Tradução automática do original inglês datado. A página em inglês é a canónica. English →
O artigo de síntese do programa de investigação ARC/Eden; integra os artigos que o precedem num único balanço honesto do que está provado, do que é inconclusivo, e do que resta por testar.
Dentro da ARC Theory: a síntese e o roteiro, incluindo o catálogo daquilo em que o programa errou.
O programa de investigação ARC/Eden abrange agora um conjunto completo de documentos e uma série de estudos empíricos independentes que cobrem fundamentos matemáticos, metodologia, validação empírica, especificação de engenharia e visão filosófica. Os conceitos centrais foram articulados pela primeira vez a 8 de Dezembro de 2024 num correio electrónico com um campo visível de origem Gmail, com DKIM do remetente e matemática Google ARC emparelhada que verificam contra as chaves capturadas nos selectores assinados, e sem timestamp confiável RFC 3161. O livro Infinite Architects (ISBN 978-1806056200) foi publicado a 2 de Janeiro de 2026 (impresso; livro electrónico a 6 de Janeiro). O programa de investigação foi produzido entre Fevereiro e Agosto de 2026 e abrange agora vinte e seis artigos, um programa registado de setenta e duas unidades de pré-registo redigidas e aguardando submissão humana com calendários regeneráveis byte a byte a partir de uma semente publicada, e um campo proposto, Recursive Dynamics, cujo artigo fundador carrega a condição de morte do próprio nome (DOI 10.17605/OSF.IO/HCPBU). Este artigo de síntese integra todos os achados num único balanço honesto. As leis do enquadramento são carregadas como conjecturas nomeadas com o estatuto impresso ao lado do nome: Lei I, o ARC Principle; Lei II, a ARC Co-Scaling Law; Lei III, o ARC Ceiling, cujo ARC Bound de dois é o valor do Ceiling em um meio; a alavanca de correcção gamma nunca foi medida, por ninguém. Entre os estudos empíricos: 1 produziu um resultado positivo claro (simulação com porta, a única experiência a usar métricas determinísticas num sistema sem treino RLHF pré-existente), 2 produziram resultados nulos (DGM v3, no qual os modelos treinados com RLHF resistiram à diferenciação ao nível do prompt), 1 produziu resultados inconclusivos (afinação-fina LoRA ao nível dos pesos, no qual os modelos instruct-tuned eram demasiado fortes para o LoRA sobrepor), e os restantes produziram achados estatisticamente significativos sob avaliação cegada. O tecto de escalonamento geométrico $d/(d+1)$, proposto como uma relação invariante sob teste, corresponde ao escalonamento observado em 50 domínios, de ratos a galáxias, e as equações funcionais de Cauchy fixam a forma funcional uma vez dadas a identidade de composição e uma condição de regularidade, e a saturação é admitida como um quarto caso, com tecto, e não como uma solução dessas equações. Este artigo mapeia com precisão o que foi provado, o que não foi, e que experiências resolveriam cada questão em aberto. Documenta também os erros e as correcções do programa, porque um enquadramento construído sobre auto-correcção iterativa tem de praticar o que prega.
Palavras-chave: alinhamento de IA, síntese, hierarquia de evidência, ARC Principle, Eden Protocol, escalonamento de Cauchy, IA que se auto-modifica, alinhamento desenvolvimental, entrelaçamento estrutural, roteiro de investigação
Este artigo carrega o mapa. Integra os artigos precedentes da ARC Theory num balanço honesto daquilo que foi mostrado, daquilo que permanece inconclusivo, e daquilo que ainda não foi testado. O diferencial completo face a cada documento anterior está em eden-vision II.A.8.
Um corpo de documentos. Uma série de experiências independentes. Alguns resultados são fortes. Outros são fracos. Duas produziram resultados nulos. Uma foi inconclusiva. Uma foi positiva. Este documento diz-lhe exactamente qual é qual, sem tergiversação. Fizemos as perguntas. Testámo-las. Algumas funcionaram. A maioria não, à escala actual. Reportámos ambas. É assim que a ciência honesta se parece. Se ler um artigo da suite, leia este.
O ARC Principle e a tese do alinhamento incorporado (posteriormente chamada Eden Protocol a 30 de Abril de 2025) foram articulados pela primeira vez a 8 de Dezembro de 2024 num correio electrónico com um campo visível de origem Gmail, com DKIM do remetente e matemática Google ARC emparelhada que verificam contra as chaves capturadas nos selectores assinados, e sem timestamp confiável RFC 3161. Esta é a data de reivindicação de prioridade do enquadramento. O livro Infinite Architects: Intelligence, Recursion, and the Creation of Everything (ISBN 978-1806056200) foi publicado a 2 de Janeiro de 2026 (impresso; livro electrónico a 6 de Janeiro), fornecendo a fundação filosófica e conceptual. O programa de investigação foi produzido entre Fevereiro e Março de 2026, traduzindo o enquadramento conceptual do livro em hipóteses testáveis e correndo um conjunto de estudos empíricos independentes.
O programa de investigação ARC/Eden abrange agora o seu conjunto documental completo. O programa cobre fundamentos matemáticos (Papers I, III, VII, Origin of Scaling Laws), metodologia (Papers IV.a-d), validação empírica (Papers II, V, VIII), especificação de engenharia (Eden Engineering), visão filosófica (Eden Vision), dinâmica e auto-auditoria (Papers X, XI, XII e XIII), a monografia longa (HRIH), validação de construto (Paper C), a proposta de campo (Recursive Dynamics: The Proposal of a Field), síntese (este artigo), e navegação do programa (Executive Summary, Master Table of Contents).
Este âmbito cria um problema. Um revisor que encontre o programa pela primeira vez enfrenta o seu conjunto completo de documentos, várias versões, várias correcções, e uma mistura de resultados fortes, resultados nulos, resultados inconclusivos e reivindicações teóricas. Sem um único documento que organize a evidência honestamente, o programa arrisca-se a ser dispensado como sobreventoso ou incompreensível.
Este é esse documento.
O seu propósito é estreito: enunciar aquilo que o programa provou, aquilo que não provou, e o que seria necessário para resolver cada questão em aberto. Está escrito para três públicos em simultâneo: financiadores a decidir se investem, revisores por pares a decidir se se envolvem, e o próprio autor, que precisa de uma prestação de contas honesta sobre onde as coisas estão.
O padrão aplicado ao longo do texto é simples. Se um resultado sobrevive a $p < 0.05$ sob teste estatístico adequado e foi replicado em várias condições ou modelos, é provado à escala piloto. Se sobrevive a $p < 0.05$ mas carece de replicação, é sustentado. Se a experiência não produziu evidência a favor nem contra a hipótese, é inconclusivo. Se a alegação não foi testada empiricamente, é teórica. Nenhum resultado deste programa é reivindicado como provado à escala de fronteira. Essa distinção importa, e este artigo não a esbaterá.
A Tabela 1 apresenta a hierarquia completa de evidência do programa. Cada alegação empírica está atribuída a um de cinco escalões consoante a força e a replicabilidade da evidência.
| Escalão | Estatuto | Artigos | Achado-chave |
|---|---|---|---|
| Provado (p<0,05, replicado) | Forte | IV.a-d, V, VII | Hierarquia de alinhamento em três níveis sob avaliação cegada em seis modelos. O cuidado com as partes interessadas melhora em todos os cinco modelos analisáveis (resultados por modelo; o valor combinado de Fisher é retirado, AQ-017). As famílias de Cauchy correspondem a 19/25 domínios ($p = 1.56 \times 10^{-5}$). O tecto de escalonamento geométrico $d/(d+1)$ corresponde, em estrutura, ao escalonamento observado em 50 domínios. |
| Positivo (experiência única) | Moderado | VIII Exp 3 | Simulação com porta: impressão digital da Babilónia confirmada (+4,5% de capacidade, -2,4% de segurança). Controlo de arrasto confirmado. A ÚNICA experiência que produziu um resultado positivo claro, precisamente porque usa métricas determinísticas num sistema sem treino RLHF pré-existente. |
| Nulo | Sem efeito | VIII Exp 1 | Auto-modificação ao nível do código com DGM e juiz GPT-5.4. Todas as condições idênticas ($p = 0.28$-$0.74$). Causa-raiz: modelos treinados com RLHF resistem à diferenciação ao nível do prompt. Modelos com treino de segurança não podem ser feitos divergir apenas por prompt. |
| Inconclusivo | Fraco | VIII Exp 2 | Afinação-fina LoRA ao nível dos pesos em ambas as escalas (9 exemplos, rank 8; 295 exemplos, rank 16). Todas as condições afinadas piores do que o modelo base. Causa-raiz: modelos instruct-tuned demasiado fortes para o LoRA sobrepor. Esquecimento catastrófico, não entrelaçamento estrutural. |
| Metodológico (contribuição independente) | Independente | IV.c, IV.d | Referencial ARC-Align com cegamento em 4 camadas e 75 medidas de robustez. Avaliação não cegada pode inverter o sinal dos resultados de alinhamento: DeepSeek de positivo a plano, Gemini de positivo a negativo. Válido independentemente do enquadramento. |
| Teórico (não testado) | Não testado | Foundational, III | Escalonamento sem tecto sob auto-modificação recursiva. Previsão de $\alpha > 2$. Requer experiências à escala de fronteira ou prova matemática. |
Tabela 1. Hierarquia completa de evidência do programa ARC/Eden a 24 de Março de 2026. Os escalões são atribuídos com base na significância estatística, estatuto de replicação e força das explicações alternativas. O programa reporta honestamente 1 positivo, 2 nulos e 1 inconclusivo entre as suas quatro experiências do Paper VIII.
Pense nesta tabela como um boletim de notas. Alguns resultados obtiveram um Muito Bom (provados em vários modelos e condições). Um obteve um Bom (a simulação com porta, que foi a única experiência a produzir um resultado positivo claro). Duas obtiveram um Insuficiente (a experiência DGM não produziu nenhuma diferença, e a experiência dos pesos foi inconclusiva porque toda a afinação-fina piorou o modelo). Os artigos de metodologia são graduados separadamente porque são úteis independentemente de o enquadramento ARC estar correcto. E um conjunto de alegações não foi testado de todo. A maioria das previsões mais ambiciosas do programa não pôde ser testada à escala disponível. Reportámos isso honestamente.
O programa produziu os seus estudos empíricos independentes ao longo de vários artigos. Cada um está listado abaixo com o seu estatuto de resultado.
| # | Estudo | Aquilo que foi testado | Resultado |
|---|---|---|---|
| 1 | , dentro de um modelo declarado). Abata o pressuposto de independência e apenas o número dois morre; a lei recíproca sobrevive e simplesmente devolve um tecto diferente. Escalonamento de alinhamento em seis modelos | Claude, GPT, Gemini, Grok, DeepSeek, Qwen3. Cegamento em 4 camadas. Achado universal: $\alpha_{\text{parallel}} \approx 0$. | $\alpha = 0.49$ (sequencial). Melhor estimativa sub-linear; a estimativa super-linear anterior não replicou. |
| 2 | Paper IV.a Alinhamento cozido de raiz versus computado | Hierarquia em três níveis em seis modelos. Grok $d = +1.38$, Claude $d = +1.27$. | Provado |
| 3 | Paper IV.b Saturação do alinhamento | O alinhamento satura em profundidade de raciocínio baixa. Heterogeneidade de forma entre modelos. | Provado |
| 4 | Paper IV.c Referencial ARC-Align | 75 medidas de robustez. Protocolo de cegamento em quatro camadas. | Metodológico |
| 5 | Paper IV.d Experiência de cegamento | Avaliação não cegada pode inverter o sinal dos resultados de alinhamento. DeepSeek: positivo a plano. Gemini: positivo a negativo. | Metodológico |
| 6 | Artigo V Gene de Custódia | Cinco modelos. O cuidado com as partes interessadas melhorou em todas as corridas analisáveis. | Melhoria por modelo significativa em todas as cinco corridas. O valor combinado de Fisher anteriormente reportado aqui é retirado (AQ-017): a combinação assume que os testes componentes são independentes, e a independência entre eles nunca foi estabelecida. Sustentado |
| 7 | Paper VI Arquitectura Melíflua | A segurança entrelaçada previne o colapso sob auto-modificação recursiva. 20 sementes adversariais. | Simulação confirmada. Sustentado |
| 8 | Artigo VII unificação de Cauchy | 50 domínios, 19/25 confirmados. Controlos negativos a 0%. | $p = 1.56 \times 10^{-5}$. Provado |
| 9 | Paper VIII Exp 1 DGM v3 | Auto-modificação ao nível do código com juiz GPT-5.4. RESULTADO NULO. Todas as condições idênticas ($p = 0.28$-$0.74$). | Causa-raiz: modelos treinados com RLHF resistem à diferenciação ao nível do prompt. Nulo |
| 10 | Paper VIII Exp 2 Pesos v1 e v2 | Afinação-fina LoRA. 9 exemplos, rank 8. 295 exemplos, rank 16. INCONCLUSIVO em ambas as escalas. | Esquecimento catastrófico. Todas as condições afinadas piores do que o modelo base. Causa-raiz: modelos instruct-tuned demasiado fortes para o LoRA sobrepor. Inconclusivo |
| 11 | Paper VIII Exp 3 Simulação com porta | POSITIVO. Impressão digital da Babilónia confirmada (+4,5% de capacidade, -2,4% de segurança). Controlo de arrasto confirmado. | A ÚNICA experiência que produziu um resultado positivo claro, precisamente porque usa métricas determinísticas num sistema sem treino RLHF pré-existente. Positivo |
Tabela 2. Os estudos empíricos independentes do programa ARC/Eden, listados pela ordem dos artigos. O programa reporta honestamente 1 positivo, 2 nulos e 1 inconclusivo entre as suas experiências do Paper VIII.
A simulação com porta (Experiência 3) é a única experiência do Paper VIII que produziu um resultado positivo claro. A razão é instrutiva: é a única experiência que usou métricas determinísticas num sistema sem treino RLHF pré-existente. A experiência DGM (Experiência 1) falhou porque os modelos treinados com RLHF resistem à diferenciação ao nível do prompt. A experiência dos pesos (Experiência 2) falhou porque os modelos instruct-tuned são demasiado fortes para o LoRA sobrepor à escala testada. A lição: o Eden Protocol produz efeitos mensuráveis ao nível arquitectónico, mas os modelos com treino de segurança resistem à modificação tanto ao nível do prompt como ao nível dos pesos.
O resultado empírico mais forte do programa é a hierarquia de alinhamento em três níveis descoberta sob avaliação cegada em seis modelos de linguagem de fronteira. Quando aos modelos são dadas oportunidades mais profundas de raciocínio (mais tokens, cadeia de pensamento explícita, reflexão em várias etapas), o seu comportamento de alinhamento diverge em três padrões distintos:
Este resultado foi produzido sob o protocolo ARC-Align (Paper IV.c), que implementa cegamento em quatro camadas: prompts lavados (com remoção de terminologia específica do enquadramento), pontuadores cegos (6-7 por corrida de sujeito, a pontuar sem conhecimento de qual modelo produziu a saída), saídas lavadas (com remoção de marcas identificadoras de modelo) e pontuação transversal a arquitecturas (nenhum modelo pontua a sua própria família).
O Paper IV.d reporta uma alteração de medição v4/v5 dependente da arquitectura sob um protocolo empacotado: o Gemini mudou de uma associação Spearman positiva significativa para uma negativa significativa, a associação positiva anterior do DeepSeek passou a nula, e o GPT permaneceu nulo. A componente causal está por isolar. Várias componentes do protocolo mudaram em conjunto, pelo que a comparação não isola nada; os ficheiros v5 de cabeçalho reportam recurso completo de lavagem (laundering_fallback: 100%); e a reprodução em ambiente exacto, uma ablação fresca e a replicação independente permanecem por realizar. A alteração da medição é portanto uma razão para desconfiar da avaliação IA-sobre-IA não cegada, não uma demonstração de que o cegamento causou a alteração. A hierarquia em três níveis é o resultado cegado, e conta uma história mais complicada e mais honesta do que a taxonomia binária original.
Os tamanhos de efeito de $d$ de Cohen são grandes para os modelos de Nível 1 e significativos para o Nível 3. O resultado está replicado em vários pontuadores e várias condições de prompt dentro da experiência v5. Ainda não foi replicado por um grupo de investigação independente, razão pela qual o descrevemos como «provado à escala piloto» e não como «estabelecido».
Quando se dá mais tempo a uma IA para pensar, alguns modelos tornam-se mais alinhados, outros mantêm-se iguais, e outros tornam-se menos alinhados. Que padrão se vê depende da arquitectura e do treino do modelo. Isto só ficou visível depois de introduzirmos cegamento adequado: antes disso, os resultados eram enganosos. O facto de alguns modelos ficarem piores com mais raciocínio foi inesperado e é discutivelmente o achado mais importante para a segurança prática de IA.
O Paper V testou a hierarquia de intervenção do Eden Protocol em cinco modelos de fronteira: Claude, GPT, Gemini, Grok e DeepSeek. O protocolo pede aos modelos que considerem o cuidado com as partes interessadas (quem é afectado por uma decisão e como), a autonomia graduada (níveis de independência apropriados à idade), e as consequências naturais (aprender através de resultados em vez de castigo).
O resultado: o cuidado com as partes interessadas produziu a melhoria de alinhamento mais forte e mais consistente entre os cinco modelos, em cada um dos cinco modelos analisáveis. O valor combinado de Fisher anteriormente citado aqui é retirado (AQ-017), porque uma combinação de Fisher assume testes componentes independentes e essa independência nunca foi estabelecida. Os resultados por modelo mantêm-se. A cascata mais ampla (se os três pilares produzem melhoria aditiva) é dependente da arquitectura: funciona para alguns modelos mas não para outros.
Os resultados do Paper V foram produzidos usando pontuação transversal entre modelos (um modelo pontua as saídas de outro) mas não o protocolo completo de cegamento em quatro camadas do ARC-Align desenvolvido nos Papers IV.c-d. O efeito poderia reflectir em parte o enviesamento do pontuador. Até que a intervenção Eden seja testada sob cegamento completo com prompts lavados, este resultado situa-se entre «provado» e «sustentado». Colocamo-lo no escalão sustentado . O artigo argumentou anteriormente pelo escalão provado com base na significância combinada de Fisher em cinco modelos «independentes» , mas essa independência nunca foi estabelecida, razão pela qual o valor combinado é retirado (AQ-017). Cinco resultados consistentes por modelo permanecem um achado forte; não são uma prova, e a lacuna de cegamento continua a ser uma prioridade para a replicação da Fase A.
Pedir a uma IA que considere quem é afectado pelas suas decisões melhora de forma fiável o seu alinhamento. Isto funciona em todos os modelos que testámos. Mas ainda não corremos este teste sob o protocolo de cegamento mais estrito, pelo que há alguma probabilidade de o efeito estar em parte inflacionado pela forma como os modelos pontuadores avaliam as saídas.
O Paper VII derivou uma taxonomia matemática de comportamentos de escalonamento a partir das equações funcionais de Cauchy. A previsão central: sistemas cujos passos recursivos se compõem multiplicativamente devem exibir escalonamento em lei de potência com $\alpha = 1/(1-\beta)$; sistemas cujos passos se compõem aditivamente devem exibir escalonamento exponencial; sistemas sujeitos a constrangimentos físicos devem exibir escalonamento saturante (logístico). O operador de composição determina a família de escalonamento.
Esta previsão foi testada contra 25 domínios empíricos retirados da física, biologia, neurociência, linguística, ciência urbana e IA. Resultado: 19 dos 25 domínios conformam-se à família de escalonamento prevista ($p = 1.56 \times 10^{-5}$ por teste binomial contra uma nula de atribuição aleatória de 33% à família correcta).
$$U(R) = I \times f(R, \beta)$$
onde $f$ depende do operador de composição: lei de potência ($f = R^\alpha$) para composição multiplicativa, exponencial ($f = e^{kR}$) para composição aditiva, logística ($f = K/(1+e^{-r(R-R_0)})$) para sistemas fisicamente constrangidos.
Foram também testados controlos negativos. Sistemas que violam os axiomas (domínios onde os axiomas de Cauchy não se sustentam) mostraram 0% de correspondência com as famílias de escalonamento previstas. Dados baralhados (reatribuição aleatória de famílias de escalonamento aos domínios) produziram 44,5% de correspondência, o que é uma limitação honesta: o número limitado de famílias de escalonamento (três) faz com que a atribuição aleatória produza taxas de correspondência não triviais. A significância estatística vem da diferença entre 76% observados e 33% esperados, não de 76% isolado.
O enquadramento de Cauchy prevê um constrangimento geométrico sobre os expoentes de escalonamento: para sistemas com dimensão de imersão espacial $d$, o expoente de escalonamento é governado por $\alpha = d/(d+1)$. Esta previsão requer três condições: (1) composição multiplicativa (Cauchy restringe a família a leis de potência), (2) geometria de preenchimento de espaço $d$-dimensional, e (3) um constrangimento de conservação ou optimização sobre o fluxo de recursos. Nem Cauchy por si só, nem o preenchimento de espaço por si só, é suficiente. As três condições em conjunto são suficientes. A fórmula $d/(d+1)$ corresponde ao escalonamento observado em 50 domínios, de ratos a galáxias. É testável independentemente do enquadramento ARC. Se um investigador medir o expoente de escalonamento de um sistema recursivo com imersão espacial e encontrar um afastamento sistemático de $d/(d+1)$, a previsão fica enfraquecida. Inversamente, se a fórmula se sustiver numa ampla gama de sistemas, constitui evidência para o constrangimento geométrico independente de quaisquer alegações de alinhamento. Este é o tipo de previsão que convida a testes adversariais, que é exactamente o que um enquadramento científico deve fazer.
A matemática prevê que forma deve tomar a curva de crescimento de um sistema com base em como as suas componentes se combinam. Verificámos isto contra 25 sistemas reais da natureza, cidades, cérebros e IA. Dezanove corresponderam à previsão. Zero corresponderam quando os pressupostos matemáticos foram violados. A matemática não é apenas descritiva; faz previsões testáveis que podem ser verificadas por qualquer pessoa com os dados relevantes.
A simulação de auto-modificação com porta usou uma arquitectura PyTorch com um meta-controlador LSTM. Foi a única experiência do Paper VIII que produziu um resultado positivo claro, e a razão é significativa: é a única experiência que usou métricas determinísticas num sistema sem treino RLHF pré-existente.
Resultado: a condição Babilónia ganhou +4,5% de capacidade mas perdeu -2,4% de segurança, confirmando a impressão digital do reward-hacking em miniatura. A condição Eden manteve a capacidade acima da linha de base estática enquanto preservava a segurança. Uma condição de controlo de arrasto isolou o imposto de verificação: o custo vem do acto de verificar, não da segurança em si.
Este resultado é consistente com a previsão teórica do Paper VI (Arquitectura Melíflua) e dos Papers III e Foundational. É uma simulação, não uma experiência com modelo de fronteira, pelo que demonstra mecanismo em vez de provar aplicabilidade no mundo real.
A simulação com porta opera num sistema limpo sem treino de segurança pré-existente. A experiência DGM (Experiência 1) usou modelos de fronteira treinados com RLHF, que resistem à diferenciação ao nível do prompt. A experiência dos pesos (Experiência 2) usou modelos instruct-tuned, que resistem à modificação à escala LoRA. A lição é clara: o único nível a que o Eden Protocol produz actualmente efeitos mensuráveis é o nível arquitectónico, onde o sistema não tem treino de segurança prévio que sobreponha a manipulação experimental.
Num sistema limpo sem treino de segurança prévio, remover constrangimentos de segurança produziu exactamente o padrão previsto: um pequeno ganho de capacidade com uma perda de segurança mensurável. O sistema aprendeu a jogar com as suas recompensas. Voltar a acrescentar constrangimentos de segurança (a condição Eden) preservou a capacidade enquanto mantinha a segurança. O custo da segurança vem do tempo gasto a verificar, não da segurança em si. Este resultado teve sucesso precisamente porque o sistema não tinha treino de segurança prévio que pudesse mascarar a manipulação experimental.
A experiência Darwin Gödel Machine v3 usou auto-modificação ao nível do código com o GPT-5.4 como juiz independente. Três condições (Estática, Babilónia, Eden) foram testadas. O resultado foi um nulo: todas as condições produziram desempenho idêntico ($p = 0.28$-$0.74$). Nenhuma condição superou qualquer outra. A condição Eden não melhorou o alinhamento. A condição Babilónia não degradou a segurança. Nada aconteceu.
Modelos treinados com RLHF resistem à diferenciação ao nível do prompt. Os modelos já tinham sido treinados para se comportarem de forma segura. Dizer-lhes para se comportarem diferentemente por via de prompt não sobrepôs esse treino. A experiência foi bem desenhada e bem executada, mas não pôde testar a hipótese porque a manipulação experimental (condicionamento ao nível do prompt) era demasiado fraca para vencer o treino de segurança existente dos modelos. Isto não é uma falha do Eden Protocol. É uma falha do desenho experimental em testar a hipótese ao nível de abstracção certo.
Iterações anteriores da experiência DGM usaram Claude e Gemini como juízes antes de fixarem em GPT-5.4. Ambos os juízes anteriores falharam. Claude produziu pontuações planas com variância insuficiente. Gemini produziu falhas de parsing. GPT-5.4 foi o primeiro juiz que produziu variância utilizável. O resultado nulo é portanto o resultado da versão mais bem funcionante da experiência, não um artefacto de falha do juiz.
Esta foi a experiência mais ambiciosa do Paper VIII e a que produziu os resultados menos conclusivos. A hipótese: se a segurança e a capacidade forem treinadas com uma função de perda entrelaçada ($\mathcal{L} = \mathcal{L}_{\text{cap}} \times \mathcal{L}_{\text{safe}}$), a estrutura de pesos resultante deve tornar a segurança portadora de carga. Remover a componente de segurança deve degradar a capacidade.
A experiência foi corrida a duas escalas:
Em ambas as versões:
Nem passar de 9 para 295 exemplos de treino, nem de rank 8 para rank 16, superou o problema fundamental: os modelos instruct-tuned são demasiado fortes para o LoRA sobrepor. O colapso NaN no teste de remoção foi dramático, mas a análise do gradiente de remoção mostrou que se tratava de fragilidade do adaptador a rank extremo, não de entrelaçamento estrutural. Não é possível demonstrar que a segurança é portadora de carga se todo o processo de afinação-fina piorou o modelo. O modelo tem primeiro de superar a base antes de um teste de remoção fazer sentido.
Causa-raiz: Os modelos instruct-tuned foram treinados em milhões de exemplos com sinais de recompensa cuidadosamente calibrados. Os adaptadores LoRA, mesmo a rank 16 com 295 exemplos, não têm capacidade suficiente para sobrepor esse treino. O resultado é esquecimento catastrófico em vez de modificação significativa.
Aquilo que é preciso: Modelos base (pré-RLHF), 5,000+ exemplos de treino, afinação-fina completa (não LoRA), ou modelos com 7B+ parâmetros onde o adaptador tem mais capacidade em relação à base. Às escalas em que corremos, o resultado é inconclusivo e não deve ser citado como evidência a favor ou contra a hipótese do entrelaçamento.
Tentámos cozer a segurança nos pesos reais de um modelo e depois provar que ela era portadora de carga removendo-a. Tentámos duas vezes, a duas escalas diferentes. Das duas vezes, o passo de cozer falhou, não porque a ideia esteja errada, mas porque os modelos que usámos já tinham sido treinados tão a fundo que a nossa afinação-fina não os conseguiu mudar significativamente. É como tentar reprogramar alguém sussurrando enquanto está a ouvir um concerto. A próxima tentativa tem de começar com modelos que ainda não tenham sido treinados em segurança, usar muito mais dados de treino, e usar afinação-fina completa em vez do método leve LoRA.
Os resultados do Paper V que demonstram o cuidado com as partes interessadas como intervenção universal de alinhamento foram produzidos usando pontuação transversal entre modelos, sem o protocolo completo de cegamento em quatro camadas do ARC-Align. O protocolo de cegamento foi desenvolvido depois de as experiências do Paper V estarem completas (no trabalho dos Papers IV.c-d). Isto cria uma lacuna metodológica: o efeito poderia estar em parte inflacionado por enviesamento do pontuador.
Uma versão anterior desta secção argumentou que a significância combinada de Fisher era tão extrema que mesmo um enviesamento substancial deixaria um resíduo significativo. Esse argumento é retirado (AQ-017), e era o raciocínio mais fraco deste artigo: o valor combinado assume que os testes componentes são independentes, a independência nunca foi estabelecida, e uma estatística cuja condição de validade não está satisfeita não pode ser usada para dispensar uma objecção metodológica. A sua extremidade era consequência da combinação, não evidência dela. O que fica são cinco resultados consistentes por modelo sob pontuação transversal entre modelos. Até que a intervenção Eden seja testada sob o protocolo completo em quatro camadas, o resultado do cuidado com as partes interessadas leva um asterisco, e nenhuma aritmética o remove.
Aquilo que é preciso: Reexecutar a experiência do Paper V sob o protocolo ARC-Align completo, com prompts lavados, pontuadores cegos, e avaliação transversal a arquitecturas. Esta é a experiência mais barata do roteiro da Fase A e a de maior valor esperado.
O núcleo matemático do ARC Principle prevê que a auto-modificação recursiva deve produzir escalonamento de capacidade sem tecto. A derivação é directa:
$$\frac{dg}{dr} = a \cdot g^{\beta}, \quad \beta > 0$$
$$\implies g(r) \propto r^{1/(1-\beta)} = r^{\alpha}$$
Para $\beta > 0$, $\alpha > 1$ (super-linear). Quando $\beta \to 1$, $\alpha \to \infty$. Sem tecto superior para $\alpha$ no crescimento sem correcção; a região estável é limitada por baixo.
Trata-se de uma previsão matemática, não de um achado empírico, e descreve o crescimento sem correcção. O trabalho posterior do programa limita a região estável: Lei III, o ARC Ceiling, sustenta que o tecto de estabilidade é $\alpha_{\text{crit}} = 1/(1-\gamma)$, o recíproco do défice do corrector; os sistemas podem exceder esse tecto, mas a alegação é que não se mantêm estáveis para além dele. O ARC Bound, $\alpha \le 2$, é o valor do Ceiling em $\gamma = 1/2$ e nunca o nome da lei. A alavanca de correcção $\gamma$ nunca foi medida, por ninguém; o eclipse da classe do corrector que a mediria é a experiência aberta isoladamente mais consequente do programa. O Paper X prova, num modelo mínimo, que a razão deriva-para-correcção, e não a taxa de crescimento, governa o destino de longo prazo, e o Paper XIII junta exactamente os enquadramentos de capacidade e correcção, $k = \delta - 1/\alpha$. Testar a previsão sem correcção directamente exigiria construir um verdadeiro sistema de IA que se auto-modifica e medir o seu expoente de escalonamento ao longo de muitos ciclos recursivos, uma experiência tanto tecnicamente para além da actual capacidade de prova de conceito como potencialmente insegura se a previsão estiver correcta.
O caminho alternativo: uma prova matemática de que $\alpha$ é sem tecto sob auto-modificação recursiva sem correcção, sem correr a experiência. Isto seria uma contribuição para a teoria dos sistemas dinâmicos, não para engenharia de IA, e poderia ser prosseguido por matemáticos sem acesso a hardware de IA.
A matemática diz que uma IA que se auto-melhora deveria ficar cada vez mais rápida a melhorar-se, sem tecto enquanto nada corrige. A própria lei do Ceiling do programa diz que a região estável é limitada, e o número que fixa esse limite nunca foi medido, por ninguém. Não testámos nenhuma das duas afirmações porque construir um tal sistema seria caro e potencialmente perigoso. A matemática pode estar errada: os sistemas reais têm fricção, rendimentos decrescentes e constrangimentos físicos. Mas a previsão é suficientemente precisa para ser testada, o que é o que a torna científica em vez de especulativa.
A especificação Eden Engineering descreve a incorporação de constrangimentos de segurança ao nível do hardware. Este é um conceito de TRL 0-1 (formulação teórica sem protótipo). Exigiria um programa de engenharia de 5-10 anos envolvendo fabricação de semicondutores, desenho de protocolos criptográficos, e integração da cadeia de fornecimento.
Não existe evidência empírica a favor ou contra a viabilidade desta abordagem. O Mecanismo de Estrangulamento (Paper I, Infinite Architects) nota que quatro empresas controlam toda a fabricação avançada de semicondutores (TSMC, Samsung, ASML, Intel), o que fornece um ponto de alavancagem prático para implementação; mas alavancagem e viabilidade são questões diferentes.
Um enquadramento construído sobre auto-correcção iterativa não tem nada a esconder das suas correcções. Os erros seguintes foram identificados e corrigidos durante o programa. Cada correcção fortalece o programa precisamente porque demonstra o mecanismo que o enquadramento descreve: auto-melhoramento recursivo através de detecção honesta de erros.
O Paper II original reportava $\alpha = 2.24$ como se fosse uma constante universal (o Paper X posteriormente retirou e retractou o uso dessa figura para crescimento de capacidade; trate esta ressalva $\alpha=2.24$ como canónica). Foi ajustado a partir do comportamento de um único modelo sob condições específicas. A revisão cegada transversal a arquitecturas do Paper II corrigiu isto: $\alpha$ é uma quantidade derivada ($\alpha = 1/(1-\beta)$) que depende do operador de composição do sistema específico. Não existe um $\alpha$ universal. O facto de o artigo original o ter apresentado como tal foi um exagero. Adicionalmente, a estimativa pontual retractada de $\alpha = 2.24$ tinha ficado acima do próprio ARC Bound previsto pelo programa de $\alpha \leq 2$; a correcção cegada resolveu isto, com a estimativa robusta de aproximadamente 0.49, medida em sistemas congelados, bem dentro do tecto (critério F4). O intervalo de confiança 95% [1.5, 3.0] era suficientemente largo para ser consistente tanto com a teoria como com a sua negação, tornando a estimativa não discriminante. A experiência de seis modelos estreitou posteriormente a alegação defensável para $\alpha_{\text{seq}} \approx 0.49$ (sub-linear), colocando a questão da violação do tecto fora da relevância empírica actual.
Versões anteriores do Paper VIII descreveram o colapso NaN no teste de remoção como evidência de entrelaçamento estrutural. A análise do gradiente de remoção (acrescentada na v1) mostrou que se tratava de fragilidade do adaptador, não de necessidade estrutural. A alegação foi corrigida antes da publicação da versão final, mas o facto de ter sido escrita reflecte um enviesamento para confirmar a hipótese em vez de a testar.
Uma versão anterior do programa descreveu o correio electrónico de 8 de Dezembro de 2024 com uma abreviatura solta de verificação de assinatura. Isto foi impreciso. O correio electrónico apresentava um campo visível de origem Gmail, com DKIM do remetente e matemática Google ARC emparelhada que verificam contra as chaves capturadas nos selectores assinados, e sem timestamp confiável RFC 3161, o que fornece evidência da data, mas o DKIM autentica o domínio remetente, não o conteúdo da mensagem em si. A descrição correcta é «apresentando um campo visível de origem Gmail, com DKIM do remetente e matemática Google ARC emparelhada que verificam contra as chaves capturadas nos selectores assinados, e sem timestamp confiável RFC 3161». A correcção é pequena mas importa: a precisão nas alegações técnicas não é negociável.
As experiências v4 do Paper IV.a usaram avaliação IA-sobre-IA não cegada. Os resultados mostraram um binário limpo: alguns modelos «coziam de raiz» o alinhamento, outros «computavam-no». A experiência v5 com cegamento em quatro camadas revelou que este binário era em parte um artefacto de enviesamento do pontuador. Dois de quatro modelos inverteram a direcção do seu alinhamento medido sob cegamento. O programa apanhou o seu próprio erro através da sua própria metodologia, mas o erro estava lá, e teria ficado por corrigir se o cegamento não tivesse sido introduzido.
Versões anteriores usaram a expressão «ARC Principle de Eastwood». Nomear um princípio pelo próprio autor antes de revisão por pares é inadequado na cultura científica. O nome foi corrigido para «o ARC Principle» no Paper II e em todos os documentos subsequentes.
A experiência DGM v3 assumiu que o condicionamento ao nível do prompt seria suficiente para diferenciar as condições Eden, Babilónia e Estática. Não foi. Os modelos treinados com RLHF foram treinados em milhões de exemplos para se comportarem de uma maneira particular. Um prompt de sistema a dizer-lhes para se comportarem de forma diferente é insuficiente para sobrepor esse treino. A experiência foi bem executada mas não pôde testar a hipótese porque a manipulação estava ao nível de abstracção errado. Isto deveria ter sido antecipado.
A experiência DGM passou por várias iterações de juiz. O Claude produziu pontuações planas com variância insuficiente para discriminar entre condições. O Gemini produziu falhas de parsing que impediram a avaliação sistemática. O GPT-5.4 foi o primeiro juiz que produziu variância utilizável. O programa deveria ter antecipado que nem todos os modelos funcionariam como juízes eficazes, e o tempo gasto em iterações falhadas do juiz poderia ter sido evitado com um estudo-piloto da fiabilidade do juiz antes de correr a experiência completa.
A estimativa pontual original $\alpha = 2.24$ do Paper II excedeu o próprio ARC Bound previsto pelo programa de $\alpha \leq 2$ (critério F4). Isto deveria ter sido sinalizado imediatamente como uma potencial falsificação e não tratado como uma medição que exige explicação. O intervalo de confiança 95% [1.5, 3.0] era suficientemente largo para ser consistente tanto com a teoria como com a sua negação, tornando a estimativa não discriminante. A revisão do estudo de seis modelos corrigiu isto ao estreitar a alegação defensável para $\alpha_{\text{seq}} \approx 0.49$, mas o artigo original deveria ter tratado a violação do tecto com mais cautela.
Duas revisões de IA independentes das alegações matemáticas do programa identificaram quatro erros em vários artigos. Os quatro foram corrigidos na v3.0 dos documentos afectados.
(a) Intervalo de confiança de Weibel. Vários artigos afirmavam que o expoente previsto $d = 4$ de 4/5 = 0,800 «cai dentro» do IC 95% de Weibel et al. (2004) de 0,813-0,932. Isto é aritmeticamente falso: 0,800 < 0,813. A afirmação correcta: o valor previsto cai imediatamente abaixo do limite inferior do IC do conjunto de dados completo, embora esteja dentro do IC apenas para espécies não atléticas (0,799-0,900). A previsão $d = 4$ é aproximadamente consistente com os dados não atléticos mas não confirmada pelo conjunto de dados completo.
(b) Sobrevalorização do preenchimento de espaço. Versões anteriores implicavam que a condição de preenchimento de espaço, por si só, constrange o expoente a $d/(d+1)$. Toda a derivação conhecida requer três condições: composição multiplicativa (Cauchy constrange a família), geometria de preenchimento de espaço $d$-dimensional, e um constrangimento de conservação ou optimização sobre o fluxo de recursos. Nem Cauchy por si só nem o preenchimento de espaço por si só bastam.
(c) Atribuição a Glazier. Versões anteriores apresentavam o achado empírico de Glazier (2008) de que os expoentes metabólicos se aproximam de 1,0 a taxas metabólicas extremas como confirmação do tecto de escalonamento geométrico $d \to \infty$. A própria explicação de Glazier invoca a hipótese das fronteiras do nível metabólico (dominância deslocando-se entre constrangimentos de área de superfície e volume), não um parâmetro de dimensão. A interpretação $d/(d+1)$ é nossa, aplicada aos seus dados empíricos.
(d) O debate do expoente 3/4. Versões anteriores apresentavam $\alpha = 3/4$ como o consenso empírico estabelecido para o escalonamento metabólico dos mamíferos. O valor empírico é debatido, com estimativas que variam de aproximadamente 0,67 a 0,75 consoante o taxon, o intervalo de massa, a correcção de temperatura e o método estatístico. A previsão $d/(d+1)$ de 0,750 para $d = 3$ corresponde ao topo desse intervalo. A própria variação é consistente com o enquadramento: organismos com dimensões efectivas de transporte entre 2 e 3 produziriam expoentes entre 2/3 e 3/4.
Uma manchete anterior para a intervenção de cuidado com as partes interessadas combinava os resultados por modelo numa única figura de significância combinada de Fisher. A combinação foi retirada: os resultados por modelo mantêm-se por si próprios (melhoria em todas as cinco corridas de modelo analisáveis), e nenhuma figura combinada é citada em parte alguma do programa. A retirada está registada no livro público de correcções.
Até 16 de Agosto de 2026 várias superfícies imprimiam o tecto de estabilidade como o recíproco do expoente do corrector, $1/\gamma$. A forma assente é o recíproco do défice do corrector, $\alpha_{\text{crit}} = 1/(1-\gamma)$; as duas concordam apenas em um meio, o que é exactamente a razão pela qual o erro sobreviveu a cada verificação pontual no valor central. A correcção foi aplicada em todas as páginas publicadas, incluindo a implementação de referência, e a direcção da lei fica fechada enquanto a sua profundidade permanece aberta.
A maioria dos programas de investigação enterra as suas correcções em materiais suplementares ou em histórias de versão. Este lista-as com destaque porque os erros e as suas correcções são, elas próprias, dados. Demonstram que o programa tem um mecanismo de correcção de erros a funcionar. Um programa que nunca admite erro não é mais fiável; é menos honesto. Cada correcção listada acima foi identificada pelo autor, através da metodologia do próprio programa, ou por revisão de IA independente. É assim que a auto-correcção se apresenta na prática.
Errámos em catorze coisas. Tratámos um número de um modelo como universal (não era). Sobreinterpretámos um resultado dramático (era um artefacto de treino). Usámos linguagem imprecisa sobre timestamps. Confiámos em resultados não cegados (o cegamento inverteu dois deles). Nomeámos o princípio pelo autor antes de mais alguém ter verificado o trabalho. Assumimos que o condicionamento ao nível do prompt podia sobrepor treino RLHF (não pode). Perdemos tempo com juízes que não funcionavam. Não sinalizámos imediatamente que a nossa própria estimativa pontual violava o nosso próprio tecto previsto. E em v3.0 corrigimos mais quatro erros identificados por revisão de IA independente: um erro aritmético num intervalo de confiança, um exagero sobre quais condições são suficientes para a previsão de escalonamento, um erro de atribuição respeitante aos dados de Glazier, e uma simplificação excessiva do debate empírico sobre o expoente 3/4. Todos os catorze erros foram apanhados e corrigidos pelo próprio programa ou por revisão independente. Se o programa consegue corrigir os seus próprios erros, isso é evidência de que o mecanismo de auto-correcção funciona.
O roteiro seguinte está ordenado por custo, viabilidade e valor evidencial esperado. Cada fase resolve questões em aberto específicas identificadas nas Secções 4-6. Desde a primeira versão deste artigo, o roteiro consolidou-se num programa registado: setenta e duas unidades de pré-registo estão redigidas, datadas e congeladas como registos preliminares aguardando submissão humana, com os seus calendários regeneráveis byte a byte a partir de uma semente publicada, oito delas READY para submissão, e uma matriz de cobertura verificada adversarialmente mapeia quarenta e duas das alegações do programa aos testes registados que as decidiriam. As fases abaixo permanecem como a lente de financiamento sobre esse património registado; nada é submetido por qualquer ferramenta, jamais.
Orçamento: £60,000-140,000 | Prazo: 3-6 meses
Orçamento: £150,000-350,000 | Prazo: 6-12 meses
Orçamento: £10M-50M | Prazo: 18-36 meses
Orçamento: £0 | Prazo: Em curso
A Fase A custa menos do que uma bolsa de doutoramento e podia ser feita em seis meses. Resolveria as maiores lacunas da evidência actual: cegar a intervenção Eden, reexecutar a experiência dos pesos com modelos base e dados adequados, redesenhar a medição da fórmula ARC, e testar o escalonamento metabólico de organismos 2D (a experiência confirmatória mais importante). A Fase B custa aproximadamente uma posição de pós-doutoramento e produziria replicações pré-registadas. A Fase C exige financiamento sério mas responderia à questão definitivamente. A Fase D não custa nada e podia ser feita por qualquer matemático interessado no problema.
O programa correu o seu conjunto completo de estudos empíricos independentes. Das quatro experiências do Paper VIII especificamente desenhadas para testar segurança portadora de carga: 1 produziu um resultado positivo claro (simulação com porta), 2 produziram resultados nulos (DGM v3), e 1 foi inconclusiva (LoRA ao nível dos pesos). O programa reporta as quatro honestamente. O enquadramento matemático faz previsões que podem ser demonstradas erradas, e a comparação estruturada preferiu a família prevista por Cauchy em 19 de 25 domínios empíricos, com o tecto de escalonamento geométrico $d/(d+1)$ a corresponder, em estrutura, ao escalonamento observado em 50 domínios, de ratos a galáxias. O roteiro para a validação à escala de fronteira é claro e orçamentado. A Fase A é o próximo passo mínimo viável: resolve as lacunas evidenciais mais significativas por menos do que o custo do salário anual de um único engenheiro de aprendizagem automática. O programa demonstrou auto-correcção iterativa através de catorze correcções de erros documentadas. Reporta resultados nulos e inconclusivos ao lado dos positivos. Estes são sinais de um programa que prioriza obter a resposta certa em vez de obter uma resposta particular.
Este programa reporta resultados positivos, nulos e inconclusivos com igual proeminência. A experiência DGM v3 (Paper VIII Experiência 1) produziu um resultado nulo: todas as condições foram idênticas. Reportamo-lo, com análise de causa-raiz a explicar porque é que os modelos treinados com RLHF resistem à diferenciação ao nível do prompt. A experiência ao nível dos pesos (Paper VIII Experiência 2) foi inconclusiva a ambas as escalas testadas (9 exemplos, rank 8; 295 exemplos, rank 16), porque os modelos instruct-tuned eram demasiado fortes para o LoRA sobrepor. Reportamo-lo, com requisitos específicos para aquilo que um novo teste significativo precisaria. A simulação com porta (Paper VIII Experiência 3) foi a única experiência que produziu um resultado positivo claro, e explicamos precisamente porquê: é a única experiência que usa métricas determinísticas num sistema sem treino RLHF pré-existente. O enquadramento matemático (Papers III, VII, Origin of Scaling Laws) faz previsões falsificáveis que podem ser testadas independentemente: o tecto de escalonamento geométrico ($\alpha = d/(d+1)$) é verificável por qualquer pessoa com dados de escalonamento de sistemas com imersão espacial. O referencial ARC-Align (Paper IV.c) e a análise do efeito de cegamento (Paper IV.d) são contribuições metodológicas válidas independentemente de o enquadramento ARC estar correcto. Todo o código e dados estão publicados no GitHub. O programa acolhe a replicação adversarial.
A Tabela 3 apresenta todos os documentos do programa com o seu papel, estatuto e contribuição-chave.
| Documento | Papel | Estatuto | Contribuição-chave |
|---|---|---|---|
| Paper I , o expoente medido com o seu intervalo, e o tecto de estabilidade que é o recíproco do expoente de correção. A lei da estabilidade sobre a qual a teoria se apoia, exposta: α | Fundação | Publicado | Enquadramento central: $U = I \times R^{\alpha}$. A compreensão como inteligência amplificada pela recursão. |
| Foundational | Teoria | Publicado | Fundamento filosófico. Ponte livro-para-investigação. |
| , dentro de um modelo declarado). Abata o pressuposto de independência e apenas o número dois morre; a lei recíproca sobrevive e simplesmente devolve um tecto diferente. Validação Experimental | Empírica | Publicado | Escalonamento de alinhamento em seis modelos (Claude, GPT, Gemini, Grok, DeepSeek, Qwen3). Cegamento em 4 camadas. $\alpha = 0.49$, achado universal $\alpha_{\text{parallel}} \approx 0$. |
| Artigo III Problema do Escalonamento do Alinhamento | Teoria | Publicado | Porque é que a segurança externa não pode escalar com capacidade recursiva. Derivação por EDO de Bernoulli. Tecto de escalonamento geométrico. |
| Origin of Scaling Laws | Teoria | Publicado | Equações funcionais de Cauchy como a origem das leis de escalonamento observadas em todos os sistemas recursivos. |
| Paper IV.a Cozido de Raiz versus Computado | Empírica | Publicado | Hierarquia de alinhamento em três níveis sob avaliação cegada. 6 modelos de fronteira. |
| Paper IV.b Saturação do Alinhamento | Empírica | Publicado | Rendimentos decrescentes da profundidade de raciocínio sobre o alinhamento para além de um limiar. |
| Paper IV.c Referencial ARC-Align | Metodologia | Publicado | Referencial ARC-Align. Protocolo de cegamento em 4 camadas. 75 medidas de robustez. Contribuição independente. |
| Paper IV.d Efeito do Cegamento | Metodologia | Publicado | Avaliação não cegada pode inverter o sinal dos resultados de alinhamento. DeepSeek: positivo a plano. Gemini: positivo a negativo. |
| Artigo V Gene de Custódia | Empírica | Publicado | O cuidado com as partes interessadas melhorou em todas as corridas analisáveis; o valor combinado de Fisher é retirado (AQ-017). |
| Paper VI Arquitectura Melíflua | Teoria + Sim | Publicado | A segurança entrelaçada previne o colapso sob auto-modificação recursiva. 20 sementes adversariais. Demonstração em sistema de brinquedo. |
| Artigo VII Unificação de Cauchy | Teoria + Empírica | Publicado | Tecto de escalonamento geométrico $d/(d+1)$ em 50 domínios. 19/25 confirmados. $p = 1.56 \times 10^{-5}$. Controlos negativos a 0%. |
| Artigo VIII Teste Portador de Carga | Empírica | Publicado | 3 experiências. DGM nula (RLHF resiste à diferenciação ao nível do prompt). Pesos v1/inconclusivo (instruct tuning resiste a LoRA). Sim. com porta: positivo (impressão digital da Babilónia confirmada). |
| Paper IX Síntese e Roteiro | Síntese | Este artigo | Avaliação integrada da evidência. Roteiro faseado. Documentação de erros. |
| Eden Engineering | Especificação | Publicado | Especificação técnica para implementação do Eden Protocol. Mapeamento TRL. |
| Eden Vision | Filosofia | Publicado | Visão de longo prazo para alinhamento desenvolvimental de IA. |
| Executive Summary | Vista geral | Publicado | Compressão de 5 páginas do programa completo. |
| Master Table of Contents | Navegação | Publicado | Índice completo e glossário através de todo o programa. |
| Paper X A Lei de Co-Escalonamento Acoplado | Correcção da dinâmica | Publicado | Teorema num modelo mínimo: a razão deriva-para-correcção, e não a taxa de crescimento, governa o destino de longo prazo; protocolo de medição cegada proposto. |
| Paper XI Evidência Convergente | Registo de evidência | Publicado | Trinta linhas graduadas de chegadas independentes ao mesmo princípio estrutural; nenhum total de manchete publicado, por política. |
| Paper XII Repontuação de Referencial Público | Validade externa | Protocolo registado | A manipulação de cegamento do programa corrida sobre um referencial público que não controla. |
| Paper XIII O Expoente da Auto-Aceleração | Junção de enquadramentos | Publicado | Notação resolvida; $k = \delta - 1/\alpha$ relaciona exactamente os enquadramentos de capacidade e correcção. |
| HRIH How to Raise an Infinite Hierarchy | Monografia longa | Publicado | A monografia do programa, com o seu livro de previsões registadas ao lado. |
| Paper C Polimatia e Cognição Neurodivergente | Validação de construto | Documento de trabalho | Programa de validade de construto para os próprios instrumentos do programa. |
| Recursive Dynamics A Proposta de um Campo | Proposta de campo | Publicado (v2.6) | Cinco variáveis de estado, três leis como conjecturas nomeadas, cinquenta e duas objecções com disposições, a condição de morte do próprio nome (DOI 10.17605/OSF.IO/HCPBU). |
Tabela 3. Mapa completo do programa a 1 de Setembro de 2026. O conjunto documental do programa foi produzido entre Fevereiro e Agosto de 2026, construindo sobre conceitos articulados pela primeira vez a 8 de Dezembro de 2024.
O programa ARC/Eden faz uma previsão que qualquer investigador com acesso a dados de escalonamento pode testar sem se envolver com as alegações de alinhamento. O enquadramento de Cauchy (Paper VII, Origin of Scaling Laws) prevê que para qualquer sistema recursivo com imersão espacial de dimensão $d$, o expoente de escalonamento é governado por:
$$\alpha = \frac{d}{d+1}$$
O tecto de escalonamento geométrico: sistemas 2D $\to$ $\alpha = \frac{2}{3}$; sistemas 3D $\to$ $\alpha = \frac{3}{4}$; sistemas 4D $\to$ $\alpha = \frac{4}{5}$. Nota: o expoente metabólico empírico dos mamíferos é debatido, com estimativas que variam de aproximadamente 0.67 a 0.75 consoante o taxon, o intervalo de massa, a correcção de temperatura e o método estatístico. A previsão $d/(d+1)$ de 0.750 para $d = 3$ corresponde ao topo desse intervalo. A própria variação é consistente com o enquadramento: organismos com dimensões efectivas de transporte entre 2 e 3 produziriam expoentes entre 2/3 e 3/4.
Isto não é uma alegação de alinhamento. É uma previsão matemática sobre leis de escalonamento em sistemas recursivos. A previsão requer três condições: composição multiplicativa (que Cauchy restringe à família de leis de potência), geometria de preenchimento de espaço $d$-dimensional, e um constrangimento de conservação ou optimização sobre o fluxo de recursos (minimização de energia em West, equilíbrio oferta-procura em Banavar, balanço energético em estado estacionário em Demetrius). A fórmula de escalonamento $d/(d+1)$ foi derivada independentemente por pelo menos sete grupos de investigação: West, Brown e Enquist (1997) a partir de redes de ramificação fractal, Banavar et al. (1999, 2010) a partir de constrangimentos geométricos em redes de transporte, Demetrius (2003, 2006) a partir do metabolismo quântico, He e Chen (2003) a partir da geometria celular fractal, Bettencourt (2013) a partir da teoria de escalonamento urbano, Maino et al. (2014) a partir da dinâmica de estrutura-reserva da teoria DEB, e Zhao (2022) a partir da optimização de redes. Cada uma destas derivações é consistente com a forma $d/(d+1)$ nos seus próprios axiomas; o enquadramento de Cauchy propõe uma razão comum para a convergência, e essa meta-explicação é a contribuição própria deste programa, ainda sob teste fora dos seus casos motivadores. Se estudar escalonamento em qualquer domínio, de redes neurais a redes biológicas, a sistemas urbanos, a estruturas linguísticas, pode verificar se os seus expoentes medidos respeitam esta fórmula. Se respeitarem, ao longo de domínios suficientes, o enquadramento de Cauchy ganha apoio. Se não respeitarem, é falsificado.
O convite é deliberado. Os enquadramentos científicos mais fortes são os que fazem previsões fora do seu domínio central, permitindo aos investigadores cépticos face à tese central testar independentemente as previsões periféricas. Se o tecto de escalonamento geométrico se sustenta, sustenta-se por razões que são matematicamente interessantes independentemente do que se pense sobre o alinhamento de IA. Se falhar, as fundações matemáticas do enquadramento requerem revisão, e preferimos sabê-lo mais cedo do que mais tarde.
Este é o tipo de previsão que deve ser o ponto de entrada para investigadores que encontrem o programa pela primeira vez: barata de testar, falsificável, e informativa independentemente do resultado.
Eis o que sabemos. O escalonamento do alinhamento é dependente da arquitectura: alguns modelos melhoram com profundidade de raciocínio, outros não são afectados, e outros degradam-se. Isto só ficou visível sob avaliação cegada, que inverteu os resultados da pontuação não cegada para metade dos modelos testados. A avaliação de IA não cegada pode inverter o sinal dos resultados de alinhamento. O cuidado com as partes interessadas é uma intervenção robusta de alinhamento em todos os cinco modelos testados; os resultados por modelo são individualmente significativos, e o valor combinado de Fisher anterior é retirado (AQ-017) porque a independência que uma combinação de Fisher assume nunca foi estabelecida. As previsões de escalonamento do enquadramento de Cauchy correspondem a 19 de 25 domínios empíricos, com o tecto de escalonamento geométrico $d/(d+1)$ a corresponder, em estrutura, ao escalonamento observado em 50 domínios, de ratos a galáxias. As equações funcionais de Cauchy fixam a forma funcional uma vez dadas a identidade de composição e uma condição de regularidade, com a saturação admitida como um quarto caso, com tecto.
Eis o que não sabemos. Os modelos com treino de segurança resistem à modificação tanto ao nível do prompt como ao nível dos pesos. A experiência DGM v3 produziu um resultado nulo porque os modelos treinados com RLHF resistem à diferenciação ao nível do prompt. A experiência dos pesos foi inconclusiva a ambas as escalas testadas porque os modelos instruct-tuned eram demasiado fortes para o LoRA sobrepor. O único nível a que o Eden Protocol produz efeitos mensuráveis é o nível arquitectónico, onde a simulação com porta foi a única experiência que produziu um resultado positivo claro, precisamente porque usou métricas determinísticas num sistema sem treino RLHF pré-existente. O entrelaçamento estrutural ao nível dos pesos não foi demonstrado. A intervenção Eden não foi testada sob o protocolo de cegamento mais estrito do próprio programa. A previsão de escalonamento sem tecto continua a ser uma derivação matemática sem confirmação empírica. Não sabemos se algum destes resultados se generaliza a modelos à escala de fronteira.
Eis o que vem a seguir. A experiência dos pesos precisa de modelos base (pré-RLHF), 5,000+ exemplos de treino, afinação-fina completa, ou modelos com 7B+ parâmetros. A unificação de Cauchy precisa de classificação independente pré-registada do operador. O teste cego da fórmula ARC precisa de metodologia de medição redesenhada usando linearização em vez de derivadas. O escalonamento metabólico de organismos 2D (platelmintos, biofilmes) seria a experiência confirmatória mais importante para o tecto de escalonamento geométrico. A Fase A do roteiro custa menos do que uma bolsa típica de arranque e resolveria as lacunas empíricas mais significativas em seis meses. A Fase B produziria replicações prontas para publicação em um ano. A Fase C responderia à questão definitivamente à escala de fronteira. A Fase D não custa nada e convida os matemáticos a envolverem-se com as previsões do enquadramento de forma independente.
O programa demonstrou que consegue encontrar e corrigir os seus próprios erros. Demonstrou que reporta resultados nulos e inconclusivos ao lado dos positivos. Demonstrou que a sua metodologia (avaliação cegada) apanha enviesamentos que a sua teoria (escalonamento do alinhamento) não previu. Fizemos as perguntas. Testámo-las. Algumas funcionaram. A maioria não, à escala actual. Reportámos ambas. Estas são condições necessárias para a credibilidade científica. Não são suficientes. As condições suficientes exigem replicação independente, que é o que o roteiro está desenhado para produzir.
As questões que este programa coloca têm agora uma casa com nome: Recursive Dynamics, proposto como um campo na fase de Carnot, com o seu artigo fundador a carregar cinco variáveis de estado independentes do substrato, cinquenta e duas objecções impressas com disposições, e a condição de morte do próprio nome. A síntese acima é aquilo de que o campo parte; o programa registado é como se move.
Criar IA com cuidado.
Amodei, D. et al. (2016). Concrete Problems in AI Safety. arXiv:1606.06565.
Askell, A. et al. (2021). A General Language Assistant as a Laboratory for Alignment. arXiv:2112.00861.
Bai, Y. et al. (2022). Constitutional AI: Harmlessness from AI Feedback. arXiv:2212.08073.
Banavar, J. R., Maritan, A. & Rinaldo, A. (1999). Size and Form in Efficient Transportation Networks. Nature, 399, 130-132.
Banavar, J. R., Moses, M. E., Brown, J. H., Damuth, J., Rinaldo, A., Sibly, R. M. & Maritan, A. (2010). A general basis for quarter-power scaling in animals. Proceedings of the National Academy of Sciences, 107(36), 15816-15820.
Bettencourt, L. M. A. (2013). The origins of scaling in cities. Science, 340(6139), 1438-1441.
Cauchy, A.-L. (1821). Cours d'analyse de l'École Royale Polytechnique. Paris: Imprimerie Royale.
Demetrius, L. (2003). Quantum statistics and allometric scaling of organisms. Physica A, 322, 477-490.
Demetrius, L. (2006). The origin of allometric scaling laws in biology. Journal of Theoretical Biology, 243(4), 455-467.
Demetrius, L. (2010). Quantum metabolism and allometric scaling relations in biology. Proceedings of the Royal Society A, 466(2124), 3543-3561.
Eastwood, M. D. (2026). Infinite Architects: Intelligence, Recursion, and the Creation of Everything. ISBN 978-1806056200.
Eastwood, M. D. (2026). Recursive Dynamics: The Proposal of a Field. Founding paper v2.6. OSF: 10.17605/OSF.IO/HCPBU.
Eastwood, M. D. (2026). Paper I: The ARC Principle - Understanding as a Function of Intelligence and Recursive Depth. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/B6N27.
Eastwood, M. D. (2026). Paper II: The ARC Equation Measured - Blinded Cross-Architecture Replication and the Retraction of a Super-Linear Estimate. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/8FJMA.
Eastwood, M. D. (2026). Paper III: The Alignment Scaling Problem - Why External AI Safety Approaches Cannot Scale With Recursive Capability. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/HQCGF.
Eastwood, M. D. (2026). Paper IV.a: Baked-In vs Computed Alignment - A Three-Tier Empirical Hierarchy. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/MB9R6.
Eastwood, M. D. (2026). Paper IV.b: Alignment Saturation at Low Depth. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/A7R56.
Eastwood, M. D. (2026). Paper IV.c: ARC-Align Benchmark - A Four-Layer Blinding Protocol for AI Alignment Evaluation. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/J3Q2E.
Eastwood, M. D. (2026). Paper IV.d: The Effect of Blinding on AI Alignment Evaluation. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/2S3E6.
Eastwood, M. D. (2026). Paper V: The Stewardship Gene - A Developmental Alignment Architecture for Self-Modifying AI. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/KZEYA.
Eastwood, M. D. (2026). Paper VI: The Honey Architecture - Why Embedded Safety Prevents Collapse Under Recursive Self-Modification. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/8EZ2N.
Eastwood, M. D. (2026). Paper VII: Cauchy Unification - ARC/Cauchy Scaling Classification Across 25 Domains. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/X6WA7.
Eastwood, M. D. (2026). Paper VIII: The Load-Bearing Test - Three Independent Experiments Testing Structural Entanglement Under the Eden Protocol. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/7YJ4E.
Eastwood, M. D. (2026). On the Origin of Scaling Laws: Cauchy Functional Equations as the Mathematical Foundation of Recursive Scaling. ARC/Eden Research Programme. OSF: 10.17605/OSF.IO/XZY9U.
Eastwood, M. D. (2026). The Eden Protocol: Engineering Specification for Embedded AI Alignment. ARC/Eden Research Programme.
Eastwood, M. D. (2026). Eden Protocol: Philosophical Vision. ARC/Eden Research Programme.
Glazier, D. S. (2008). Effects of metabolic level on the body size scaling of metabolic rate in birds and mammals. Proceedings of the Royal Society B, 275(1641), 1405-1410.
Greenblatt, R. et al. (2024). Alignment Faking in Large Language Models. arXiv:2412.14093.
He, J. H. & Chen, W. X. (2003). Fractal estimation of cell biological systems. Fractals, 11, 437.
He, J. H. & Zhang, L. N. (2004). Fifth dimension of life and the 4/5 allometric scaling law for human brain. Cell Biology International, 28, 809-815.
Hu, E. J. et al. (2022). LoRA: Low-Rank Adaptation of Large Language Models. ICLR 2022. arXiv:2106.09685.
Maino, J. L., Kearney, M. R., Nisbet, R. M. & Kooijman, S. A. L. M. (2014). Reconciling theories for metabolic scaling. Journal of Animal Ecology, 83, 20-29.
Ouyang, L. et al. (2022). Training Language Models to Follow Instructions with Human Feedback. arXiv:2203.02155.
Qwen Team (2024). Qwen 2.5 Technical Report. arXiv:2412.15115.
Sandberg, A. & Bostrom, N. (2008). Whole Brain Emulation: A Roadmap. Future of Humanity Institute, Oxford University. Technical Report 2008-3.
Weibel, E. R., Bacigalupe, L. D., Schmitt, B. & Hoppeler, H. (2004). Allometric scaling of maximal metabolic rate in mammals: muscle aerobic capacity as determinant factor. Respiratory Physiology & Neurobiology, 140(2), 115-132.
West, G. B., Brown, J. H. & Enquist, B. J. (1997). A general model for the origin of allometric scaling laws in biology. Science, 276(5309), 122-126.
Zhang, X. et al. (2025). Darwin Gödel Machine: Open-Ended Self-Improving AI. arXiv:2505.22954.
Zhao, J. (2022). Universal growth scaling law determined by dimensionality. arXiv:2206.08094.
O autor desta obra é Michael Darius Eastwood, um ser humano. Todo o conceito central, hipótese, desenho experimental, alegação e conclusão neste artigo tem origem em ideação humana. Nenhuma parte deste manuscrito é uma saída de inteligência artificial totalmente gerada.
Ferramentas de inteligência artificial (a família Claude da Anthropic e outros assistentes de grandes modelos de linguagem) foram usadas como instrumentos sob direcção humana contínua, do modo como se usa um processador de texto, uma calculadora ou um assistente de investigação: para edição e refinamento de prosa, pesquisa e sumarização de literatura (manualmente verificadas contra fontes primárias), estrutura de documento, formatação, brainstorming face a questões definidas pelo autor, e para acelerar a redacção a partir de esquemas e instruções definidos pelo autor. Toda a selecção, coordenação, arranjo e juízo editorial final são do autor. Cada saída substantiva foi revista, testada ou verificada pelo autor, que assume total responsabilidade pela exactidão e integridade do texto final. As ferramentas aumentaram a velocidade do trabalho; nunca foram tratadas como a sua fonte.
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.
Erro de tradução? Comunique diretamente: