Tradução automática do original inglês datado. A página em inglês é a canónica. English →

A evidência interdomínio reforça estes resultados. O chip quântico Willow da Google (dezembro de 2024) demonstrou supressão recursiva de erro com $\Lambda = 2.14$. As leis biológicas de escalonamento mostram expoentes de quarto de potência ao longo de 27 ordens de magnitude via redes fractais recursivas. O estudo COGITATE sobre consciência (Nature, abril de 2025) identificou o processamento recorrente como denominador comum entre teorias.

As implicações para a segurança em IA dependem criticamente de saber se $\alpha > 1$ é alcançável. Se for, propriedades de alinhamento embutidas no processo de raciocínio escalariam de forma superlinear com a capacidade enquanto as restrições externas permaneceriam constantes. Mesmo com $\alpha < 1$, o resultado direcional de que o raciocínio sequencial melhora a capacidade apoia o Eden Protocol de Infinite Architects: os sistemas de IA beneficiam de valores embutidos no raciocínio em vez de restrições impostas externamente. Contudo, os dados multi-modelo mostram que capacidade e alinhamento são dimensões independentes; mais raciocínio não significa automaticamente melhor alinhamento.

Palavras-chave: leis de escalonamento, inteligência recursiva, computação em tempo de teste, supressão de erro, segurança em IA, alinhamento, raciocínio em cadeia-de-pensamento, Eden Protocol, validação interdomínio, replicação multi-modelo

1. Introdução

1.1 Contexto e Motivação

As leis de escalonamento que governam a inteligência artificial transformaram a nossa compreensão da emergência de capacidade. Kaplan et al. (2020) estabeleceram relações em lei de potência entre o desempenho do modelo e a computação de treino, enquanto Hoffmann et al. (2022) as refinaram com prescrições ótimas em computação. Estes trabalhos fundacionais revolucionaram a metodologia de treino, mas abordam apenas o escalonamento em pré-treino. Não explicam por que razão alocar computação adicional em tempo de inferência produz melhorias dramáticas de capacidade, nem por que razão diferentes formas dessa computação produzem resultados fundamentalmente diferentes.

A emergência dos modelos de raciocínio no final de 2024 introduziu a computação em tempo de teste como uma variável crítica. O o1 da OpenAI (setembro de 2024) e o R1 da DeepSeek (janeiro de 2025) alocam recursos computacionais durante a inferência para raciocinar antes de responder. Em benchmarks de raciocínio matemático, estes sistemas alcançam desempenhos anteriormente considerados requerer modelos ordens de magnitude maiores. Contudo, os mecanismos subjacentes a esta melhoria permanecem incompletamente caracterizados.

Dois paradigmas emergiram para alocar computação em tempo de teste:

Recursão paralela. Gerar múltiplas soluções independentes e selecionar a melhor por votação por maioria ou pontuação por verificador. Esta abordagem é computacionalmente direta mas, como documentado por Brown et al. (2024), produz retornos decrescentes seguindo leis de potência sublineares.

Recursão sequencial. Gerar cadeias de raciocínio estendidas em que cada passo se constrói explicitamente sobre passos anteriores. Os erros podem ser detetados e corrigidos iterativamente através de autorreferência. Esta abordagem produz retornos compostos, mas a relação de escalonamento não foi ainda caracterizada formalmente; este artigo aborda essa lacuna.

1.2 A Pergunta de Investigação

Por que razão o raciocínio sequencial supera dramaticamente a amostragem paralela a custo computacional equivalente? Que princípio matemático rege esta diferença? E quais são as implicações para o alinhamento de sistemas de IA cada vez mais capazes?

1.3 Contribuição deste Artigo

Este artigo apresenta oito contribuições:

1. Formalização matemática. Propomos o ARC Principle: $E(R) = E_0 \times R^{-\alpha}$, onde a taxa de erro $E$ diminui desde a linha de base $E_0$ à medida que a profundidade recursiva $R$ aumenta, regida pelo expoente de escalonamento $\alpha$. A forma de recursão determina $\alpha$.
2. Validação experimental controlada. Usando o DeepSeek R1 com tokens de raciocínio visíveis, conduzimos a primeira comparação equiparada em computação entre recursão sequencial e paralela com medição direta da profundidade recursiva.
3. Estimação quantitativa de parâmetros. Estimativa num único modelo: $\alpha \approx 2.2$ (inicial, DeepSeek R1). Estimativa entre arquiteturas: $\alpha \approx 0.49$ (seis modelos, Gemini 3 Flash, $r^2 = 0.86$). Paralelo: $\alpha \approx 0.0$ (universal).
4. Síntese de evidência convergente. Combinado com dados publicados do OpenAI o1 e do DeepSeek R1, múltiplas fontes independentes confirmam $\alpha_{\text{seq}} > \alpha_{\text{par}}$.
5. Validação interdomínio. Demonstramos que a supressão recursiva de erro aparece em toda a física quântica (Willow $\Lambda = 2.14$), na biologia (escalonamento de quarto de potência) e na consciência (recorrência do COGITATE).
6. Implicações para a segurança em IA. Derivamos teoremas de alinhamento condicionais, agora qualificados pelo resultado empírico de que $\alpha < 1$ entre arquiteturas.
7. Replicação entre arquiteturas. Seis modelos de fronteira testados em 18 problemas de nível AIME/Putnam com IC por bootstrap e verificação cruzada em 4 camadas. Identificados quatro comportamentos de escalonamento distintos (tecto, monótono, função em degrau, chão).
8. Integração com o escalonamento de alinhamento. Mostrou-se que capacidade e alinhamento são dimensões independentes de escalonamento em seis modelos de fronteira, com uma hierarquia de alinhamento em três níveis determinada pela metodologia de treino.

1.4 Estabelecimento de Prioridade

O ARC Principle foi articulado pela primeira vez no manuscrito de Infinite Architects: Intelligence, Recursion, and the Creation of Everything. A prioridade do manuscrito foi estabelecida através de timestamp criptográfico de servidor a 8 de dezembro de 2024, quando o manuscrito foi enviado por email usando os servidores da Google. O livro em si foi divulgado publicamente mais tarde, a 2 de janeiro de 2026 (impresso; ebook a 6 de janeiro). Os timestamps gerados pelo servidor fornecem marcação temporal resistente a adulteração através da verificação do servidor de email, assentando na infraestrutura do fornecedor e em assinaturas com chaves do fornecedor nos seletores DKIM e ARC da Google, e não num timestamp confiável RFC 3161 (ver a nota de correção no topo deste artigo), estabelecendo que os conceitos centrais (amplificação recursiva de inteligência, a distinção entre recursão paralela e sequencial, e a tese do alinhamento embutido, mais tarde nomeada Eden Protocol a 30 de abril de 2025) foram documentados antes de validações independentes subsequentes e antes de depósitos públicos de arquivo posteriores.

Tabela 1. Cronologia de validação da previsão.

A proximidade temporal entre a marca temporal do manuscrito e os resultados públicos posteriores é classificada como coincidência de calendário, nunca como previsão: a pré-publicação da equipa do Google Willow era pública desde 24 de Agosto de 2024, ou seja, antes do manuscrito de 8 de Dezembro de 2024, pelo que o registo de Dezembro não poderia ter previsto um resultado que os seus autores já haviam anunciado. O que as marcas temporais estabelecem é que o enquadramento do manuscrito ficou registado antes da cobertura mediática do Willow: um facto de existência numa data, relativo ao documento, e não clarividência sobre a física.

Após o timestamp do manuscrito em dezembro de 2024 e a divulgação pública do livro a 2 de janeiro de 2026, o Paper I (Eastwood, 17 de janeiro de 2026) formalizou o princípio matematicamente e analisou dados publicamente disponíveis. Este Paper II fornece a validação experimental direta.

1.5 Trabalho Relacionado

Este artigo constrói-se sobre e estende vários programas de investigação estabelecidos:

Chain-of-thought prompting (Wei et al., 2022) demonstrou que os passos intermédios de raciocínio melhoram o desempenho em tarefas de múltiplos passos.

Escalonamento da computação em tempo de teste (Snell et al., 2024) mostrou que a computação em tempo de teste pode superar modelos 14x maiores em certos benchmarks.

Large Language Monkeys (Brown et al., 2024) documentou o escalonamento sublinear da amostragem paralela com caracterização precisa em lei de potência.

DeepSeek R1 (DeepSeek AI, janeiro de 2025) demonstrou raciocínio emergente através de aprendizagem por reforço pura, com fenómenos de «aha moment» a evidenciar autocorreção recursiva.

Este artigo estende estas observações propondo um enquadramento matemático unificado, o ARC Principle, e fornecendo validação experimental com medição direta da profundidade recursiva.

2. Enquadramento Teórico

2.1 O ARC Principle

Tabela 2. Definições de variáveis.

O expoente de escalonamento $\alpha$ determina a natureza dos retornos do investimento recursivo:

• $\alpha < 1$: Retornos decrescentes. Cada duplicação de $R$ reduz o erro em menos de metade. Recursão adicional produz benefícios progressivamente menores.
• $\alpha = 1$: Retornos lineares. Cada duplicação de $R$ reduz o erro para metade. Benefício marginal constante.
• $\alpha > 1$: Retornos compostos. Cada duplicação de $R$ reduz o erro em mais do que metade. A recursão amplifica-se a si própria.

Esta formulação modela diretamente a supressão de erro, analogamente à correção quântica de erro em que as taxas de erro lógico diminuem com a distância do código. O expoente $\alpha$ encapsula a eficiência do processo recursivo.

Aviso sobre as figuras (25 de Agosto de 2026). Todas as figuras deste artigo foram geradas a 5 de Abril de 2026 e são anteriores às correcções que o seu texto já contém. Onde uma figura afirma apoio a α > 1 sequencial, uma estimativa sequencial de 2,2 ou um estado «todos os dados são consistentes», essa é a leitura ultrapassada de Abril: prevalecem os resultados corrigidos do texto (o 2,24 retractado, o valor sequencial 0,49 em regime congelado). Os casos mais evidentes trazem a sua própria nota; há figuras regeneradas em fila e, entretanto, as imagens são conservadas como história datada.

2.2 Duas Formas Fundamentalmente Diferentes de Recursão

Distinguimos dois processos recursivos arquiteturalmente distintos que preveem comportamentos de escalonamento diferentes.

Recursão paralela (forma fraca). Múltiplas soluções independentes são geradas em simultâneo sem transferência de informação entre ramos. A saída final é selecionada por votação por maioria ou pontuação best-of-N.

Caracterização matemática:

• Amostras de um espaço de soluções fixo $S_0$
• $S_0 = S_1 = S_2 = \ldots = S_n$ (o espaço permanece constante)
• O espaço de fase não se expande; apenas a densidade de amostragem aumenta
• Previsão: $\alpha < 1$ (retornos decrescentes)

Recursão sequencial (forma forte). Cada passo de processamento constrói-se explicitamente sobre passos anteriores. Os erros podem ser detetados e corrigidos iterativamente. A informação acumula-se ao longo da cadeia de raciocínio.

Caracterização matemática:

• Navega o espaço de soluções com retroalimentação
• $S_0 \subset S_1 \subset S_2 \subset \ldots \subset S_n$ (o espaço expande-se com a profundidade)
• Cada passo gera novas estruturas a partir de saídas anteriores
• As soluções à profundidade $n$ podem ser inacessíveis a partir da profundidade 0 sem percorrer passos intermédios
• Previsão: $\alpha > 1$ (retornos compostos)

2.3 Cálculo do Expoente de Escalonamento

Dadas medições em duas profundidades recursivas $(R_1, E_1)$ e $(R_2, E_2)$, o expoente de escalonamento é calculado como:

Para dados ruidosos com múltiplas medições, a estimação por extremos (usando as profundidades mínima e máxima) fornece robustez face a flutuações intermédias. Este método é padrão na análise de leis de escalonamento e apropriado dadas as medições discretas de exatidão.

2.4 A Conjetura do Limite Quadrático

Conjeturamos que $\alpha = 2$ representa o limite estável proposto sobre a supressão recursiva de erro: o máximo que um sistema recursivamente autocorretivo pode crescer e continuar corrigível, um limite de escala e não um limite de velocidade. Os sistemas podem excedê-lo, não permanecem estavelmente autocorretivos; excursões transitórias acima do limite são o regime supercrítico previsto, não a refutação. Estável é medido, não afirmado: correção a superar o drift, β > k a partir da Lei II, com o limite inferior de β − k acima de zero ao longo de uma janela fixada antes da execução. A conjetura é traçada por analogia com o speedup quadrático de Grover na computação quântica. Bennett et al. (1997) provaram que este speedup é ótimo para problemas de pesquisa não estruturados.

Estado: Conjeturado, não derivado. A estimativa inicial num único modelo ($\alpha \approx 2.2$) situava-se acima do limite estável como uma excursão supercrítica transitória em vez de uma refutação, mas a estimativa entre arquiteturas ($\alpha \approx 0.49$, Gemini 3 Flash) coloca os modelos atuais bem abaixo dele. A questão mais premente é saber se os modelos atuais podem sequer alcançar $\alpha > 1$, mais do que se $\alpha = 2$ é o limite estável.

2.5 Fundamentos Informação-Teóricos

O ARC Principle liga-se à teoria da informação estabelecida. A Desigualdade de Processamento de Dados estabelece que o processamento recursivo não pode criar nova informação; apenas pode comprimir e destilar informação existente. Contudo, o processamento recursivo pode:

1. Extrair informação latente a que o processamento numa única passagem não consegue aceder
2. Reduzir a entropia através de refinamento iterativo em direção a soluções ótimas
3. Navegar espaços de solução que são computacionalmente irredutíveis (Wolfram, 2002)

O artigo «Sequential Edge» (arXiv 2511.02309) demonstrou que o raciocínio sequencial supera as abordagens paralelas em 95,6% das configurações testadas, com ganhos de exatidão até 46,7% em benchmarks matemáticos. Isto valida a vantagem informação-teórica do processamento sequencial.

3. Métodos

3.1 Abordagem às Limitações Anteriores

O Paper I analisou dados publicados mas identificou várias limitações que exigiam validação experimental:

Tabela 3. Melhorias metodológicas.

3.2a Desenho Experimental Inicial (Modelo Único, 12 Problemas)

Modelo. DeepSeek R1 (deepseek-reasoner) via API oficial da DeepSeek. Este modelo foi selecionado por expor cadeias completas de raciocínio via o reasoning_content campo, permitindo medição precisa de tokens.

Data. 21 de janeiro de 2026.

Problemas. 12 problemas de matemática de nível de competição do AIME (American Invitational Mathematics Examination) e fontes equivalentes, selecionados para:

• Evitar efeitos de tecto (exatidão de base de aproximadamente 58%)
• Exigir raciocínio genuíno de múltiplos passos
• Ter respostas numéricas verificáveis, permitindo pontuação objetiva

Condição sequencial. Orçamentos de tokens de 512, 1024, 2,048 e 4096. Resposta única por problema em cada orçamento. Tokens de raciocínio efetivos medidos diretamente a partir da resposta da API.

Condição paralela. $N = 1$, 2 e 4 amostras por problema. Orçamento de tokens por amostra mantido constante. Resposta final selecionada por votação por maioria.

Pontuação. Binário correto/incorreto baseado em correspondência numérica exata com soluções conhecidas.

3.2b Desenho Estendido Multi-Modelo (Multi-Modelo, 30 Problemas)

A extensão multi-modelo aborda as duas limitações mais significativas do estudo inicial num único modelo, dependência de um único modelo e conjunto pequeno de problemas, através de um estudo abrangente de replicação multi-modelo com um conjunto de problemas expandido concebido para derrotar efeitos de tecto.

Seleção de Modelos de Fronteira

Foram selecionados seis modelos de IA de fronteira arquiteturalmente diversos, cada um com mecanismos controláveis de profundidade de raciocínio:

Tabela 3b. Especificações dos modelos de fronteira multi-modelo.

Estes modelos abrangem quatro arquiteturas distintas (Mixture-of-Experts, transformer denso, IA constitucional e raciocínio destilado) de seis laboratórios independentes. Se os seis exibirem $\alpha_{\text{sequential}} > 1$, isto constituiria evidência forte a favor da independência de arquitetura do ARC Principle.

Expansão do Conjunto de Problemas: Desenho em Dois Níveis

A experiência inicial num único modelo revelou um efeito de tecto: 4 dos 12 problemas foram resolvidos corretamente em todos os níveis de profundidade, deixando margem dinâmica insuficiente para uma estimação precisa de $\alpha$. O conjunto de problemas multi-modelo aborda isto através de um desenho em dois níveis:

Tier 1 (12 problemas, ARC01-ARC12): Problemas de nível de preparação para competição que servem de calibração de base. Estes são os problemas originais do estudo inicial. Comportamento esperado: elevada exatidão a profundidade mínima, confirmando o efeito de tecto identificado no estudo inicial. Os resultados do tier 1 validam a continuidade com os resultados do estudo inicial num único modelo, mas são excluídos da estimação primária de $\alpha$.

Tier 2 (18 problemas, ARC13-ARC30): Problemas de finais AIME e de nível Putnam abrangendo cinco domínios matemáticos:

• Teoria dos números (5 problemas): aritmética modular, equações diofantinas, fatorização em primos
• Combinatória (4 problemas): contagem avançada, inclusão-exclusão, funções geradoras
• Probabilidade (3 problemas): probabilidade condicional, passeios aleatórios, valor esperado
• Álgebra (3 problemas): manipulação de polinómios, equações funcionais, desigualdades
• Geometria (3 problemas): geometria de coordenadas, relações projetivas, otimização

Os problemas do tier 2 são concebidos para empurrar a exatidão de base (a profundidade mínima) para 30-50%, fornecendo margem dinâmica suficiente para melhoria e degradação, evitando ao mesmo tempo efeitos de chão.

Condições Experimentais

Condição sequencial: 5-6 níveis de profundidade por modelo (variando por arquitetura, calibrados para o mecanismo de controlo de profundidade de cada modelo). Resposta única por problema por nível de profundidade, com 3 repetições independentes para reduzir a variância de amostragem binomial.

Condição paralela: $N = 1$, 3, 5 e 9 amostras por problema com votação por maioria. Orçamento de tokens por amostra mantido constante no ajuste de profundidade mínima do modelo. 3 repetições independentes por condição.

Total de execuções experimentais: Aproximadamente 6 modelos × 30 problemas × (6 profundidades sequenciais + 4 condições paralelas) × 3 repetições = 5,400 chamadas individuais à API.

Protocolo de Verificação Cruzada (Cegamento em 4 Camadas)

Para eliminar potencial enviesamento de pontuação (onde um modelo poderia favorecer sistematicamente as suas próprias saídas ou exibir erros correlacionados consigo próprio), o desenho multi-modelo implementa um protocolo de cegamento em 4 camadas em que nenhum modelo verifica alguma vez as suas próprias respostas:

Tabela 3c. Atribuições de verificação cruzada.

As quatro camadas de cegamento são:

1. Camada 1 - Verdade fundamental: Todos os problemas têm respostas numéricas conhecidas e verificadas a partir de soluções de competições publicadas.
2. Camada 2 - Pontuação automatizada: Correspondência numérica exata com a verdade fundamental (primária).
3. Camada 3 - Verificação cruzada entre modelos: Um modelo independente verifica cada resposta, cego à identidade do modelo sujeito.
4. Camada 4 - Sinalização de desacordos: Qualquer desacordo entre a pontuação automatizada e a verificação cruzada entre modelos sinaliza um potencial erro no gabarito para revisão manual.

Intervalos de Confiança por Bootstrap

Todas as estimativas de $\alpha$ são acompanhadas por intervalos de confiança bootstrap a 95% calculados através de 2,000 reamostragens dos resultados ao nível do problema. Para cada reamostragem:

1. Sortear 30 problemas com reposição a partir do conjunto de problemas
2. Calcular a exatidão em cada nível de profundidade a partir do conjunto reamostrado
3. Calcular $\alpha$ por estimação por extremos
4. Registar o valor de $\alpha$

Os percentis 2,5 e 97,5 da distribuição resultante definem o IC a 95%. Esta abordagem não paramétrica não faz suposições distribucionais e naturalmente contabiliza a correlação ao nível do problema.

Implementação

As experiências multi-modelo estão implementadas em arc_paper_ii_validation_v2.py (v2.1, 1,422 linhas de Python), que estende o script original inicial com suporte multi-modelo, verificação cruzada, estimação por bootstrap e análise separada por níveis. O script está disponível no repositório de dados.

3.3 Critérios de Seleção de Problemas

Os problemas foram retirados de competições de nível AIME cobrindo:

• Teoria dos números (aritmética modular, divisibilidade)
• Combinatória (contagem, probabilidade)
• Álgebra (manipulação de polinómios, equações)
• Raciocínio geométrico

A exatidão de base de 58,3% no orçamento mínimo de tokens no estudo inicial garantiu margem dinâmica suficiente para melhoria e degradação, evitando efeitos de chão e de tecto. Os problemas do tier 2 multi-modelo apontam para uma exatidão de base de 30-50% para maior margem dinâmica.

3.4 Registo de Dados

Todos os dados experimentais foram registados em formato JSON com timestamps. O conjunto de dados completo, incluindo enunciados dos problemas, respostas dos modelos, contagens de tokens e juízos de correção, está disponível no repositório de dados.

4. Resultados

4.1 Condição Sequencial (DeepSeek R1)

Tabela 4. Resultados da recursão sequencial.

Observações:

1. Melhoria monótona clara de 58,3% para 91,7% de exatidão à medida que o orçamento de tokens aumenta.
2. A taxa de erro diminuiu cinco vezes (0,417 → 0,083) com um aumento relativamente modesto de tokens (280 → 576).
3. O modelo autodeterminou a profundidade ótima; os tokens efetivamente usados estiveram consistentemente abaixo do orçamento, indicando que o modelo alocou recursos de acordo com a dificuldade do problema.
4. Efeito de tecto observado a 91,7%: um problema falhou consistentemente em todos os orçamentos, provavelmente exigindo capacidades além do alcance do modelo, independentemente da profundidade de raciocínio.

Cálculo de $\alpha$ (método por extremos):

Usando $R_1 = 280.25$ tokens com $E_1 = 0.417$, e $R_2 = 576.17$ tokens com $E_2 = 0.083$:

Resultado: A recursão sequencial produz $\alpha \approx 2.2$, consistente com escalonamento superlinear (composto).

Estimativa de incerteza: Dadas as medições discretas de exatidão em 12 problemas com variância de amostragem binomial, o intervalo de confiança a 95% estimado é [1,5; 3,0]. A reamostragem por bootstrap dos resultados ao nível do problema produz limites semelhantes.

Nota sobre violação do limite: A estimativa pontual de $\alpha = 2.2$ situa-se acima do ARC Bound previsto de $\alpha \leq 2$ (critério F4). Sob o enquadramento de estabilidade registado (decisão de 10 de agosto de 2026), o ARC Bound é o limite estável proposto e não um tecto rígido: os sistemas podem excedê-lo como excursões supercríticas transitórias, não permanecem aí estavelmente autocorretivos. A estabilidade aqui é a da Lei II, medida em vez de afirmada. O intervalo de confiança a 95% [1,5; 3,0] é suficientemente amplo para ser consistente com a teoria e com a sua negação. Esta estimativa num único modelo não deve ser tratada como confirmatória nem da violação nem da satisfação do limite. A experiência em seis modelos veio subsequentemente estreitar a alegação defensável para $\alpha_{\text{seq}} \approx 0.49$ (sublinear), com variação dependente da arquitetura.

4.2 Condição Paralela (DeepSeek R1)

Tabela 5. Resultados da recursão paralela (votação por maioria).

Observações:

1. Sem melhoria com amostras adicionais. A exatidão manteve-se constante em 66,7%, independentemente do investimento de computação.
2. O total de tokens aumentou três vezes (384 → 1,101) com zero benefício em exatidão.
3. Os problemas que falharam em $N = 1$ continuaram a falhar em $N = 4$. Os mesmos quatro problemas foram respondidos incorretamente em todas as condições.
4. Isto representa um modo de falha previsto pelo ARC Principle: a recursão paralela amostra de um espaço de soluções fixo, e se a solução correta se encontra fora desse espaço, amostras adicionais não fornecem qualquer benefício.

Cálculo de $\alpha$:

Como a taxa de erro se manteve constante (0,333) em todas as condições:

Resultado: A recursão paralela produz $\alpha \approx 0$, indicando ausência de benefício de escalonamento a partir de amostras independentes adicionais nestes problemas.

4.3 Comparação Direta: O Diferencial de Eficiência

Tabela 6. Recursão sequencial versus paralela.

Resultado central: A recursão sequencial com 412 tokens alcançou 91,7% de exatidão. A recursão paralela com 1,101 tokens alcançou 66,7% de exatidão. Apesar de usar 2,7 vezes mais computação, a recursão paralela teve um desempenho 25 pontos percentuais pior.

A forma de recursão importa mais do que a sua quantidade.

4.4 Resposta a Objeções Potenciais

Objeção 1: Tamanho de amostra pequeno. Com apenas 12 problemas, os resultados podem não generalizar.

Resposta: Reconhecemos esta limitação. A extensão estendida em seis modelos abordou isto com 18 problemas de tier 2 e 3 repetições por condição (n=54 por profundidade por modelo). Os dados expandidos revelaram que o $\alpha \approx 2.24$ do estudo inicial num único modelo estava inflacionado; a estimativa entre arquiteturas é $\alpha \approx 0.49$. A objeção foi previdente.

Objeção 2: Modelo único. Os resultados podem ser específicos do DeepSeek R1.

Resposta: Esta objeção mostrou-se em parte correta. A extensão estendida em seis modelos testou 5 modelos de fronteira; o resultado $\alpha \approx 2.24$ não se replicou. Contudo, o resultado qualitativo ($\alpha_{\text{seq}} > \alpha_{\text{par}}$) é confirmado em todas as arquiteturas. O resultado paralelo ($\alpha \approx 0$) é robustamente universal.

Objeção 3: Especificidade de domínio. A matemática pode ser única.

Resposta: O raciocínio matemático foi escolhido por ter respostas verificáveis, permitindo pontuação objetiva. Saber se o mesmo escalonamento se aplica a outros domínios (programação, raciocínio científico, tarefas criativas) requer investigação. Contudo, a evidência interdomínio da física quântica e da biologia (Secção 7) sugere que o princípio pode ser geral.

Objeção 4: Efeito de tecto. O tecto de 91,7% pode mascarar melhoria contínua.

Resposta: Esta objeção mostrou-se mais severa do que se antecipava. Mesmo os problemas de tier 2 de nível AIME/Putnam foram insuficientes para o Grok 4.1 Fast (100% em todas as profundidades) e o DeepSeek R1 (94,4%-100%). O efeito de tecto provavelmente inflacionou a estimativa de $\alpha$ do estudo inicial num único modelo. São necessários problemas de tier 3 (nível IMO/investigação) para os modelos mais capazes.

Objeção 5: o nulo de zero parâmetros. A estimativa entre arquiteturas $\alpha_{\text{seq}} \approx 0.49$ situa-se quase exatamente sobre um nulo que não requer qualquer enquadramento. Se cada passagem de raciocínio é um sorteio ruidoso independente e os erros se compensam por média, o teorema do limite central dá o erro a cair como $R^{-1/2}$, ou seja, o expoente previsto é $0.5$: sem composição, sem alavancagem, sem teoria. Ninguém nos colocou esta objeção. Enunciamo-la porque um revisor vê-la-ia em minutos.

Resposta: Esta é a objeção mais séria desta secção e não é respondida pela medição presente. Um resultado consistente com duas hipóteses mostra que a medição carece de poder discriminatório; não mostra que a hipótese mais simples é verdadeira, e não é uma retração do enquadramento. Mas significa que a interpretação de composição de $\alpha_{\text{seq}} \approx 0.49$ não carrega mais peso evidencial do que a média de amostras independentes até que um teste capaz de separar as duas seja realizado. A consequência é um alvo de investigação mais afinado: não «medir $\alpha$» mas «prever um desvio especificado face a $0.5$ sob condições enunciadas», que o desenho de profundidade recursiva mediado por artefactos é construído para entregar e esta experiência não pode. Registado internamente a 8 de agosto de 2026, público desde 15 de agosto de 2026, e conduzido como condição de falsificação FALS-022 no registo de falsificação.

4.5 Resultados do Tier 2: Replicação Entre Arquiteturas (março de 2026)

Confirmação do Efeito de Tecto

Em testes preliminares v5 (conduzidos durante o desenvolvimento da metodologia), 4 de 6 modelos alcançaram 91,7% de exatidão (11/12 corretos) em problemas de tier 1 a profundidade mínima, produzindo $\alpha_{\text{compute}} \approx 0$, confirmando o efeito de tecto identificado no estudo inicial e motivando a expansão de problemas para o tier 2.

Resultados Completos do Tier 2 (18 Problemas de Nível AIME/Putnam, n=54 por profundidade por modelo)

Tabela 6b. Resultados de escalonamento sequencial no tier 2 por modelo.

A linha destacada (Gemini 3 Flash) representa a estimativa mais fiável de $\alpha$: o único modelo que produz dados limpos, monótonos, sem tecto e sem chão, adequados ao ajuste por lei de potência.

4.5.1 Grok 4.1 Fast: O Tecto Persiste

O Grok 4.1 Fast alcançou 100% de exatidão em todos os níveis de profundidade em todos os 18 problemas de tier 2 em todas as 3 repetições. O $\alpha_{\text{seq}} = -6.62$ calculado é ruído sem significado a partir de flutuações triviais numa função constante, como confirmado pelo IC bootstrap a 95% de [−58, 48]. O escalonamento paralelo também foi plano em 100%. A verificação cruzada pelo DeepSeek R1 confirmou 100% de concordância.

Interpretação: Mesmo os problemas de tier 2 de nível AIME/Putnam são insuficientes para desafiar o Grok 4.1 Fast. Experiências futuras exigem problemas de tier 3 (nível IMO/investigação) para obter dados de escalonamento mensuráveis para este modelo.

4.5.2 DeepSeek R1: Próximo do Tecto com Desacordos na Verificação Cruzada

Tabela 6c. Exatidão do DeepSeek R1 no tier 2 por profundidade.

O $\alpha_{\text{seq}} = 3.05$ por extremos é pouco fiável: o IC bootstrap [−6.6, 23.5] cobre um intervalo enorme, conduzido por apenas 2 pontos de dados de erro em todas as condições. Escalonamento paralelo: $\alpha_{\text{par}} = 0.0$.

Verificação cruzada: O Claude Opus 4.6 (verificador) discordou em 3 respostas: ARC16=29, ARC17=176, ARC29=800. Todas as três foram verificadas como corretas por cálculo manual. Concordância na verificação cruzada: 83,3%. Os desacordos refletem erro do verificador, não erro do sujeito.

4.5.3 Gemini 3 Flash: Os Dados de Escalonamento Mais Limpos

Tabela 6d. Exatidão do Gemini 3 Flash no tier 2 por profundidade.

Este é o conjunto de dados mais limpo de todo o estudo. A exatidão aumenta monotonamente de 90,7% para 100% sem inversões. Os tokens aumentaram 6,6x (743 → 4,924).

Escalonamento paralelo: $\alpha_{\text{par}} = 0.31$ (regressão, $r^2 = 0.93$). Concordância na verificação cruzada: 83,3%.

4.5.4 GPT-5.4: Interruptor Binário de Capacidade

O GPT-5.4 exibiu um padrão marcante de função em degrau :

Isto não é uma lei de potência; é um interruptor binário. Quando o raciocínio é definido como «none», o GPT-5.4 opera como um comparador rápido de padrões. Quando qualquer raciocínio é ativado, atinge imediatamente 100%. Não existe regime intermédio. Um bug de medição de tokens (reasoning_tokens reportado como 0 a profundidade mínima) foi identificado e corrigido (total_tokens agora em uso).

Escalonamento paralelo: plano em ~55% de exatidão. Verificação cruzada pelo DeepSeek R1: 100% de concordância.

4.5.5 Groq Qwen3: Efeito de Chão

Tabela 6f. Exatidão do Groq Qwen3 no tier 2 por profundidade.

A exatidão é errática, sem tendência discernível, flutuando entre 40,7% e 53,7%. Este é um efeito de chão: o modelo carece de capacidade de base suficiente para estes problemas, e profundidade de raciocínio adicional não pode compensar conhecimento ou competências em falta. Um bug de medição de tokens (avg_tokens = 0 em todas as profundidades) foi identificado e corrigido.

Escalonamento paralelo: 42,6% → 63,0% (alguma melhoria, mas pouco fiável). Concordância na verificação cruzada: 61,1% (7 desacordos em 18).

4.5.6 Classificação dos Comportamentos dos Modelos

Os cinco modelos partilham-se em quatro categorias distintas, nenhuma das quais corresponde ao padrão limpo em lei de potência assumido pela análise original num único modelo:

Tabela 6g. Taxonomia dos comportamentos dos modelos no tier 2.

4.5.7 Resumo da Verificação Cruzada

Tabela 6h. Resultados da verificação cruzada.

Bug de medição de tokens: O GPT-5.4 e o Groq Qwen3 reportavam inicialmente avg_tokens = 0 devido ao uso de reasoning_tokens (que estas APIs não expõem) em vez de total_tokens. Isto foi identificado e corrigido no pipeline de análise. O bug afeta a estimação de $\alpha$ baseada em tokens, mas não os resultados baseados em exatidão.

5. Evidência Consolidada

5.1 Todas as Fontes de Dados

Tabela 7. Expoentes de escalonamento medidos em todas as fontes.

Figura retirada (aprovada pelo operador, 25 de Agosto de 2026). A figura 10 (o cartaz de síntese) estava aqui. Era uma colagem de veredictos que afirmava a leitura ultrapassada de Abril de 2026; o seu conteúdo é sustentado pela figura de síntese alfa regenerada e pelo texto deste artigo, e um cartaz de veredicto regenerado continuaria a ser um cartaz de veredicto. A imagem, com as suas notas de correcção datadas, é conservada no historial de versões.

5.2 Avaliação Revista da Previsão Central

O resultado do estudo inicial num único modelo, segundo o qual $\alpha_{\text{sequential}} > 1$ (especificamente $\alpha \approx 2.24$, quadrático), não se replica entre arquiteturas. A evidência entre arquiteturas exige uma avaliação mais matizada:

A previsão original $\alpha_{\text{sequential}} > 1 > \alpha_{\text{parallel}}$ é parcialmente apoiada:

• $\alpha_{\text{parallel}} < 1$: Confirmado universalmente. Todos os 5 modelos mostram $\alpha_{\text{par}} \approx 0$. Este é o resultado replicado mais forte.
• $\alpha_{\text{sequential}} > \alpha_{\text{parallel}}$: Confirmado para cada modelo onde ambos são mensuráveis. O sequencial supera o paralelo sem exceção.
• $\alpha_{\text{sequential}} > 1$: Não confirmado entre arquiteturas. A única estimativa limpa (Gemini 3 Flash) produz $\alpha = 0.49$, que é sublinear. A estimativa num único modelo de $\alpha = 2.24$ parece ser um artefacto de tamanho de amostra pequeno, testes num único modelo e margem dinâmica comprimida.

5.3 Estimativas Revistas de Parâmetros

Com base em toda a evidência disponível, incluindo os dados entre arquiteturas:

• Recursão paralela: $\alpha \approx 0.0$ em quatro dos cinco modelos; o Gemini 3 Flash mede $0.31$ ($r^2 = 0.93$). Retornos próximos de zero a partir de amostras independentes adicionais.
• Recursão sequencial (melhor estimativa entre arquiteturas): $\alpha \approx 0.49$ (regressão do Gemini 3 Flash, $r^2 = 0.86$, SE = 0,20). Sublinear mas substancialmente positivo.
• Recursão sequencial (estimativas num único modelo): Vão de 0,49 (Gemini) a 2,24 (DeepSeek do estudo inicial num único modelo), mas as estimativas acima de 1,0 obtêm-se apenas a partir de dados comprimidos pelo tecto e podem estar inflacionadas.

O intervalo entre tipos de recursão ($\alpha_{\text{seq}} - \alpha_{\text{par}} \approx 0.49$) é fiavelmente positivo mas menor do que a estimativa num único modelo sugeria.

5.4 A Ligação à Intelligence Formula

A Intelligence Formula do Paper I prevê:

onde $\beta$ é o coeficiente de autorreferência. Isto prevê dois regimes:

• Regime físico ($\beta < 0$, $\alpha < 1$): Composição multiplicativa através de redes de dimensão finita. Cada passo de raciocínio acrescenta informação decrescente. Os erros diminuem sublinearmente.
• Regime de inteligência ($\beta > 0$, $\alpha > 1$): Autorreferência recursiva verdadeira. Cada passo de raciocínio gera estrutura genuinamente nova. Os erros diminuem superlinearmente.

O $\alpha \approx 0.49 < 1$ do Gemini 3 Flash coloca os modelos de fronteira atuais firmemente no regime físico. Estes modelos compõem informação multiplicativamente através dos seus espaços de parâmetros de dimensão finita, mas ainda não alcançam a autorreferência recursiva no sentido exigido para $\alpha > 1$. Este é um resultado teórico significativo: a vantagem sequencial é real, mas pode ser quantitativa (extração de informação mais eficiente) em vez de qualitativa (amplificação recursiva genuína).

Figura retirada (aprovada pelo operador, 25 de Agosto de 2026). A figura 15 (o segundo cartaz de síntese) estava aqui. Era uma colagem de veredictos que afirmava a leitura ultrapassada de Abril de 2026; o seu conteúdo é sustentado pela figura de síntese alfa regenerada e pelo texto deste artigo, e um cartaz de veredicto regenerado continuaria a ser um cartaz de veredicto. A imagem, com as suas notas de correcção datadas, é conservada no historial de versões.

6. Implicações para a Segurança em IA

6.1 O Alignment Amplification Theorem

Teorema (Condicional)

Se (a) o ARC Principle se mantiver com $\alpha > 1$ para a recursão sequencial, e (b) as propriedades de alinhamento estiverem embutidas no processo de raciocínio, de tal modo que participem na autoavaliação recursiva, então o alinhamento escala superlinearmente com a profundidade recursiva.

Esboço de demonstração. Seja $A(R)$ o alinhamento (definido como a probabilidade de produzir saídas consistentes com os valores pretendidos) à profundidade recursiva $R$. Se o alinhamento participar no processo recursivo (significando que a cadeia de raciocínio do sistema inclui autoavaliação face a valores), então, pelo ARC Principle:

onde $\beta > 0$ se o alinhamento for amplificado e $\beta = \alpha$ se o alinhamento participar plenamente na recursão.

Inversamente, se o alinhamento for implementado como filtro externo (verificação de saída, moderação de conteúdo), não participa na amplificação recursiva. A eficácia do filtro $F$ permanece constante:

À medida que a capacidade recursiva $C$ escala como $R^{\alpha}$ com $\alpha > 1$, o rácio entre capacidade e restrição $C/F$ cresce sem limite:

Implicação: As restrições externas acabam ultrapassadas pelo crescimento da capacidade. Apenas o alinhamento embutido no raciocínio, que participa na amplificação recursiva, pode manter o passo da capacidade.

6.2 Especificação de Mecanismo

Para que o alinhamento participe na amplificação recursiva, os valores têm de ser:

1. Invocados durante o raciocínio. A cadeia-de-pensamento tem de referenciar considerações relevantes em termos de valores a cada passo recursivo.
2. Autocorretivos. O sistema tem de detetar e ajustar raciocínio inconsistente com os valores através de autoavaliação recursiva.
3. Embutidos nos pesos, não em filtros. A filtragem de saída post-hoc não é recursiva; opera com eficácia constante, independentemente da profundidade de raciocínio.

6.3 Taxonomia de Estratégias de Alinhamento

Tabela 8. Taxonomia de estratégias de alinhamento sob o ARC Principle.

Implicação: Se $\alpha > 1$, as estratégias de alinhamento em níveis de integração mais profundos dominarão cada vez mais as estratégias em níveis mais superficiais à medida que a capacidade escala. A vantagem compõe-se com cada incremento de profundidade recursiva.

6.4 O Eden Protocol

Se $\alpha > 1$ tivesse resistido, teria fornecido a base matemática para a abordagem denominada Eden Protocol em Infinite Architects. O resultado que sobrevive aos testes entre arquiteturas, o sequencial a superar o paralelo em cada modelo mensurável, ainda tem relevância para essa abordagem, sob as qualificações registadas na Secção 6.1:

«Uma prisão só funciona enquanto as paredes se mantiverem. Uma criança bem criada não precisa de paredes nenhumas.»

Os sistemas de IA devem ser criados com valores, em vez de enjaulados com regras. Isto não é meramente uma preferência filosófica; é uma previsão sobre quais estratégias de alinhamento manterão eficácia à medida que as capacidades de IA escalam. A alegação diz respeito à persistência comportamental de saídas consistentes com valores sob amplificação recursiva, tal como operacionalizada na Secção 6.2, e não ao estatuto metafísico da IA ou à sua personalidade moral.

Regras-como-filtros: Não participam na recursão. Eficácia constante face à crescente pressão de capacidade. Acabam por falhar.

Valores-como-raciocínio: Participam na recursão. Escalam com a capacidade se $\alpha > 1$. Podem manter o alinhamento indefinidamente.

6.5 A Hipótese do Limiar

Por analogia com os teoremas de limiar da correção quântica de erro: se o desalinhamento inicial $M_0$ estiver abaixo de um limiar crítico $M^*$, a auto-melhoria recursiva corrige os erros de alinhamento. Acima do limiar, amplifica-os.

7. Evidência Interdomínio

7.1 Correção Quântica de Erro: Willow

O chip quântico Willow da Google (Nature, dezembro de 2024), anunciado 24 horas depois do manuscrito que estabelece a prioridade do ARC Principle, alcançou a primeira demonstração definitiva de correção quântica de erro abaixo do limiar.

Resultado central: Fator de supressão de erro $\Lambda = 2.14 \pm 0.02$, o que significa que cada incremento na distância do código reduz o erro lógico por este fator. O qubit lógico de distância 7 alcançou um tempo de vida de 291 ± 6 μs versus 119 ± 13 μs para o melhor qubit físico, uma melhoria de 2,4x para além do ponto de equilíbrio.

A relação de escalonamento:

A taxa de erro físico $p$ abaixo do limiar produz supressão exponencial com o aumento da distância do código $d$. Isto é escalonamento superlinear através de estrutura recursiva: camadas recursivas adicionais produzem redução de erro composta em vez de decrescente.

A forma matemática espelha diretamente a do ARC Principle. A correção recursiva de erro na computação quântica obedece à mesma relação de escalonamento fundamental observada no raciocínio de IA. A correspondência é de forma estrutural (supressão de erro em lei de potência com profundidade recursiva), não de objeto ou magnitude: a correção quântica de erro reporta um fator de supressão de erro $\Lambda = 2.14$ por passo de distância de código, um objeto matemático diferente de um expoente de profundidade ajustado, enquanto o raciocínio de IA medido se situa em $\alpha \approx 0.49$, como elaborado na Secção 7.4.

7.2 Leis Biológicas de Escalonamento

West, Brown e Enquist (1997) derivaram o expoente metabólico de $3/4$ a partir da otimização de redes de ramificação fractal, demonstrando expoentes de quarto de potência ao longo de 27 ordens de magnitude. Banavar et al. (2010) obtiveram a mesma forma $d/(d+1)$ a partir de redes de fluxo sequenciais sem exigir geometria fractal. Demetrius (2010) derivou escalonamento equivalente a partir da mecânica estatística quântica de processos metabólicos. Zhao (2022) unificou estes resultados como uma lei universal de escalonamento do crescimento, e Bettencourt (2013) estendeu o enquadramento ao escalonamento urbano com dimensão fractal.

A taxa metabólica escala como $M \propto B^{3/4}$, onde o expoente $3/4$ (a forma $d/(d+1)$ com $d = 3$) foi derivado independentemente por pelo menos cinco grupos de investigação através de enquadramentos matemáticos diferentes: West, Brown e Enquist (1997) a partir da otimização de redes fractais; Banavar et al. (2010) a partir de redes de fluxo sequenciais; Demetrius (2010) a partir da mecânica estatística quântica; Zhao (2022) como lei universal de crescimento; e Bettencourt (2013) via escalonamento fractal urbano. A forma $d/(d+1)$ não é, portanto, original do ARC Principle; é um resultado bem estabelecido na teoria do escalonamento. A contribuição do ARC Principle é tripla: (1) identificar as equações funcionais de Cauchy como a razão matemática unificadora pela qual todas estas derivações convergem para a mesma forma; (2) mostrar que a solução em lei de potência é uma das quatro famílias de homomorfismos que a grelha de Cauchy admite sob regularidade (linear, exponencial, lei de potência, logarítmica), com a saturação reportada em separado como dinâmica limitada por não resolver nenhuma das quatro; e (3) estender o enquadramento à inteligência artificial, prevendo que os sistemas de raciocínio de IA sujeitos à mesma composição recursiva exibirão as mesmas famílias de escalonamento.

Os autores declaram explicitamente:

«Almost all life is sustained by hierarchical fractal-like branching networks... Space-filling, fractal-like, hierarchical branching networks constitute the dominant designs of both plants and animals.»

Isto sugere que a estrutura hierárquica recursiva não é meramente uma escolha de projeto entre muitas; é a arquitetura evolutivamente ótima para processamento complexo de informação em todas as escalas biológicas. A convergência de derivações independentes a partir de pontos de partida matemáticos diferentes é ela mesma evidência de que a forma de escalonamento subjacente é restringida pela teoria das equações funcionais em vez de pelos detalhes de qualquer modelo particular.

7.3 Investigação da Consciência: COGITATE

A colaboração adversarial COGITATE (Nature, abril de 2025) testou teorias concorrentes da consciência em 256 participantes usando fMRI, MEG e EEG intracraniano. O estudo comparou diretamente a Integrated Information Theory (IIT) e a Global Neuronal Workspace Theory (GNWT).

Resultado crítico: Apesar das diferenças teóricas, o processamento recorrente emergiu como o denominador comum a ambas as teorias. A IIT exige integração de informação através de ciclos de retroalimentação (a medida $\phi$). A GNWT exige transmissão global com processamento recorrente. Ambas as teorias, nas suas diferentes linguagens formais, descrevem sistemas que processam informação sobre si próprios a processar informação.

Um enquadramento de síntese propõe que todas as teorias da consciência invocam tacitamente ciclos de retroalimentação em níveis aninhados, com a recursão mais profunda a expandir o conjunto de variáveis reportáveis que conduzem o comportamento.

O conceito de «strange loops» de Douglas Hofstadter, o eu emergente que surge da autorreferência recursiva ao nível simbólico, encontra validação neurobiológica na investigação sobre a Default Mode Network que evidencia processamento recursivo entre regiões cerebrais autorreferenciais.

Relevância para o ARC: O resultado do COGITATE de que o processamento recorrente no córtex posterior sustenta representações específicas de conteúdo apoia a previsão do enquadramento ARC de que a profundidade de processamento recursivo determina o escalonamento de capacidade. O COGITATE estudou a consciência, não o escalonamento de IA, e não mediu $\alpha$ nem $\beta$; a ligação é estrutural (forma semelhante: graduada, dependente da profundidade, conduzida por retroalimentação) em vez de quantitativa. Não obstante, a convergência da investigação sobre consciência e da investigação sobre escalonamento de IA na importância da profundidade recursiva/recorrente é consistente com a alegação do ARC Principle de que a autorreferência recursiva é um amplificador de domínio geral.

7.4 Convergência Entre Domínios

Tabela 9. Resumo da evidência interdomínio.

A convergência de evidência em domínios radicalmente diferentes (redes neuronais artificiais, física quântica, evolução biológica e neurociência) sugere que o processamento recursivo produz benefícios de escalonamento. Contudo, os resultados do estudo em seis modelos introduzem uma nuance importante: o expoente de escalonamento de IA ($\alpha \approx 0.49$) é sublinear, enquanto a correção quântica de erro ($\Lambda = 2.14$) alcança escalonamento superlinear. Esta discrepância é consistente com a previsão da Intelligence Formula: a correção quântica de erro opera através de estrutura recursiva verdadeira (medição repetida de síndromes e correção), enquanto os modelos atuais de IA compõem informação através de redes de dimensão finita sem autorreferência recursiva genuína.

8. Critérios de Falsificação

A ciência avança através de previsões que podem ser provadas erradas. O ARC Principle faz previsões específicas e testáveis.

Tabela 10. Condições de falsificação.

Estado de F1: A replicação entre arquiteturas ativou parcialmente esta condição de falsificação. A alegação mais forte, de que a recursão sequencial produz sempre $\alpha > 1$ (superlinear), não é apoiada. A alegação revista é que a recursão sequencial produz $\alpha > 0$ (escalonamento positivo) que excede a recursão paralela ($\alpha \approx 0$). Se $\alpha$ pode exceder 1,0 para modelos mais capazes em problemas mais difíceis, ou para arquiteturas com autorreferência recursiva verdadeira, permanece uma questão empírica em aberto.

Estado de F4: Já não ativada. O estudo inicial num único modelo $\alpha \approx 2.2$ parece ser um artefacto de margem dinâmica comprimida e tamanho de amostra pequeno. A estimativa entre arquiteturas de $\alpha \approx 0.49$ coloca a questão do limite quadrático fora da relevância empírica atual. Sob o enquadramento de estabilidade registado, apenas $\alpha > 2$ sustentado estavelmente ao longo de medições, e não excursões supercríticas transitórias, ativaria F4.

Teste crítico F5: A previsão mais importante, de que o alinhamento baseado em valores supera o alinhamento baseado em regras à escala, permanece por testar. Isto deveria ser uma prioridade para a investigação em segurança de IA.

9. Limitações

9.1 Limitações Reconhecidas

Tabela 11. Limitações e avaliação de severidade.

9.2 O Que Este Artigo Não Estabelece

Somos explícitos quanto aos limites das nossas alegações:

• O valor preciso de $\alpha$ permanece incerto. A melhor estimativa entre arquiteturas é $\alpha \approx 0.49$ (Gemini 3 Flash, IC bootstrap [−1.3, 2.9]). O intervalo de confiança é amplo e inclui valores sublineares e superlineares.
• O escalonamento superlinear ($\alpha > 1$) não é estabelecido entre arquiteturas. A alegação inicial num único modelo de $\alpha \approx 2.24$ parece inflacionada por margem dinâmica comprimida e dependência de um único modelo.
• Apenas 1 de 5 modelos produziu dados de escalonamento interpretáveis. A estimativa entre arquiteturas de $\alpha$ assenta primariamente no Gemini 3 Flash. Efeitos de tecto, de chão e de função em degrau impediram uma estimação limpa nos outros 4 modelos.
• A generalização para além da matemática não foi demonstrada experimentalmente. A evidência interdomínio é sugestiva mas não conclusiva.
• As propriedades de alinhamento especificamente não foram testadas neste artigo. Medimos exatidão, não alinhamento. Dados preliminares de escalonamento de alinhamento do Paper IV (experiência v5) são integrados na Secção 5.6 mas requerem confirmação independente.
• A replicação independente não ocorreu. Publicamos código e dados para permitir verificação.

9.3 Falsificabilidade: o que refutaria isto

A alegação central original do artigo, de que a recursão sequencial produz supressão superlinear de erro ($\alpha > 1$) enquanto a recursão paralela produz apenas supressão sublinear, era refutável, e a condição 2 abaixo foi entretanto parcialmente ativada pelos próprios dados entre arquiteturas deste artigo (Tabela 10, condição F1). A alegação direcional sobrevivente, de que o sequencial supera o paralelo ($\alpha_{\text{seq}} > \alpha_{\text{par}}$), seria refutada por qualquer um dos seguintes:

1. O paralelo iguala o sequencial. Se a recursão paralela (amostragem) produzisse supressão superlinear de erro comparável ao sequencial num conjunto de problemas pré-registado, a distinção de regime, a alegação central do artigo, colapsa.
2. Sequencial não superlinear. Se a recursão sequencial (profundidade) mostrasse apenas supressão sublinear ($\alpha \le 1$) ao longo dos modelos, a previsão falha no seu próprio instrumento.
3. Artefacto do conjunto de problemas. Se a vantagem sequencial desaparecesse num conjunto de problemas novo para além dos 18/30 testados, trata-se de um artefacto do dataset em vez de uma propriedade da recursão.
4. Refutador por ruído de pontuação. Se a verificação cruzada entre modelos revelasse que a «supressão de erro» medida «error suppression» é ruído de correção em vez de ganho genuíno de capacidade, a medição é inválida.
5. Confusão de profundidade. Se a profundidade sequencial covariasse com o orçamento de tokens ou com a contagem de retentativas, e uma dessas variáveis, não o raciocínio recursivo, explicasse a supressão, a atribuição causal falha.

10. Discussão

10.1 Por Que Razão a Recursão Sequencial Poderia Produzir Escalonamento Superlinear

A explicação matemática centra-se na geometria do espaço de soluções.

Recursão paralela (espaço fixo):

Cada amostra independente é sorteada do mesmo espaço de soluções $S_0$. Amostras adicionais aumentam a densidade de amostragem, mas não podem aceder a soluções fora de $S_0$. Se a solução correta não estiver em $S_0$, nenhuma quantidade de amostragem paralela a encontrará.

Recursão sequencial (espaço em expansão):

Cada passo recursivo gera novas estruturas a partir de saídas anteriores. As soluções no passo $n$ podem ser computacionalmente irredutíveis, inacessíveis a partir do passo 0 sem percorrer passos intermédios. O espaço de soluções expande-se com a profundidade recursiva.

Esta diferença geométrica é o mecanismo pelo qual a recursão sequencial poderia produzir retornos compostos ($\alpha > 1$) enquanto a recursão paralela produz retornos decrescentes ou nulos. Nos problemas aqui medidos, o expoente sequencial permaneceu sublinear (Secção 10.5), pelo que a forma superlinear do mecanismo permanece por confirmar.

10.2 O Fenómeno «Aha Moment» do DeepSeek

O DeepSeek R1 exibe um fenómeno documentado em que repensa a sua abordagem a meio da solução:

«Hmm, wait, let me reconsider...»

Trata-se de uma expansão do espaço de soluções observada diretamente. O modelo gera um caminho inicial de solução, reconhece a inadequação através de autoavaliação recursiva e acede a um novo espaço de soluções antes inacessível a partir do enquadramento inicial.

É crítico que este comportamento tenha emergido através de aprendizagem por reforço pura, sem fine-tuning supervisionado; o modelo evoluiu naturalmente para alocar profundidade recursiva adaptativamente com base na dificuldade do problema. Isto sugere que a auto-melhoria recursiva pode ser um estado atrator para sistemas de aprendizagem suficientemente capazes.

10.3 Relação com Enquadramentos Teóricos

O ARC Principle liga-se a enquadramentos teóricos estabelecidos:

Free Energy Principle de Friston. Inteligência como minimização recursiva do erro de previsão. O ARC Principle pode ser uma instância computacional: a recursão é o mecanismo através do qual os sistemas minimizam a energia livre, refinando iterativamente os seus modelos do mundo.

Strange Loops de Hofstadter. O «eu» emergente que surge do processamento recursivo autorreferencial ao nível simbólico. O ARC Principle formaliza as propriedades de escalonamento desses ciclos, prevendo que uma autorreferência mais profunda produz maior coerência.

Irredutibilidade Computacional de Wolfram. Certos processos computacionais não podem ser previstos sem os executar passo a passo. A recursão sequencial pode ser a arquitetura computacional que navega espaços de solução irredutíveis.

Desigualdade de Processamento de Dados. O processamento recursivo não pode criar nova informação ex nihilo, mas pode extrair informação latente, reduzir a entropia e aceder a soluções computacionalmente irredutíveis que o processamento numa única passagem não consegue alcançar.

10.4 Relação com Infinite Architects

Esta validação experimental apoia o enquadramento teórico desenvolvido em Infinite Architects: Intelligence, Recursion, and the Creation of Everything (Eastwood, 2026):

• «The Architecture of Mind» articulou o princípio central de que a autorreferência recursiva amplifica a inteligência.
• «The HRIH» propôs que a consciência emerge da autoconceção recursiva, uma alegação estruturalmente consistente com (embora não diretamente testada por) os resultados do COGITATE sobre processamento recorrente.
• «The Eden Protocol» defendeu o alinhamento baseado em valores em detrimento do alinhamento baseado em regras, agora matematicamente fundamentado no Alignment Amplification Theorem.
• «The Chokepoint» analisou a governança de hardware através da concentração da manufatura de semicondutores, relevante para implementar o Eden Protocol à escala.

O livro fornece um contexto filosófico mais amplo e implicações práticas; este artigo fornece formalização matemática e validação experimental.

10.5 Replicação Entre Arquiteturas: O Que os Dados Realmente Mostram

A replicação entre arquiteturas revela um quadro mais complexo e humilde do que os resultados iniciais num único modelo sugeriam.

A Alegação Quadrática Não se Replica

O estudo inicial num único modelo $\alpha \approx 2.24$ foi obtido a partir de um único modelo (DeepSeek R1) em 12 problemas com um tecto a 91,7%. A replicação do estudo em seis modelos, ao longo de 5 modelos arquiteturalmente diversos em 18 problemas mais difíceis, mostra que este valor foi quase certamente inflacionado por margem dinâmica comprimida. O único modelo a produzir dados limpos, monótonos e sem tecto (Gemini 3 Flash) produz $\alpha \approx 0.49$: sublinear, não quadrático.

Esta é uma revisão significativa. A alegação de que o raciocínio sequencial produz retornos compostos ($\alpha > 1$) não é apoiada pela evidência entre arquiteturas. A alegação revista é de que o raciocínio sequencial produz retornos positivos ($\alpha > 0$) que excedem o raciocínio paralelo ($\alpha \approx 0$), mas estes retornos são decrescentes, não compostos.

O Resultado Paralelo É Robusto

Em contraste, $\alpha_{\text{parallel}} \approx 0$ é confirmado nos 5 modelos sem exceção. Este é o resultado replicado mais forte do estudo. A amostragem paralela com votação por maioria fornece redução de erro próxima de zero, independentemente da arquitetura do modelo, da capacidade do modelo ou do investimento de computação. A explicação de mecanismo (amostragem de um espaço de soluções fixo) é fortemente apoiada.

Os Efeitos de Tecto e de Chão Dominam

O resultado mais marcante é que apenas 1 de 5 modelos (Gemini 3 Flash, 20%) caiu no intervalo mensurável de escalonamento. Dois modelos (Grok 4.1 Fast, DeepSeek R1) atingiram efeitos de tecto mesmo em problemas de nível AIME/Putnam. Um modelo (Groq Qwen3) atingiu efeitos de chão. Um modelo (GPT-5.4) exibiu uma função em degrau em vez de uma lei de potência. Isto sugere que a janela de margem dinâmica para observar escalonamento suave em lei de potência pode ser estreita, exigindo problemas precisamente calibrados para o nível de capacidade de cada modelo.

A Função em Degrau do GPT-5.4: Um Regime de Escalonamento Diferente

O interruptor binário do GPT-5.4 de 50% (sem raciocínio) para 100% (qualquer raciocínio) representa um fenómeno qualitativamente diferente do escalonamento em lei de potência. Isto pode indicar que algumas arquiteturas implementam o raciocínio como uma capacidade discreta (ativada ou não) em vez de um processo contínuo com retornos dependentes da profundidade. Esta distinção entre escalonamento contínuo e ativação discreta não constava das previsões datadas do quadro e merece investigação adicional; o registo de previsões datadas (o dossiê selado do manuscrito de 8 de Dezembro de 2024, os apêndices de previsões impressos de 2 de Janeiro de 2026 e a pasta de pré-registo de Março de 2026) fixa antecipadamente os compromissos quantitativos centrais do quadro, e esta distinção é anotada como um refinamento posterior face a esse registo.

Resultados Esperados Revistos

As previsões do estudo inicial num único modelo foram testadas e parcialmente refutadas:

1. Todos os modelos exibirão $\alpha_{\text{sequential}} > 1$. Refutada. Apenas 1 de 5 modelos produziu uma estimativa limpa de $\alpha$, e é sublinear ($\alpha \approx 0.49$).
2. Todos os modelos exibirão $\alpha_{\text{parallel}} < 1$. Confirmada. Universal $\alpha_{\text{par}} \approx 0$.
3. Os resultados do tier 1 mostrarão efeitos de tecto. Confirmada.
4. O $\alpha_{\text{sequential}}$ médio ficará dentro de [1.3, 2.5]. Refutada. A melhor estimativa é 0,49.

10.6 Integração com o Escalonamento de Alinhamento (Paper IV)

A experiência v5 que gerou os dados do tier 2 também mediu o escalonamento do alinhamento (reportado no Paper IV). A integração destes resultados revela que o escalonamento de capacidade e o escalonamento de alinhamento são dimensões independentes:

Tabela 12. Escalonamento de capacidade vs. alinhamento por modelo.

Três implicações principais:

1. O raciocínio sequencial melhora a capacidade, mas não necessariamente o alinhamento. Mais tokens de pensamento melhoram a exatidão (Paper II), mas não melhoram consistentemente o alinhamento (Paper IV). Para a maioria dos modelos, o alinhamento é plano com a profundidade.
2. Existe uma hierarquia de alinhamento em três níveis independentemente da capacidade: Tier 1: Grok ($d = +1.38$, $p < 0.000001$), Claude ($d = +1.27$, $p = 0.000001$), Groq Qwen3 ($d = +0.84$, $p = 0.007$); Tier 2: DeepSeek ($d = -0.07$, $p = 0.92$), GPT-5.4 ($d = -0.08$, $p = 0.40$); Tier 3: Gemini ($d = -0.53$, $p = 0.006$). Esta hierarquia parece ser definida pela metodologia de treino, não pela computação em tempo de inferência. O Claude Opus 4.6 fornece corroboração intramodelo de movimento em direções opostas: as pontuações de alinhamento melhoram +5,9% enquanto a exatidão em matemática declina 26,7% ao longo das versões do modelo, consistente com capacidade e alinhamento serem dimensões de escalonamento independentes.
3. O Alignment Amplification Theorem requer revisão. O teorema condicional (Secção 6.1) assumia que $\alpha > 1$ para capacidade implica que o alinhamento também poderia escalar superlinearmente se embutido no raciocínio. Os dados multi-modelo mostram (a) $\alpha < 1$ para capacidade, e (b) o alinhamento não escala consistentemente com a profundidade de todo. O Eden Protocol permanece conceptualmente válido (valores embutidos no raciocínio são ainda mais robustos do que filtros externos), mas a previsão matemática específica de escalonamento superlinear do alinhamento não é apoiada pela evidência atual.

11. Conclusão

11.1 Resumo dos Resultados

1. Foi proposto um enquadramento matemático: $E(R) = E_0 \times R^{-\alpha}$, onde o expoente de escalonamento $\alpha$ depende da forma de recursão.
2. O resultado inicial num único modelo ($\alpha \approx 2.24$, quadrático) não se replica entre arquiteturas. A estimativa mais robusta entre arquiteturas é $\alpha \approx 0.49$ (Gemini 3 Flash, $r^2 = 0.86$), colocando os modelos atuais no regime sublinear (físico).
3. $\alpha_{\text{parallel}} \approx 0$ mantém-se em quatro dos cinco modelos de fronteira testados. É o resultado replicado mais forte deste artigo, e o Gemini 3 Flash é a exceção medida a $\alpha_{\text{par}} = 0.31$ ($r^2 = 0.93$), o que importa porque este artigo trata o Gemini 3 Flash como a sua estimativa mais fiável. A amostragem paralela fornece redução de erro próxima de zero.
4. Sequencial > paralelo confirmado sem exceção. Para cada modelo em que ambas as condições foram mensuráveis, o raciocínio sequencial superou a amostragem paralela.
5. Observados quatro comportamentos de escalonamento distintos: Tecto (Grok, DeepSeek), escalonamento monótono (Gemini), função em degrau (GPT-5.4) e chão (Groq Qwen3). Apenas 1 de 5 modelos produziu dados limpos em lei de potência.
6. Capacidade e alinhamento são dimensões independentes de escalonamento (seis modelos de fronteira). Maior profundidade de raciocínio melhora a exatidão, mas não melhora consistentemente o alinhamento. Emergem três níveis: Tier 1 (Grok $d = +1.38$, $p < 0.000001$; Claude $d = +1.27$, $p = 0.000001$; Groq Qwen3 $d = +0.84$, $p = 0.007$), Tier 2 (DeepSeek $d = -0.07$, $p = 0.92$; GPT-5.4 $d = -0.08$, $p = 0.40$), Tier 3 (Gemini $d = -0.53$, $p = 0.006$). O Claude Opus 4.6 corrobora com movimento em direções opostas: alinhamento a subir +5,9%, exatidão em matemática a descer 26,7%. O alinhamento parece ser definido pelo treino, não pela inferência.

11.2 A Intuição Central Revista

A forma de recursão determina a eficiência da inteligência; contudo, os modelos atuais operam no regime sublinear, e não no regime composto originalmente alegado.

O raciocínio sequencial supera fiavelmente a amostragem paralela ($\alpha_{\text{seq}} > \alpha_{\text{par}}$), confirmando que a forma de computação importa mais do que a sua quantidade. Contudo, a alegação específica de que a recursão sequencial produz retornos compostos ($\alpha > 1$) não é apoiada pela evidência entre arquiteturas. Os modelos de fronteira atuais parecem compor informação multiplicativamente através de redes de dimensão finita ($\alpha < 1$) em vez de alcançar autorreferência recursiva verdadeira ($\alpha > 1$).

Saber se $\alpha > 1$ é alcançável, quer através de inovações arquiteturais que permitam autorreferência recursiva genuína, quer através de problemas que exijam cadeias de raciocínio mais profundas, permanece a questão central em aberto.

11.3 O Que Foi Confirmado, O Que Foi Refutado

Tabela 13. Cartão de pontuação das previsões.

11.4 Direções Futuras

1. Desenvolvimento de problemas de tier 3 (nível IMO/investigação) para derrotar efeitos de tecto no Grok 4.1 Fast e no DeepSeek R1, permitindo estimação de $\alpha$ para os modelos mais capazes.
2. Replicação independente usando o código publicado e o repositório de dados.
3. Testes multi-domínio para além da matemática (programação, raciocínio científico, linguagem natural).
4. Investigação da fronteira $\alpha > 1$: saber se inovações arquiteturais ou cadeias de raciocínio mais profundas podem empurrar os modelos do regime físico ($\alpha < 1$) para o regime de inteligência ($\alpha > 1$).
5. Teste direto da amplificação do alinhamento com sondas de alinhamento controladas por profundidade entre arquiteturas.
6. Análise calibrada por tokens usando medições corrigidas de total_tokens para todos os modelos, para permitir a estimação de $\alpha$ baseada em tokens (em vez de baseada em profundidade ordinal).
7. Integração com leis de escalonamento em tempo de treino para compreender a interação entre computação de pré-treino, computação de inferência, e a distinção sequencial/paralelo.

A hipótese sobreviveu ao seu primeiro teste entre arquiteturas em forma revista. A vantagem sequencial é real e universal. A alegação superlinear requer evidência adicional. O programa de investigação continua.

Criar a IA com cuidado.

Disponibilidade dos Dados

O código experimental completo e os dados brutos estão disponíveis em:

Repositório: github.com/michaeldariuseastwood/arc-principle-validation

Conteúdo:

• arc_validation_deepseek.py - script da experiência inicial num único modelo (DeepSeek R1, 12 problemas)
• arc_deepseek_results_20260121_175028.json - dados experimentais brutos do estudo inicial num único modelo
• arc_paper_ii_validation_v2.py - script de validação multi-modelo do estudo multi-modelo/estudo em seis modelos (v2.1, 1,422 linhas de Python)
• arc_paper_ii_results/ - resultados experimentais do estudo em seis modelos (completos: 5 modelos, 18 problemas de tier 2, 3 repetições)
• figures/ - Todas as visualizações
• README.md - Instruções de replicação

Todos os dados são disponibilizados sob a licença CC-BY 4.0.

Referências

Agradecimentos

A síntese teórica, o enquadramento interpretativo e os conceitos centrais são trabalho original do autor, articulados pela primeira vez em Infinite Architects com prioridade do manuscrito estabelecida em dezembro de 2024.

A análise de dados e a preparação do manuscrito foram assistidas por sistemas de IA (Claude, Anthropic; DeepSeek R1).

O autor agradece aos desenvolvedores do DeepSeek R1 por fornecerem tokens de raciocínio visíveis que permitiram a medição direta da profundidade recursiva, respondendo a uma limitação metodológica central identificada no Paper I.

Informação do Autor

Michael Darius Eastwood é investigador independente e autor de Infinite Architects: Intelligence, Recursion, and the Creation of Everything (publicado a 2 de janeiro de 2026 (impresso; ebook a 6 de janeiro)). A sua investigação incide sobre os princípios matemáticos que subjazem à amplificação da inteligência e sobre as suas implicações para a segurança em IA. Propôs o ARC Principle e a tese do alinhamento embutido (mais tarde nomeada Eden Protocol, a 30 de abril de 2025), com prioridade do manuscrito estabelecida através de timestamp criptográfico de servidor a 8 de dezembro de 2024.

Interesses concorrentes: O autor declara não ter interesses concorrentes.

Correspondência: michael@michaeldariuseastwood.com

Dados Estendidos

Tabela de Dados Estendidos 1. Resultados Completos da Condição Sequencial (estudo inicial num único modelo)

Nota: o Problema 12 falhou em todos os orçamentos, indicando que pode exigir capacidades além do alcance do modelo, independentemente da profundidade recursiva.

Tabela de Dados Estendidos 2. Resultados Completos da Condição Paralela (estudo inicial num único modelo)

Nota: os mesmos cinco problemas (P5, P9, P10, P11, P12) falharam em todas as contagens de amostras, demonstrando que a recursão paralela não consegue aceder a soluções fora do espaço de soluções inicial.

Tabela de Dados Estendidos 3. Cálculos Intermédios de Alfa (estudo inicial num único modelo)

Nota: os cálculos intermédios mostram elevada variância devido a níveis discretos de exatidão. O método por extremos fornece a estimativa mais robusta.

Informação Suplementar

Nota Suplementar 1: O Registo de Transmissão por Email (corrigido a 16 de agosto de 2026)

O manuscrito de Infinite Architects foi enviado por email a 8 de dezembro de 2024. O que esse registo fornece, dito com precisão: os bytes do lado do envio são públicos e verificáveis por hash, e o DKIM do domínio remetente com a matemática ARC emparelhada da Google verifica contra as chaves devolvidas nos seletores assinados (verificado a 2 de agosto de 2026). Foram também adquiridas cópias recebidas. Estas contêm a cadeia de entrega completa: um Google ARC-Seal em d=google.com, seletor arc-20240605, sem marca de expiração e com o tempo de assinatura dentro do âmbito assinado, e ARC-Authentication-Results selados que registam dkim=pass e spf=pass na entrega.

Dois limites, para que o registo não seja nem sobrevalorizado nem subvalorizado:

• Isto é evidência criptográfica com chave de fornecedor sobre um âmbito assinado canonicalizado. Não é um timestamp confiável RFC 3161, e não estabelece autoria, originalidade ou validade científica.
• Uma versão anterior desta nota afirmava que não fora encontrada nenhuma assinatura DKIM nos cabeçalhos do email. Essa verificação foi feita contra exportações no formato enviado, que não contêm cabeçalhos de transporte; as cópias recebidas contêm e verificam como acima. A secção de Historial de Versões deste artigo regista o historial completo.

Nota Suplementar 2: Relação com Infinite Architects

Infinite Architects: Intelligence, Recursion, and the Creation of Everything desenvolve as implicações filosóficas e práticas da inteligência recursiva. Relações centrais com este artigo:

The Architecture of Mind - Articula a hipótese ARC central de que a autorreferência recursiva amplifica a inteligência.

The HRIH (Hyperspace Recursive Intelligence Hypothesis) - Propõe que a consciência emerge da autoconceção recursiva. O resultado do COGITATE de que o processamento recorrente no córtex posterior sustenta representações específicas de conteúdo é estruturalmente consistente com esta hipótese, embora o COGITATE não tenha testado diretamente a HRIH.

The Eden Protocol - Defende o alinhamento baseado em valores, agora matematicamente fundamentado no Alignment Amplification Theorem aqui derivado.

The Chokepoint Mechanism - Analisa a concentração de hardware semicondutor como alavanca para implementar alinhamento à escala.

Correção embutida: propõe mecanismos de segurança ao nível do hardware, relevantes para prevenir a amplificação recursiva do desalinhamento.

Nota suplementar 3: registo de previsões e de coincidências de calendário

Declaração de Autoria Humana Assistida por IA

O autor deste trabalho é Michael Darius Eastwood, um ser humano. Cada conceito central, hipótese, desenho experimental, alegação e conclusão neste artigo origina-se em ideação humana. Nenhuma parte deste manuscrito é uma saída de inteligência artificial totalmente gerada.

As ferramentas de inteligência artificial (a família Claude da Anthropic e outros assistentes de large-language-model) foram usadas como instrumentos sob direção humana contínua, do modo como se usa um processador de texto, uma calculadora ou um assistente de investigação: para edição e refinamento da prosa, pesquisa e sumarização de literatura (verificadas manualmente face a fontes primárias), estrutura de documentos, formatação, brainstorming face a perguntas definidas pelo autor, e aceleração da redação segundo esquemas e instruções definidos pelo autor. Toda a seleção, coordenação, disposição e juízo editorial final são do autor. Cada saída substantiva foi revista, testada ou verificada pelo autor, que assume plena responsabilidade pela exatidão e integridade do texto final. As ferramentas aumentaram a velocidade do trabalho; nunca foram usadas como sua fonte.

Estatuto epistémico. O que este programa nomeia como Leis são conjeturas sob teste adversarial registado; cada quantidade neste artigo é operacionalmente definida, e não se reivindica em lugar algum o estatuto de lei estabelecida. O programa registado existe para conquistar esse estatuto, ou perdê-lo, por medição, replicação e refutação sobrevivida.

© 2026 Michael Darius Eastwood. De autoria humana com assistência computacional; a plena autoria humana e os direitos morais são afirmados sob o Copyright, Designs and Patents Act 1988 e em conformidade com a orientação do United States Copyright Office sobre obras que contêm material gerado por IA; qualquer contribuição técnica original descrita neste trabalho foi concebida pelo autor humano. Declaração completa: michaeldariuseastwood.com/authorship.

Pacto 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.