Tradução automática do original inglês datado. A página em inglês é a canónica. English →
Previsões ao nível da teoria pré-registadas no OSF: DOI 10.17605/OSF.IO/P8CKQ, registadas a 8 de Setembro de 2026 (versão 1.100), actualizadas a 13 de Setembro de 2026 (versão 1.102), vinte e duas proposições.
Documento companheiro: Definições operacionais do programa ARC, versão 1.7.1, 3 de Setembro de 2026.
Este artigo formaliza e testa preliminarmente o ARC Principle (Artificial Recursive Creation), proposto pela primeira vez em Infinite Architects (Eastwood, 2026): que a capacidade em sistemas inteligentes escala superlinearmente com a profundidade recursiva. O princípio é expresso matematicamente como U = I x R^alpha, onde a capacidade efetiva (U) escala com a inteligência de base (I) multiplicada pela profundidade recursiva (R) elevada a um expoente estimado empiricamente.
Onde isto se situa na Teoria ARC: enuncia a Lei I, a equação ARC, em termos formais, juntamente com o Limite ARC, que é o valor conjecturado assumido pela Lei III, o tecto ARC.
Que lei este artigo transporta. A ARC Theory tem três leis numeradas, e o ARC Principle é o nome coletivo para as três em conjunto e não para qualquer uma delas em particular. Este artigo transporta a Primeira Lei, a ARC Equation: $U = I \times R^{\alpha}$, a recursão a converter-se em capacidade a um expoente medido. O Artigo X porta a Segunda Lei (co-escalamento). O artigo de síntese porta a Terceira Lei (o tecto ARC). O artigo fundacional porta os axiomas e as demonstrações sobre os quais as três assentam.
Este artigo formaliza e testa preliminarmente o ARC Principle (Artificial Recursive Creation), proposto pela primeira vez em Infinite Architects (Eastwood, 2026): que a capacidade em sistemas inteligentes escala superlinearmente com a profundidade recursiva. O princípio é expresso matematicamente como $U = I \times R^{\alpha}$, onde a capacidade efetiva ($U$) escala com a inteligência de base ($I$) multiplicada pela profundidade recursiva ($R$) elevada a um expoente $\alpha$ estimado empiricamente.
A análise de dados públicos de computação em tempo de teste, provenientes de modelos de raciocínio, revela uma distinção crítica entre duas formas de recursão. A recursão paralela (voto maioritário sobre amostras independentes) produz um escalamento sublinear com $\alpha \approx 0.1$ a $0.3$. A recursão sequencial (raciocínio em cadeia de pensamento em que cada passo assenta nos anteriores) produz um escalamento superlinear com $\alpha \approx 1.34$ na estimativa de dois pontos deste artigo; a medição posterior sobre seis modelos e várias arquitecturas (Artigo II) encontra o expoente sequencial dependente da arquitectura, com melhor ajuste $\alpha_{\text{seq}} \approx 0.49$ e um intervalo que abrange tanto o sublinear como o superlinear, pelo que a afirmação de superlinearidade fica por resolver em vez de estabelecida.
Este achado preliminar, se validado por investigação posterior, sugere que a forma da recursão determina se a inteligência se compõe ou apenas se acumula. Propomos que $\alpha = 2$ é um tecto de estabilidade e não um limite de impossibilidade: é o limite estável proposto, o máximo que um sistema recursivamente autocorrectivo pode crescer mantendo-se corrigível, um limite de escalamento e não um limite de velocidade. Os sistemas podem exceder $\alpha = 2$; não permanecem estavelmente autocorrectivos acima dele. Um sistema duradouramente estável acima de dois refutaria a cota; uma excursão transitória é o regime supercrítico previsto, não a refutação. Estável mede-se, não se afirma: a correcção tem de escalar mais depressa do que a deriva, o que a Lei II enuncia como $\beta_C > k$, e o limite inferior de $\beta_C - k$ tem de situar-se acima de zero ao longo de uma janela fixada antes de a execução começar.
Palavras-chave: leis de escalonamento, inteligência recursiva, computação em tempo de teste, amplificação de capacidade, emergência, raciocínio em cadeia-de-pensamento, ARC Principle
Como ler este artigo. Este artigo é um resultado preliminar da Teoria ARC. A recursão sequencial produz um expoente de escalamento superior ao da recursão paralela nos dados publicados de modelos de raciocínio, com uma estimativa inicial de dois pontos de $\alpha_{\mathrm{seq}} \approx 1.34$, depois substituída pela medição sobre seis modelos do Artigo II, que encontra expoentes dependentes da arquitectura com melhor ajuste em $\alpha_{\mathrm{seq}} \approx 0.49$. O seu lugar dentro da teoria é o primeiro olhar empírico acima da camada das leis fundacionais. O diferencial completo face a cada documento anterior está em eden-vision II.A.8.
As leis de escalonamento que governam a inteligência artificial foram extensivamente estudadas. Kaplan et al. (2020) estabeleceram relações de lei de potência entre o desempenho do modelo e os parâmetros, enquanto Hoffmann et al. (2022) as refinaram com prescrições de treino ótimo em termos de computação. Estas leis governam o quê escalar, mas não abordam porquê o escalonamento produz comportamento inteligente.
A emergência de modelos de raciocínio em 2024 e 2025 introduziu uma nova variável: a computação em tempo de teste. O o1 da OpenAI (setembro de 2024) e o R1 da DeepSeek (janeiro de 2025) alocam recursos computacionais em tempo de inferência para raciocinar antes de responder, produzindo melhorias substanciais de capacidade em benchmarks de raciocínio.
Este artigo propõe que a computação em tempo de teste serve como proxy para a profundidade recursiva, e que a profundidade recursiva pode ser um motor fundamental de amplificação de capacidade em sistemas de inteligência artificial.
O ARC Principle (Artificial Recursive Creation), articulado pela primeira vez em Infinite Architects (Eastwood, 2026), propõe:
A capacidade escala com a inteligência multiplicada pela profundidade recursiva elevada a uma potência
Onde:
A alegação central do princípio: a recursão não se limita a acrescentar à capacidade; multiplica-a de acordo com uma lei de potência.
Nota terminológica sobre alfa. Alfa aparece neste programa em dois significados distintos ao longo de eras: a constante de estrutura fina no formalismo de dezembro de 2024, e o expoente ARC Bound no trabalho de 2026. Cada uso de alfa neste artigo é o sentido de 2026 acima; o glossário do programa transporta ambos os significados com datas, e nenhuma superfície nova usa alfa desacompanhado sem a sua era.
Este artigo faz as seguintes alegações, cada uma com estatuto epistémico explícito:
| Alegação | Estatuto | Nível de evidência |
|---|---|---|
| $U = I \times R^{\alpha}$ é um quadro útil para sistemas de IA | PROPOSTA | Teórica |
| A recursão paralela devolve $\alpha < 1$ em benchmarks de IA | PRELIMINAR | Dados limitados (o1) |
| A recursão sequencial devolve $\alpha > 1$ em benchmarks de IA | POR RESOLVER | Apenas dois pontos (DeepSeek-R1), desde então deslocados pelo melhor ajuste sobre seis modelos reportado no Artigo II, $\alpha_{\text{seq}} \approx 0.49$, intervalo [-1.3, 2.9] |
| $\alpha = 2$ é um tecto de estabilidade: pode ser excedido, mas não enquanto um sistema permanece estavelmente autocorretor | HIPOTETIZADO | Apenas teórico |
| A forma da recursão importa | APOIADA | Consistente com ambos os conjuntos de dados |
Apresentamos um princípio com evidência preliminar de apoio e convidamos a testes rigorosos.
A premissa dos canos (West, Brown e Enquist, e a contenda). A premissa de que as redes de transporte fixam o ritmo do crescimento biológico não é a alegação a defender deste programa; é biologia quantitativa estabelecida. West, Brown e Enquist derivaram as leis de escalonamento alométrico da biologia da geometria das redes de distribuição de nutrientes (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 de abril de 1997, DOI 10.1126/science.276.5309.122; um dos artigos mais citados no seu campo, com uma contagem de citações OpenAlex de 5,046 a 12 de agosto de 2026, contagem de FONTE-ÚNICA e dependente do índice). O expoente exato permanece contestado: White reporta a taxa metabólica basal proporcional à massa corporal elevada a dois terços em vez de três quartos (White, C. R., 2003, «Mammalian basal metabolic rate is proportional to body mass 2/3», 725 citações, OpenAlex), e Kozlowski questionou por duas vezes a matemática da derivação (Kozlowski, J., 2004 e 2005). A premissa deste programa precisa apenas do mecanismo, de que a rede de entrega fixa o tecto, e não de qualquer expoente em particular, pelo que a disputa sobre o valor do expoente deixa a premissa intacta. O mecanismo é terreno comum a ambos os lados dessa disputa.
A exceção que o próprio grupo de West encontrou (Bettencourt et al 2007). A fuga ao limite dos canos também não é asserção deste programa; é medida na literatura de escalonamento urbano pelo mesmo autor sénior. Bettencourt, Lobo, Helbing, Kuhnert e West («Growth, innovation, scaling, and the pace of life in cities», PNAS, 2007, DOI 10.1073/pnas.0610172104; 2,704 citações, OpenAlex, 12 de agosto de 2026, contagem de FONTE-ÚNICA) reportam, nas próprias palavras do artigo (LIDO-NA-FONTE do resumo 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).»
A infraestrutura, os canos literais, escala sublinearmente. A atividade mediada por informação escala superlinearmente. Enunciam o contraste com a biologia diretamente: «we discuss how cities are similar to, and differ from, biological organisms, for which Beta is less than 1». Derivam «growth equations, which quantify the dramatic difference between growth fueled by innovation versus that driven by economies of scale» (ortografia como no original). E a sua inferência conclusiva nomeia a consequência: «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.»
Essa é a forma do problema em aberto que este programa aborda: o grupo de West constatou que o crescimento mediado por informação escapa ao limite de débito, e o único travão no seu quadro é externo e tem de ser aplicado uma e outra vez, cada vez mais depressa. Nenhum limite interno é derivado. O limite de substituição, um tecto pertencente ao próprio sistema em crescimento, é a lacuna.
O instrumento rival (Engels, Baek, Kantamneni e Tegmark 2025). O trabalho mais próximo da questão deste programa, e o artigo com que importa compará-lo, é Engels, J., Baek, D., Kantamneni, S. e Tegmark, M., «Scaling Laws For Scalable Oversight», arXiv:2504.18530, publicado pela primeira vez a 25 de Abril de 2025 às 17:54:27 UTC (SINGLE-SOURCE-GROUP, arXiv Atom; póster Spotlight da NeurIPS 2025, verificado a 15 de Agosto de 2026 contra a página virtual da NeurIPS do póster 115536, conforme registado no dossiê de referências do artigo de síntese). Pergunta como escala a própria supervisão e responde quantitativamente: o sucesso da supervisão é modelado como um jogo entre jogadores de capacidade desigual cujo Elo específico de supervisão é uma função linear por troços da inteligência geral com dois patamares, e os números óptimos de níveis de supervisão são derivados numericamente e, nalguns casos, analiticamente para a Supervisão Escalável Aninhada, na qual modelos de confiança supervisionam modelos mais fortes não fiáveis que passam a ser os modelos de confiança do passo seguinte.
O instrumento é a diferença. A sua variável é a lacuna de capacidade entre supervisor e supervisionado, medida em Elo. A variável deste programa é a classe de composição do corretor, medida através do próprio expoente de escalonamento do corretor. O quadro deles não contém nenhum termo para aquilo de que o supervisor é feito: sem substrato, sem estrutura de correlação de erro, sem identidade recíproca entre um expoente de correção e uma taxa crítica de crescimento, e sem dependência de arquitetura. Nested Scalable Oversight é supervisão iterada da mesma classe por construção, e a previsão central deste programa é que a escada da mesma classe é limitada por muitos degraus que se acrescentem, enquanto um corretor entre classes não o é. Os dois quadros discordam, portanto, sobre uma quantidade mensurável, o que é a relação mais produtiva que dois programas de investigação podem ter.
Antecedentes e quase-acertos, cada um com o seu diferencial.
Sobre a questão. Hutter perguntou diretamente se a inteligência pode explodir («Can Intelligence Explode?», arXiv, 28 de fevereiro de 2012, LIDO-NA-FONTE), separando «speed from intelligence explosion» e propondo-se «consider possible bounds on intelligence», aumentando a análise de Chalmers de 2010. A questão e a distinção velocidade-versus-estrutura têm, portanto, pelo menos catorze anos. Essa literatura, tanto quanto foi consultado, não contém um número: nenhum expoente mensurável, nenhum tecto derivado e nenhuma dependência de arquitetura nela aparecem; uma fonte anterior que forneça qualquer dos três derrota a prioridade correspondente aqui, e os leitores que localizem uma são convidados a reportá-la.
Sobre a impossibilidade. Três artigos arXiv de 2025 argumentam que o controlo perfeito é inatingível: Yao, «The Alignment Trap: Complexity Barriers» (arXiv:2506.10304, v1 a 12 de junho de 2025 02:30:30 UTC, GRUPO-FONTE-ÚNICA, observado independentemente pelo Internet Archive a 13 de junho de 2025; citado por arXiv:2512.03048); Yao, «On the Mathematical Impossibility of Safe Universal Approximators» (arXiv:2507.03031, 3 de julho de 2025, o único artigo no corpus de resumos arXiv que contém a expressão «irreducible uncontrollability», total de busca de resumos igual a um, medido a 12 de agosto de 2026); e Ball, Gluch, Goldwasser, Kreuter, Reingold e Rothblum, «On the Impossibility of Separating Intelligence from Judgment» (arXiv:2507.07341, 9 de julho de 2025). Todos os três são do pior-caso e qualitativos: medida zero, coNP-completude, dureza criptográfica. Nenhum reporta um expoente de escalonamento em caso-médio ou uma taxa. O terceiro, notavelmente, conclui que o alinhamento «must instead be integrated into the model's architecture and weights», um argumento independente, a partir da intratabilidade de filtragem, na mesma direção da dependência de arquitetura deste programa; é apoio convergente nessa perna, não um rival. Dois dos três artigos são de um único autor; a descrição «uma vaga» sobrestima a amplitude da literatura, embora não a seriedade do artigo de seis autores.
Sobre o mecanismo. Que as estimativas anticorrelacionadas se combinam em média melhor do que as independentes é redução de variância de manual (variáveis antitéticas). O mecanismo não é a alegação. A alegação é que a arquitetura determina se a anticorrelação está de todo disponível, e que isto limita um expoente relevante para a segurança.
O análogo estrutural mais próximo. O teorema do limiar de correção de erro quântico também converte uma preocupação qualitativa num valor crítico. Diz respeito a taxas de erro físicas numa arquitetura fixa, e não a um expoente de escalonamento de um corretor, pelo que é um quase-acerto e não um ocupante; a analogia é de método. Este análogo foi identificado pela pesquisa do próprio programa em vez de por um revisor, e é divulgado em conformidade.
Sobre a criação recursiva. A seleção natural cosmológica de Smolin é o antecedente para universos moldados por seleção, e as próprias notas do programa da era de dezembro citam-na contemporaneamente («Echoing Smolin's cosmological natural selection, AI could create recursive universes with their own laws», LIDO-NA-FONTE das notas do operador).
Sobre retroação e estabilidade (clássica). A proposição geral de que um ganho corretivo inadequado relativamente ao ganho do sistema causa instabilidade tem uma longa linhagem em teoria de controlo (teoremas de pequeno-ganho). O diferencial: essas são condições de ganho sobre sistemas interconectados, não um critério de expoente de lei de potência sobre o escalonamento de um corretor com a capacidade de um sistema em melhoria recursiva. A proposição geral nunca é reivindicada; a formulação do expoente, a dinâmica e o estimador são a superfície de contribuição.
O vizinho quantitativo mais próximo. Liu, A. and Meng, J., «Self-Correction as Feedback Control: Error Dynamics, Stability Thresholds, and Prompt Interventions in LLMs» (arXiv:2604.22273) recasteia a autocorreção como um problema de controlo em malha fechada via um modelo de Markov de dois estados e deriva um limiar de estabilidade diretamente mensurável: iterar apenas quando a taxa de correção-de-erro sobre a taxa de introdução-de-erro excede Acc/(1 − Acc). O diferencial: o deles é um limiar de taxa por-passo a um nível de capacidade fixo, a decidir se outra iteração ajuda agora; o critério deste programa é uma relação de escalonamento ao longo da capacidade, a decidir se a força corretiva acompanha o ritmo à medida que o sistema melhora. Regimes complementares; nenhum contém o outro. Dois resultados empíricos adjacentes de 2026 da mesma pesquisa são nomeados por título pendente de verificação da fonte: arXiv:2601.00828 (um paradoxo de correção-exatidão, modelos mais fracos a mostrar taxas de correção intrínseca mais elevadas) e arXiv:2507.02778 (um ponto cego sistemático de autocorreção através de modelos abertos).
O enquadramento dos canos, a débito fixo. Tudo o que cresce é alimentado através de um canal, e para tudo antes do software, fixar o canal fixa o crescimento: matar de fome a vasculatura de um tumor e ele para; fixar o combustível e a geometria de uma reação em cadeia e ela para; o limite de Eddington trava a acreção por pressão de radiação. A inflação cósmica é excluída por âmbito (expansão do espaço, não crescimento de uma estrutura sobre um substrato); a evolução é o caso mais aguçado e ajusta-se (complexidade a subir durante milhares de milhões de anos com débito solar aproximadamente fixo, glacialmente, sem corretor interno, pelo que este quadro prevê para ela um expoente mensurável muito abaixo do tecto). O software é a primeira coisa que continua a crescer quando os canos são mantidos fixos, e a definição operacional carrega carga: um ciclo de artefacto sobre um substrato fixo, medido num relógio com substrato fixo; um modelo meramente a pensar por mais tempo não se qualifica. A objeção do físico é a de Landauer, de que a computação é fisicamente implementada; o relógio com substrato fixo é a resposta, porque o regime em estudo mantém o substrato fixo e pergunta o que ainda cresce.
Um artefacto relativo a este artigo está catalogado linha a linha no registo automático do programa, e é da espécie mais fraca: arc_principle_results.json inscreve os seus limiares de falsificação no ficheiro, mas não traz marca temporal nem cabeçalho datado dentro do corpo JSON, pelo que a sua ordenação não pode ser estabelecida a partir do próprio artefacto. O registo classifica-o como fraco por essa razão e di-lo na linha. Cada linha nomeia o seu ficheiro no repositório público com a respectiva base de datação, de modo que qualquer leitor pode verificar a ordem sem confiar nesta página. A cadeia datada completa do programa, desde o dossiê selado do manuscrito de 8 de Dezembro de 2024, passando pelos apêndices de previsões impressos de 2 de Janeiro de 2026 e pela pasta de pré-registo de Março de 2026, até às apostas ainda por provar, está reunida no registo de previsões datadas, juntamente com o seu equivalente legível por máquina. Afirmações prospectivas e correspondências retrospectivas nunca são somadas. «Registado» é usado apenas para uma submissão aceite por um registo, e essa submissão continua por fazer em todo o programa; «pré-registado em substância» é usado, sempre com o seu qualificador e sempre ao lado da sua classe de atestação, para uma previsão cujo texto era público e datado antes de o seu resultado existir, como era o caso do manifesto de doze linhas comprometido às 00:19 UTC de 17 de Março de 2026, vinte e três minutos antes dos seus ajustes. Leia o registo de previsões datadas. Abra o seu equivalente legível por máquina.
Recursão é autorreferência: um processo cuja saída se torna a sua entrada. É distinta da mera iteração (repetir a mesma operação) porque cada ciclo opera sobre os resultados transformados dos ciclos anteriores.
Recursão paralela (fraca): Múltiplas soluções independentes geradas em simultâneo. Sem transferência de informação entre ramos. Exemplo: gerar N amostras e selecionar por votação por maioria. Escalonamento esperado: retornos decrescentes à medida que a redundância aumenta.
Recursão sequencial (forte): Cada passo de processamento assenta explicitamente nos passos anteriores. Os erros podem ser detectados e corrigidos iterativamente. Exemplo: raciocínio em cadeia de pensamento que dobra a auto-reflexão dentro de cada passo (Wei et al., 2022). Escalamento esperado: retornos compostos à medida que a profundidade permite a autocorrecção.
O ARC Principle prevê que a recursão sequencial deve produzir valores de $\alpha$ mais elevados do que a recursão paralela.
Colocamos a hipótese de que $\alpha = 2$ representa o limite estável proposto, o máximo que um sistema recursivamente autocorrectivo pode crescer mantendo-se corrigível: um limite de escalamento, não um limite de velocidade. A aceleração exactamente quadrática pertence ao algoritmo de pesquisa quântica de Grover (1996); Bennett, Bernstein, Brassard e Vazirani (1997) estabeleceram depois o limite inferior que a iguala, o que torna essa aceleração óptima para pesquisa não estruturada. A correspondência aqui invocada é estrutural, a mesma forma quadrática de um limite de optimalidade de pesquisa, e não a afirmação de que o raciocínio recursivo implementa amplificação de amplitude. Se um limite de forma semelhante se aplicar à inteligência recursiva por razões aparentadas, o escalamento quadrático pode marcar o tecto acima do qual a autocorrecção não se mantém de forma estável; os sistemas podem ser empurrados para além dele, não permanecem aí estavelmente autocorrectivos, e qualquer excursão acima de dois é o regime supercrítico previsto e não uma refutação da cota. A estabilidade aqui é a da Lei II, medida em vez de afirmada.
A lei antes do valor. O tecto da auto-melhoria estável é fixado pela rapidez com que um sistema se pode corrigir: é o recíproco de um menos o expoente de alavancagem correctiva $\gamma$, $\alpha_{\text{crit}} = 1/(1-\gamma)$. Para um corrector construído a partir do mesmo substrato que o motor, esse recíproco é dois, sob um único pressuposto: o de que as correcções acumuladas internamente se combinam como amostras independentes. A lei é a afirmação. Dois é o que a lei prevê, e o pressuposto que o produz é o que os registos redigidos põem à prova. Se dois morrer, a lei sobrevive por inteiro: meça-se $\gamma$ e reporte-se o tecto que ele implica. Se a lei morrer, dois fica sem apoio independente, porque a derivação passa por $1/(1-\gamma)$. A forma está assente; a sua profundidade não. A relação é derivada dentro de um modelo de cadência e não foi derivada de um modelo conjunto do crescimento da capacidade, da acumulação de correcções, da covariância de erros, do atraso de correcção e do dano absoluto, pelo que a Lei III é aqui enunciada como um resultado de modelo mínimo e não como uma lei geral. Uma consequência deveria encontrar-se onde a lei se encontrar, porque corta nos dois sentidos: uma vez que $1/(1-\gamma) \le 2$ é exatamente equivalente a $\gamma \le 1/2$, o tecto e o valor de metade são um único compromisso escrito em duas notações em vez de duas alegações independentes, e nenhum pode alguma vez ser oferecido como evidência para o outro.
OpenAI o1 System Card (setembro de 2024). Benchmark: AIME 2024 (American Invitational Mathematics Examination). Variável: número de amostras (votação por maioria). Fonte: openai.com/index/openai-o1-system-card.
DeepSeek-R1 Technical Report (janeiro de 2025). Citação: arXiv:2501.12948. Benchmark: AIME 2024. Variável: contagem de tokens de pensamento (comprimento da cadeia-de-pensamento).
Para determinar $\alpha$, usamos a relação de lei de potência. Para métricas de exatidão limitadas, analisamos a redução da taxa de erro:
| Amostras (R) | Exatidão (%) | Taxa de erro (%) |
|---|---|---|
| 1 | 74 | 26 |
| 64 | 83 | 17 |
| 1000 | 93 | 7 |
| Tokens de pensamento (R) | Exatidão (%) | Taxa de erro (%) |
|---|---|---|
| ~12,000 | 70 | 30 |
| ~23,000 (estimado) | 87.5 | 12.5 |
| Método | Tipo de recursão | $\alpha$ medido | Classificação |
|---|---|---|---|
| o1 (1 a 64) | Paralela | 0.10 | Sublinear |
| o1 (64 a 1000) | Paralela/Híbrida | 0.32 | Sublinear |
| DeepSeek-R1 | Sequencial | ~1.34 | Superlinear (apenas a partir de dois pontos; o Artigo II substitui-o) |
O ARC Principle seria significativamente enfraquecido ou refutado se:
| Código | Condição | Estatuto atual |
|---|---|---|
| F1 | A profundidade recursiva sequencial devolve consistentemente $\alpha \leq 1$ | Sob teste: o melhor ajuste do estudo de seis modelos é $\alpha_{\text{seq}} \approx 0.49$ com 2 em 6 estimativas pontuais acima de 1 e intervalos amplos, pelo que «consistentemente» não fica decidido em nenhum dos sentidos (Paper II) |
| F2 | $\alpha$ diminui à medida que as arquiteturas recursivas amadurecem | Não satisfeito |
| F3 | A relação é aditiva em vez de multiplicativa | Não satisfeito |
| F4 | Conjuntos de dados mais extensos mostram $\alpha < 1$ para o raciocínio sequencial | Parcialmente satisfeito: o melhor ajuste entre arquiteturas do Paper II situa-se abaixo de 1 com um intervalo que abrange ambos os regimes; a forma decisiva aguarda a estimação mediada por artefacto registada |
A integridade científica exige o reconhecimento explícito das limitações:
O ARC Principle, de que a capacidade escala superlinearmente com a profundidade recursiva, $U = I \times R^{\alpha}$, com a distinção sequencial/paralela a determinar o regime, é refutável. Seria derrubado por qualquer dos seguintes:
A forma de decisão que estes critérios herdam. A Secção 4 regista o estatuto face aos critérios originais deste artigo; os registos decisórios usam uma forma de três resultados, e cada critério acima a herda: APOIADO quando o intervalo se situa integralmente para além do efeito mínimo fixado antecipadamente; REFUTADO quando o intervalo se situa integralmente dentro da margem de equivalência fixada antecipadamente (lógica dos dois testes unilaterais); PRECISÃO INSUFICIENTE quando o intervalo é mais amplo do que a margem, reportado exatamente com essas palavras e nunca como apoio ou refutação. A margem, o efeito mínimo e um valor de potência medida são fixados antes do arquivamento. «Refutado se o intervalo de confiança contiver o nulo» permite a um estudo com falta de potência refutar por defeito e não é licenciado em nenhum lugar neste programa.
Uma objeção antecipada, porque um físico chega a ela num único passo. A correção de erro quântico tolerante a falhas suprime o erro lógico exponencialmente na distância do código abaixo do limiar, o que parece um contraexemplo a qualquer tecto de raiz quadrada. Dois factos de âmbito respondem-lhe: a supressão exponencial corre no eixo da redundância a capacidade fixa, e não no acoplamento da força corretiva à capacidade do sistema corrigido, que é o expoente que este programa mede; e o próprio teorema do limiar exige ruído físico suficientemente descorrelacionado, que é a premissa da independência de novo, vestida de hardware. Os limites de concentração dão de igual modo probabilidade de erro a cair exponencialmente enquanto a largura do estimador cai como a raiz quadrada: quantidades diferentes, e confundi-las fabrica uma refutação.
O tecto de estabilidade do programa e o seu expoente de conversão encontram-se no mesmo número, e a tentação em cada superfície é dizer que uma constante faz dois trabalhos. O estatuto da alegação é mais estrito do que isso e tem de ser enunciado estritamente: a identidade está REGISTADA PARA TESTE, antes dos dados, com resultados que a podem matar. Dois registos redigidos transportam-na. O Study AE regista o requisito de reciprocidade entre o limite de alavancagem medido separadamente e a fronteira de estabilidade, na escala logarítmica, com três resultados por célula (apoiado, refutado, precisão insuficiente) e uma regra de agregação sob a qual uma célula refutada refuta a identidade; a sua estrutura de independência é divulgada antecipadamente, incluindo a enumeração de qualquer sobreposição de pontos finais entre os dois desenhos alimentadores, pelo que a variância de método comum é avaliada antes da análise em vez de levantada depois como a explicação para a concordância. O Study AG testa as duas derivações do expoente crítico uma contra a outra no mesmo sistema, nota que concordam numericamente apenas no único ponto onde ambos os parâmetros equivalem a um meio e discordam nas suas derivadas em todo o lado, e é desenhado para encontrar a discordância, não para confirmar a concordância.
As superfícies dizem, portanto: a identidade é uma alegação registada sob teste, as medições decisórias estão redigidas e datadas, e se os canais discordarem a unificação é retirada de cada superfície que alcançou, com a mesma proeminência que o enquadramento. As superfícies nunca dizem que a identidade está estabelecida, e nunca apresentam a concordância de um meio afirmado com um 0,49 medido como evidência, porque as duas podem partilhar uma lei de acumulação e a concordância entre partilhantes não é corroboração.
Os arranjos de supervisão que colocam um humano no ciclo, como a amplificação e a aprendizagem por reforço a partir de retorno humano, são entre classes por construção, porque o corrector humano não partilha o substrato do modelo. O quadro prevê portanto que a supervisão com humano no ciclo apresenta um expoente de correcção mais alto do que a supervisão puramente de modelo, por uma razão estrutural e não sentimental. Isto é testável sobre dados existentes e não exige sistemas novos. Tanto a definição operacional de um expoente de correcção sob supervisão como as regras que decidem a comparação provêm das unidades de classe de corrector, a saber a auditoria de classe de corrector e o contraste de classe de corrector, redigidas e a aguardar submissão humana.
Se o ARC Principle se sustentar, a profundidade recursiva constitui um terceiro eixo de escalonamento a par dos parâmetros e dos dados. O investimento em arquiteturas recursivas pode devolver melhores retornos do que escalonar apenas o tamanho do modelo.
Se a recursão amplifica não apenas a capacidade mas também os valores incorporados, então os valores iniciais bem alinhados devem fortalecer-se através do autoaperfeiçoamento recursivo. Os valores desalinhados também se comporiam, o que torna o alinhamento precoce crítico.
O ARC Principle liga-se a vários quadros estabelecidos, incluindo as leis de escalonamento de Kaplan et al. (2020), a Integrated Information Theory (Tononi, 2008) e a prova de otimalidade da busca quântica de Grover (Bennett et al., 1997).
Formalizámos o ARC Principle e apresentámos evidência preliminar:
Em termos simples: «Thinking about thinking makes you smarter. Not linearly smarter, but disproportionately smarter, if the thinking is sequential rather than parallel.»
O princípio sustenta-se. A investigação continua.
O enquadramento intelectual, a formulação das hipóteses e as conclusões interpretativas são do próprio autor.
Bennett, C. H., Bernstein, E., Brassard, G., & Vazirani, U. (1997). Strengths and weaknesses of quantum computing. SIAM Journal on Computing, 26(5), 1510-1523.
DeepSeek AI. (2025). DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv:2501.12948.
Eastwood, M. D. (2026). Infinite Architects: Intelligence, Recursion, and the Creation of Everything. Independent publication.
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.
O código e os resultados registados por detrás deste artigo estão no GitHub:
github.com/MichaelDariusEastwood/arc-principle-validation
Todas as contribuições são bem-vindas, incluindo falsificações.
Estatuto epistémico. Aquilo a que este programa chama Leis são conjeturas sob prova registada e adversarial; cada quantidade neste artigo está operacionalmente definida, e em parte alguma se reivindica o estatuto de lei estabelecida. O programa registado existe para ganhar esse estatuto, ou perdê-lo, por medição, replicação e refutação sobrevivida.
© 2026 Michael Darius Eastwood. Autoria humana com assistência computacional; a autoria humana plena e os direitos morais são afirmados ao abrigo do Copyright, Designs and Patents Act 1988 e em consonância com a orientação do United States Copyright Office sobre obras que contenham material gerado por IA; qualquer contribuição técnica inovadora descrita nesta obra foi concebida pelo autor humano. Declaração completa: michaeldariuseastwood.com/authorship.
Compromisso permanente. Prove que este artigo está errado, e eu próprio publicarei a refutação. As condições de falsificação estão enunciadas neste artigo; o desafio permanente: github.com/MichaelDariusEastwood/arc-scaling-challenge.
v1.12: A nota de proveniência no final foi corrigida por exactidão. Nenhuma afirmação, data, resultado ou estado mudou.
Michael Darius Eastwood concebeu e dirige este programa de investigação e é o autor deste trabalho. Ao longo do programa, utilizou mais de seis sistemas de IA em paralelo, sob as suas próprias instruções, para pôr à prova os seus argumentos, identificar possíveis erros e ajudar na preparação de texto preliminar a partir dos seus próprios esquemas. Ele determina o que é adotado, revisto ou rejeitado e assume a responsabilidade pelo conteúdo publicado. Estes sistemas são ferramentas, não autores.
Erro de tradução? Comunique diretamente: