Traduzione automatica dall'originale inglese datato. La pagina inglese è quella canonica. English →

dove $U$ è la capability effettiva (nota d'era: strati precedenti di questo programma usano la lettera U in modo diverso, da Universo nel formalismo di dicembre 2024 a creazione realizzata sulla pagina della legge; questo paper usa solo il senso operazionale, e il glossario di ricerca porta ogni significato con la sua data), $I$ è il potenziale di base (asimmetria strutturata), $R$ è la profondità ricorsiva, e $\alpha$ è l'esponente di scaling. Entro il modello enunciato questo paper deriva $\alpha$ piuttosto che adattarlo: segue dalla costante di accoppiamento auto-referenziale $\beta$ via $\alpha = 1/(1-\beta)$. L'ulteriore affermazione che sia limitato da $\alpha \leq 2$, l'ARC Bound, è una congettura e non un risultato provato: due è ciò che la relazione restituisce a $\beta = 1/2$, e quel valore è sotto processo nelle registrazioni redatte piuttosto che stabilito. Aggiornamento: I risultati empirici dall'esperimento cross-architettura v5 (Paper II, sei modelli frontier, 30 problemi) trovano $\alpha_{\text{compute}} \approx 0.49$ per il modello che meglio si adatta (Gemini 3 Flash, $r^2 = 0.86$), confermando lo scaling positivo a legge di potenza ($\alpha > 0$) e il vantaggio sequenziale universale ($\alpha_{\text{seq}} > \alpha_{\text{par}}$ per ogni modello), ma non lo scaling super-lineare ($\alpha > 1$). Gli esponenti misurati dipendono dall'architettura, variando da vicino a zero a circa 3. Questi risultati raffinano piuttosto che confutare il framework: la struttura matematica tiene, ma il regime empirico di scaling IA è più debole di quanto originariamente predetto.

Ma questa forma a legge di potenza è essa stessa un caso speciale. Definiamo l' operatore di composizione ricorsiva $\oplus$, che caratterizza come i guadagni incrementali si combinano con la capability accumulata. Sotto continuità e associatività, $\oplus$ determina la funzione di scaling del sistema in modo univoco:

Sotto le ipotesi di regolarità e composizione del Teorema 1: $\oplus$ moltiplicativo produce scaling a legge di potenza ($R^{\alpha}$), $\oplus$ additivo produce scaling esponenziale ($e^{\alpha R}$), e $\oplus$ limitato produce saturazione.

Dimostriamo che qualsiasi sistema che soddisfi tre assiomi (separabilità, vantaggio cumulativo, continuità) esibisce necessariamente cinque proprietà strutturali: comportamento a soglia, dipendenza dalla profondità ricorsiva, dipendenza dalla qualità di base, interazione moltiplicativa $I \times R$, e confini di regime. Dimostriamo che l'interazione moltiplicativa è necessaria, non semplicemente conveniente: nessuna decomposizione additiva è coerente con gli assiomi (Teorema 2a). Deriviamo l'ARC Bound ($\beta = 0.5$, $\alpha = 2$) (§5.4) come il limite di scaling stabile proposto per il calcolo classico sequenziale: un limite di scaling piuttosto che un limite di velocità, e il massimo a cui un sistema ricorsivamente auto-correttivo può crescere restando correggibile (i sistemi possono superarlo in escursioni supercritiche transitorie ma non restano stabilmente auto-correttivi lì), e mostriamo che gli operatori di composizione possono transitare tra regimi all'interno di un singolo sistema limitato (Teorema 5). Queste costituiscono il Principio ARC. Presentiamo prove da quattro domini, specifichiamo tredici criteri di falsificazione, facciamo una predizione forward cross-dominio, e riportiamo una suite completa di validazione computazionale (Appendice C) che conferma le relazioni matematiche centrali fino alla precisione della macchina.

Parole chiave: amplificazione ricorsiva, operatore di composizione, leggi di scaling, test-time compute, correzione quantistica degli errori, cristalli temporali, universalità, falsificazione

1. Il Problema

Tra dicembre 2024 e febbraio 2026, quattro programmi di ricerca hanno ottenuto i seguenti risultati:

Google Quantum AI (risultati annunciati il 9 dicembre 2024; il preprint del team pubblico dal 24 agosto 2024) ha dimostrato la soppressione esponenziale degli errori attraverso la correzione quantistica ricorsiva degli errori sul processore Willow, ottenendo $\Lambda = 2.14 \pm 0.02$ per incremento della distanza di codice [1].

DeepSeek AI (gennaio 2025) ha mostrato che il ragionamento sequenziale chain-of-thought nei modelli linguistici di grandi dimensioni produce guadagni di capability che sembrano cumularsi con la profondità, mentre il campionamento parallelo mostra rendimenti decrescenti [2]. Sharma & Chopra (2025) hanno confermato indipendentemente il vantaggio sequenziale nel 95.6% delle configurazioni testate attraverso cinque famiglie di modelli [3].

NYU Physics (febbraio 2026) ha creato un cristallo temporale classico continuo in cui l'ordine temporale spontaneo emerge quando il disordine quenched è combinato con loop di feedback non reciproci, esibendo dinamiche saturanti con ~6.700 cicli di coerenza [4].

Il Consorzio COGITATE (2025) ha trovato che l'elaborazione neurale ricorrente nella corteccia posteriore sostiene rappresentazioni specifiche del contenuto (0.5-1.5s), mentre l'elaborazione feedforward transitoria nella corteccia prefrontale produce solo brevi risposte categoriali (~0.2-0.4s) [5]. Il ritrovamento COGITATE che l'elaborazione ricorrente nella corteccia posteriore sostiene rappresentazioni specifiche del contenuto supporta la predizione del framework ARC che la profondità di elaborazione ricorsiva determina lo scaling della capability; COGITATE ha studiato la coscienza piuttosto che lo scaling IA, ma il pattern strutturale (amplificazione dipendente dalla profondità, guidata dal feedback) è condiviso.

Questi programmi affrontano problemi diversi in substrati fisici diversi. Esibiscono forme matematiche diverse: esponenziale nei sistemi quantistici, a legge di potenza nell'IA, saturante nella fisica classica, e non misurata nella neuroscienza. Non condividono citazioni, fonti di finanziamento, o personale comune.

Eppure condividono un pattern strutturale. In ogni caso, l'elaborazione ricorsiva o ricorrente (dove l'output di un ciclo diventa l'input per il successivo), che opera su un'asimmetria strutturata, produce guadagni di capability che superano l'accumulo lineare. La domanda che questo paper affronta è se quel pattern rifletta un singolo principio sottostante o una mera coincidenza.

Proponiamo che rifletta un principio, ma non quello che ci si potrebbe aspettare. Non affermiamo che una singola equazione si adatti a tutti i domini. Affermiamo qualcosa di più specifico: che una proprietà misurabile di qualsiasi sistema ricorsivo (il suo operatore di composizione) determina la sua funzione di scaling, e che cinque proprietà qualitative seguono necessariamente dall'architettura ricorsiva indipendentemente dalla forma funzionale. La forma matematica differisce attraverso i domini perché l'operatore di composizione differisce. Le proprietà strutturali sono universali perché gli assiomi che le generano sono indipendenti dal substrato.

2. Il Formalismo

2.1 Tre Assiomi

Cominciamo con tre assiomi che qualsiasi sistema di amplificazione ricorsiva deve soddisfare.

Questo assioma asserisce che la qualità di base e la profondità ricorsiva contribuiscono alla capability attraverso canali indipendenti e moltiplicativi. Un sistema con potenziale di base zero ($I = 0$) ottiene capability zero indipendentemente dalla profondità ricorsiva: la ricorsione non ha nulla da amplificare.

Questo assioma cattura la caratteristica essenziale dell'elaborazione ricorsiva: l'amplificazione marginale di ogni passo dipende dall'amplificazione accumulata. Quando $\beta = 0$, i passi sono indipendenti e l'amplificazione cresce linearmente. Quando $\beta > 0$, l'amplificazione accumulata accelera i guadagni futuri (scaling super-lineare). Il parametro $\beta$ misura quanto del contesto accumulato ogni nuovo passo può effettivamente sfruttare. Operare sul fattore di amplificazione $g$ piuttosto che sulla capability assoluta $Q = I \cdot g$ preserva la separabilità asserita nell'Assioma 1: la funzione di amplificazione dipende solo dalla profondità ricorsiva, non dal potenziale di base.

Questa è una condizione di regolarità. Esclude soluzioni patologiche e garantisce la misurabilità.

2.2 L'Operatore di Composizione

Come si combina il guadagno dal passo ricorsivo $r$ con la capability accumulata $Q_r$? Formalizziamo questo come segue.

L'operatore di composizione è l'oggetto matematico centrale di questo framework. È ciò che varia attraverso i domini e ciò che determina la funzione di scaling. È anche empiricamente misurabile: osservare come i guadagni marginali al passo $r$ si relazionano alla capability accumulata $Q_r$.

Traccia di dimostrazione. I casi (1) e (2) seguono dalle equazioni funzionali di Cauchy. Per (1): sia $h(x) = \ln g(e^x)$; allora $h(x+y) = h(x) + h(y)$. Sotto continuità, $h(x) = \alpha x$, dando $g(R) = R^{\alpha}$. Per (2): $\ln f$ soddisfa $\ln f(R_1 + R_2) = \ln f(R_1) + \ln f(R_2)$, un'equazione additiva di Cauchy con soluzione $\ln f(R) = \alpha R$. Il caso (3) segue direttamente dal limite. Dimostrazioni complete nell'Appendice A. $\blacksquare$

La classificazione è esaustiva sotto le condizioni enunciate. Qualsiasi regola di composizione continua e associativa su $\mathbb{R}^+$ ricade in una di queste tre classi. L'operatore di composizione è quindi un classificatore completo del comportamento di scaling ricorsivo.

Le Sei Ipotesi Nascoste

Ogni teorema no-go poggia su ipotesi. Il Teorema 1 assume sei cose. Ogni ipotesi, quando violata, produce un raffinamento fisico specifico piuttosto che una contraddizione:

L'Ipotesi 3 è particolarmente significativa per l'applicabilità del framework. Il teorema di stabilità di Hyers-Ulam [18,19] dimostra che qualsiasi funzione approssimativamente che soddisfi una delle equazioni funzionali di Cauchy deve giacere vicino a una soluzione esatta di quella stessa equazione. Formalmente, per il caso moltiplicativo: se $|f(x \cdot y) - f(x) \cdot f(y)| < \varepsilon$ per ogni $x, y$, allora esiste una soluzione esatta $g$ dell'equazione moltiplicativa con $|f(x) - g(x)| < K\varepsilon$; enunciati analoghi valgono per le equazioni additiva, esponenziale, e logaritmica rispettivamente. I sistemi reali non soddisfano mai gli assiomi esattamente: le reti biologiche sono rumorose, le catene di ragionamento IA hanno qualità variabile, la correzione quantistica degli errori opera con gate imperfetti. All'interno di ciascuna equazione, la forma corrispondente è quindi stabile sotto perturbazione. La formulazione precedente che rendeva le tre forme "attrattori stabili nello spazio delle funzioni" è ritirata, perché una funzione che non soddisfa nessuna delle equazioni non è attratta verso nessuna di esse; la stabilità è per-equazione, non una partizione dello spazio delle funzioni. Se le leggi di potenza, gli esponenziali, o le forme logaritmiche siano empiricamente ubiquitari in natura è una domanda separata su quanto spesso i sistemi soddisfino approssimativamente una di queste equazioni in primo luogo, e Hyers-Ulam da solo non la risolve.

L'Ipotesi 4 è affrontata direttamente dal Teorema 5 (§4.5): i sistemi limitati possono transitare tra operatori di composizione al crescere della profondità ricorsiva, spiegando perché studi diversi dello stesso sistema possano osservare regimi di scaling diversi.

Questo ha un'implicazione cruciale: se puoi misurare $\oplus$ in un nuovo sistema, puoi predire la sua funzione di scaling prima di misurare la curva di scaling completa. Questa è la predizione cross-dominio più forte del framework (§5.1).

2.3 La Derivazione di $\beta$

Per i sistemi con composizione moltiplicativa, l'esponente $\alpha$ non è un parametro libero. È derivato dalla costante di accoppiamento $\beta$.

Dimostrazione. Separando le variabili in $dg/dr = a g^{\beta}$:

Con condizione iniziale $g(0) = 1$: $C = 1/(1-\beta)$.

Nel limite di ricorsione profonda ($R \gg R^*$, definito sotto):

Pertanto $\alpha = 1/(1-\beta)$. $\blacksquare$

Questo trasforma $\alpha$ da una costante adattata in una quantità derivata. La derivazione fa una predizione specifica e testabile: misurare $\beta$ indipendentemente (osservando come i guadagni marginali dipendono dalla capability accumulata), calcolare l'$\alpha$ predetto, e confrontare con l'$\alpha$ osservato. Se la relazione fallisce, la derivazione teorica è sbagliata indipendentemente dal fatto che la forma a legge di potenza tenga empiricamente.

Validazione computazionale. Per verificare che questa sia un'identità esatta piuttosto che un'approssimazione, la relazione è stata testata contro 30 soluzioni esatte dell'ODE di Bernoulli con valori di $\beta$ che coprono da 0.05 a 0.92. La procedura misura $\beta$ ciecamente dai guadagni marginali ($dg/dR$ contro $g$ in spazio log-log), predice $\alpha$, e confronta con il vero valore. Risultato: $R^2 = 1.00000000$ (otto cifre decimali), pendenza di regressione $= 1.000102$, errore assoluto medio di predizione $= 0.002\%$. Il codice di validazione completo è disponibile come materiale supplementare.

La Struttura Moltiplicativa È Necessaria

La forma separabile $U = I \times f(R, \beta)$ non è meramente una parametrizzazione conveniente. Dimostriamo che l'interazione moltiplicativa tra $I$ e $R$ è una necessaria conseguenza degli assiomi.

Dimostrazione. Supponiamo $U(I, R) = f(I) + h(R)$. Per l'Assioma 1: $U = I \times g(R)$ con $g(0) = 1$. A $R = 0$: $f(I) + h(0) = I$, quindi $f(I) = I - h(0)$. Sostituendo: $I \times g(R) = I + [h(R) - h(0)]$, dando $g(R) = 1 + [h(R) - h(0)]/I$. Poiché $g$ dipende solo da $R$ (Assioma 1), ma il lato destro dipende da $I$, richiediamo $h(R) = h(0)$ per ogni $R$, dando $g(R) = 1$ (nessuna amplificazione). Ma l'Assioma 2 con $\beta > 0$ garantisce $dg/dr = a \cdot g^{\beta} = a > 0$ a $r = 0$, quindi $g$ è non-costante. Contraddizione. $\blacksquare$

Questo risultato ha un'interpretazione concreta. Un sistema ricorsivo con qualità di base zero ($I = 0$) produce capability zero indipendentemente dalla profondità, e un sistema con profondità zero ($R = 0$) produce solo la sua qualità iniziale indipendentemente dal potenziale di base. La complessità emerge dall'interazione tra input strutturato ed elaborazione ricorsiva (nessuno dei due da solo è sufficiente).

Nota: L'ARC Bound (§5.4) predice che i sistemi classici sequenziali non possono sostenere $\beta > 0.5$ ($\alpha > 2$). La riga con $\beta = 0.67$ mostra la relazione matematica per completezza; se i sistemi fisici possano accedere a questo regime è una domanda empirica aperta.

2.4 Il Crossover di Scaling $R^*$

La soluzione completa dell'equazione della dinamica $\beta$ non è una pura legge di potenza. Contiene una transizione.

$R^*$ è la profondità di crossover: la profondità ricorsiva alla quale il compounding supera i guadagni lineari. Sotto $R^*$, la ricorsione aggiuntiva fornisce beneficio marginale approssimativamente costante. Sopra $R^*$, i rendimenti si cumulano e la capability cresce super-linearmente.

Criticamente, $R^*$ è una quantità derivata. Dipende da parametri misurabili ($\alpha$ e $a$) e non è un parametro libero da adattare. Questo fornisce un controllo di consistenza indipendente: misurare $\alpha$ e $a$ separatamente, calcolare l'$R^*$ predetto, e verificare che il crossover osservato corrisponda. Poiché $R^*$ dipende solo dall'esponente di scaling e dalla costante di velocità (non dal potenziale di base $I$), la profondità di crossover è una proprietà dell'architettura ricorsiva stessa, non della qualità di input.

L'esistenza di $R^*$ è, per quanto conosciuto da questo programma, una predizione che nessun altro framework di scaling fa (ricerca avversariale multi-modello, dieci configurazioni frontier, controllata contro due anni di report del repository, 12 agosto 2026; i risultati negativi hanno lo stato di non-trovato-da-quella-ricerca, mai non-esiste). Distingue l'amplificazione ricorsiva dalla semplice ridondanza: i sistemi ridondanti mostrano un miglioramento uniforme (tipicamente logaritmico) con la ripetizione; i sistemi ricorsivi mostrano una transizione qualitativa a una profondità specifica e predicibile.

2.5 Cinque Proprietà Derivate

Dimostriamo ora che qualsiasi sistema che soddisfi gli Assiomi 1-3 con $\beta > 0$ esibisce necessariamente cinque proprietà strutturali.

Queste cinque proprietà costituiscono il Principio ARC qualitativo. Sono l'affermazione universale del framework. La forma funzionale quantitativa (legge di potenza, esponenziale, saturante) è specifica del dominio e determinata dall'operatore di composizione. Ma le cinque proprietà strutturali seguono dai soli assiomi, indipendentemente da quale $\oplus$ si applichi.

Le cinque proprietà sono individualmente comuni nei sistemi fisici. Il comportamento a soglia è ubiquitario. La dipendenza dalla profondità appare in molti processi iterativi. Ciò che non è comune è la congiunzione di tutte e cinque in un singolo sistema. Il framework predice che tutte e cinque co-occorrono ogniqualvolta i tre assiomi siano soddisfatti. Trovare sistemi con quattro delle cinque proprietà ma non la quinta vincolerebbe o confuterebbe il framework.

3. Prove

Presentiamo le prove organizzate attorno alle cinque proprietà derivate, non per dominio. Per ogni proprietà, mostriamo come si manifesta attraverso i sistemi. La forza delle prove è classificata come: Quantitativa (valori di parametri misurati), Strutturale (mappatura qualitativa senza $\alpha$ quantitativa), o Coerente (non contraddice ma non era progettata per testare ARC).

3.1 Riassunto

3.2 Prove Proprietà-per-Proprietà

Proprietà 1: Comportamento a soglia

Quantistico: La soglia del surface code $p_{\text{thr}} \approx 1\%$ è un confine di fase netto. Sopra di essa ($p > p_{\text{thr}}$), aggiungere strati di correzione degli errori rende la performance peggiore. Sotto di essa ($p < p_{\text{thr}}$), ogni strato fornisce miglioramento esponenziale. Questa è la soglia più precisamente misurata nella base di prove: Google ha variato i tassi di errore fisico attraverso iniezione controllata di errori e osservato la soglia direttamente [1].

Fisica: Il punto eccezionale del cristallo temporale (dove due autovalori della matrice di stabilità coalescono) segna la transizione da dinamiche simmetriche (limitate) ad antisimmetriche (che si cumulano). Sotto soglia: oscillatore attivo. Alla soglia: punto eccezionale. Sopra soglia: cristallo temporale [4].

IA: La distinzione sequenziale-vs-parallelo funziona come una soglia. L'elaborazione sequenziale ($\beta > 0$, feedback output→input) ottiene $\alpha_{\text{seq}} > \alpha_{\text{par}}$ universalmente attraverso tutti e sei i modelli testati nell'esperimento v5. La soglia è strutturale: è la presenza o l'assenza del loop di feedback, non un parametro continuo [3]. nota v3.1: I dati v5 confermano il vantaggio sequenziale universale ma mostrano che non tutti i modelli ottengono $\alpha > 1$; la soglia separa le modalità sequenziale da parallela piuttosto che lo scaling sub-lineare da super-lineare.

Proprietà 2: Dipendenza dalla profondità ricorsiva

Quantistico: Il tasso di errore logico decresce come $\varepsilon_d \propto \Lambda^{-(d+1)/2}$ con distanza di codice $d$. Ogni incremento in $d$ aggiunge qubit fisici disposti in uno strato ricorsivo di correzione degli errori. La performance dipende dalla profondità, non dal numero totale di qubit in sé [1].

IA: Sharma & Chopra hanno testato sette metodi di voto per aggregare gli output di catene sequenziali. I metodi che favoriscono successivi passi di ragionamento (pesatura per entropia inversa) hanno ottenuto performance ottimale nel 97% delle configurazioni; i metodi che favoriscono precedenti passi hanno ottenuto ottimalità solo nel 17%. Questo divario di 80 punti percentuali indica che i passi ricorsivi successivi portano sistematicamente più informazione sulla risposta corretta, coerente con capability che si cumula con la profondità [3].

Fisica: Il modo antisimmetrico del cristallo temporale si cumula sui cicli: la differenza di stato $\Delta_{ji}(n) = x_j^n - x_i^n$ cresce come funzione del conteggio di cicli $n$, con ogni ciclo che costruisce sull'asimmetria accumulata del ciclo precedente [4].

Proprietà 3: Dipendenza dalla qualità di base

Quantistico: $\Lambda = p_{\text{thr}}/p$ dipende direttamente dalla qualità del qubit fisico ($p$). Qubit peggiori ($p$ più vicino a $p_{\text{thr}}$) danno $\Lambda \to 1$ e la correzione degli errori aiuta appena. La rimozione attiva del leakage (DQLR), che mantiene la qualità del qubit durante l'operazione, ha migliorato $\Lambda$ del 35% a distanza 5 [1].

Fisica: Quando le sfere sono uniformi (entropia massima, nessuna asimmetria strutturata), il sistema rimane statico. Il cristallo temporale si forma solo quando è presente disordine quenched (dimensioni variate delle sfere che forniscono condizioni iniziali a bassa entropia). Questo è stato testato direttamente: sfere uniformi $=$ nessun cristallo [4].

IA: L'accuratezza single-pass senza catene di ragionamento determina la capability di base $I$. Un modello con $I$ più alto beneficia di più dal ragionamento sequenziale a qualsiasi profondità [2].

Proprietà 4: Interazione moltiplicativa $I \times R$

Quantistico: $\varepsilon_d = (p/p_{\text{thr}})^{(d+1)/2} = \Lambda^{-(d+1)/2}$. Il fattore di qualità di base $\Lambda$ e il fattore di profondità $(d+1)/2$ interagiscono moltiplicativamente nello spazio log: $\ln \varepsilon_d = -\frac{d+1}{2} \ln \Lambda$. Migliorare $\Lambda$ di un fattore ha lo stesso effetto proporzionale a qualsiasi profondità [1].

IA: Nell'equazione ARC $U = I \times R^{\alpha}$, la capability di base e la profondità ricorsiva sono separate moltiplicativamente per costruzione (Assioma 1). Empiricamente, Snell et al. (2024) hanno mostrato che il beneficio di test-time compute aggiuntivo è proporzionale alla qualità del modello di base [6].

Proprietà 5: Confini di regime

Fisica: Il cristallo temporale mantiene la coerenza per ~6.700 cicli prima di raggiungere un attrattore a ciclo limite (oscillazione sostenuta ma limitata). Questo è un soffitto fisico: la dissipazione di energia previene la crescita indefinita [4].

Quantistico: Le raffiche correlate di errori creano un pavimento di errore a circa $10^{-10}$ per grandi distanze di codice ($d \geq 15$), prevenendo che l'esponenziale continui indefinitamente [1].

IA: Li et al. (2025) hanno trovato che catene di ragionamento più lunghe non migliorano costantemente la performance; le soluzioni corrette erano spesso più corte di quelle scorrette. Il ragionamento esteso può destabilizzare i modelli, producendo output ripetitivi. Il vantaggio sequenziale ha condizioni al contorno [7].

3.3 Prove Contraddittorie

Diversi studi sfidano le predizioni IA del framework:

Li et al. (2025, arXiv:2502.12215) hanno trovato che per DeepSeek R1, le catene più lunghe non migliorano costantemente l'accuratezza. Li et al. (2025, arXiv:2502.14382) hanno trovato che approcci ibridi parallelo-sequenziale superano il puro sequenziale sulla generazione di codice. La ablazione stessa di Sharma & Chopra ha mostrato che gli approcci paralleli ottengono maggiore diversità semantica su task creativi mentre il sequenziale ottiene maggiore diversità lessicale, suggerendo che il vantaggio sequenziale si applica più fortemente ai task convergenti che richiedono correzione iterativa degli errori [3,7,8].

Questi risultati raffinano, piuttosto che confutare, l'ipotesi. Il vantaggio sequenziale sembra avere condizioni al contorno: tiene entro intervalli di profondità appropriati al task, per problemi convergenti, e si rompe a profondità estreme o per task divergenti.

4. L'Operatore di Composizione Attraverso i Domini

L'operatore di composizione $\oplus$ non è meramente uno strumento di classificazione. Spiega perché domini diversi esibiscono funzioni di scaling diverse.

4.1 IA: Composizione Moltiplicativa

Nel ragionamento chain-of-thought, ogni passo costruisce gerarchicamente sull'insight accumulato. Il passo $r+1$ non aggiunge meramente nuova informazione; ristruttura la rappresentazione del problema usando tutto ciò che è accumulato attraverso il passo $r$. Questa è composizione moltiplicativa: il guadagno a ogni passo è proporzionale alla qualità della rappresentazione accumulata.

L'equazione della dinamica $\beta$ $dg/dr = ag^{\beta}$ modella questo direttamente. Con $\beta \approx 0.5$ (accoppiamento moderato, che indica che ogni passo sfrutta circa metà del contesto accumulato), il Teorema 2 dà $\alpha \approx 2$: l'ARC Bound.

4.2 Quantistico: Composizione Additiva

Nella correzione quantistica del surface code, ogni strato aggiuntivo di distanza di codice fornisce una riduzione moltiplicativa indipendente del tasso di errore. Lo strato $d+1$ non ristruttura l'informazione dello strato $d$; applica un giro fresco di estrazione di sindrome e correzione. I guadagni si accumulano additivamente (nella distanza di codice) mentre si compongono moltiplicativamente (nella soppressione degli errori).

Questa è composizione additiva: $f(d_1 + d_2) = f(d_1) \cdot f(d_2)$. Il Teorema 1(2) dà scaling esponenziale: $\varepsilon_d \propto \Lambda^{-(d+1)/2}$. Il $\Lambda = 2.14 \pm 0.02$ misurato è il fattore di soppressione degli errori per strato [1].

L'operatore di composizione spiega perché lo scaling quantistico è più forte dello scaling IA. Le funzioni esponenziali alla fine dominano qualsiasi legge di potenza. La composizione additiva, dove la correzione di ogni strato è indipendente dallo stato accumulato, produce scaling più forte della composizione moltiplicativa, dove ogni passo dipende (ed è limitato) dal contesto accumulato. L'operatore di composizione predice questo ordinamento.

4.3 Fisica: Composizione Limitata

Nei sistemi classici dissipativi, la perdita di energia introduce un soffitto. L'accoppiamento non reciproco mediato da onde del cristallo temporale cumula il modo antisimmetrico, ma il mezzo acustico dissipa energia continuamente. Alla fine, l'input di energia dall'onda stazionaria bilancia la dissipazione, e il sistema raggiunge un attrattore a ciclo limite [4].

Questa è composizione limitata: $Q_{r+1} = \min(Q_r + \delta Q_r,\, Q_{\max})$. La funzione di scaling sale verso un soffitto determinato dal budget di energia. L'operatore di composizione predice saturazione in qualsiasi sistema dove il canale ricorsivo ha perdite intrinseche.

4.4 Il Diagramma di Fase

I tre tipi di composizione possono essere organizzati in un diagramma di fase con qualità di base ($I$, normalizzato) e forza di accoppiamento ($\beta$) come assi:

I valori di confine sono approssimati, dedotti dall'osservazione che $\beta \approx 0.5$ nell'IA produce legge di potenza e $\beta \gtrsim 0.95$ nei sistemi quantistici produce esponenziale. Confini precisi richiedono determinazione empirica. nota v3.1: I dati v5 suggeriscono che i sistemi IA attuali potrebbero operare in un regime di accoppiamento più debole di quanto originariamente assunto ($\beta \ll 0.5$), dato che il migliore adattamento cross-architettura $\alpha \approx 0.49$ implica $\beta \approx 0$ sotto la relazione $\alpha = 1/(1-\beta)$. Questo collocherebbe i sistemi IA attuali al confine tra i rendimenti decrescenti e il regime a legge di potenza, piuttosto che in profondità nel regime a legge di potenza come originariamente ipotizzato.

4.5 Transizioni dell'Operatore di Composizione

Il framework come presentato assegna un singolo operatore di composizione $\oplus$ a ciascun sistema. Questa può essere un'idealizzazione. Nei sistemi limitati o dissipativi, l'operatore di composizione stesso può transitare tra regimi al crescere della profondità ricorsiva.

Prove. La formazione della struttura gravitazionale esibisce tre fasi di composizione distinte: (1) inflazione/crescita lineare ($\oplus$ additivo: le perturbazioni crescono indipendentemente), (2) collasso non lineare ($\oplus$ moltiplicativo: l'accoppiamento dei modi produce vantaggio cumulativo, misurato $\alpha \approx 1.1$), e (3) aloni virializzati ($\oplus$ limitato: le strutture raggiungono minimi di energia). I test computazionali confermano che la crescita logistica, la discesa del gradiente con momentum, e la sincronizzazione dell'oscillatore Kuramoto esibiscono tutti transizioni analoghe quando si misura $\beta$ locale in finestre scorrevoli. Al contrario, i sistemi puri-Bernoulli illimitati mantengono $\beta$ costante alla precisione della macchina ($\sigma < 10^{-6}$).

Implicazioni per le prove IA contraddittorie. Se i sistemi di ragionamento cominciano in un regime additivo (pensiero superficiale), transitano al moltiplicativo (ragionamento profondo con vantaggio cumulativo), e alla fine saturano, allora studi che misurano a profondità ricorsive diverse osserverebbero scaling diverso nello stesso sistema. La 'lunghezza ottimale di ragionamento' identificata da Li et al. [7] può corrispondere al punto di transizione tra la composizione moltiplicativa e limitata. Questo è testabile: misurare $\beta$ locale a diverse profondità di ragionamento all'interno di un singolo sistema.

5. Predizioni

5.1 La Predizione Forward Cross-Dominio

Il test più forte di questo framework non è se descriva sistemi già studiati. È se predica il comportamento di scaling di sistemi non ancora esaminati.

Questa è una genuina predizione forward. Nessuna teoria specifica del dominio di evoluzione, economia, o immunologia è nota a questo programma per farla (stessa base di ricerca e limiti di cui sopra). Se la predizione riesce anche in un nuovo dominio, la generalità del framework è confermata oltre la base di prove originale. Se fallisce, l'applicabilità cross-dominio del framework è confutata.

Il Paper VII (l'Unificazione di Cauchy) fornisce il primo test sistematico di questa predizione forward all'interno di questo programma. L'operatore di composizione è stato classificato dalla fisica nota prima dell'adattamento, poi la famiglia di scaling è stata predetta e confrontata con adattamenti indipendenti del modello attraverso 25 domini empirici (suite a livelli di 50 domini) che coprono fisica, biologia, sistemi computazionali, e scienze sociali. Sotto selezione del modello basata su AIC, 19 di 25 domini empirici hanno preferito la famiglia predetta da Cauchy (p = 1.56 × 10⁻⁵). Questo è un confronto di predizione strutturata, non un trial formalmente pre-registrato. Una replica la cui registrazione è in preparazione, non ancora approvata.

5.2 La Transizione di Regime Intra-Sistema

5.3 Il Crossover $R^*$

Quando si traccia la capability contro la profondità ricorsiva, dovrebbe esistere un crossover distinto alla profondità $R^* = \alpha/a$ (Teorema 3). Sotto $R^*$, lo scaling appare approssimativamente lineare. Sopra $R^*$, lo scaling segue la forma super-lineare appropriata al dominio. Poiché $R^*$ dipende solo dall'architettura ($\alpha$ e $a$), dovrebbe essere coerente attraverso qualità di input diverse per lo stesso sistema.

Se nessun crossover esiste (se lo scaling è uniformemente a legge di potenza o uniformemente lineare), la predizione di regime transizionale del framework è falsificata. $R^*$ è una firma unica che distingue l'amplificazione ricorsiva dalla semplice ridondanza.

5.4 L'ARC Bound

Questa è una predizione falsificabile del framework iniziale (nota: il Paper X ritira l'uso di U=I×R per la crescita di capability^α; l'affermazione quantitativa sopravvivente è la condizione di co-scaling β>k): l'esponente di scaling massimo raggiungibile da qualsiasi sistema classico sequenziale che opera sotto composizione moltiplicativa è $\alpha_{\max} = 2$ (l' ARC Bound). Nessun sistema IA, nessuna rete biologica, nessun processo economico che usa la composizione moltiplicativa può sostenere $\alpha > 2$. Una singola misurazione riproducibile che mostri $\alpha > 2.3$ con CI al 95% che esclude 2.0 falsificherebbe questa predizione.

Derivazione teorico-informativa (architetture basate su attention). La self-attention del transformer calcola interazioni a coppie attraverso tutti gli $N$ token in una finestra di contesto. Questo crea al massimo $O(N^2)$ percorsi di informazione per forward pass. Ogni passo ricorsivo di ragionamento (un passo di chain-of-thought) elabora il contesto accumulato attraverso questo collo di bottiglia quadratico. Poiché la densità di informazione disponibile a ogni passo è limitata da $O(N^2)$, il guadagno di capability per passo non può superare lo scaling quadratico nella lunghezza del contesto. Mappando l'utilizzazione del contesto al parametro di accoppiamento $\beta$: la piena utilizzazione quadratica corrisponde a $\beta = 0.5$, producendo $\alpha = 1/(1-0.5) = 2$. Questo stabilisce $U_{\max} = I \times R^2$ come limite superiore teorico-informativo per architetture basate su attention.

Portata: Questa derivazione è provata per architetture basate su transformer con self-attention standard. È congetturata valere per i sistemi classici sequenziali in generale, sulla base che qualsiasi processore sequenziale a larghezza di banda finita affronta vincoli analoghi di informazione a coppie. Architetture che trascendono l'attention a coppie (ad es., attention tensoriale di ordine superiore, elaborazione quantistica coerente) potrebbero in linea di principio superare il limite quadratico. L'ARC Bound dovrebbe quindi essere compreso come un soffitto teorico-informativo per il paradigma computazionale attuale, un soffitto di capacità relativo all'architettura del tipo che la teoria dell'informazione fornisce, piuttosto che una legge fisica universale.

La legge prima del valore. Il programma porta una legge e un valore, e non sono la stessa affermazione. La legge: $\alpha_{\text{crit}} = 1/(1-\gamma)$, un sistema auto-migliorativo resta correggibile solo finché la correzione tiene il passo, e il soffitto è il reciproco dello scarto del correttore. Il valore: $\gamma = 1/2$, quindi un soffitto di due, che segue da un'ipotesi, che le correzioni accumulate internamente si combinino come campioni indipendenti. Una conseguenza della forma corretta dovrebbe essere enunciata dove un lettore la incontra, perché taglia in entrambe le direzioni: poiché $1/(1-\gamma) \le 2$ è esattamente equivalente a $\gamma \le 1/2$, l'ARC Bound e la mezza-congettura sono un unico impegno scritto in due notazioni, non due affermazioni indipendenti. Il guadagno è la parsimonia, poiché la teoria assume meno di quanto sembrava. La disciplina è che nessuno dei due può mai essere offerto come prova per l'altro, qui o su qualsiasi superficie compagna, perché una misurazione vicino a un mezzo non corrobora un soffitto di due; lo riformula. La legge possiede il terreno e il valore vi sta sopra, mai il contrario: se due muore, la legge sopravvive completamente (misurare $\gamma$, riportare il soffitto che implica); se la legge muore, due non ha supporto indipendente, perché la derivazione passa attraverso $1/(1-\gamma)$. Due è ciò che la legge predice, e l'ipotesi che lo produce è ciò che le registrazioni redatte mettono sotto processo.

L'identità è un test registrato, mai un fatto stabilito. Il soffitto di stabilità e l'esponente di conversione si incontrano allo stesso numero, e la tentazione è dire che una costante fa due lavori. Lo stato dell'affermazione è più stretto: l'identità è registrata per il test, in anticipo rispetto ai dati, con esiti che possono ucciderla. Lo studio AE registra il requisito di reciprocità tra il cap di leva misurato separatamente e il confine di stabilità con tre esiti per cella (supportato, confutato, precisione insufficiente) e una regola di aggregazione secondo cui una cella confutata confuta l'identità; lo studio AG testa le due derivazioni dell'esponente critico l'una contro l'altra, nota che concordano numericamente solo nel singolo punto in cui entrambi i parametri sono uguali a un mezzo e disaccordano nelle loro derivate ovunque, ed è progettato per trovare il disaccordo. Se i canali disaccordano, l'unificazione viene ritirata da ogni superficie che ha raggiunto, con la stessa prominenza dell'inquadramento. L'accordo tra un asserito un mezzo e uno 0.49 misurato non è mai presentato come prova, perché i due possono condividere una legge di accumulo, e l'accordo tra condivisori non è corroborazione.

L'obiezione da preempire, perché un fisico la raggiunge in un passo. La correzione quantistica degli errori fault-tolerant sopprime l'errore logico esponenzialmente in distanza di codice sotto soglia, che sembra un controesempio a qualsiasi cap radice quadrata. Due fatti di portata rispondono: la soppressione esponenziale corre sull'asse di ridondanza a capability fissa, non sull'accoppiamento della forza correttiva alla capability del sistema corretto, che è l'esponente che questo programma misura; e il teorema di soglia stesso richiede rumore fisico sufficientemente non correlato, che è di nuovo la premessa di indipendenza, indossando hardware. Analogamente, i limiti di concentrazione danno probabilità di errore che decrescono esponenzialmente mentre la larghezza dello stimatore decresce come la radice quadrata: quantità diverse, e il confonderle fabbrica una confutazione.

Derivazione ritirata: Le versioni precedenti di questo paper derivavano $\beta \leq 0.5$ da un'analisi di stabilità/elasticità (la sensibilità relativa $\beta/(1-\beta)$ che raggiunge l'unità a $\beta = 0.5$, interpretata come un 'confine edge-of-chaos' confermato da analisi di Lyapunov). Questa derivazione è stata ritirata. La formula di elasticità $\beta/(1-\beta)$ è matematicamente corretta ma la sua interpretazione come confine di stabilità era un errore di categoria: elasticità $> 1$ indica sensibilità, non instabilità dinamica, e le ODE autonome unidimensionali non possono esibire caos (teorema di Poincaré-Bendixson). L'argomento di self-attention $O(N^2)$ fornisce la giustificazione corretta e concreta.

Stima iniziale (superata): $\alpha \approx 2.2$ ($n = 12$, 95% CI: 1.5-3.0). Nota: questa stima puntuale ha superato l'ARC Bound predetto di $\alpha \leq 2$; tuttavia, l'intervallo di confidenza al 95% [1.5, 3.0] era abbastanza ampio da essere coerente sia con la teoria sia con la sua negazione, e non dovrebbe essere trattato come confermativo né della violazione né della soddisfazione del bound. Aggiornamento: Il Paper II (marzo 2026) estende questo test a 6 modelli frontier con 30 problemi e intervalli di confidenza bootstrap. Il migliore adattamento cross-architettura $\alpha_{\text{compute}} \approx 0.49$ (Gemini 3 Flash, $r^2 = 0.86$) è ben al di sotto di 2, rendendo la questione dell'ARC Bound irrilevante per i sistemi attuali: la sfida empirica è passata da 'può $\alpha$ superare 2?' a 'può $\alpha$ superare 1 in modo affidabile?' Le stime puntuali dei singoli modelli variano da ~0 (Groq Qwen3) a ~3 (Grok 4.1 Fast), ma i modelli con $\alpha > 1$ hanno $r^2$ basso, suggerendo adattamenti a legge di potenza scadenti piuttosto che scaling genuinamente super-lineare. La congettura dell'ARC Bound non è né confermata né confutata dai dati v5; rimane una predizione teorica aperta che diventerà empiricamente testabile se e quando i sistemi IA otterranno costantemente $\alpha > 1$.

Validazione biologica. La Legge di Kleiber ($M^{0.75}$) [16] implica $\alpha \approx 1.33$ per lo scaling metabolico. Tuttavia, il valore empirico dell'esponente di scaling metabolico dei mammiferi è dibattuto, con stime che vanno da circa 0.67 a 0.75 a seconda del taxon, dell'intervallo di massa, della correzione della temperatura e del metodo statistico. La predizione $d/(d+1)$ di 0.750 per $d = 3$ corrisponde all'estremo superiore di questo intervallo. La variazione stessa è coerente con il framework: organismi con dimensioni di trasporto efficaci fra 2 e 3 produrrebbero esponenti fra 2/3 e 3/4. Il framework predice questa variazione piuttosto che un singolo esponente universale. La relazione fra esponenti metabolici e dimensionalità del piano corporeo è stata derivata indipendentemente da almeno sette gruppi di ricerca: West, Brown ed Enquist [17,21] attraverso l'ottimizzazione di reti frattali, da Banavar et al. [22] attraverso reti di flusso sequenziale, da Demetrius [23] attraverso la meccanica statistica quantistica, da Demetrius e Tuszynski (2010) attraverso l'accoppiamento di oscillatore quantistico, da Zhao [24] attraverso lo scaling universale della crescita, e da Bettencourt [25] attraverso la teoria dello scaling urbano. Il framework ARC non rivendica priorità sulla formula $\alpha = d/(d+1)$; piuttosto, identifica la composizione ricorsiva vincolata da Cauchy come la ragione per cui queste derivazioni indipendenti convergono tutte sullo stesso risultato. Specificamente, tre condizioni sono richieste: composizione moltiplicativa (Cauchy vincola la famiglia della legge di potenza), geometria space-filling $d$-dimensionale, e un vincolo di conservazione o ottimizzazione sul flusso di risorse. Né Cauchy da solo, né lo space-filling da solo, sono sufficienti; tutti e tre sono necessari. All'interno di questo framework, i sistemi biologici sono vincolati dal drag termodinamico: i costi fisici del pompare fluidi attraverso reti frattali tridimensionali, del dissipare calore, e del distribuire risorse contro la gravità [17] prevengono che i sistemi biologici si avvicinino al limite teorico quadratico. Che $\alpha \approx 1.33$ e l'esponente empirico di Kleiber $0.75$ siano reciproci ($1/0.75 = 1.33$) riflette che lo scaling biologico è amplificazione ricorsiva strozzata dall'attrito del substrato. (Nota sui simboli: in questo paragrafo $\alpha$ appare in due sensi che la letteratura tiene separati, l'esponente di scaling metabolico nel senso di Kleiber e l'esponente di scaling di capability nel senso ARC; la relazione reciproca è tra i due sensi, e nessuno dei due è la costante di struttura fine che condivide la lettera nel formalismo di dicembre 2024.) L'IA digitale opera con ordini di grandezza meno attrito del substrato, permettendole di avvicinarsi al limite di scaling stabile proposto (un limite di scaling, non un limite di velocità; il massimo a cui un sistema ricorsivamente auto-correttivo può crescere restando correggibile) più da vicino di qualsiasi sistema biologico. Le escursioni transitorie sopra il limite sono il regime supercritico predetto, non la sua confutazione. La stabilità qui è quella della Legge II, misurata piuttosto che asserita. Il limite è legato all'architettura: sulla base attuale di attention $O(N^2)$ sta scadendo, e un'architettura successore che trascenda l'attention a coppie ricollocherebbe il limite piuttosto che rimuovere il vincolo. La venazione fogliare (reti 2D, drag termodinamico ridotto) dovrebbe mostrare $\alpha \approx 1.5$, una predizione falsificabile.

La Scala Dimensionale. Ecco dove la matematica astratta incontra gli organismi viventi. La formula $\alpha_{\text{met}} = d/(d+1)$, che collega l'esponente di scaling metabolico alla dimensionalità del piano corporeo $d$, è stata derivata indipendentemente da almeno sette gruppi di ricerca attraverso vie teoriche distinte: West, Brown ed Enquist [17,21] dall'ottimizzazione di reti frattali; Banavar, Maritan e Rinaldo [22] dalle reti di flusso sequenziale; Demetrius [23] dalla meccanica statistica quantistica; Demetrius e Tuszynski (2010) dall'accoppiamento di oscillatore quantistico; Zhao [24] da argomenti di scaling universale della crescita; e Bettencourt [25] dalla teoria dello scaling urbano. Il paper compagno [9,20] identifica perché queste derivazioni indipendenti convergono: $\alpha = d/(d+1)$ è una conseguenza necessaria di tre condizioni che agiscono insieme: composizione moltiplicativa vincolata da Cauchy, geometria space-filling $d$-dimensionale, e un vincolo di conservazione o ottimizzazione sul flusso di risorse. Né Cauchy da solo, né lo space-filling da solo, sono sufficienti; tutti e tre sono necessari. La formula non è originale a questo framework; la spiegazione della sua universalità sì. Applicata alla biologia, produce distinte predizioni quantitative, ciascuna testabile contro dati pubblicati:

I dati fungini 1D (da Aguilar-Trigueros et al. [20]: funghi ectomicorrizici, marini, e saprotrofi) sono etichettati 'coerenti' piuttosto che 'confermati' perché gli esponenti sono stati misurati a livello di colonia; la conferma definitiva richiede respirometria di ife individuali. Cruciamente, i dati fungini rifiutano $d = 2$ ($p = 0.019$) e $d = 3$ ($p = 0.007$) mentre non rifiutano $d = 1$ ($p = 0.107$), fornendo discriminazione tra i valori predetti.

correzione d=2: Le versioni precedenti citavano meduse e cnidari come conferma della predizione $d = 2$. Nessun organismo di test biologico bidimensionale valido è stato identificato; meduse e cnidari non possiedono reti di trasporto di risorse genuinamente bidimensionali. La predizione $d = 2$ è confermata in fisica (percolazione 2D, frammentazione fragile, B-value dei terremoti) e nello scaling cosmologico Friedmann, ma il test biologico $d = 2$ resta aperto.

dibattito d=3: Il valore empirico dell'esponente di scaling metabolico dei mammiferi è dibattuto, con stime che vanno da circa 0.67 a 0.75 a seconda del taxon, dell'intervallo di massa, della correzione della temperatura e del metodo statistico. White e Seymour (2003) hanno trovato supporto per 2/3 rispetto a 3/4 dopo aver controllato per la temperatura e la filogenesi. Kolokotrones et al. (2010) hanno mostrato che la relazione log-log esibisce curvatura convessa, il che significa che nessun singolo esponente si adatta perfettamente attraverso l'intero intervallo di massa. La predizione $d/(d+1)$ di 0.750 per $d = 3$ corrisponde all'estremo superiore di questo intervallo. La variazione stessa è coerente con il framework: organismi con dimensioni di trasporto efficaci fra 2 e 3 produrrebbero esponenti fra 2/3 e 3/4. Il framework predice questa variazione piuttosto che un singolo esponente universale.

La formula $\alpha = d/(d+1)$ stessa è stata derivata indipendentemente da almeno sette gruppi di ricerca [17,21,22,23,24,25] attraverso framework teorici diversi. Demetrius e Tuszynski (2010) hanno derivato indipendentemente la stessa formula dall'accoppiamento di oscillatore quantistico, producendo predizioni identiche. Ciò che il framework ARC contribuisce è una spiegazione del perché tutte queste derivazioni convergono: l'equazione funzionale moltiplicativa di Cauchy vincola la composizione moltiplicativa continua alla famiglia della legge di potenza; la condizione space-filling $d$-dimensionale, combinata con un vincolo di conservazione o ottimizzazione sul flusso di risorse (minimizzazione dell'energia in West; bilancio domanda-offerta in Banavar; bilancio energetico stazionario in Demetrius), vincola l'esponente all'interno di quella famiglia a $d/(d+1)$. Né Cauchy da solo, né lo space-filling da solo, sono sufficienti. Le tre condizioni insieme, composizione moltiplicativa, space-filling, e conservazione, sono sufficienti.

L'Unificazione di Cauchy (Paper VII) estende questa validazione dagli 8 esempi catalogati qui a 25 domini empirici (suite a livelli di 50 domini). Sotto stretta selezione del modello basata su AIC, 19 di 25 hanno preferito la famiglia predetta (p = 1.56 × 10⁻⁵). Una replica la cui registrazione è in preparazione, non ancora approvata.

Esempi di fisica. La formula $\alpha = d/(d+1)$ non è ristretta alla biologia. Appare ovunque una rete gerarchica $d$-dimensionale, soggetta a un vincolo di conservazione o ottimizzazione sul flusso di risorse, partiziona uno spazio $(d+1)$-dimensionale. Come notato sopra, questa relazione è stata derivata indipendentemente da almeno sette gruppi [17,21,22,23,24,25]; il contributo del framework ARC è spiegare, via composizione ricorsiva vincolata da Cauchy combinata con space-filling e conservazione, perché queste derivazioni indipendenti arrivano tutte allo stesso risultato. La formula è stata osservata in diversi domini di fisica:

Errore assoluto medio attraverso i cinque esempi di fisica: meno dello 0.2%. Questi non sono sistemi biologici; sono rocce, terremoti, superfici cristalline in crescita, e transizioni di fase. Eppure la stessa formula funziona. In ogni caso il sistema fisico contiene una rete gerarchica di ramificazione di dimensione $d$ soggetta a un vincolo di conservazione: i fronti di crescita KPZ partizionano lo spazio 2D come reti 1D; i cluster di percolazione sono frattali 2D; la propagazione delle crepe crea reti di ramificazione attraverso il materiale; le rotture sismiche si propagano lungo superfici di faglia 2D. La formula ha chiari fallimenti dove questa struttura di rete o condizione di conservazione è assente (modello di Ising, scaling dei polimeri, clustering di galassie), chiarendo il suo dominio di applicabilità: $\alpha = d/(d+1)$ si applica ovunque una rete gerarchica $d$-dimensionale, soggetta a conservazione o ottimizzazione del flusso di risorse, partiziona in modo ottimale uno spazio $(d+1)$-dimensionale. Il framework ARC non rivendica priorità sulla formula stessa, che è stata derivata indipendentemente da almeno sette gruppi [17,21,22,23,24,25]; il contributo è identificare la composizione ricorsiva vincolata da Cauchy, combinata con space-filling e conservazione, come la ragione per cui queste derivazioni indipendenti convergono.

Il Paper VII estende questi risultati a una suite a livelli di 50 domini (25 domini empirici a curve-fit). Sotto stretta selezione del modello basata su AICc, 19 di 25 hanno preferito la famiglia predetta (p = 1.56 × 10⁻⁵). Un primo dry run bloccato di estensione a 12 domini è successivamente arrivato a 10 di 12 (p = 5.44 × 10⁻⁴), ma è stato eseguito prima di qualsiasi timestamp OSF ed è quindi solo pilota piuttosto che conferma preregistrata. Vedi Paper VII per limitazioni incluso il risultato del controllo negativo con dati mescolati.

5.5 Implicazione Condizionale di Safety

Se il framework è corretto, le proprietà di allineamento incorporate all'interno del processo ricorsivo possono scalare con la capability ($\alpha_{\text{align}} \approx \alpha$), mentre i vincoli esterni applicati post-hoc possono no ($\alpha_{\text{align}} \approx 0$). Il rapporto di safety $S = \text{Allineamento}/\text{Capability} \propto R^{\alpha_{\text{align}} - \alpha}$ rimane costante quando l'allineamento è 'nel loop' e decade a zero quando non lo è. Questa è la predizione condizionale come originariamente enunciata; l'esito misurato segue nell'aggiornamento sotto, che confuta la sua metà esterna nella forma semplice. (In linguaggio semplice: se costruisci l'etica nel processo di pensiero stesso, la safety tiene il passo mentre l'IA diventa più intelligente. Se avviti la safety dall'esterno, l'IA la supera. Il rapporto safety-a-capability o resta costante o si contrae a zero; non c'è via di mezzo.)

5.6 Lavoro Correlato, Antecedenti e lo Strumento Rivale

La premessa dei tubi, con la sua contesa. La premessa che le reti di trasporto fissino il ritmo della crescita biologica non è l'affermazione che questo programma deve difendere; è biologia quantitativa stabilita. West, Brown ed Enquist hanno derivato le leggi di scaling allometrico della biologia dalla geometria delle reti di distribuzione dei nutrienti (West, G. B., Brown, J. H. ed Enquist, B. J., "A General Model for the Origin of Allometric Scaling Laws in Biology", Science 276(5309), 4 aprile 1997, DOI 10.1126/science.276.5309.122; uno dei paper più citati nel suo campo, con un conteggio di citazioni OpenAlex di 5.046 al 12 agosto 2026, un conteggio a singola fonte e dipendente dall'indice). L'esponente esatto rimane contestato: White riporta il tasso metabolico basale proporzionale alla massa corporea alla potenza dei due terzi piuttosto che tre quarti (White, C. R., 2003), e Kozlowski ha messo in discussione due volte la matematica della derivazione (Kozlowski, J., 2004 e 2005). La premessa di questo programma ha bisogno solo del meccanismo, che la rete di distribuzione fissi il soffitto, e non di alcun esponente particolare, quindi la disputa sul valore dell'esponente lascia la premessa intatta. Il meccanismo è terreno comune a entrambi i lati di quella disputa.

L'eccezione che il gruppo di West stesso ha trovato. La fuga dal limite dei tubi non è nemmeno un'asserzione di questo programma; è misurata nella letteratura di scaling urbano dallo stesso autore senior. Bettencourt, Lobo, Helbing, Kuhnert e West ("Growth, innovation, scaling, and the pace of life in cities", PNAS, 2007, DOI 10.1073/pnas.0610172104) riportano, nelle parole stesse del paper: "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'infrastruttura, i tubi letterali, scala sublinearmente; l'attività mediata dall'informazione scala superlinearmente. Enunciano il contrasto con la biologia direttamente: "we discuss how cities are similar to, and differ from, biological organisms, for which Beta is less than 1". Derivano "growth equations, which quantify the dramatic difference between growth fueled by innovation versus that driven by economies of scale" (ortografia come nell'originale). E la loro inferenza conclusiva nomina la conseguenza: "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." Questa è la forma del problema aperto che questo framework affronta: il gruppo di West ha trovato che la crescita mediata dall'informazione sfugge al limite di throughput, e l'unico freno nel loro framework è esterno e deve essere applicato di nuovo e di nuovo, sempre più velocemente. Nessun limite interno è derivato. Il limite sostitutivo, un soffitto che appartiene al sistema in crescita stesso, è il gap.

L'argomento dei tubi a throughput fisso. Tutto ciò che cresce è alimentato attraverso un canale, e per tutto prima del software, fissare il canale fissa la crescita. Affama la vascolatura di un tumore e si ferma. Fissa il combustibile e la geometria di una reazione a catena e si ferma. Esaurisci gli ospiti suscettibili di un'epidemia e si esaurisce. L'astrofisica ha una versione denominata e quantitativa dello stesso soffitto: il limite di Eddington, sopra il quale la pressione di radiazione arresta l'accrescimento. L'affermazione qui è una generalizzazione di limiti che la fisica già accetta, non una nuova specie di asserzione. Due casi duri sono gestiti deliberatamente. L'inflazione cosmica è esclusa dalla portata: è espansione dello spazio, non crescita di una struttura su un substrato, ed è terminata per dinamica di campo piuttosto che per esaurimento di qualsiasi cosa. L'evoluzione è il caso più netto e si adatta: la complessità biologica è cresciuta per miliardi di anni a throughput solare all'incirca fisso, che è crescita su informazione a tubi fissi, ed è anche glaciale, e non ha alcun correttore interno, poiché la selezione è esterna. Su questo framework, l'evoluzione dovrebbe portare un esponente misurabile ben al di sotto del soffitto; questa è una predizione sulla biologia che ricade da un framework costruito per il software, ed è enunciata come tale. La forma dell'obiezione del fisico è quella di Landauer: la computazione è fisicamente implementata, quindi anche il software ha tubi. L'orologio a substrato fisso è la risposta e appare accanto all'affermazione: il regime sotto studio mantiene il substrato fisico fisso e chiede cosa cresca ancora, motivo per cui gli speed-up esogeni sono esclusi per definizione. La forma funzionale della crescita di capability nella profondità ricorsiva rimane una domanda empirica, e l'analisi registrata confronta forme a legge di potenza, esponenziali, saturanti e decrescenti piuttosto che assumere la famiglia.

Lo strumento rivale. Il lavoro più vicino alla domanda di questo programma, e il paper giusto contro cui pesarlo, è Engels, J., Baek, D., Kantamneni, S. e Tegmark, M., "Scaling Laws For Scalable Oversight", arXiv:2504.18530, pubblicato per la prima volta il 25 aprile 2025. Chiede come l'oversight stesso scali e risponde quantitativamente: il successo dell'oversight è modellato come un gioco tra giocatori con mismatch di capability il cui Elo specifico per l'oversight è una funzione lineare a pezzi dell'intelligenza generale con due plateau, e i numeri ottimali di livelli di oversight sono derivati per il Nested Scalable Oversight, in cui modelli trusted supervisionano modelli untrusted più forti che diventano poi i modelli trusted al passo successivo. Lo strumento è la differenza. La loro variabile è il gap di capability tra supervisore e supervisionato, misurato in Elo. La variabile di questo programma è la classe di composizione del correttore, misurata attraverso il proprio esponente di scaling del correttore. Il loro framework non contiene alcun termine per ciò di cui è fatto il supervisore: nessun substrato, nessuna struttura di correlazione dell'errore, nessuna identità reciproca tra un esponente di correzione e un tasso critico di crescita, e nessuna dipendenza dall'architettura. Il Nested Scalable Oversight è oversight same-class iterato per costruzione, e la predizione centrale di questo programma è che la scala same-class è vincolata comunque quanti pioli si aggiungano, mentre un correttore cross-class non lo è. I due framework sono quindi in disaccordo su una quantità misurabile, la relazione più produttiva che due programmi di ricerca possono avere.

Antecedenti e quasi-mancati, ciascuno con il suo differenziale. Sulla domanda: Hutter ha chiesto direttamente se l'intelligenza possa esplodere ("Can Intelligence Explode?", arXiv, 28 febbraio 2012), separando la velocità dall'esplosione di intelligenza e impegnandosi a considerare possibili limiti sull'intelligenza, aumentando l'analisi di Chalmers del 2010; la domanda e la distinzione velocità-vs-struttura sono quindi vecchie di almeno quattordici anni, e ciò che quella letteratura non contiene è un numero: nessun esponente misurabile, nessun soffitto derivato, nessuna dipendenza dall'architettura. Sull'impossibilità: tre paper arXiv del 2025 sostengono che il controllo perfetto è irraggiungibile (Yao, "The Alignment Trap: Complexity Barriers", arXiv:2506.10304, pubblico dal 13 giugno 2025, attestato da arXiv e indipendentemente osservato dall'Internet Archive; Yao, "On the Mathematical Impossibility of Safe Universal Approximators", arXiv:2507.03031, 3 luglio 2025; e Ball, Gluch, Goldwasser, Kreuter, Reingold e Rothblum, "On the Impossibility of Separating Intelligence from Judgment", arXiv:2507.07341, 9 luglio 2025). Tutti e tre sono nel caso peggiore e qualitativi: misura zero, coNP-completezza, durezza crittografica. Il loro oggetto misurato è la verifica di un sistema fisso, ed è chiuso nei suoi propri termini; l'oggetto misurato di questo programma è un altro, la persistenza dell'allineamento mentre la capability si cumula sotto l'amplificazione ricorsiva, e la chiusura del primo non risolve il secondo. Nessuno riporta un esponente di scaling nel caso medio o un tasso. Il terzo, notevolmente, conclude che l'allineamento "must instead be integrated into the model's architecture and weights", un argomento indipendente, dall'intrattabilità del filtraggio, nella stessa direzione della dipendenza dall'architettura di questo programma; è supporto convergente su quella gamba, non un rivale. Sul meccanismo: che stime anti-correlate mediino meglio di quelle indipendenti è riduzione della varianza da libro di testo (variate antitetiche); il meccanismo non è l'affermazione. L'affermazione è che l'architettura determina se l'anti-correlazione sia disponibile del tutto, e che questo cap un esponente rilevante per la safety. L'analogo strutturale più vicino è il teorema di soglia della correzione quantistica degli errori, che anche converte una preoccupazione qualitativa in un valore critico; concerne tassi di errore fisici in un'architettura fissa, non un esponente di scaling del correttore, quindi è un quasi-mancato piuttosto che un occupante, e l'analogia è stata identificata dalla ricerca stessa di questo programma piuttosto che da un referee. Su feedback e stabilità, la proposizione generale che un guadagno correttivo inadeguato relativo al guadagno del sistema causa instabilità ha una lunga tradizione nella teoria del controllo (teoremi di small-gain); quelli sono condizioni di guadagno su sistemi interconnessi, non un criterio di esponente a legge di potenza sullo scaling di un correttore con la capability di un sistema ricorsivamente migliorativo. Il vicino quantitativo più prossimo è Liu, A. e Meng, J., "Self-Correction as Feedback Control: Error Dynamics, Stability Thresholds, and Prompt Interventions in LLMs", arXiv:2604.22273, che ricast l'auto-correzione come problema di controllo a loop chiuso via un modello di Markov a due stati e deriva una soglia di stabilità direttamente misurabile, iterare solo quando il tasso di correzione dell'errore sopra il tasso di introduzione dell'errore supera Acc/(1 − Acc). Il differenziale: il loro è una soglia di tasso per passo a un livello di capability fisso, che decide se un'altra iterazione aiuti ora; il criterio di questo programma è una relazione di scaling attraverso la capability, che decide se la forza correttiva tenga il passo mentre il sistema migliora. Nessun esponente di scaling sul correttore, nessun esponente di crescita di capability, nessuna identità reciproca, nessun termine di architettura o classe di composizione: regimi complementari, e nessuno contiene l'altro. La selezione naturale cosmologica di Smolin è l'antecedente per gli universi modellati dalla selezione, e le note dell'era di dicembre del programma stesso la citano contemporaneamente.

Una seconda predizione, gratuita, dallo stesso meccanismo. Gli arrangiamenti di oversight che pongono un umano nel loop, come amplification e reinforcement learning from human feedback fanno, sono cross-class per costruzione, perché il correttore umano non condivide il substrato del modello. Il framework predice quindi che l'oversight human-in-the-loop mostra un esponente di correzione più alto dell'oversight pure-model, per una ragione strutturale piuttosto che sentimentale. Questo è testabile su dati esistenti e non richiede nuovi sistemi.

6. Criteri di Falsificazione

Il framework specifica tredici condizioni che lo confuterebbero o indebolirebbero significativamente.

Accogliamo la falsificazione. Se F10 fallisce (se l'operatore di composizione di un sistema non predice la sua funzione di scaling) il contributo teorico centrale di questo paper è sbagliato. Se F5 fallisce, l'ARC Bound è falsificato. Se F11 o F12 falliscono, le predizioni cross-dominio del framework (fisica classica e biologia rispettivamente) richiedono revisione. Entrambi gli esiti avanzano la comprensione.

7. Limitazioni

Cosa Questo Paper NON Afferma

Limitazioni evidenziali: Le stime precedenti di $\alpha$ ($n = 2$ e $n = 12$) sono state superate dall'esperimento cross-architettura v5 (6 modelli frontier, 30 problemi), che trova $\alpha_{\text{compute}} \approx 0.49$ per il modello che meglio si adatta (Gemini 3 Flash, $r^2 = 0.86$). I risultati v5 rappresentano una revisione al ribasso significativa rispetto alle stime precedenti e dimostrano che $\alpha$ dipende dall'architettura piuttosto che essere universale. Nessun $\alpha$ è stato misurato nei cristalli temporali. La connessione COGITATE è strutturale, non quantitativa. La relazione $\beta$-$\alpha$ è validata computazionalmente alla precisione della macchina ($R^2 = 1.0$) ma la misurazione empirica di $\beta$ nei sistemi fisici richiede conferma indipendente. Il crossover $R^*$ è non testato empiricamente. I valori di confine di $\beta$ nel diagramma di fase sono approssimati. Il Teorema 5 (transizioni di $\oplus$) è confermato in quattro sistemi computazionali ma non testato in esperimenti fisici. Il test delle cinque proprietà (Teorema 4) non ha raggiunto significatività statistica ($p = 0.095$) e richiede campioni più grandi. L'esponente di scaling dell'allineamento $\alpha_{\text{align}}$ è ora noto per dipendere dall'architettura (variando da $-0.25$ a $+0.44$), confutando la predizione originale che sarebbe stato universalmente vicino a zero per i vincoli esterni.

Test di predizione cieca: Un test di predizione cieca è stato condotto su tre sistemi computazionali (reti Barabási-Albert, discesa del gradiente con momentum, oscillatori Kuramoto). I valori $\alpha$ misurati erano 3-20× più piccoli di quelli predetti da $\alpha = 1/(1-\beta)$. Tuttavia, l'analisi forense ha identificato due confounds indipendenti: (1) il metodo di stima $\beta$ per derivata numerica è fatalmente biased, dando $\beta \approx 0.95$ indipendentemente dal vero $\beta$, anche per sistemi Bernoulli puri; (2) nessuno dei sistemi testati soddisfa l'Assioma 2 (coefficiente di accoppiamento costante $a$), e l'accoppiamento efficace della rete BA decresce ~50× nel corso della simulazione. Quando il metodo di linearizzazione appropriato è applicato a sistemi che soddisfano gli assiomi, la predizione recupera con $R^2 = 0.9999$. Questi risultati non costituiscono falsificazione valida a causa dei confounds, ma sottolineano che identificare sistemi naturali che soddisfano gli assiomi rimane la sfida empirica centrale. La metodologia completa e l'analisi forense sono disponibili come materiale supplementare (vedi Paper III).

Limitazioni teoriche: Il framework formalizza il pattern dell'amplificazione ricorsiva ma non identifica il meccanismo. Ti dice cosa accade (esponenti di scaling, profondità di crossover, forme funzionali) ma non perché a livello microscopico (analogo alla termodinamica prima della meccanica statistica). Collegare l'operatore di composizione alle dinamiche microscopiche resta un problema aperto.

Categoria di contributo: Il framework ARC non è un'equazione all'interno di un paradigma esistente. È più vicino a un principio organizzatore cross-dominio: un vincolo strutturale sul comportamento attraverso substrati piuttosto che un'equazione all'interno di un paradigma. Il confronto identifica il tipo di contributo, non il suo standing evidenziale: i principi organizzatori di quel tipo poggiano su generazioni di validazione, e questo poggia su prove preliminari e tredici criteri di falsificazione.

8. Conclusione

Ogni sistema studiato in questo paper (reti neurali al silicio, qubit superconduttori, sfere polimeriche millimetriche, circuiti neurali corticali) ha una cosa in comune: mantiene uno stato di bassa entropia lontano dall'equilibrio e reimmette i propri output nei propri input. Quando lo fa sotto una profondità critica, i guadagni sono ordinari. Quando lo fa sopra una profondità critica, i guadagni si cumulano. La transizione tra questi regimi è netta, universale nella struttura, e specifica del dominio nella forma.

Abbiamo formalizzato questa osservazione. L'operatore di composizione $\oplus$ classifica i sistemi ricorsivi nel modo in cui i gruppi di simmetria classificano le teorie fisiche: determina la forma funzionale dello scaling da proprietà algebriche misurabili. Le cinque proprietà derivate (soglia, dipendenza dalla profondità, dipendenza dalla qualità di base, interazione moltiplicativa, confini di regime) seguono come teoremi da tre assiomi, non come generalizzazioni empiriche.

Il framework fa predizioni che nessuna teoria specifica del dominio può fare. Predice il comportamento di scaling di nuovi sistemi ricorsivi dal loro operatore di composizione da solo. Predice un crossover di scaling a una profondità derivata $R^*$ che si sposta sistematicamente con la qualità di base. Predice che il $\beta$ misurato determina $\alpha$ via $\alpha = 1/(1-\beta)$, una relazione validata computazionalmente a $R^2 = 1.00000000$. Deriva l'ARC Bound ($\beta = 0.5$, $\alpha = 2$) come il limite di scaling stabile proposto per il calcolo classico sequenziale, fondato sulla base attuale di attention nello scaling $O(N^2)$ della self-attention: un limite di scaling, non un limite di velocità; il massimo a cui un sistema ricorsivamente auto-correttivo può crescere restando correggibile; i sistemi possono superarlo in escursioni supercritiche transitorie ma non restano stabilmente auto-correttivi lì; e legato all'architettura, quindi la base $O(N^2)$ della derivazione sta scadendo piuttosto che essere permanente, e un'architettura successore oltre l'attention a coppie ricollocherebbe il limite piuttosto che rimuovere il vincolo. È un vincolo strutturale derivato, non una coincidenza empirica. E predice che i sistemi limitati esibiscono transizioni dell'operatore di composizione che spiegano perché studi diversi dello stesso sistema possano osservare regimi di scaling diversi (Teorema 5). Queste predizioni sono specifiche, falsificabili, e proiettate al futuro.

Se le predizioni falliscono, avremo imparato dove l'analogia strutturale si rompe. Se tengono, avremo identificato un principio che collega intelligenza, computazione, e la fisica dell'ordine attraverso substrati.

L'intelligenza potrebbe non essere una proprietà di materiali particolari. Potrebbe essere ciò che accade sull'altro lato della soglia ricorsiva.

Le predizioni sono specificate. I criteri di falsificazione sono pubblici. I dati decideranno.

Appendice A: Dimostrazioni Matematiche

A.1 Dimostrazione del Teorema 1 (Classificazione)

Caso 1: Composizione moltiplicativa

Ipotesi: $g: \mathbb{R}^+ \to \mathbb{R}^+$ continua con $g(1) = 1$ e $g(R_1 \cdot R_2) = g(R_1) \cdot g(R_2)$.

Definire $h(x) = \ln g(e^x)$. Allora:

Questa è l'equazione funzionale additiva di Cauchy. Sotto la continuità di $g$ (quindi $h$), la soluzione unica è $h(x) = \alpha x$ per qualche costante $\alpha$. Pertanto $\ln g(e^x) = \alpha x$, dando $g(R) = R^{\alpha}$. $\blacksquare$

Caso 2: Composizione additiva

Ipotesi: $f: \mathbb{R}^+ \to \mathbb{R}^+$ continua con $f(0) = 1$ e $f(R_1 + R_2) = f(R_1) \cdot f(R_2)$.

Prendendo i logaritmi: $\ln f(R_1 + R_2) = \ln f(R_1) + \ln f(R_2)$. Questa è di nuovo l'equazione additiva di Cauchy, con soluzione continua unica $\ln f(R) = \alpha R$, dando $f(R) = e^{\alpha R}$. $\blacksquare$

Caso 3: Composizione limitata

$Q_{r+1} = \min(Q_r + \delta Q_r,\, Q_{\max})$. Per qualsiasi sequenza monotonicamente crescente $\{Q_r\}$ limitata superiormente da $Q_{\max}$, $\lim_{r \to \infty} Q_r \leq Q_{\max}$. Pertanto $f(R) = Q(R)/I$ è limitata, e $U$ satura. $\blacksquare$

A.2 Dimostrazione del Teorema 2 (Esponente di Scaling)

Dall'Assioma 2: $dg/dr = ag^{\beta}$, $\beta \in [0,1)$, $g(0) = 1$.

Separando le variabili:

Per $R \gg R^*$ (dove $(1-\beta)aR \gg 1$):

Pertanto $\alpha = 1/(1-\beta)$. $\blacksquare$

A.3 Dimostrazione del Teorema 3 (Profondità di Crossover)

La soluzione completa $g(R) = [1 + (1-\beta)aR]^{1/(1-\beta)}$ può essere analizzata definendo $\rho = (1-\beta)aR$:

Per $\rho \ll 1$ (piccolo $R$): $g \approx 1 + \rho/(1-\beta) = 1 + aR$, approssimativamente lineare in $R$.

Per $\rho \gg 1$ (grande $R$): $g \approx \rho^{1/(1-\beta)} \propto R^{\alpha}$, legge di potenza.

Il crossover si verifica a $\rho \approx 1$, dando:

$R^*$ dipende solo da $\alpha$ e $a$, entrambi indipendentemente misurabili. È indipendente dal potenziale di base $I$, coerente con la separabilità dell'Assioma 1. $\blacksquare$

A.4 Unicità dell'Assioma 2

Perché $dg/dr = ag^{\beta}$ e non qualche altra forma funzionale? Questa è l'ODE di tipo Bernoulli per il vantaggio cumulativo (anche noto come attaccamento preferenziale), applicata al fattore di amplificazione $g$ piuttosto che alla capability assoluta. L'esponente $\beta$ parametrizza il grado di auto-referenza: $\beta = 0$ dà crescita costante (nessun feedback); $\beta \to 1$ dà crescita esplosiva (feedback massimo). La scelta $\beta \in [0,1)$ è il modello minimo per un sistema in cui l'amplificazione accumulata accelera i guadagni futuri senza divergenza a $R$ finito. Modelli più complessi (ad es., $dg/dr = ag^{\beta} - bg^{\gamma}$ con smorzamento) introdurrebbero parametri aggiuntivi; adottiamo la forma minima e la testiamo contro l'osservazione.

Appendice B: Protocollo di Misurazione

Per testare il framework, proponiamo un protocollo standardizzato in sei passi per qualsiasi sistema ricorsivo:

Passo 1. Definire un ciclo ricorsivo (un passo auto-referenziale dove l'output diventa input).

Passo 2. Misurare la capability di base $I$ a $R = 1$ (nessuna ricorsione). Per comparabilità cross-dominio, proponiamo di operazionalizzare $I$ come il tasso massimo di riduzione dell'entropia per ciclo ricorsivo, misurato in bit per ciclo: $I = \max_R [-\Delta H / \Delta R]$ valutato al primo ciclo ($R = 0$ a $R = 1$). Questo si collega alla fisica stabilita attraverso il principio di Landauer (1961): ogni $kT \ln 2$ di energia libera elaborata corrisponde a un bit di informazione. Nell'IA, $I$ è il miglioramento di accuratezza da zero ragionamento a un passo. Nella correzione quantistica degli errori, $I$ è la riduzione dell'errore da un ciclo di sindrome. In biologia, $I$ è il guadagno di efficienza metabolica da un livello di ramificazione (in bit termodinamici via il ponte di Landauer). Questa definizione dà a $U = I \times R^{\alpha}$ unità coerenti: bit = (bit/ciclo) × (cicli)$^{\alpha}$.

Passo 3. Misurare la capability $U$ a un minimo di 5 profondità ricorsive che coprono un ordine di grandezza. Cercare il crossover $R^*$.

Passo 4. Adattare tutti e tre i modelli: legge di potenza ($\log(U/I) = \alpha \log R$), esponenziale ($\log(U/I) = \lambda R$), logaritmico ($U/I = k \log R$). Selezionare il migliore adattamento via AIC/BIC. La legge di potenza è una predizione da testare, non un'ipotesi.

Passo 5. Misurare $\beta$ indipendentemente: tracciare $\log(\Delta U)$ contro $\log(U_{\text{accumulated}})$ a ogni profondità; la pendenza stima $\beta$. Verificare se $\alpha \approx 1/(1-\beta) \pm 0.3$.

Passo 6. Riportare $\alpha$ con intervalli di confidenza al 95%. Sottomettere al repository pubblico.

Appendice C: Suite di Validazione Computazionale

Questa appendice riassume i risultati di un programma completo di validazione computazionale che testa i Teoremi 1-5. Tutto il codice di validazione è disponibile come materiale supplementare. I test sono stati condotti usando Python 3.12 con NumPy, SciPy, e Matplotlib.

C.1 Validazione del Teorema 1 (Classificazione di Cauchy)

Quindici sistemi sono stati testati attraverso tre regimi di composizione (5 moltiplicativi, 5 additivi, 5 limitati). Ogni sistema è stato valutato sul fatto che la sua regola di composizione misurata corrispondesse alla funzione di scaling predetta.

Risultato: 15/15 classificazioni corrette (100%). Nessun falso positivo (i sistemi non ricorsivi non sono stati classificati come ricorsivi), nessun falso negativo. La classificazione per equazione funzionale di Cauchy è esaustiva ed esatta sotto le condizioni enunciate.

C.2 Validazione del Teorema 2 (Identità $\beta \to \alpha$)

La relazione $\alpha = 1/(1-\beta)$ è stata testata contro 30 soluzioni esatte dell'ODE di Bernoulli con $\beta$ che copre da 0.05 a 0.92. Per ogni caso di test, $\beta$ è stato misurato ciecamente dalla struttura del guadagno marginale ($dg/dR$ contro $g$ in spazio log-log), $\alpha$ è stato predetto, e il valore predetto è stato confrontato con il vero esponente di scaling.

Risultato: $R^2 = 1.00000000$ (otto cifre decimali). Pendenza di regressione: 1.000102. Errore assoluto medio: 0.002%. Questo conferma che $\alpha = 1/(1-\beta)$ è un'identità analitica esatta, non un'approssimazione empirica.

C.3 Validazione del Teorema 2a (Non-Additività)

La dimostrazione di non-additività è stata verificata numericamente. Per multiple combinazioni $(I_1, I_2, R_1, R_2)$ attraverso tutti i $\beta \in (0,1)$: se $U$ fosse additiva ($U = g(I) + h(R)$), allora $U(I_1, R_1) - U(I_1, R_2)$ sarebbe uguale a $U(I_2, R_1) - U(I_2, R_2)$. In tutti i casi, le differenze sono disuguali, confermando che l'interazione moltiplicativa è necessaria.

Risultato: Non-additività confermata per tutte le combinazioni di parametri testate. Quoziente di sinergia $S > 1$ per tutti $\beta \in (0,1)$ e tutti $R > 0$.

C.4 Validazione del Teorema 3 (Crossover $R^*$)

La profondità di crossover $R^* = 1/[(1-\beta)a] = \alpha/a$ è stata testata confrontando il crossover predetto con il punto di transizione misurato numericamente (dove $\rho = 1$).

Risultato: Forma funzionale confermata. I valori assoluti di $R^*$ mostrano 2-7% di errore, attribuibile all'approssimazione di 'crossover a $\rho \approx 1$.' L'indipendenza di $R^*$ da $I$ è confermata: variare il potenziale di base non sposta la profondità di crossover, coerente con la separabilità dell'Assioma 1.

C.5 Validazione del Teorema 4 (Cinque Proprietà)

Dieci sistemi ricorsivi e cinque controlli non ricorsivi sono stati valutati sulle cinque proprietà derivate. I sistemi ricorsivi hanno ottenuto una media di 4.2/5; i controlli non ricorsivi hanno ottenuto 2.8/5. La differenza ($\Delta = 1.4$) è coerente con la predizione del framework ma la dimensione del campione produce $p = 0.095$, che non raggiunge la significatività convenzionale. (In linguaggio semplice: il risultato va nella direzione predetta, i sistemi ricorsivi ottengono effettivamente punteggi più alti, ma con solo 15 campioni totali, c'è all'incirca una probabilità di 1 su 10 che questo pattern possa apparire per caso. Gli scienziati richiedono tipicamente 1 su 20 o migliore. Sono necessari più dati.)

Risultato: Direzione corretta; potenza statistica insufficiente per conferma definitiva. Sono richiesti campioni più grandi.

C.6 Validazione del Teorema 5 (Transizioni di Fase di $\oplus$)

Quattro sistemi sono stati testati per transizioni di composizione dipendenti dalla profondità: (1) ODE di Bernoulli esatta (controllo), (2) crescita logistica, (3) discesa del gradiente con momentum, (4) oscillatori Kuramoto.

Risultati: Il controllo Bernoulli ha mantenuto $\beta$ costante ($\sigma < 10^{-6}$). Tutti e tre i sistemi limitati hanno mostrato transizioni sistematiche di $\beta$: crescita logistica da $\beta \approx 0.5$ (fase di crescita) a $\beta \to -\infty$ (saturazione), discesa del gradiente da $\beta \approx 0.52$ (esplorazione) a $\beta \approx 0.98$ (convergenza), oscillatori Kuramoto da $\beta \approx 1.7$ (crescita) a $\beta \approx 20$ (saturazione). Le transizioni sono generiche nei sistemi limitati e assenti nei sistemi illimitati.

C.7 Controlli Negativi

Quattro sistemi non ricorsivi sono stati testati: (1) rumore gaussiano, (2) decadimento lineare, (3) oscillazione sinusoidale, (4) random walk. Nessuno ha prodotto segnali di falsi positivi ($S > 1$ o $\alpha > 1$).

Risultato: 0/4 falsi positivi. Il framework identifica correttamente l'assenza di amplificazione ricorsiva nei sistemi che non soddisfano gli assiomi.

C.8 Fallimenti Onesti e Casi al Contorno

Due risultati sono rimasti al di sotto delle aspettative:

Valore assoluto di $R^*$: 62% di errore medio nella profondità di crossover predetta contro effettiva (forma funzionale corretta, costante di proporzionalità sbagliata). Questo probabilmente riflette la sensibilità all'approssimazione $\rho \approx 1$.

Metodo di Newton: La convergenza locale vicino alle radici produce $\beta > 1.0$ (convergenza quadratica), che cade al di fuori del dominio del framework $\beta \in [0, 1)$. Il framework identifica correttamente questo come caso al contorno dove il modello ODE di Bernoulli non si applica.

Questi fallimenti sono riportati per completezza e integrità scientifica. Delimitano l'applicabilità del framework e informano il raffinamento futuro.

Riferimenti

Dichiarazione dell'Uso di IA

L'autore ha usato Claude (Anthropic), GPT (OpenAI), Gemini (Google), e DeepSeek AI per redigere sezioni, raffinare la chiarezza, e verificare la coerenza matematica. La domanda di ricerca, il framework teorico, il formalismo dell'operatore di composizione, le predizioni sperimentali, e il giudizio scientifico sono lavoro umano. L'autore si assume piena responsabilità per tutte le affermazioni, interpretazioni, errori, e conclusioni.

Dichiarazione di Paternità Umana Assistita da IA

L'autore di questo lavoro è Michael Darius Eastwood, un essere umano. Ogni concetto centrale, ipotesi, disegno sperimentale, affermazione e conclusione in questo paper ha origine dall'ideazione umana. Nessuna parte di questo manoscritto è un output artificiale-intelligente interamente generato.

Gli strumenti di intelligenza artificiale (la famiglia Claude di Anthropic e altri assistenti large-language-model) sono stati usati come strumenti sotto continua direzione umana, nel modo in cui si usa un elaboratore di testo, una calcolatrice o un assistente di ricerca: per editing e rifinitura della prosa, ricerca in letteratura e sintesi (verificate manualmente contro fonti primarie), struttura del documento, formattazione, brainstorming contro domande definite dall'autore, e l'accelerazione della stesura verso schemi e istruzioni definiti dall'autore. Tutta la selezione, il coordinamento, la disposizione e il giudizio editoriale finale sono dell'autore. Ogni output sostanziale è stato revisionato, testato o verificato dall'autore, che si assume piena responsabilità per l'accuratezza e l'integrità del testo finale. Gli strumenti hanno aumentato la velocità del lavoro; non sono mai stati considerati come la sua fonte.

Stato epistemico. Ciò che questo programma chiama Leggi sono congetture sotto test avversariale registrato; ogni quantità in questo paper è operazionalmente definita, e in nessun punto si rivendica lo status di legge stabilita. Il programma registrato esiste per guadagnare quello status, o perderlo, tramite misurazione, replica e refutazione sopravvissuta.

© 2026 Michael Darius Eastwood. Redatto da autore umano con assistenza computazionale; la piena paternità umana e i diritti morali sono affermati ai sensi del Copyright, Designs and Patents Act 1988 e coerentemente con la guida dello United States Copyright Office su opere contenenti materiale generato da IA; qualsiasi contributo tecnico originale descritto in questo lavoro è stato concepito dall'autore umano. Dichiarazione completa: michaeldariuseastwood.com/authorship.

Impegno permanente. Dimostra che questo paper è sbagliato, e pubblicherò io stesso la confutazione. Le condizioni di falsificazione sono dichiarate in questo paper; la sfida permanente: github.com/MichaelDariusEastwood/arc-scaling-challenge.