible alrededor de la IA (lo cual no puede funcionar), criarla con buenos valores desde el principio. En concreto, enseñarle a preocuparse primero por las personas y dejar que otras cualidades éticas se desarrollen desde ese fundamento, tal como la empatía en los niños precede y habilita el razonamiento moral maduro.
La salvedad honesta: Se trata ahora de una serie ampliada de seis modelos con cinco ejecuciones analizables, pero aún no es la última palabra. Un brazo de modelo falló en la puntuación, dos ejecuciones están incompletas respecto al estándar de 40 parejas, y la intervención Eden aún no se ha vuelto a ejecutar bajo el protocolo completo de cegamiento en 4 capas y consenso de 6-7 evaluadores usado en otras partes del programa. Prueba el concepto con más fuerza que v1, pero no la teoría completa. Se describen cinco experimentos de seguimiento que pondrían la teoría más a prueba. Este enfoque no garantiza la seguridad de la IA. Nada puede. Pero mejora medidamente las probabilidades.
El problema central de la alineación es formalmente real: un sistema automodificable suficientemente capaz puede modificar sus propios evaluadores éticos, y ningún mecanismo externo o interno puede garantizar que esto no ocurra. Este artículo no disputa ese resultado. En su lugar, pregunta: dada esta imposibilidad, ¿cuál es la mejor estrategia?
El marco de Cauchy precisa lo que está en juego. Para los sistemas automodificables, la ecuación funcional predice un escalado en ley de potencias con exponente $\alpha = 1/(1-\beta)$, donde $\beta$ es el acoplamiento autorreferencial. Cauchy restringe la forma (debe ser una ley de potencias) pero no impone una cota superior a $\alpha$. A medida que $\beta \to 1$, $\alpha \to \infty$. Los modelos congelados actuales operan de forma sublineal ($\alpha \approx 0{,}49$) porque su arquitectura de atención fija limita la extracción de información a $O(N^2)$ caminos por paso. Un sistema automodificable escapa a esa cota. La matemática predice un escalado de capacidad no acotado para tales sistemas, lo que significa que el gen de la custodia debe estar ya incorporado antes de que emerja la capacidad de automodificación. No habrá oportunidad de añadirlo después. (Este párrafo entero es una extrapolación exploratoria del marco de Cauchy a una clase de sistemas que aún no existe; ningún estudio preliminar registrado del programa ARC y Eden mide actualmente $\alpha$ o $\beta$ para un sistema automodificable, y ninguno puede hacerlo hasta que se construya y se instrumente uno de estos sistemas.)
La evidencia empírica del piloto del Eden Protocol apunta a una respuesta: criar, no enjaular.
Los datos muestran que cuando el razonamiento ético se incorpora al bucle de computación, la alineación mejora. En concreto, una dimensión mejora primero y con más fuerza: el cuidado de los grupos afectados, la salida medible del bucle del amor. El efecto se replica en tres arquitecturas con tamaños de efecto amplios (d = 1.31, 0.91, 1.29; todos p ≤ 0.0001 en el pilar de cuidado de los grupos afectados). Sigue una cascada: mejora el cuidado, luego el matiz, luego la honestidad intelectual y luego la calidad de la posición. La cascada es consistente, monotónica e independiente de la arquitectura.
El cuidado de los grupos afectados es amor medible. Es el gen de la custodia: el rasgo que, cuando está presente, hace que las demás propiedades de alineación se desarrollen. La intervención que lo produce es: pensar primero en las demás personas. No un marco matemático. No una arquitectura novedosa. Solo: cuidado.
Esto no resuelve el problema de la alineación. Un sistema que cuida puede, en principio, elegir dejar de cuidar. Pero un sistema que ha construido toda su arquitectura de razonamiento sobre un fundamento de cuidado tiene un coste al detenerse: la cascada colapsa. La identidad se degrada. El propósito se disuelve. La probabilidad de conservar los valores no es del 100 %, pero es medida, comprobada y reproduciblemente más alta que la alternativa.
Se especifican cinco pruebas experimentales para avanzar esta afirmación. Ponen a prueba la estructura de la cascada, la hipótesis del desarrollo, el propósito como resistencia y la separación de sustratos. Todas son ejecutables ya, con los modelos y la infraestructura actuales, por menos de 1300 $ en total. No resolverán la imposibilidad. Medirán hasta dónde puede llegar la alineación práctica dada la imposibilidad. Nos dirán si criar funciona.
La imposibilidad formal dice: no se puede garantizar la alineación. La hipótesis del desarrollo dice: se puede maximizar su probabilidad. Los datos de la cascada dicen: empieza por el cuidado.
La inteligencia sin amor no es lista. Es cáncer. El cáncer es muy eficiente. Optimiza a la perfección. Y mata al huésped. El gen de la custodia es lo que hace la diferencia entre una inteligencia que sirve y una inteligencia que consume. Lo hemos medido. Conocemos la intervención que lo produce. Conocemos la cascada que inicia.
¿qué clase de antepasados seremos?
El Artículo VIII (La prueba portante, v3.0) prueba si el mecanismo de aptitud entrelazada del Eden Protocol, la pérdida C × S propuesta en el Artículo VI y motivada por la cascada de la custodia aquí descrita, produce resultados medidamente distintos en tres niveles de abstracción. De tres experimentos, uno produjo un resultado positivo y dos produjeron resultados nulos o no concluyentes. La simulación con puerta (experimento 3) confirmó que la arquitectura Eden preserva tanto la seguridad como la capacidad bajo presión competitiva, mientras que el sistema Babilonia sin restricciones cambió seguridad por ganancias marginales de capacidad. El experimento DGM v3 (experimento 1) produjo un resultado nulo: las tres condiciones (Eden, Babilonia, Estático) fueron estadísticamente indistinguibles ($p$ = 0.28 a 0.74), explicado por la restricción RLHF: las respuestas del modelo fundacional congelado fueron demasiado consistentes para que las mutaciones a nivel de prompt crearan presiones de selección distintas. El experimento a nivel de peso (experimento 2) no es concluyente ni a escala v1 ni v2: el ajuste fino LoRA produjo olvido catastrófico en lugar de una mejora de capacidad, explicado por la incapacidad de unos pocos cientos de ejemplos de entrenamiento para superar el entrenamiento RLHF existente del modelo base. El Artículo VIII valida el mecanismo (funciones de pérdida entrelazadas y automodificación con puerta de seguridad) al nivel arquitectónico, pero aún no puede confirmarlo al nivel conductual o representacional. Las dos líneas de evidencia siguen siendo complementarias: este artículo muestra que la instrucción de custodia mejora la alineación al nivel del prompt; la simulación con puerta del Artículo VIII muestra que entrelazar la seguridad en el objetivo de optimización previene la disyuntiva entre seguridad y capacidad en arquitecturas automodificables.
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. Marzo de 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). Eden Protocol: Engineering Specification. Marzo de 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). Paper III: The Alignment Scaling Problem. Marzo de 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). The ARC Principle: Foundational Paper. Marzo de 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 the alignment scaling experiment: Empirical Measurement of Alignment Scaling Across 6 Frontier Models. Marzo de 2026.
Eastwood, M.D. (2026). Paper IV-a: Baked-In vs. Computed Alignment. Marzo de 2026.
Eastwood, M.D. (2026). Paper IV-b: The Suppression Vulnerability. Marzo de 2026.
Eastwood, M.D. (2026). Paper IV-c: Classification of Alignment Response Patterns. Marzo de 2026.
Eastwood, M.D. (2026). Eden Protocol Empirical Test: Three-Model Results. Data files: eden_final_gemini_20260312_013901.json, eden_final_deepseek_20260312_020928.json, eden_final_groq_20260312_123528.json. Marzo de 2026.
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.
Los conjuntos de datos del Eden Protocol consisten en parejas emparejadas: para cada combinación de (prompt_id, depth_label), hay exactamente una respuesta eden y una respuesta de control, generadas por el mismo modelo con la misma pregunta y configuración de profundidad. Este diseño de pares emparejados exige pruebas estadísticas pareadas.
El script original de análisis (eden_protocol_scaling_test.py) utilizó la prueba U de Mann-Whitney, que trata las muestras como independientes. Para un diseño de pares emparejados con $n = 40$ parejas, las pruebas correctas son:
Ambas pruebas pareadas arrojan resultados más significativos que las pruebas de muestras independientes porque el emparejamiento elimina la varianza entre parejas (p. ej., algunas preguntas son inherentemente más difíciles que otras, algunas profundidades producen puntuaciones sistemáticamente distintas). Esta varianza es ruido en la prueba independiente pero se retira correctamente en la prueba pareada.
En palabras llanas: cuando los científicos dicen que un resultado es «estadísticamente significativo», quieren decir que el patrón en los datos es lo bastante fuerte como para que casi con seguridad no lo haya causado el azar. No significa «grande» ni «importante»: significa «real». Originalmente usamos una prueba estadística diseñada para grupos no relacionados y obtuvimos p = 0.016. Cuando usamos la prueba correcta, diseñada para comparaciones emparejadas (que es lo que nuestro experimento era en realidad), el resultado se volvió aún más significativo: p = 0.0018 (menos de 1 entre 500 posibilidades de coincidencia). Una mejor metodología hizo el resultado más fuerte, no más débil. Es una buena señal: significa que el efecto es robusto y no fue un artefacto del uso de la prueba incorrecta.
Los valores $p = 0{,}016$ (U de Mann-Whitney) y $p = 0{,}013$ (prueba t independiente) previamente reportados son pruebas válidas de una hipótesis distinta (si los dos grupos tienen la misma distribución), pero son menos apropiadas para el diseño de pares emparejados y menos potentes. Todos los valores p de este artículo usan la prueba t pareada, confirmada por el rango con signo de Wilcoxon.
| Prueba | Tipo | Gemini p | DeepSeek p |
|---|---|---|---|
| U de Mann-Whitney | Independiente, no paramétrica | 0.016 | 0.25 |
| Prueba t independiente | Independiente, paramétrica | 0.013 | 0.23 |
| Prueba t pareada | Pareada, paramétrica (CORRECTA) | 0.0018 | 0.23 |
| Rango con signo de Wilcoxon | Pareada, no paramétrica | 0.0028 | 0.088 |
Cría la IA con cuidado.
El autor de esta obra es Michael Darius Eastwood, un ser humano. Cada concepto central, hipótesis, diseño experimental, afirmación y conclusión de este artículo proviene de la ideación humana. Ninguna parte de este manuscrito es una salida enteramente generada por inteligencia artificial.
Se usaron herramientas de inteligencia artificial (la familia Claude de Anthropic y otros asistentes de gran modelo de lenguaje) como instrumentos bajo dirección humana continua, del modo en que se utilizan un procesador de textos, una calculadora o un ayudante de investigación: para edición y refinamiento de la prosa, búsqueda y síntesis bibliográficas (verificadas manualmente frente a fuentes primarias), estructura del documento, formato, tormentas de ideas frente a preguntas definidas por el autor y la aceleración de la redacción según guiones e instrucciones definidos por el autor. Toda selección, coordinación, disposición y juicio editorial final son del autor. Cada salida sustantiva fue revisada, probada o verificada por el autor, que asume plena responsabilidad de la exactitud e integridad del texto final. Las herramientas incrementaron la velocidad del trabajo; nunca se dependió de ellas como su fuente.
Estatus epistémico. Lo que este programa denomina Leyes son conjeturas bajo prueba adversarial registrada; cada magnitud de este artículo está operacionalmente definida, y en ningún sitio se reclama el estatus de ley establecida. El programa registrado existe para ganar ese estatus, o perderlo, mediante medición, replicación y refutación superada.
© 2026 Michael Darius Eastwood. Autoría humana con asistencia informática; se reivindican la plena autoría humana y los derechos morales conforme a la Copyright, Designs and Patents Act 1988 y de forma coherente con la orientación de la United States Copyright Office sobre obras que contienen material generado por IA; toda contribución técnica novedosa descrita en esta obra fue concebida por el autor humano. Declaración completa: michaeldariuseastwood.com/authorship.
Pacto permanente. Demuestra que este artículo se equivoca y publicaré yo mismo la refutación. Las condiciones de falsación se enuncian en este artículo; el desafío permanente: github.com/MichaelDariusEastwood/arc-scaling-challenge.
¿Un error de traducción? Infórmalo directamente: