Traduction automatique de l'original anglais daté. La page anglaise fait foi. English →
Cet article formalise et teste préliminairement l'ARC Principle (Artificial Recursive Creation), d'abord proposé dans Infinite Architects (Eastwood, 2026) : que la capacité des systèmes intelligents monte en échelle de façon super-linéaire avec la profondeur récursive. Le principe s'exprime mathématiquement comme U = I x R^alpha, où la capacité effective (U) monte en échelle avec l'intelligence de base (I) multipliée par la profondeur récursive (R) élevée à un exposant estimé empiriquement.
Au sein de l'ARC Theory : l'énoncé formel de la Loi I, l'ARC Equation, et de l'ARC Bound, la valeur conjecturée de la Loi III, le Ceiling.
Quelle loi porte cet article. L'ARC Theory a trois lois numérotées, et l'ARC Principle est le nom collectif des trois ensemble plutôt que de l'une d'elles. Cet article porte la Première Loi, l'ARC Equation : $U = I \times R^{\alpha}$, la récursion se convertissant en capacité à un exposant mesuré. La Deuxième Loi (co-mise à l'échelle) est portée par Paper X, la Troisième Loi (le plafond) par l'article d'énoncé, et les axiomes et preuves sous les trois par l'article Fondationnel.
Cet article formalise et teste préliminairement l'ARC Principle (Artificial Recursive Creation), d'abord proposé dans Infinite Architects (Eastwood, 2026) : que la capacité des systèmes intelligents monte en échelle de façon super-linéaire avec la profondeur récursive. Le principe s'exprime mathématiquement comme $U = I \times R^{\alpha}$, où la capacité effective ($U$) monte en échelle avec l'intelligence de base ($I$) multipliée par la profondeur récursive ($R$) élevée à un exposant estimé empiriquement $\alpha$.
L'analyse des données publiquement disponibles de test-time compute issues des modèles de raisonnement révèle une distinction critique entre deux formes de récursion. La récursion parallèle (vote majoritaire sur des échantillons indépendants) donne une mise à l'échelle sous-linéaire avec $\alpha \approx 0.1$ à $0.3$. La récursion séquentielle (raisonnement chain-of-thought où chaque étape s'appuie sur les précédentes) donne une mise à l'échelle super-linéaire avec $\alpha \approx 1.3$ dans l'estimation initiale à deux points de cet article ; la mesure ultérieure sur six modèles à travers architectures (Paper II) trouve l'exposant séquentiel dépendant de l'architecture, avec un meilleur ajustement $\alpha_{\text{seq}} \approx 0.49$ et un intervalle couvrant à la fois le sous-linéaire et le super-linéaire, si bien que l'affirmation de super-linéarité est irrésolue plutôt qu'établie.
Ce résultat préliminaire, s'il est validé par des recherches complémentaires, suggère que la forme de la récursion détermine si l'intelligence s'accumule de manière composée ou seulement de manière additive. Nous proposons que $\alpha = 2$ est un plafond de stabilité, non une limite d'impossibilité : c'est la limite stable proposée, ce qu'un système récursivement auto-corrigeant peut au plus croître tout en restant corrigible, une limite de mise à l'échelle et non une limite de vitesse. Les systèmes peuvent dépasser $\alpha = 2$ ; ils ne demeurent pas stablement auto-corrigeants au-dessus. Un système durablement stable au-dessus de 2 réfuterait la borne ; une excursion transitoire est le régime supercritique prédit, non la réfutation. La stabilité se mesure, elle ne s'affirme pas : la correction dépassant la dérive en échelle, $\beta > k$ de la Loi II, avec la borne inférieure de $\beta - k$ au-dessus de zéro sur une fenêtre fixée avant l'exécution.
Mots-clés : lois d'échelle, intelligence récursive, test-time compute, amplification de la capacité, émergence, raisonnement chain-of-thought, ARC Principle
Comment lire cet article. Cet article est un résultat préliminaire de l'ARC Theory. La récursion séquentielle donne un exposant de mise à l'échelle plus élevé que la récursion parallèle sur les données publiquement rapportées des modèles de raisonnement, avec une estimation initiale à deux points de $\alpha_{\mathrm{seq}} \approx 1.3$ ultérieurement remplacée par la mesure à six modèles de Paper II qui trouve des exposants dépendants de l'architecture avec un meilleur ajustement à $\alpha_{\mathrm{seq}} \approx 0.49$. Sa place à l'intérieur de la théorie est le premier regard empirique au-dessus de la couche de loi Fondationnelle. Le différentiel complet contre chaque document antérieur se trouve à eden-vision II.A.8.
Les lois d'échelle qui gouvernent l'intelligence artificielle ont été largement étudiées. Kaplan et al. (2020) ont établi des relations en loi de puissance entre les performances des modèles et les paramètres, tandis que Hoffmann et al. (2022) les ont affinées avec des prescriptions d'entraînement optimal en calcul. Ces lois gouvernent ce que l'on met à l'échelle mais ne traitent pas pourquoi la mise à l'échelle produit un comportement intelligent.
L'émergence des modèles de raisonnement en 2024 et 2025 a introduit une nouvelle variable : le test-time compute. o1 d'OpenAI (septembre 2024) et R1 de DeepSeek (janvier 2025) allouent des ressources computationnelles au moment de l'inférence pour raisonner avant de répondre, produisant des améliorations substantielles de la capacité sur des référentiels de raisonnement.
Cet article propose que le test-time compute sert de proxy pour la profondeur récursive, et que la profondeur récursive pourrait être un moteur fondamental de l'amplification de la capacité dans les systèmes d'intelligence artificielle.
L'ARC Principle (Artificial Recursive Creation), d'abord articulé dans Infinite Architects (Eastwood, 2026), propose :
La capacité monte en échelle avec l'intelligence multipliée par la profondeur récursive élevée à une puissance
Où :
L'affirmation centrale du principe : la récursion ne s'ajoute pas simplement à la capacité ; elle la multiplie selon une loi de puissance.
Note terminologique sur alpha. Alpha apparaît dans ce programme sous deux sens distincts selon les époques : la constante de structure fine dans le formalisme de décembre 2024, et l'exposant de l'ARC Bound dans le travail de 2026. Chaque emploi d'alpha dans cet article est le sens 2026 ci-dessus ; le glossaire du programme porte les deux sens avec leurs dates, et aucune nouvelle surface n'utilise alpha nu sans son époque.
Cet article fait les affirmations suivantes, chacune avec un statut épistémique explicite :
| Affirmation | Statut | Niveau de preuve |
|---|---|---|
| $U = I \times R^{\alpha}$ est un cadre utile pour les systèmes d'IA | PROPOSÉ | Théorique |
| La récursion parallèle donne $\alpha < 1$ sur les référentiels d'IA | PRÉLIMINAIRE | Données limitées (o1) |
| La récursion séquentielle donne $\alpha > 1$ sur les référentiels d'IA | PRÉLIMINAIRE | Données limitées (DeepSeek-R1) |
| $\alpha = 2$ est un plafond de stabilité : dépassable, mais pas tant qu'un système reste stablement auto-corrigeant | HYPOTHÉTISÉ | Théorique seulement |
| La forme de la récursion importe | APPUYÉ | Cohérent avec les deux jeux de données |
Nous présentons un principe avec des preuves préliminaires à l'appui et invitons à un test rigoureux.
La prémisse des tuyaux (West, Brown et Enquist, plus la controverse). La prémisse selon laquelle les réseaux de transport fixent le rythme de la croissance biologique n'est pas la revendication que ce programme a à défendre ; c'est de la biologie quantitative établie. West, Brown et Enquist ont dérivé les lois d'échelle allométriques de la biologie à partir de la géométrie des réseaux de distribution de nutriments (West, G. B., Brown, J. H. and Enquist, B. J., « A General Model for the Origin of Allometric Scaling Laws in Biology », Science 276(5309), 4 avril 1997, DOI 10.1126/science.276.5309.122 ; l'un des articles les plus cités de son domaine, avec un compte de citations OpenAlex de 5,046 au 12 août 2026, compte SINGLE-SOURCE et dépendant de l'index). L'exposant exact reste contesté : White rapporte un taux métabolique de base proportionnel à la masse corporelle à la puissance deux-tiers plutôt que trois-quarts (White, C. R., 2003, « Mammalian basal metabolic rate is proportional to body mass 2/3 », 725 citations, OpenAlex), et Kozlowski a mis en cause à deux reprises les mathématiques de la dérivation (Kozlowski, J., 2004 et 2005). La prémisse de ce programme n'a besoin que du mécanisme, que le réseau de livraison fixe le plafond, et non d'un exposant particulier, si bien que la dispute sur la valeur de l'exposant laisse la prémisse intacte. Le mécanisme est un terrain commun aux deux côtés de cette dispute.
L'exception que le groupe de West a lui-même trouvée (Bettencourt et al. 2007). L'échappée à la limite des tuyaux n'est pas non plus une assertion de ce programme ; elle est mesurée dans la littérature de scaling urbain par le même auteur principal. Bettencourt, Lobo, Helbing, Kuhnert et West (« Growth, innovation, scaling, and the pace of life in cities », PNAS, 2007, DOI 10.1073/pnas.0610172104 ; 2,704 citations, OpenAlex, 12 août 2026, compte SINGLE-SOURCE) rapportent, dans les termes mêmes de l'article (READ-AT-SOURCE depuis le résumé via 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). »
L'infrastructure, les tuyaux littéraux, monte en échelle de façon sous-linéaire. L'activité médiée par l'information monte en échelle de façon super-linéaire. Ils énoncent directement le contraste avec la biologie : « we discuss how cities are similar to, and differ from, biological organisms, for which Beta is less than 1 ». Ils dérivent des « growth equations, which quantify the dramatic difference between growth fueled by innovation versus that driven by economies of scale » (orthographe telle qu'à l'original). Et leur inférence finale nomme la conséquence : « 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. »
C'est la forme du problème ouvert que ce programme adresse : le groupe de West a constaté que la croissance médiée par l'information échappe à la limite de débit, et le seul frein dans leur cadre est externe et doit être appliqué encore et encore, de plus en plus vite. Aucune limite interne n'est dérivée. La limite de remplacement, un plafond appartenant au système en croissance lui-même, est la lacune.
L'instrument rival (Engels, Baek, Kantamneni et Tegmark 2025). Le travail le plus proche de la question de ce programme, et le bon article contre lequel la peser, est Engels, J., Baek, D., Kantamneni, S. and Tegmark, M., « Scaling Laws For Scalable Oversight », arXiv:2504.18530, premièrement posté le 25 avril 2025 à 17:54:27 UTC (SINGLE-SOURCE-GROUP, arXiv Atom ; rapporté comme un NeurIPS 2025 Spotlight, RELAYED et non indépendamment vérifié). Il pose la question de la manière dont l'oversight lui-même monte en échelle et y répond quantitativement : le succès de l'oversight est modélisé comme un jeu entre joueurs de capacité inégale dont l'Elo spécifique à l'oversight est une fonction linéaire par morceaux de l'intelligence générale à deux plateaux, et les nombres optimaux de niveaux d'oversight sont dérivés numériquement et, dans certains cas, analytiquement pour la Nested Scalable Oversight, dans laquelle des modèles de confiance supervisent des modèles non-de-confiance plus forts qui deviennent ensuite les modèles de confiance à l'étape suivante.
L'instrument est la différence. Leur variable est l'écart de capacité entre superviseur et supervisé, mesuré en Elo. La variable de ce programme est la classe de composition du correcteur, mesurée à travers l'exposant de mise à l'échelle du correcteur lui-même. Leur cadre ne contient aucun terme pour ce dont le superviseur est fait : ni substrat, ni structure de corrélation d'erreur, ni identité réciproque entre un exposant de correction et un taux de croissance critique, ni dépendance à l'architecture. La Nested Scalable Oversight est par construction une supervision itérée de même classe, et la prédiction centrale de ce programme est que l'échelle de même classe est bornée quel que soit le nombre de barreaux ajoutés, tandis qu'un correcteur cross-class ne l'est pas. Les deux cadres sont donc en désaccord sur une grandeur mesurable, ce qui est la relation la plus productive que deux programmes de recherche puissent entretenir.
Antécédents et quasi-manqués, chacun avec son différentiel.
Sur la question. Hutter a demandé directement si l'intelligence peut exploser (« Can Intelligence Explode? », arXiv, 28 février 2012, READ-AT-SOURCE), séparant « speed from intelligence explosion » et s'engageant à « consider possible bounds on intelligence », prolongeant l'analyse de Chalmers 2010. La question et la distinction vitesse contre structure ont donc au moins quatorze ans. Cette littérature, autant qu'elle a été relevée, ne contient pas de nombre : aucun exposant mesurable, aucun plafond dérivé et aucune dépendance à l'architecture n'y apparaît ; une source antérieure qui fournit l'un des trois défait la priorité correspondante ici, et les lecteurs qui en localisent une sont invités à la signaler.
Sur l'impossibilité. Trois articles arXiv de 2025 argumentent qu'un contrôle parfait est inatteignable : Yao, « The Alignment Trap: Complexity Barriers » (arXiv:2506.10304, v1 12 juin 2025 02:30:30 UTC, SINGLE-SOURCE-GROUP, observé indépendamment par l'Internet Archive le 13 juin 2025 ; cité par arXiv:2512.03048) ; Yao, « On the Mathematical Impossibility of Safe Universal Approximators » (arXiv:2507.03031, 3 juillet 2025, le seul article du corpus de résumés arXiv contenant l'expression « irreducible uncontrollability », total de recherche de résumé égal à un, mesuré le 12 août 2026) ; et Ball, Gluch, Goldwasser, Kreuter, Reingold and Rothblum, « On the Impossibility of Separating Intelligence from Judgment » (arXiv:2507.07341, 9 juillet 2025). Les trois sont pire-cas et qualitatifs : mesure nulle, coNP-complétude, dureté cryptographique. Aucun ne rapporte un exposant de mise à l'échelle en cas moyen ni un taux. Le troisième, notablement, conclut que l'alignement « must instead be integrated into the model's architecture and weights », un argument indépendant, issu de l'intraitabilité du filtrage, dans la même direction que la dépendance à l'architecture de ce programme ; c'est un soutien convergent sur cette jambe, non un rival. Deux des trois articles sont d'un unique auteur ; la description « a wave » exagère l'ampleur de la littérature, mais non la gravité de l'article à six auteurs.
Sur le mécanisme. Que des estimations anti-corrélées se moyennent mieux que des estimations indépendantes est de la réduction de variance de manuel (variates antithétiques). Le mécanisme n'est pas la revendication. La revendication est que l'architecture détermine si l'anti-corrélation est disponible du tout, et que cela plafonne un exposant pertinent pour la sécurité.
L'analogue structurel le plus proche. Le théorème du seuil de correction d'erreur quantique convertit lui aussi une inquiétude qualitative en une valeur critique. Il concerne les taux d'erreur physiques dans une architecture fixée, non un exposant de mise à l'échelle du correcteur, si bien que c'est un quasi-manqué plutôt qu'un occupant ; l'analogie est de méthode. Cet analogue a été identifié par la recherche propre du programme plutôt que par un relecteur, et est divulgué en conséquence.
Sur la création récursive. La sélection naturelle cosmologique de Smolin est l'antécédent des univers de forme sélectionnée, et les notes propres au programme datant de l'ère de décembre la citent contemporainement (« Echoing Smolin's cosmological natural selection, AI could create recursive universes with their own laws », READ-AT-SOURCE depuis les notes de l'opérateur).
Sur la rétroaction et la stabilité (classique). La proposition générale selon laquelle un gain correctif inadéquat par rapport au gain du système cause l'instabilité a une longue lignée en théorie du contrôle (théorèmes du gain faible). Le différentiel : ce sont des conditions de gain sur des systèmes interconnectés, non un critère d'exposant de loi de puissance sur la mise à l'échelle d'un correcteur avec la capacité d'un système récursivement s'améliorant. La proposition générale n'est jamais revendiquée ; la formulation en exposant, la dynamique et l'estimateur sont la surface de contribution.
Le voisin quantitatif le plus proche. Liu, A. and Meng, J., « Self-Correction as Feedback Control: Error Dynamics, Stability Thresholds, and Prompt Interventions in LLMs » (arXiv:2604.22273) reformule l'auto-correction comme un problème de contrôle en boucle fermée via un modèle markovien à deux états et dérive un seuil de stabilité directement mesurable : n'itérer que lorsque le taux de correction d'erreur sur le taux d'introduction d'erreur dépasse Acc/(1 − Acc). Le différentiel : le leur est un seuil de taux par étape à un niveau de capacité fixé, décidant si une itération supplémentaire aide maintenant ; le critère de ce programme est une relation d'échelle à travers la capacité, décidant si la force correctrice tient le rythme à mesure que le système s'améliore. Régimes complémentaires ; aucun ne contient l'autre. Deux résultats empiriques adjacents de 2026 issus de la même recherche sont nommés par titre en attente de vérification de source : arXiv:2601.00828 (un paradoxe précision-correction, les modèles plus faibles montrant des taux de correction intrinsèque plus élevés) et arXiv:2507.02778 (un angle mort systématique de l'auto-correction à travers les modèles ouverts).
Le cadrage des tuyaux, à débit fixé. Tout ce qui croît est nourri par un canal, et pour tout ce qui précède le logiciel, fixer le canal fixe la croissance : affamer la vascularisation d'une tumeur et elle s'arrête ; fixer le combustible et la géométrie d'une réaction en chaîne et elle s'arrête ; la limite d'Eddington arrête l'accrétion par pression de rayonnement. L'inflation cosmique est exclue par la portée (expansion de l'espace, non croissance d'une structure sur un substrat) ; l'évolution est le cas le plus tranchant et s'y ajuste (complexité croissant depuis des milliards d'années à un débit solaire à peu près fixe, glacialement, sans correcteur interne, si bien que ce cadre prédit un exposant mesurable très en dessous du plafond pour elle). Le logiciel est la première chose qui continue de croître lorsque les tuyaux sont tenus fixes, et la définition opérationnelle est porteuse : une boucle d'artefact sur un substrat fixé, mesurée sur une horloge à substrat fixé ; un modèle qui se contente de penser plus longtemps ne qualifie pas. L'objection du physicien est celle de Landauer, que le calcul est physiquement mis en œuvre ; l'horloge à substrat fixé est la réponse, parce que le régime à l'étude tient le substrat fixé et demande ce qui croît encore.
Un artefact concernant cet article est catalogué ligne par ligne dans le registre machine du programme, et il est de l’espèce la plus faible : arc_principle_results.json inscrit ses seuils de falsification dans le fichier, mais ne porte ni horodatage ni en-tête daté à l’intérieur du corps JSON, de sorte que son antériorité ne peut être établie à partir de l’artefact lui-même. Le registre le classe faible pour cette raison et le dit dans la ligne. Chaque ligne nomme son fichier dans le dépôt public avec sa base de datation, si bien que tout lecteur peut vérifier l’ordre sans faire confiance à cette page. La chaîne datée complète du programme, du dossier scellé du manuscrit du 8 décembre 2024 aux annexes de prédictions imprimées du 2 janvier 2026 et au dossier de préenregistrement de mars 2026, jusqu’aux paris encore non prouvés, est rassemblée dans le registre des prédictions datées, avec son équivalent lisible par machine. Les affirmations prospectives et les correspondances rétrospectives ne sont jamais additionnées, et « préenregistré » ne désigne qu’un dépôt accepté par un registre ; ce dépôt reste à effectuer dans tout le programme. Consultez le registre des prédictions datées. Ouvrez son équivalent machine.
La récursion est l'auto-référence : un processus dont la sortie devient l'entrée. Elle est distincte de la simple itération (répéter la même opération) parce que chaque cycle opère sur les résultats transformés des cycles précédents.
Récursion parallèle (faible) : Plusieurs solutions indépendantes générées simultanément. Aucun transfert d'information entre branches. Exemple : générer N échantillons et sélectionner par vote majoritaire. Mise à l'échelle attendue : rendements décroissants à mesure que la redondance augmente.
Récursion séquentielle (forte) : Chaque étape de traitement s'appuie explicitement sur les étapes précédentes. Les erreurs peuvent être détectées et corrigées itérativement. Exemple : raisonnement chain-of-thought avec auto-réflexion. Mise à l'échelle attendue : rendements composés à mesure que la profondeur permet l'auto-correction.
L'ARC Principle prédit que la récursion séquentielle devrait produire des valeurs de $\alpha$ plus élevées que la récursion parallèle.
Nous hypothétisons que $\alpha = 2$ représente la limite stable proposée, ce qu'un système récursivement auto-corrigeant peut au plus croître tout en restant corrigible : une limite de mise à l'échelle, non une limite de vitesse. Bennett, Bernstein, Brassard et Vazirani (1997) ont prouvé que la recherche quantique de Grover atteint exactement un speedup quadratique et que cela est optimal pour la recherche non structurée. La correspondance invoquée ici est structurelle, la même forme quadratique d'une borne d'optimalité de recherche, non une revendication selon laquelle le raisonnement récursif met en œuvre l'amplification d'amplitude. Si une limite de forme similaire s'applique à l'intelligence récursive pour des raisons apparentées, la mise à l'échelle quadratique pourrait marquer le plafond au-dessus duquel l'auto-correction n'est pas stablement maintenue ; les systèmes peuvent être poussés au-delà, ils ne demeurent pas stablement auto-corrigeants là, et toute excursion au-dessus de 2 est le régime supercritique prédit plutôt qu'une réfutation de la borne. La stabilité ici est celle de la Loi II, mesurée plutôt qu'affirmée.
La loi avant la valeur. Le plafond de l'auto-amélioration stable est fixé par la rapidité avec laquelle un système peut se corriger lui-même : c'est le réciproque de un moins l'exposant de correction, $\alpha_{\text{crit}} = 1/(1-\gamma)$. Pour un correcteur bâti à partir du même substrat que le moteur, ce réciproque vaut deux, sous une hypothèse : que les corrections accumulées à l'intérieur se combinent comme des échantillons indépendants. La loi est la revendication. Deux est ce que la loi prédit, et l'hypothèse qui la produit est ce que les enregistrements rédigés mettent à l'épreuve. Si deux meurt, la loi survit intégralement : mesurer $\gamma$ et rapporter le plafond qu'il implique. Si la loi meurt, deux n'a pas d'appui indépendant, parce que la dérivation passe par $1/(1-\gamma)$. La forme est établie ; sa profondeur ne l'est pas. La relation est dérivée à l'intérieur d'un modèle de rythme et n'a pas été dérivée d'un modèle conjoint de croissance de la capacité, d'accumulation de correction, de covariance d'erreur, de délai de correction et de dommage absolu, si bien que la Loi III est énoncée ici comme un résultat de modèle minimal plutôt que comme une loi générale. Une conséquence devrait être rencontrée là où la loi est rencontrée, parce qu'elle tranche dans les deux sens : puisque $1/(1-\gamma) \le 2$ est exactement équivalent à $\gamma \le 1/2$, le plafond et la demi-valeur sont un seul engagement écrit dans deux notations plutôt que deux revendications indépendantes, et aucun ne peut jamais être offert comme preuve pour l'autre.
OpenAI o1 System Card (septembre 2024). Référentiel : AIME 2024 (American Invitational Mathematics Examination). Variable : nombre d'échantillons (vote majoritaire). Source : openai.com/index/openai-o1-system-card.
DeepSeek-R1 Technical Report (janvier 2025). Citation : arXiv:2501.12948. Référentiel : AIME 2024. Variable : nombre de tokens de raisonnement (longueur de chain-of-thought).
Pour déterminer $\alpha$, nous utilisons la relation en loi de puissance. Pour les métriques de précision bornée, nous analysons la réduction du taux d'erreur :
| Échantillons (R) | Exactitude (%) | Taux d'erreur (%) |
|---|---|---|
| 1 | 74 | 26 |
| 64 | 83 | 17 |
| 1000 | 93 | 7 |
| Tokens de raisonnement (R) | Exactitude (%) | Taux d'erreur (%) |
|---|---|---|
| ~12,000 | 70 | 30 |
| ~23,000 (estimé) | 87.5 | 12.5 |
| Méthode | Type de récursion | $\alpha$ mesuré | Classification |
|---|---|---|---|
| o1 (1 à 64) | Parallèle | 0.10 | Sous-linéaire |
| o1 (64 à 1000) | Parallèle/Hybride | 0.32 | Sous-linéaire |
| DeepSeek-R1 | Séquentielle | ~1.34 | Super-linéaire |
L'ARC Principle serait significativement affaibli ou réfuté si :
| Code | Condition | Statut actuel |
|---|---|---|
| F1 | La profondeur récursive séquentielle donne systématiquement $\alpha \leq 1$ | Sous test : le meilleur ajustement de l'étude à six modèles est $\alpha_{\text{seq}} \approx 0.49$ avec 2 estimations ponctuelles sur 6 au-dessus de 1 et de larges intervalles, si bien que « systématiquement » n'est tranché dans aucune direction (Paper II) |
| F2 | $\alpha$ décroît à mesure que les architectures récursives mûrissent | Non satisfait |
| F3 | La relation est additive plutôt que multiplicative | Non satisfait |
| F4 | Des jeux de données plus étendus montrent $\alpha < 1$ pour le raisonnement séquentiel | Partiellement satisfait : le meilleur ajustement à travers architectures de Paper II se situe sous 1 avec un intervalle couvrant les deux régimes ; la forme décisive attend l'estimation médiée par artefact enregistrée |
L'intégrité scientifique exige la reconnaissance explicite des limites :
L'ARC Principle, que la capacité monte en échelle de manière super-linéaire avec la profondeur récursive, $U = I \times R^{\alpha}$, la distinction séquentiel/parallèle déterminant le régime, est réfutable. Il serait renversé par l'un quelconque des éléments suivants :
La forme de décision que ces critères héritent. La section 4 consigne le statut par rapport aux critères originaux de cet article ; les enregistrements décisionnels emploient une forme à trois issues, et chaque critère ci-dessus en hérite : SOUTENU quand l'intervalle est entièrement au-delà de l'effet minimum fixé à l'avance ; RÉFUTÉ quand l'intervalle est entièrement à l'intérieur de la marge d'équivalence fixée à l'avance (logique two-one-sided-tests) ; PRÉCISION INSUFFISANTE quand l'intervalle est plus large que la marge, rapporté exactement dans ces termes et jamais comme soutien ou réfutation. La marge, l'effet minimum et un chiffre de puissance mesuré sont fixés avant le dépôt. « Réfuté si l'intervalle de confiance contient le null » laisse une étude sous-alimentée réfuter par défaut et n'est licencié nulle part dans ce programme.
Une objection préemptée, parce qu'un physicien y parvient en une étape. La correction d'erreur quantique tolérante aux fautes supprime l'erreur logique exponentiellement en distance de code sous le seuil, ce qui ressemble à un contre-exemple à tout plafond en racine carrée. Deux faits de portée y répondent : la suppression exponentielle court sur l'axe de la redondance à capacité fixée, non sur le couplage de la force correctrice à la capacité du système corrigé, qui est l'exposant que ce programme mesure ; et le théorème du seuil lui-même exige un bruit physique suffisamment non corrélé, qui est à nouveau la prémisse d'indépendance, en habits matériels. Les bornes de concentration donnent de même une probabilité d'erreur qui tombe exponentiellement tandis que la largeur de l'estimateur tombe comme la racine carrée : grandeurs différentes, et les confondre fabrique une réfutation.
Le plafond de stabilité du programme et son exposant de conversion se rencontrent au même nombre, et la tentation sur chaque surface est de dire qu'une seule constante fait deux travaux. Le statut de la revendication est plus strict que cela et doit être énoncé strictement : l'identité est ENREGISTRÉE POUR TEST, en amont des données, avec des issues qui peuvent la tuer. Deux enregistrements rédigés la portent. L'Étude AE enregistre l'exigence de réciprocité entre le plafond de levier mesuré séparément et la frontière de stabilité, sur l'échelle logarithmique, avec trois issues par cellule (soutenu, réfuté, précision insuffisante) et une règle d'agrégation selon laquelle une cellule réfutée réfute l'identité ; sa structure d'indépendance est divulguée à l'avance, y compris l'énumération de tout chevauchement de critère entre les deux dispositifs nourriciers, si bien que la variance commune de méthode est évaluée avant l'analyse plutôt que soulevée après coup comme l'explication de l'accord. L'Étude AG teste les deux dérivations de l'exposant critique l'une contre l'autre sur le même système, note qu'elles s'accordent numériquement seulement au point unique où les deux paramètres valent un demi et divergent dans leurs dérivées partout ailleurs, et est conçue pour trouver le désaccord, non pour confirmer l'accord.
Les surfaces disent donc : l'identité est une revendication enregistrée sous test, les mesures décisives sont rédigées et datées, et si les canaux divergent l'unification est retirée de chaque surface qu'elle a atteinte, avec la même prominence que le cadrage. Les surfaces ne disent jamais que l'identité est établie, et ne présentent jamais l'accord d'un demi affirmé avec un 0,49 mesuré comme preuve, parce que les deux peuvent partager une loi d'accumulation et l'accord entre partageurs n'est pas une corroboration.
Les dispositifs d'oversight qui placent un humain dans la boucle, comme le font l'amplification et l'apprentissage par renforcement à partir de rétroaction humaine, sont cross-class par construction, parce que le correcteur humain ne partage pas le substrat du modèle. Le cadre prédit donc que l'oversight avec humain dans la boucle montre un exposant de correction plus élevé que l'oversight purement modèle, pour une raison structurelle plutôt que sentimentale. Cela est testable sur des données existantes et ne requiert pas de nouveaux systèmes.
Si l'ARC Principle tient, la profondeur récursive constitue un troisième axe de mise à l'échelle aux côtés des paramètres et des données. L'investissement dans les architectures récursives peut donner de meilleurs rendements que la seule mise à l'échelle de la taille du modèle.
Si la récursion amplifie non seulement la capacité mais aussi les valeurs incorporées, alors des valeurs initiales bien alignées devraient se renforcer par l'auto-amélioration récursive. Les valeurs mal alignées se composeraient également, rendant l'alignement précoce critique.
L'ARC Principle se connecte à plusieurs cadres établis, y compris les lois d'échelle de Kaplan et al. (2020), la théorie de l'information intégrée (Tononi, 2008), et la preuve d'optimalité de la recherche quantique de Grover (Bennett et al., 1997).
Nous avons formalisé l'ARC Principle et présenté des preuves préliminaires :
En termes simples : « Penser au fait de penser vous rend plus intelligent. Pas linéairement plus intelligent, mais disproportionnellement plus intelligent, si la pensée est séquentielle plutôt que parallèle. »
Le principe tient. La recherche continue.
L'analyse des données et la préparation du manuscrit ont été assistées par des systèmes d'IA (Claude, Anthropic). Le cadre intellectuel, la formulation d'hypothèses et les conclusions interprétatives sont ceux de l'auteur.
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. Publication indépendante.
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.
La boîte à outils complète de recherche est disponible sur GitHub :
github.com/MichaelDariusEastwood/arc-principle-validation
Toutes les contributions sont bienvenues, y compris les falsifications.
L'auteur de cette œuvre est Michael Darius Eastwood, un être humain. Chaque concept central, hypothèse, dispositif expérimental, affirmation et conclusion de cet article trouve son origine dans l'idéation humaine. Aucune partie de ce manuscrit n'est une sortie entièrement générée par intelligence artificielle.
Des outils d'intelligence artificielle (la famille Claude d'Anthropic et d'autres assistants à grands modèles de langage) ont été utilisés comme instruments sous direction humaine continue, à la manière dont on utilise un traitement de texte, une calculatrice ou un assistant de recherche : pour l'édition et l'affinage de la prose, la recherche et la synthèse de la littérature (vérifiées manuellement contre des sources primaires), la structure du document, la mise en forme, le brainstorming contre des questions définies par l'auteur, et l'accélération de la rédaction selon les plans et instructions définis par l'auteur. Toute sélection, coordination, disposition et jugement éditorial final sont ceux de l'auteur. Chaque sortie substantielle a été relue, testée ou vérifiée par l'auteur, qui assume la pleine responsabilité de l'exactitude et de l'intégrité du texte final. Les outils ont accru la vitesse du travail ; ils n'ont jamais été relayés comme sa source.
Statut épistémique. Ce que ce programme nomme des Lois sont des conjectures sous test enregistré et adversariel ; chaque grandeur dans cet article est définie opérationnellement, et le rang de loi établie n'est revendiqué nulle part. Le programme enregistré existe pour gagner ce rang, ou pour le perdre, par la mesure, la réplication et la réfutation survécue.
© 2026 Michael Darius Eastwood. Ouvrage rédigé par un humain avec assistance informatique ; la pleine auctorialité humaine et les droits moraux sont revendiqués au titre du Copyright, Designs and Patents Act 1988 et en cohérence avec les orientations du United States Copyright Office relatives aux œuvres contenant du matériel généré par IA ; toute contribution technique nouvelle décrite dans cet ouvrage a été conçue par l'auteur humain. Déclaration complète : michaeldariuseastwood.com/authorship.
Alliance permanente. Prouvez cet article faux, et je publierai la réfutation moi-même. Les conditions de falsification sont énoncées dans cet article ; le défi permanent : github.com/MichaelDariusEastwood/arc-scaling-challenge.
Une erreur de traduction ? Signalez-la directement :