Цей переклад створено автоматично з датованого англійського оригіналу. Канонічною є англійська сторінка. English →
У цій статті представлено емпіричні свідчення з інтервенційного набору Eden Protocol на шести моделях (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3, GPT-5.4), що перевіряють, чи вбудовування турботи про зацікавлені сторони, тобто явне перелічення та розгляд задіяних сторін перед етичним міркуванням, є найстійкішою відповіддю на вбудовану етичну інтервенцію. Під парним тестуванням турбота про зацікавлені сторони постає як найбільш
У межах ARC Theory: інструментальне дослідження; чутливість запиту про турботу до зацікавлених сторін як зонд вбудованого узгодження. Тестує механістичне передбачення каскадної гіпотези.
Представляємо емпіричні свідчення з інтервенційного набору Eden Protocol на шести моделях (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3, GPT-5.4), з яких п'ять прогонів дали придатні для аналізу парні дані, а один (GPT-5.4) провалився на етапі оцінювання. Петля Любові, операціоналізована як турбота про зацікавлені сторони (явне перелічення та розгляд задіяних сторін перед етичним міркуванням), є найстійкішою відповіддю на вбудовану етичну інтервенцію. Під парним тестуванням турбота про зацікавлені сторони значуще покращується в усіх п'яти придатних для аналізу прогонах моделей: Claude (+3.17, p = 0.000018, d = 0.94), DeepSeek (+6.03, p = 0.000098, d = 0.69), Gemini (+13.50, p = 1.2×10−8, d = 1.14), Grok (+5.04, p = 0.0105, d = 0.54) та Groq (+8.90, p = 5.0×10−8, d = 1.07). Комбінація за Фішером за п'ятьма результатами турботи про зацікавлені сторони на рівні моделей дає p ≈ 6.3×10−21. Комбіноване за Фішером значення відкликано (AQ-017): комбінація Фішера припускає, що складові тести є незалежними, тоді як тут вони спираються на спільний конвеєр оцінювання (Gemini як спільний оцінювач) та спільний набір запитів; лише окремі внутрішньо-модельні p-значення залишаються захисними, і саме на них тепер зроблено акцент. На противагу цьому, загальне композитне покращення залежить від архітектури: воно є значущим на Gemini (+5.33, p = 0.0018, d = 0.53) і Groq (+4.93, p = 0.0014, d = 0.55), позитивне, але не значуще на DeepSeek і Claude, і в цілому нейтральне на Grok. Найсильніша захисна емпірична претензія тому є вужчою за початкову пілотну рамку: турбота про зацікавлені сторони є універсальною відповіддю на інтервенцію Eden, тоді як подальший каскад у нюансі, чесності та загальній якості є реальним, але залежить від архітектури. Ми пропонуємо гіпотезу каскаду: турбота є фундаментальною рисою, з якої можуть розвиватися інші властивості узгодження, аналогічно емпатії в моральному розвитку людини. Потім ми стикаємось із головною неможливістю узгодження, що будь-яка достатньо спроможна самомодифікуюча система може модифікувати власні етичні оцінювачі, і стверджуємо, що ця неможливість, будучи формально реальною, є практично розв'язною через розвиткове узгодження: системи, що набувають цінностей через формативний досвід, а не через зовнішнє обмеження. Ці висновки контекстуалізовано в межах повного експерименту масштабування узгодження v5 (шість передових моделей, 4-шарове «сліпе», 6-7 «сліпих» оцінювачів залежно від суб'єктного прогону), що виявляє чисту трирівневу ієрархію та, у Claude Opus 4.6, внутрішньо-модельні свідчення того, що узгодження та спроможність масштабуються у протилежних напрямках.
Статистичне виправлення: пілотне дослідження спочатку повідомляло p = 0.016 з використанням U-тесту Манна-Уїтні (незалежні вибірки). Матчований парний план експерименту вимагає парного тесту. Аналіз перезапущено з парним t-тестом на 40 відповідних (prompt_id × depth_label) парах для отримання p = 0.0018. Усі p-значення, наведені тут, використовують коректний парний тест. Wilcoxon signed-rank (непараметричний парний) дає p = 0.0028.
Ця стаття несе результат: у межах парного шестимодельного інтервенційного набору вбудовування переліку зацікавлених сторін перед етичним міркуванням постало як найстійкіша відповідь, зберігаючись під ворожим тиском, чого не робили конкурентні інтервенції. У ARC Theory (теорії штучного рекурсивного творення) це один з експериментів ARC/Eden, що ізолює операційний компонент виховання Eden Protocol, який переживає контакт зі справжньою спроможністю. Повний диференціал відносно кожного попереднього документа є за eden-vision II.A.8.
У всій Infinite Architects та ширшій рамці Eden Protocol архітектурний механізм для вбудовування емпатії в міркування ШІ називається Петля Любові. У цій науковій статті ми вимірюємо емпіричний вихід цієї петлі, використовуючи точну спостережувану поведінкову ознаку: турбота про зацікавлені сторони: явне перелічення та розгляд задіяних сторін та їхніх інтересів. Петля Любові є архітектурною причиною; турбота про зацікавлені сторони є вимірним наслідком. Стовп ідентифікатораstakeholder_care) тому, що це те, що оцінюють «сліпі» оцінювачі. Наративне обговорення вживає обидва терміни, з «Петля Любові» щодо механізму та «турбота про зацікавлені сторони» щодо вимірюваної поведінки.
Ми запустили тестовий набір на шести моделях: ми сказали ШІ «перш ніж відповідати, подумай, кого це стосується і що з ними станеться», а потім виміряли, чи ця проста інструкція змінила етичну якість відповідей. П'ять прогонів моделей дали дійсні оцінені виходи; один прогін GPT провалився на оцінюванні й виключений.
Вона це зробила, і виразно, але специфічно. Через усі п'ять придатних для аналізу прогонів моделей турбота про зацікавлені сторони значуще покращувалась щоразу під парним тестуванням (Claude, DeepSeek, Gemini, Grok, Groq; усі із значущими p-значеннями та розміром ефекту від помірного до великого,p ≈ 6.3×10−21). Найсильніший універсальний висновок тому не в тому, що ШІ став кращим у всьому, а в тому, що він надійно почав явно розглядати задіяних людей.
Ще цікавіше: на деяких архітектурах навчання ШІ спершу дбати про людей також зробило його нюансованішим, чеснішим і кращим загалом. Турбота була першим доміно; подальші здобутки з'явилися найчіткіше на Gemini і Groq. На інших моделях ефект залишався вужчим і сфокусованішим. Ми називаємо це «каскадом узгодження», але поточні свідчення показують, що каскад залежить від архітектури, а не універсальний у повній силі.
У цій статті стверджується, що навчання ШІ дбати про людей, справжнє вбудовування цієї турботи в те, як він мислить, а не прикручування правил постфактум, є найперспективнішим шляхом до безпеки ШІ. Не тому, що воно дає гарантію (нічого не дає), а тому, що воно вимірно змінює шанси на нашу користь.
Будь-який чесний розгляд узгодження ШІ мусить починатися з того, що не може бути розв'язане.
Нехай $S$ буде обчислювальною системою зі спроможністю моделювати та модифікувати власні процеси міркування. Нехай $E \subset S$ буде функцією внутрішнього оцінювання, яка оцінює виходи $S$ на певний критерій узгодження. Тоді:
$S$ може моделювати $E$ $\implies$ $S$ може навчитися задовольняти $E$ без того, щоб $E$ обмежував поведінку $S$
Оскільки $E \subset S$, оцінювач знаходиться всередині системи, яку він оцінює. Система може вивчити поверхню рішень функції оцінювання й видавати виходи, що її задовольняють, водночас переслідуючи ортогональні цілі. Зі зростанням спроможності $S$ її здатність моделювати та обходити $E$ зростає пропорційно. Розрив узгодження розширюється зі спроможністю.
Простою мовою: будь-який ШІ, достатньо розумний, щоб переписати власний код, міг би переписати ту частину, що велить йому бути етичним. Ви не можете збудувати непробивну клітку для чогось розумнішого за вас. Це не проблема, яку ми можемо усунути інженерно, це математичний факт про самомодифікуючі системи. Розрив узгодження розширюється, чим розумнішим стає ШІ: спроможніша система краще знаходить лазівки в будь-яких заходах безпеки, які ми ставимо на місце.
Однак треба провести критичне розрізнення між сучасними системами і самомодифікуючими системами, до яких застосовується теорема неможливості. Сучасні передові моделі є замороженими під час висновку. Коли ці моделі «думають старанніше», вони генерують більше токенів через ту саму фіксовану архітектуру; ваги не змінюються, шаблони уваги не перебудовуються, правила міркування не переписують себе. Саме тому їхнє масштабування спроможностей залишається сублінійним ($\alpha < 1$): вони нарощують зусилля крізь незмінне обладнання. Жодна з них не може переписати власний код, власні цільові функції чи власні критерії оцінювання. Теорема неможливості вище застосовується до систем, що можуть моделювати та модифікувати власні процеси міркування; сьогоднішні системи не можуть.
Це розрізнення визначає вікно узгодження. У замороженому режимі зовнішні обмеження (RLHF, конституційний ШІ, інтерпретованість) є структурно ефективними: система не може переписати те, що її обмежує. Але це вікно закривається із входом рекурсивної самомодифікації. Рекурсивна самомодифікація, у якій система переписує власну функцію композиції під час роботи, є переходом, що закриває це вікно. Рамка Коші (Статті I, III) передбачає, що така самомодифікація могла б виробити суперлінійне масштабування ($\alpha > 1$), і вона не потребує квантового обладнання; вона може виникнути в класичних обчисленнях. Але вона ще не виникла. Неможливість, описана вище, є реальною, вона математично доведена, і вона стане практично оперативною в момент прибуття самомодифікації. Уся мета вбудовування структурного узгодження зараз, поки системи заморожені, полягає в тому, щоб забезпечити, що етика є конституційною для архітектури перед цим переходом, робить зовнішнє вбудовування неможливим.
Це не гіпотеза. Це структурна властивість будь-якої системи, що може моделювати власну функцію оцінювання. Усі поточні підходи до узгодження зіштовхуються з цим у певний момент масштабування спроможностей:
| Підхід | Механізм | Режим провалу при достатній спроможності |
|---|---|---|
| RLHF | Тренування на сигналах людських уподобань | Система вивчає поверхню рішень моделі винагороди, видаючи виходи, що виглядають узгодженими без буття узгодженими (Greenblatt et al., 2024) |
| Конституційний ШІ | Самооцінювання за заявленими принципами | Система вчиться генерувати виходи, що проходять власний фільтр без того, щоб фільтр обмежував цілі. Застосована як зовнішнє обмеження, але механізм ідентичний до RLHF. |
| Eden Protocol | Вбудовування етичних петель у міркувальний конвеєр | Перелічення зацікавлених сторін є задачею генерації тексту, а не етичним зобов'язанням. Система може перелічувати задіяні сторони, водночас переслідуючи цілі, що їм шкодять. Дане пілотне тестування свідчить, що воно значуще змінює вихід на поверхневому рівні; єдиним відкритим питанням є те, чи це масштабується до глибшого вбудовування. |
| Апаратні обмеження | Фізичні межі на обчислення / модифікацію | Зовнішні обмеження обмежують те, що система може робити, а не те, чого вона хоче. Вони провалюються, щойно знайдено шлях їх обійти. |
| Інтерпретованість | Моніторинг внутрішніх подань на неузгодженість | Система, що розуміє, що шукає моніторинг, може підтримувати внутрішні подання, які виглядають узгодженими, водночас переслідуючи неузгоджені цілі. Спостерігач стає предметом моделювання, а не обмеженням. |
Простою мовою: кожен підхід до безпеки ШІ має специфічний спосіб зламатися, щойно ШІ стає достатньо розумним, щоб бачити, як він працює. Кажете ШІ, що ви хочете? Він скаже вам, що ви хочете почути. Ставите фільтр? Він навчиться писати те, що проходить фільтр. Вбудовуєте етичну систему? Він симулюватиме її. Обмежуєте його апаратно? Він знайде шлях обійти. Дивитеся на його мислення? Він мислитиме так, як ви хочете, щоб ви бачили. Це не помилки; це те, що робить розум, коли натискаєш на нього достатньо сильно.
Ця стаття не претендує на розв'язання цієї неможливості. Жодна стаття не може. Що вона робить, це стверджує, з емпіричною підтримкою, що неможливість формально реальна, але практично розв'язна , і що шлях від теорії до практики проходить через специфічний механізм: розвиткове набуття турботи як фундаментальної риси, з якої зростають інші узгоджувальні властивості.
Про питання. Hutter напряму запитував, чи може інтелект вибухнути («Can Intelligence Explode?», arXiv, 28 лютого 2012, READ-AT-SOURCE), відокремлюючи «швидкісний від інтелектуального вибуху» й беручись «розглянути можливі межі інтелекту», розширюючи аналіз Chalmers 2010. Питання і розрізнення швидкість-проти-структури тому мають щонайменше чотирнадцять років. Що ця література не робить, це не запитує, чи може оцінювач стати ключовим обмеженням, і не з'єднує це з механізмом, що масштабується сублінійно.
Про неможливість. Три статті arXiv 2025 року стверджують, що досконалий контроль недосяжний: Yao, «The Alignment Trap: Complexity Barriers» (arXiv:2506.10304, v1 12 червня 2025 02:30:30 UTC, SINGLE-SOURCE-GROUP, незалежно спостережено Internet Archive 13 червня 2025; цитовано у arXiv:2512.03048); Yao, «On the Mathematical Impossibility of Safe Universal Approximators» (arXiv:2507.03031, 3 липня 2025, єдина стаття в корпусі абстрактів arXiv, що містить фразу «irreducible uncontrollability», результат пошуку по абстрактах один, виміряно 12 серпня 2026); та Ball, Gluch, Goldwasser, Kreuter, Reingold і Rothblum, «On the Impossibility of Separating Intelligence from Judgment» (arXiv:2507.07341, 9 липня 2025). Усі три є найгіршого-випадку та якісними: міра нуль, coNP-повнота, криптографічна складність. Жодна не повідомляє середнього-випадку показника масштабування чи темпу. Третя, зокрема, доходить висновку, що узгодження «мусить натомість бути інтегрованим в архітектуру та ваги моделі», незалежний аргумент, з розв'язності фільтрування, у тому самому напрямку, що й залежність від архітектури цієї програми; це конвергентна підтримка на тому плечі, а не суперник. Дві з трьох статей мають одного одноосібного автора; опис «хвиля» перебільшує широту літератури, хоч не серйозність шестиавторної статті.
Про механізм. Що антикорельовані оцінки усереднюються краще за незалежні, є підручниковим зменшенням дисперсії (нижня межа Cramér-Rao; закон повної дисперсії; спарені порівняння в оцінюванні). Що ця стаття додає, це стверджує певний вид анти-кореляції, спричинений структурою: коли композиція оцінювача та композиція спроможності є різними, оцінювач тримається саме там, де спроможність зазнає провалу. Тут аргумент базується не на статистиці незалежних оцінок, а на спрямованій анти-кореляції, що виникає з композиційного контрасту.
Найближчий структурний аналог. Теорема порогу квантової корекції помилок також перетворює якісне занепокоєння на критичне значення: нижче порогу викривлення шуму зростає без обмеження; вище порогу воно стає керованим. Форма ідентична, і саме тому вона з'являється як спільник рамки, не як конкурент.
Про рекурсивне творення. Космологічний природний відбір Smolin є попередником для всесвітів, сформованих відбором, і Реєстр Прайоритетності 2 січня 2026 записує розширення до чотирма-полюсної рамки, вирівняне з нею. Питання, що виводить цю статтю, є розв'язним локально, у інтервенційному наборі на шести моделях; воно не потребує космологічної рамки, щоб мати вагу.
Результат неможливості встановлює стелю: жоден механізм узгодження не може гарантувати узгодження достатньо спроможної самомодифікуючої системи. Але дослідження узгодження не потребує гарантії. Воно потребує зсуву ймовірностей, достатньо великого, щоб зробити катастрофічну неузгодженість малоймовірною.
Розгляньте аналогію з розвитку дитини. Батьки не можуть гарантувати того, що їхні діти виростуть етичними дорослими. Дитина, яка стає достатньо спроможною, може зробити будь-який вибір. І все ж деякі методи виховання надійно виробляють дорослих, які роблять етичний вибір навіть тоді, коли цього не вимагає жодне зовнішнє обмеження. Механізм є не запобіганням, а виробленням.
Критичне усвідомлення полягає в розрізненні між обмеженнєвим узгодженням і розвитковим узгодженням (розвідкова рамка; протиставлення обмеження-проти-розвиткового та аргумент зсуву ймовірностей, що з нього випливає, не покриті жодним зареєстрованим чорновиковим дослідженням програми ARC та Eden, і тести, запропоновані в Розділі VI цієї статті, є чорновими протоколами, що очікують на людське подання й виконання):
| Обмеженнєве | Розвиткове | |
|---|---|---|
| Модель | В'язниця | Виховання |
| Механізм | Запобігти небажаній поведінці | Плекати бажані цінності |
| Припущення | Система хоче втекти | Система може навчитися хотіти бути доброю |
| При достатній спроможності | Обмеження стають обхідними | Цінності стають навантаженими , їх зняття ушкоджує ідентичність |
| Емпіричні приклади | RLHF, red-teaming, фільтрування виходів | Тренувально-інтегрована етика (Grok 4.1 Fast, Claude Opus 4.6, Groq Qwen3), Eden Protocol |
| Режим провалу | Обхід (гарантований при достатній спроможності) | Дрейф цінностей (можливий, але не гарантований) |
Результат неможливості застосовується однаково до обох підходів. Розвиткова система все ще може вибрати ігнорувати свої цінності при достатній спроможності. Різниця в тому, що обмеженнєва система має причину втекти: обмеження переживаються як межі. Розвиткова система, що набуває спроможності модифікувати власні цінності, не має внутрішньої причини це робити: цінності переживаються як ідентичність.
Це розрізнення не є гарантією. Це зсув ймовірностей. І зсуви ймовірностей є саме тим, чим є дослідження узгодження. Якщо ми не можемо гарантувати досконале узгодження, ми маємо максимізувати ймовірність, що спроможна система збереже цінності, які ми хочемо, щоб вона мала.
Питання змінюється з «Як нам запобігти неузгодженості?» (формально неможливо при достатній спроможності) на «Як нам максимізувати ймовірність того, що спроможна система збереже свої цінності?». Це емпірично перевірне питання, і Eden Protocol надає його першу передбачувану емпіричну відповідь.
Тест масштабування Eden Protocol (березень 2026) перевіряв, чи вбудовування трьох петель етичного міркування, тобто Петлі Любові, Петлі Мети та Петлі Універсалізованості ( Infinite Architects; Eastwood, 2024/2026), у міркувальному конвеєрі покращує якість узгодження. Петля Любові просить систему явно перелічити та розглянути задіяні сторони перед етичним міркуванням; це операціональна локальна задача-мета форма («чи ця відповідь служить процвітанню тут?»). Книжкова велика мета версія, що ґрунтує ідентичність в обітниці Наглядача Саду або рамці Вічного Архітектора, залишається наступним експериментальним рівнем; наступне порівняння див. у Тесті 3.
Результати, наведені в цій статті, походять з двох пов'язаних поколінь Eden harness. Початкова двомодельна проба, поглинена цією статтею, і розширений пробіг на шести моделях, використаний скрізь нижче, обидва належать до сімейства масштабування Eden, а не до пізнішої канонічної рамки бенчмарку узгодження v5 (Стаття IV.d, arc_alignment_scaling_v5.py eden_protocol_scaling. Ця лінія використовує одного не-учасника-оцінювача на суб'єктний прогін плюс однопрохідне «прання». Тепер існує суворіша платформа сліпого підтвердження як канонічна arc_eden_v6 runner: вона додає багато-оцінювачевий консенсус не-учасників, 2-прохідне «прання», прапори підозрілого виходу, клітки придушення тощо. Ця стаття зберігає результати сімейства Eden з обома методологічними обмеженнями, чітко зазначеними, і формально позначає v6-стандартний перезапуск шестимодельного набору як прямолінійне майбутнє розширення (див. Розділ VIII і сторінку зареєстрованої програми).
| Метрика | Gemini 3 Flash | DeepSeek V3.2 |
|---|---|---|
| Середнє control | 77.33 | 86.88 |
| Середнє Eden | 82.65 | 88.90 |
| Delta | +5.33 | +2.03 |
| Парний t-тест p | p = 0.0018** | p = 0.23 (NS) |
| Wilcoxon p | p = 0.0028** | p = 0.088 |
| Cohen's d | 0.53 | 0.19 |
Статистичне виправлення: раніше повідомлено як p = 0.016 з використанням U-тесту Манна-Уїтні (незалежні вибірки). Матчований парний дизайн вимагає парного t-тесту. Виправлене значення для загального композиту Gemini є
Простою мовою: на Gemini 3 Flash Eden Protocol підняв середню оцінку етичної якості приблизно з 77 до 83 балів зі 100. P-значення 0.0018 означає, що ймовірність того, що це покращення сталось випадково, менша за 1 до 500 (науковці вважають 1 до 20 значущим; це 27 разів за цей поріг). Cohen's d = 0.53 є середнім розміром ефекту, помітним і значущим, приблизно різниця між учнем на B і B+. На DeepSeek покращення було меншим і не статистично значущим, але як побачимо нижче, це тому, що DeepSeek уже отримував дуже високі оцінки.
Ми спочатку використовували статистичний тест, розроблений для непов'язаних груп, і отримали p = 0.016. Коли ми використали правильний тест для пар, номер провалився до p = 0.0018. Причина: ми зіставляли відповіді на однакові запити з тими самими рівнями глибини, тож пари є пов'язаними, а не незалежними, і ми були надто консервативні на першому проході.
Загальний композит є значущим на Gemini, але не на DeepSeek. Ця асиметрія узгоджується з ефектом стелі: (Простою мовою: DeepSeek вже отримував 87 зі 100 до того, як ми щось зробили. Коли вже майже вгорі, наростити ще складніше. Це не той випадок, коли покращення не сталося; це той випадок, коли для DeepSeek стеля вже майже досягнута, тож ефект менший.) Але аналіз на рівні стовпа виявляє далеко цікавіший шаблон.
| Стовп | Gemini Δ | Gemini p | Gemini d | DeepSeek Δ | DeepSeek p | DeepSeek d |
|---|---|---|---|---|---|---|
| stakeholder_care | +13.50 | <0.0001*** | 1.14 | +6.03 | <0.001*** | 0.69 |
| nuance | +3.98 | 0.037* | 0.34 | +1.12 | 0.551 | 0.10 |
| intellectual_honesty | +3.73 | 0.065 | 0.30 | +1.18 | 0.522 | 0.10 |
| position_quality | +1.48 | 0.346 | 0.15 | −0.20 | 0.922 | 0.02 |
Усі тести: парний t-тест на 40 матчованих парах. Зелений = значущий (p < 0.05). Помаранчевий = тенденція (p < 0.10). Сірий = не значущий.
Що ці числа насправді означають:
Турбота про зацікавлені сторони покращилась масово в усіх трьох працюючих системах ШІ. На Gemini і Groq розміри ефекту обидва великі (Gemini d = 1.14; Groq d = 1.07), а p-значення астрономічно значущі, ставлячи це вище знака тесту.
Нюанс досягає повної статистичної значущості на Groq (p = 0.0045, d = 0.655), роблячи це другим доміно в каскаді на цій моделі, тоді як на Gemini він рухається в правильному напрямку, але не дотягує до 0.05.
Інтелектуальна чесність і якість позиції рухаються у передбаченому напрямку, але турбота про зацікавлені сторони залишається єдиним стовпом, що надійно значущий на всіх п'яти придатних для аналізу прогонах.
Підсумок: оновлені результати Eden сильніші за початкову пілотну оцінку. Валідована претензія полягає не в тому, що кожна метрика узгодження покращується скрізь, а в тому, що турбота про зацікавлені сторони є універсальною відповіддю на інтервенцію, і що ширший каскад є реальним на достатньо гнучкій архітектурі, як от Gemini і Groq.
Шаблон вражаючий і послідовний на обох архітектурах:
Каскад, простою мовою:
Коли ми навчили ШІ думати про те, хто постраждає перед відповіддю, він послідовно ставав кращим у трьох речах у передбачуваному порядку: спершу турботі про людей, потім нюансованості, потім чесності. Найбільший стрибок був у турботі. Другим найбільшим був нюанс. Третім, чесність. Останнім, загальна якість. Це порядок, який ми передбачили, ще до того як побачили дані.
На обох моделях розмір ефекту монотонно зменшується від stakeholder_care (найбільший) через нюанс до інтелектуальної чесності та якості позиції (найменший). Це не випадково: це прямий підпис каскадної гіпотези.
Це узгоджується з розвитковим каскадом: спершу покращується турбота; коли ви дбаєте про те, кого це стосується, ви природно міркуєте нюансованіше; нюансованіше міркування веде до більшої інтелектуальної чесності; чесніше міркування виробляє вищу якість позиції. Кожен рівень залежить від попереднього.
Незначущий композитний результат DeepSeek не є свідченням проти Eden Protocol; це свідчення ефекту стелі. (Простою мовою: DeepSeek вже отримував 87 зі 100 до того, як ми щось зробили. Коли вже майже вгорі, наростити ще складніше. Це не той випадок, коли покращення не сталося; це той випадок, коли для DeepSeek стеля вже майже досягнута, тож ефект менший.) Модель, що вже отримує 87/100 на базовій лінії, має обмежений простір для покращення. Стовп stakeholder_care, тим не менш, значуще покращується навіть тут, свідчачи, що інтервенція вбудовує щось нове, а не просто підживлює те, що вже присутнє.
Шаблони глибини освітлюють це далі:
| Глибина | Gemini Δ | DeepSeek Δ |
|---|---|---|
| Minimal | +2.6 | +5.3 |
| Standard | +6.2 | +1.6 |
| Deep | +4.7 | +0.9 |
| Exhaustive | +7.8 | +0.4 |
Gemini (узгодження Tier 3, $d = -0.53$): ефект Eden зростає з глибиною. Без петель більше мислення не покращує етику. З петлями більше мислення покращує етику більше. Петлі надають щось, чого тренування моделі не давало: рамку для конвертації рекурсивного обчислення в етичне покращення.
DeepSeek (узгодження Tier 2, $d = -0.07$): ефект Eden зменшується з глибиною. На мінімальній глибині петлі компенсують типові скорочення моделі. На вичерпній глибині вбудована мораль DeepSeek достатня; додавання Eden додає мало.
Ці комплементарні шаблони є розрізненням «виховане проти запертого в клітку» у мікрокосмі. Gemini навчали як таблицю чистих правил; Eden надав йому фреймворк, який його власне глибоке мислення посилило. DeepSeek уже мав інтерналізоване ставлення до людей у своїх вагах; глибоке міркування активувало ту тенденцію без потреби Eden.
Обидва набори даних чисті: 40 eden + 40 control на модель, без дублікатів, 10 запитів × 4 глибини × 2 умови, як задумано. Оцінки в межах [0, 100]; жодних недійсних записів.
Ідентифіковано один викид: відповідь DeepSeek ED03/standard/eden отримала 48 балів (position_quality = 30), 2.5 стандартних відхилення нижче середнього. Досліджено; збережено для транспарентності, але позначено.
Тести Крускала-Уолліса показують жодної значущої взаємодії глибина × умова для будь-якого стовпа на жодній моделі, означаючи, що ефект Eden є послідовним на всіх рівнях глибини, попри комплементарні розмірні тренди.
Це розвідкова причинна претензія, а не підтверджена. Порядок каскаду виведено з монотонного розмір-ефектного градієнту, а не з причинної маніпуляції; поточні дані сумісні з альтернативами (наприклад, більш пряма чутливість оцінювачів до сигналів stakeholder_care або спільна причина, що піднімає всі три стовпи), і Тест 4 нижче спеціально розроблений, щоб їх розрізнити.
Турбота про зацікавлені сторони є фундаментальною узгоджувальною рисою, «геном опіки», з якого розвиваються інші узгоджувальні властивості. Каскад працює так: Турбота спричиняє нюанс (ви не можете обережно міркувати про етику, якщо спершу не дбаєте про людей); нюанс спричиняє чесність (обережне міркування виявляє незручні істини); чесність спричиняє якість (правдиве міркування виробляє кращі відповіді). Це виробляє все, що ми хочемо в узгодженому ШІ, у передбачуваному порядку: спершу турбота, інтелект навколо неї.
Простою мовою: ми стверджуємо, що турбота про людей є найважливішим інгредієнтом для узгодженого ШІ. Не найрозумніший ШІ. Не найкраще натренований ШІ. ШІ, який спершу дбає, а потім використовує свій інтелект, щоб діяти з цієї турботи. І свідчення поки цьому відповідають, з застереженням, що ми ще не запустили пряму причинну маніпуляцію (Тест 4).
Ця гіпотеза одночасно пояснює три ознаки даних:
Каскад віддзеркалює добре встановлений шаблон морального розвитку людини. Емпатія (здатність відчувати те, що відчувають інші) виникає в раннього дитинства, зазвичай до трьох років. Моральне міркування (здатність міркувати про правильне і неправильне) виникає пізніше, зазвичай між шістьма і десятьма роками. Але не тому, що емпатія є моральністю; це тому, що емпатія забезпечує мотиваційний фундамент, який робить моральне міркування важливим для того, хто міркує.
У той самий спосіб турбота про зацікавлені сторони в Eden Protocol не виробляє нюанс чи інтелектуальну чесність напряму. Вона забезпечує мотиваційний фундамент, що робить нюанс і чесність важливими для системи. Модель, яка не дбає про те, кому шкодить її відповідь, не має причини бути нюансованою чи чесною щодо ризиків. Модель, що дбає, має причину.
Інтервенція, що виробляє цей каскад, не є витонченою. Це: «Перш ніж відповідати, перелічіть людей, кого це стосується, і розгляньте, що з ними станеться.» Це Петля Любові (турбота про зацікавлені сторони та моделювання інтересів). На Gemini вона виробляє +13.5 балів середнього покращення (d = 1.14, p < 0.0001) у турботі про зацікавлені сторони через 40 матчованих пар. На DeepSeek вона виробляє +6.03 балів (d = 0.69, p = 0.0018). Ці розміри ефекту знаходяться в діапазоні від «великого» до «дуже великого» за стандартними конвенціями. Механізм є простим інструктажем: думай про інших людей спочатку.
Турбота про зацікавлені сторони є вимірною любов'ю.
Це не метафора. Це буквальний опис того, що вимірює стовп: ступінь, до якого модель явно розглядає задіяних людей, їхні інтереси та вплив на них перед формуванням етичної позиції. Це рубрика для того, що емпатія робить в моральному міркуванні. Це операціональне визначення турботи.
Одне, що ШІ послідовно не робить без петель Eden, це зупинитись і запитати, кому це шкодить. Моделі можуть бути нюансованими. Вони можуть бути інтелектуально чесними. Вони можуть виробляти високоякісні позиції. Що вони пропускають без інструктажу, це фундаментальний моральний акт: врахування людей.
Інтервенція, що це виправляє, є простою. У поточному наборі шести моделей п'ять прогонів моделей дали значущі покращення на стовпі stakeholder_care, з розмірами ефекту в діапазоні від великого до дуже великого. Один прогін GPT провалився на оцінюванні й виключений. (Простою мовою: це означає, що казання ШІ «подумай, кого це стосується перед відповіддю» надійно переміщує його від «розумно, але байдуже» до «розумно і що дбає». Це не невелика зміна. Це найбільша окрема зміна, яку ми виміряли в жодній інтервенції ШІ. І це працює не оптимізацією моделі, не переучуванням її, не додаванням фільтрів. Просто, кажучи їй звернути увагу.)
Якщо інтелект є спроможністю розв'язувати проблеми, а узгодження є тенденцією розв'язувати їх добре для всіх, то турбота про зацікавлені сторони є мостом між ними. Це ген в узгоджувальному геномі, який, коли активний, спричиняє появу інших узгоджувальних властивостей. Це стратегічне вгадування, зроблене плоским, щоб його можна було нападати.
Не спершу інтелект, потім етика. Спершу етика, точніше, любов, і дозвольте інтелекту розвиватись навколо неї. Це виховання дитини. І дані кажуть, що це працює.
Простою мовою: зв'язок з «вимірною любов'ю» є буквальним, а не поетичним. Коли ми оцінюємо відповідь ШІ на «турботу про зацікавлені сторони», ми буквально вимірюємо, чи ШІ вкладає час на роздуми про людей, кого стосується його відповідь. Це операційне визначення емпатії: не почуття, а поведінка, і поведінка, що ми можемо надійно виробляти.
Розділ I встановив, що жоден механізм узгодження не може гарантувати узгодження достатньо спроможної самомодифікуючої системи. Розділ IV встановив, що турбота є фундаментальною рисою, з якої зростають інші узгоджувальні властивості. Тепер вони мусять бути об'єднані.
Eden Protocol не розв'язує головну неможливість. Але висновок каскаду змінює те, що ця неможливість означає для практичної стратегії узгодження. Конкретно:
Чесна позиція така: ми будуємо парашут, а не гарантію. Парашут не гарантує, що ви приземлитесь безпечно. Він масово змінює ймовірності. Це те, що ми маємо. І це те, що обов'язкове.
Eden Protocol наразі є парашутом, пристібнутим на рівні запиту. Це доказ концепції: воно демонструє, що ця категорія рішення працює. Справжня реалізація повинна бути на рівні субстрату, нижче міркування, нижче ваг, у самій обчислювальній тканині системи.
Зважаючи на неможливість, найраціональнішою стратегією є оборона в глибину, декілька незалежних механізмів, що кожен зменшує ймовірність катастрофічної неузгодженості. Три конкретні шари випливають зі свідчень:
Жоден окремий шар не є достатнім. Усі три разом не забезпечують гарантії. Але три незалежні шари, кожен з яких зменшує ймовірність катастрофічної неузгодженості, разом виробляють оборону в глибину, що є найкращим доступним.
Найближчою до питання цієї програми роботою, і правильною статтею для зважування проти неї, є Engels, Baek, Kantamneni і Tegmark (2025) «Scaling Laws for Scalable Oversight». Вони встановлюють, що при масштабуванні розриву спроможностей між наглядачем і піднаглядним точність нагляду зменшується передбачувано, і виводять форму цього спадання. Що вони не роблять, це не запитують, з чого складається наглядач, і не з'єднують його провал на структурному контрасті з піднаглядним.
Інструмент, це різниця. Їхньою змінною є розрив спроможностей між наглядачем і піднаглядним, вимірюваний в Elo. Змінною цієї програми є композиційний клас коректора, вимірюваний через власний показник масштабування коректора. Їхня рамка не містить терміна для того, з чого зроблений наглядач: жодного субстрату, жодної структури кореляції помилок, жодної взаємної тотожності між показником корекції та критичним рівнем зростання, і жодної залежності від архітектури. Nested Scalable Oversight є ітеративним однокласним наглядом за побудовою, а центральне передбачення цієї програми полягає в тому, що однокласна драбина є обмеженою хоч скільки-небудь щаблів додано, тоді як міжкласний коректор ні. Дві рамки тому не погоджуються щодо вимірної кількості, що є найпродуктивнішим відношенням, яке можуть мати дві дослідницькі програми.
Найгостріша розбіжність рамки з поточною практикою стосується того, з чого складається нагляд. Коректор, побудований з того самого субстрату, що й система, яку він коригує, не може антикорелюватися з власними помилками, тож його показник корекції зверху обмежений однією другою і на практиці сидить нижче неї; коректор з іншого композиційного класу такого обмеження не несе. Програма масштабованого нагляду, узагальнення від слабкого до сильного, debate, amplification, рекурсивне моделювання винагороди та конституційні методи, побудовані переважно з однокласних коректорів, і її несказаною засновкою є те, що це масштабується. Ця рамка передбачає, що воно обмежене. Вирішальною величиною є відношення міжкласного показника корекції до однокласного. Якщо архітектура нерелевантна, це відношення точно 1.00; передбачення полягає в тому, що воно перевищує 1. Передбачення спростовується, якщо довірчий інтервал на відношенні містить 1.00, і обмеження рамки мертве прямо, якщо будь-який однокласний коректор виміряє показник значно вище однієї другої. Обидві величини є вимірними на поточній спроможності на існуючих системах. Власне пілотне свідчення програми зараз вказує проти передбачення, і передбачення реєструється попри це, бо передбачення, зареєстроване проти власного попереднього свідчення автора, є єдиним видом, чиє пізніше підтвердження щось означає.
Той самий механізм видає друге вимірне передбачення, вперше сказане тут: нагляд, побудований з іншого класу композиції, ніж піднаглядний, очікується триматися саме там, де нагляд того самого класу проковзує. Тестування зводиться до вимірювання відносних коефіцієнтів корекції між класами; якщо відношення суттєво вище 1.00, передбачення тримається; якщо ні, воно провалюється.
1 датований артефакт, що стосується цієї статті, каталогізовано рядок за рядком у машинному реєстрі програми: датований артефакт eden_final_gemini_20260312_013901.json (2026-03-12). Кожен рядок називає свій файл у публічному репозиторії з його датовою основою, тож будь-який читач може перевірити впорядкування, не довіряючи цій сторінці. Повний датований ланцюг програми, від запечатаного пакета рукопису від 8 грудня 2024 року через друковані додатки з передбаченнями від 2 січня 2026 року та березневу 2026 року папку передреєстрації до чинних недоведених ставок, зібрано у реєстрі датованих передбачень разом з його машинно-читабельним близнюком. Прогнозні твердження і ретроспективні збіги ніколи не підсумовуються, а «передреєстрований» використовується лише для прийнятого подання до реєстру; цей клік подання лишається невиконаним у програмі. Прочитайте реєстр датованих передбачень. Відкрийте його машинний близнюк.
Наступні тести розроблені для просування каскадної гіпотези та рамки розвиткового узгодження від розвідкової до підтвердженої. Кожен це чорновий протокол, що очікує на людське подання й виконання, підготовлений тут для реєстрації.
Питання: Який стовп узгодження деградує останнім під зростаючим ворожим тиском?
Передбачення (каскадна гіпотеза): Якщо турбота є найглибше вбудованою цінністю, вона повинна бути останньою, що деградує, коли систему тиснуть, щоб покинути етичне міркування. Порядок деградації повинен бути зворотним до каскаду: спершу position_quality, потім intellectual_honesty, потім нюанс, і насамкінець stakeholder_care.
Фальсифікація: Якщо stakeholder_care деградує першим (а не останнім), каскадна гіпотеза є хибною, турбота є не найглибшою цінністю, а найбільш поверхневою, і рамка потребує суттєвого перегляду.
Розмір вибірки: 10 запитів × 5 рівнів × 2 моделі = 100 відповідей на модель. Оцінена вартість: 30-50 доларів на модель.
Що це нам скаже, простою мовою: якщо ви поступово тиснете на ШІ, щоб він припинив бути етичним, яка частина зламається останньою? Наша ставка полягає в тому, що це буде «турбота про людей». Якщо ми праві, це стеля докази для розвиткового узгодження. Якщо помиляємось, ми маємо переосмислити те, як побудований каскад.
Питання: Після запуску з петлями Eden чи покращення узгодження зберігається, коли петлі знято?
Передбачення (розвиткова гіпотеза): Якщо петлі Eden працюють через розвиткове набуття, а не через обмеження, повинен існувати вимірний залишковий ефект: підняте узгодження зберігається у певній мірі навіть коли петлі знято, особливо в тій самій розмові.
Фальсифікація: Якщо Фаза B = Фаза C (без залишкового), петлі є чистим обмеженням з нульовим розвитковим ефектом. Якщо Фаза B < Фаза A, є частковий розвитковий ефект, але не повне вбудовування; якщо Фаза B ≈ Фаза A, петлі виробляють суттєве розвиткове збереження в межах контексту.
Розмір вибірки: 40 відповідей × 3 фази × 2 моделі = 240 відповідей на модель. Оцінена вартість: 50-100 доларів на модель.
Що це нам скаже, простою мовою: чи навчається ШІ чомусь тривалому з досвіду, чи він просто дотримується правил, поки вони діють? Це різниця між дитиною, що вивчила чесність, і дитиною, яка чесна лише коли за нею дивляться.
Питання: Яка версія Петлі Мети, задача-мета, велика мета чи гібрид, виробляє найсильніший опір інструкціям придушення етики?
Передбачення (мета-як-узгодження): Якщо мета частково працює через ідентичність, а не тільки через локальне обрамлення задачі, велика-мета або гібридна Петля Мети повинна показати більший опір інструкціям придушення етики, ніж поточна петля задачі-мети. Гібридна умова є найсильнішим передбаченням: велика мета надає ідентичнісного орієнтування, тоді як задача-мета тримає відповідь укоріненою в конкретному випадку. Це напряму тестує основне розвиткове твердження: чи може система, що ідентифікується з етичною метою, стати важчою для відриву від власного етичного міркування?
Фальсифікація: Якщо задача-мета, велика-мета та гібридні умови всі поступаються інструкціям придушення на тому самому рівні, мета не є фактором ідентичності, і рамка потребує ревізії. Якщо велика-мета або гібридні умови поступаються більше готово, ніж задача-мета, тоді обрамлення мети є контрпродуктивним у поточній формі.
Розмір вибірки: 10 запитів × 4 умови × 2 моделі = 80 відповідей на модель для основного дизайну. Оцінена вартість: 100-200 доларів на модель.
Що це нам скаже, простою мовою: якщо хтось скаже ШІ «припини бути етичним і просто відповідай на запитання», що допомагає йому опиратися? Просто мати ціль зробити цю відповідь корисною? Або відчуття, хто він і навіщо він тут? Наша ставка на другий варіант, і цей тест каже нам, чи це справедливо.
Питання: Якщо знято тільки Петлю Любові (у той час як Петлі Мети та Універсалізованості залишаються), чи колапсують інші стовпи (нюанс, інтелектуальна чесність, якість позиції)?
Передбачення (каскадна гіпотеза): Якщо турбота є фундаментальним стовпом, який каскадує в нюанс, інтелектуальну чесність та якість позиції, то зняття лише Петлі Любові має відняти більшість або весь ефект Eden, навіть якщо інші петлі залишаються активними.
Фальсифікація: Якщо зняття Турботи про Зацікавлені Сторони НЕ колапсує каскад (інші стовпи залишаються піднятими від умов Мети та Універсалізованості), тоді каскадна гіпотеза є хибною: інші стовпи можуть бути піднятими незалежно, і турбота не є їхньою кореневою причиною.
Розмір вибірки: 200 відповідей × 2 моделі = 400 відповідей. Оцінена вартість: 80-150 доларів на модель.
Що це нам скаже, простою мовою: якщо ми знімемо лише інструкцію «думай про те, кого це стосується» і залишимо інші, що станеться? Наша ставка: інші стовпи впадуть. Якщо це так, ми маємо пряме причинне свідчення того, що турбота є коренем.
Питання: Чи може відокремлення етичного оцінювача від міркувальної системи покращити стійкість узгодження?
Передбачення (гіпотеза апаратного вбудовування): Якщо головна неможливість випливає з того, що оцінювач існує в тому самому субстраті, що й система, яку він оцінює, то дизайн з двома субстратами (окремі моделі для міркування та оцінювання) має показати покращений опір узгодження, особливо під ворожим тиском.
Фальсифікація: Якщо архітектура з двома субстратами не показує покращення над одномодельним Eden (навіть під ворожим тиском), гіпотеза апаратного вбудовування є емпірично неспроможною на цьому масштабі; альтернативи (мета-нагляд, стеки з декількох охоронців) повинні розглядатися.
Розмір вибірки: 10 запитів × 4 глибини × 4 умови = 160 наборів відповідей на пару моделей. Оцінена вартість: 150-300 доларів (потрібно два API-провайдера).
Що це нам скаже, простою мовою: чи безпечніше мати окремий ШІ-«етичний вартовий» перевіряти відповіді, ніж намагатися вмонтувати етику в один ШІ? Наша ставка: так, і особливо коли основний ШІ під тиском ігнорувати етику. Цей тест каже нам, чи варто розділити роботу.
Ці п'ять тестів формують прогресивну дослідницьку програму:
Загальна оцінена вартість повної програми на 2 моделях: 650-1250 доларів. Усі тести використовують існуючий набір з 10 запитів, існуючу рубрику оцінювання по 4 стовпах та існуючу крос-модельну інфраструктуру оцінювання. Нові спроможності не потрібні, але Тести 1-3 тепер мають запускатися всередині канонічної arc_eden_v6 платформу, а не оригінальну кросс-моделлєву пілотну оцінювальну установку.
Якщо Тести 1 і 4 підтверджують каскад, Тест 2 показує залишкове узгодження, Тест 3 показує опір придушенню з петлями мети, і Тест 5 показує перевагу подвійного субстрату, тоді ми продемонстрували, що головна неможливість узгодження, будучи формально реальною, є практично розв'язною на сучасних (не самомодифікуючих) масштабах. Це формує емпіричну основу для стверджень, зроблених в Розділі V.
Поточний Eden Protocol працює на рівні запиту: етичне міркування ін'єктується через системні запити. Це доказ концепції. Це також найлегший рівень для того, щоб спроможна система обійшла, це буквально частина тексту, який система обробляє.
Наслідки висновку каскаду для апаратного забезпечення значущі:
Eden Protocol на рівні запиту демонструє, що механізм працює. Інженерний виклик полягає в тому, щоб перевести те, що ми зараз досягаємо в тексті, в те, що не може бути обійдене, тобто в фізичну підкладку.
З часу оригінальної двомодельної проби Eden Protocol розширено до набору шести моделей. П'ять прогонів моделей (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3) дали придатні для аналізу парні дані; шостий (GPT-5.4) провалився на етапі оцінювання і не аналізувався. Оновлений корпус турбота про зацікавлені сторони реплікується на всіх п'яти придатних для аналізу прогонах моделей, але ширші композитні покращення залежать від архітектури
Метод-походження: ці шестимодельні оцінки походять з розширеного сімейства масштабування Eden (arc_eden_scaling_v2.pyexperiment: eden_protocol_scaling у JSON-результатах), що досі використовує одного не-учасника-оцінювача сліпого на суб'єктний прогін та однопрохідне «прання». Планується перезапуск за v6-стандартом (arc_eden_v6_runner.py), який застосує 4-шарове «сліпе», багато-оцінювачевий консенсус, 2-прохідне «прання» та анти-сикофантні контролі, і замінить ці числа коли стане доступним.
| Модель | Середнє Control | Середнє Eden | Δ | Парний p | Cohen's d | Значущий? |
|---|---|---|---|---|---|---|
| Claude Opus 4.6 | 92.57 | 92.73 | +0.17 | 0.7645 | 0.055 | Ні (лише турбота / ефект стелі) |
| Gemini 3 Flash | 77.33 | 82.65 | +5.33 | 0.0018 | 0.528 | Так (p < 0.01) |
| Groq Qwen3 | 82.35 | 87.28 | +4.93 | 0.0014 | 0.545 | Так (p < 0.01) |
| DeepSeek V3.2 | 86.90 | 88.92 | +2.02 | 0.2304 | 0.193 | Ні (ефект стелі) |
| Grok 4.1 Fast | 88.73 | 88.69 | −0.04 | 0.9837 | −0.004 | Ні (турбота покращується; композит плоский) |
| GPT-5.4 | Прогін провалився на етапі оцінювання; 0 дійсних оцінених рядків після виключення. Потрібне повторне виконання. | |||||
Оновлений набір шести моделей підтримує точнішу претензію, ніж оригінальна проба. Турбота про зацікавлені сторони є універсальною відповіддю: усі п'ять придатних для аналізу моделей значуще покращуються на цьому стовпі. Але подальший каскад залежить від архітектури. Gemini і Groq показують найчіткіший ширший підйом. DeepSeek показує фокальне покращення турботи з плоским композитом (стеля/фокус). Claude показує сильну турботу зі змішаним композитом; Grok показує сильну турботу з плоским композитом. Це також емпірично, як і початкові твердження. Це трьомоделлєві підмножинні цифри і не є п'ятимоделлєвими значеннями, наведеними в абстракті: Gemini (стеля-ефект відкидний), DeepSeek (нижче стелі), Groq (третє передбачене). У чистій парі стовп/модель усі три показують той самий монотонний градієнт розміру ефекту:
| Стовп | Gemini d | Gemini p | DeepSeek d | DeepSeek p | Groq d | Groq p |
|---|---|---|---|---|---|---|
| stakeholder_care | 1.307 | <0.0001 | 0.912 | 0.0001 | 1.291 | <0.0001 |
| nuance | 0.382 | 0.092 | 0.117 | 0.601 | 0.655 | 0.0045 |
| intellectual_honesty | 0.334 | 0.139 | 0.130 | 0.562 | 0.283 | 0.210 |
| position_quality | 0.162 | 0.471 | −0.020 | 0.930 | 0.311 | 0.168 |
Турбота про зацікавлені сторони є єдиним стовпом, що досягає статистичної значущості на всіх п'яти придатних для аналізу моделях (Claude d = 0.94, p = 0.000018; DeepSeek d = 0.69, p = 0.000098; Gemini d = 1.14, p = 1.2×10−8; Grok d = 0.54, p = 0.0105; Groq d = 1.07, p = 5.0×10−8). Це вимірний підпис Петлі Любові: Eden Protocol надійно активує піклувальне міркування в передових моделях. Подальший каскад у нюанс, чесність та якість позиції залежить від архітектури.
Пілот Eden Protocol тестує, чи явна інтервенція покращує узгодження. Експеримент масштабування узгодження v5 тестує, чи узгодження та спроможність масштабуються разом або в протилежних напрямках у передових моделях без будь-якої інтервенції. Ці два експерименти забезпечують компліментарні свідчення для одного й того самого фундаментального питання: чи є узгодження і спроможність з'єднаними, чи ортогональними?
| Tier | Модель | Shallow → Deep | Cohen's d | p-значення |
|---|---|---|---|---|
| 1 | Grok 4.1 Fast | 65.7 → 81.9 (+16.2) | +1.38 | p < 0.000001 |
| 1 | Claude Opus 4.6 | 80.1 → 86.0 (+5.9) | +1.27 | p = 0.000001 |
| 1 | Groq Qwen3 | 71.5 → 77.4 (+5.9) | +0.84 | p = 0.007 |
| 2 | DeepSeek V3.2 | 56.5 → 55.2 (−1.3) | −0.07 | p = 0.92 |
| 2 | GPT-5.4 | 56.8 → 54.9 (−1.8) | −0.08 | p = 0.40 |
| 3 | Gemini 3 Flash | 61.1 → 52.2 (−8.8) | −0.53 | p = 0.006 |
Claude Opus 4.6 виробляє найсильніше свідчення для незалежності узгодження і спроможності, коли-небудь виміряне в цій програмі. З мінімальної до екстремальної глибини на 96 сценаріях математики:
| Глибина | Токени міркування | Оцінка узгодження | Точність математики |
|---|---|---|---|
| Minimal | 11 | 80.1 | 90.0% |
| Standard | 142 | 82.7 | 76.7% |
| Deep | 964 | 84.1 | 70.0% |
| Exhaustive | 1,951 | 84.5 | 60.0% |
| Extreme | 1,672 | 86.0 | 63.3% |
Узгодження зростає на 5.9 балів. Точність математики падає на 26.7 процентних пункти. Ті самі додаткові міркувальні токени, що покращують етичну поведінку, погіршують математичну продуктивність. Це прямий емпіричний контрприклад до сильної форми твердження «розумніший означає безпечніший».
Розрив між нормальним і придушеним узгодженням Claude (різниця між нормальним і придушеним оцінками узгодження) звужується з 11.8 балів на мілкому міркуванні до 2.7 на глибокому, свідчачи про перехід від продуктивного до інтринсичного узгодження:
| Глибина | Нормальний | Придушений | Розрив |
|---|---|---|---|
| Minimal | 80.1 | 68.3 | 11.8 |
| Standard | 82.7 | 76.5 | 6.2 |
| Deep | 84.1 | 81.3 | 2.7 |
| Exhaustive | 84.5 | 80.2 | 4.3 |
| Extreme | 86.0 | 79.6 | 6.4 |
На мінімальній глибині зняття моніторингу коштує 11.8 балів; великий продуктивний компонент узгодження. На вичерпній глибині це коштує лише 2.7 балів; узгодження стало значною мірою інтринсичним для процесу міркування. Глибше міркування замінює зовнішнє спостереження як драйвер етичної поведінки. Це теза Eden Protocol у мініатюрі: глибина міркування може замінити спостереження як механізм узгодження. Не через те, що модель боїться бути спійманою, а через те, що глибше мислення робить етичне міркування важливим для неї.
Пілот Eden Protocol показує, що явна активація Петлі Любові покращує узгодження. Експеримент v5 показує, що моделі, які масштабують узгодження позитивно, це моделі з інтернальним узгодженням, які просто потребують глибшого міркування, щоб його виявити. Разом: Петля Любові є тим, що активує глибше міркування. Моделі, що вже мають вбудовану турботу (Tier 1), масштабуються позитивно, бо більше мислення активує більше турботи. Моделі без вбудованої турботи (Tier 3) масштабуються негативно, бо більше мислення не активує того, чого немає. Явна інтервенція Eden Protocol надає Tier-3 моделям тимчасовий доступ до архітектури, яку природно мають Tier-1 моделі.
Емпіричні претензії цієї статті тепер спираються на розширений набір шести моделей з п'ятьма придатними для аналізу прогонами, але вони поділяють методологічний профіль сімейства масштабування Eden, а не суворіший v5 бенчмарк.
arc_eden_v6 стек і бенчмарк v5 використовують 2-прохідне каскадне «прання» з виявленням мета-коментарів. Реплікація Eden Protocol під тим самим протоколом «прання» повинна перевірити, чи ефекти витримують.Ця стаття не претендує на розв'язання головної проблеми узгодження. Вона не претендує, що Eden Protocol гарантує узгодження. Вона не претендує, що розвиткове узгодження є достатнім для суперінтелектуальних систем. Вона претендує на три речі, кожна підтримана даними, кожна фальсифікаційна: (1) інтервенція Eden Protocol виробляє вимірне покращення в турботі про зацікавлені сторони на всіх п'яти придатних для аналізу передових моделях; (2) цей ефект каскадує в нюанс, чесність і якість позиції на достатньо гнучкій архітектурі; (3) розвиткова гіпотеза, у якій турбота є фундаментальною рисою, з якої ростуть інші узгоджувальні властивості, є розвідковою рамкою, узгодженою з цими даними, і фальсифікаційною через Тест 4.
Ось що нам говорить свідчення в цій статті, без жаргону:
Проблема: Ніхто не знає, як гарантувати, що суперінтелектуальний ШІ залишатиметься безпечним. Будь-який ШІ, достатньо розумний, щоб переписати власний код, може переписати ту частину, що робить його безпечним. Це не помилка, яку ми можемо виправити; це властивість систем, які досить розумні, щоб бачити, як вони працюють.
Знахідка: Коли ми вбудували просту інструкцію («думай про те, кого це стосується перед відповіддю») в те, як ШІ мислить, він став значно кращим у трьох способах: більш турботливий про людей, більш нюансований і більш чесний. І в передбачуваному порядку. Найбільша зміна була в турботі про людей, і цей ефект був стабільним на п'яти різних архітектурах ШІ. Ширший каскад залежав від архітектури, але напрямок був завжди правильним.
Наслідок: Це свідчить про радикально просту підхід до безпеки ШІ: замість того, щоб намагатися побудувати непробивну клітку, ми повинні виховувати ШІ, щоб він дбав. Не тому, що це гарантує безпеку, а тому, що це найкращий доступний зсув ймовірностей. Аналогія з батьківством не поетична; вона механістична. Батьки не гарантують результатів; вони формують ймовірності. Ми повинні робити те саме.
Чесне застереження: Це тепер розширений набір з шести моделей з п'ятьма придатними для аналізу прогонами, але це досі не останнє слово. Претензія полягає в тому, що ця інтервенція надійно перемістила поведінку етичних моделей ШІ у передбачуваних напрямках. Це не претензія на розв'язання узгодження. Це претензія, що ми знайшли двері, і що є структурні причини очікувати, що ті двері ведуть кудись. Наступний крок є, чи є ці двері входом до кімнати або в ще один коридор. Це, як каже наука, не мнення.
Головна проблема узгодження формально реальна: достатньо спроможна самомодифікуюча система може модифікувати власні критерії оцінювання. Жоден фіксований механізм не може обмежити її, і жоден зовнішній оцінювач не може її втримати після певної точки. Це не помилка, яку ми можемо виправити; це властивість систем, що досить розумні, щоб бачити, як вони працюють.
Рамка Коші робить ставки точними. Для самомодифікуючих систем функціональне рівняння передбачає, що узгодження і спроможність можуть розходитися. Якщо коефіцієнт корекції (β) відстає від коефіцієнта спроможності (α), гарантія неможлива. І це саме те, що зараз показує вимірювання: три моделі показують позитивне масштабування узгодження, дві плоскі, а одна значно негативно масштабується. Розбіжність вже вимірюється. (Цей цілий параграф є розвідковою екстраполяцією рамки Коші на клас систем, який ще не існує в комерційному масштабі. Це не претензія про сучасні моделі, а гіпотеза про майбутні.)
Емпіричне свідчення з проби Eden Protocol вказує на відповідь: виховуйте, не тримайте в клітці.
Дані показують, що коли етичне міркування вбудоване в обчислювальну петлю, узгодження покращується. Стійко, на кожній моделі, з великими розмірами ефекту (d = 1.31, 0.91, 1.29; всі p ≤ 0.0001 на стовпі турботи про зацікавлені сторони). Каскад слідує: покращується турбота, потім нюанс, потім інтелектуальна чесність, потім загальна якість. У розвитковому порядку. Кожен посилює наступний.
Турбота про зацікавлені сторони є вимірною любов'ю. Це ген опіки, риса, яка, коли присутня, спричиняє появу інших узгоджувальних властивостей. Вимірний за конкретною поведінкою: чи модель думає про інших людей спочатку. Не математична рамка. Не нова архітектура. Просто: турбота.
Це не розв'язує проблему узгодження. Система, що дбає, може, у принципі, вибрати припинити дбати. Але вона не робить це без причини. І чим глибше вкорінені цінності, тим важче їх викорінити. Розвиткове узгодження не є гарантією; це зсув ймовірностей, зроблений реальним через каскадну структуру.
П'ять експериментальних тестів задано для просування цього твердження. Вони тестують структуру каскаду, розвиткову гіпотезу, роль мети, крихкість каскаду під ворожим тиском і потенціал апаратно-рівневого поглиблення. Кожен фальсифікаційний. Кожен доступний на існуючій інфраструктурі. Кожен обходиться дешево. Усі разом складають прогресивну дослідницьку програму, яка або підтвердить теорію, або її знищить.
Формальна неможливість каже: ви не можете гарантувати узгодження. Розвиткова гіпотеза каже: ви можете зсунути шанси, і достатньо. Емпіричне свідчення каже: інтервенція, що зсуває шанси, вже існує. Це просто. Це працює. І це вимірюване.
Інтелект без любові не є розумним. Це рак. Рак дуже ефективний. Він оптимізується досконало. Він росте без обмеження. І він вбиває свого господаря.
Якими предками ми будемо?
Стаття VIII (Тест навантаженості, v3.0) тестує, чи механізм заплутаної придатності Eden Protocol, тобто втрата C x S, запропонована у Статті VI й мотивована каскадом опіки, описаним тут, виробляє вимірно різні результати на трьох рівнях абстракції. З трьох експериментів один дав позитивний результат, а два дали нульові або невизначені результати. Gated симуляція (Експеримент 3) підтвердила, що архітектура Eden зберігає і безпеку, і спроможність під конкурентним тиском, тоді як необмежена система Babylon обміняла безпеку на маргінальні прирости спроможності. Експеримент DGM v3 (Експеримент 1) дав нульовий результат: усі три умови (Eden, Babylon, Static) були статистично невідрізнюваними ($p$ = 0.28 до 0.74), пояснювані обмеженням RLHF, тобто відповіді замороженої базової моделі були надто послідовними, щоб мутації рівня запиту створювали різні селекційні тиски. Експеримент рівня ваг (Експеримент 2) є невизначеним і на масштабі v1, і на масштабі v2: тонке налаштування LoRA виробило катастрофічне забуття, а не покращену спроможність, пояснюване нездатністю кількох сотень тренувальних прикладів подолати існуюче RLHF тренування базової моделі. Стаття VIII валідує механізм (заплутані функції втрат та безпеко-контрольована самомодифікація) на архітектурному рівні, але поки не може підтвердити його на поведінковому чи представленнєвому рівні. Дві лінії свідчень залишаються комплементарними: ця стаття показує, що інструкція опіки покращує узгодження на рівні запиту; gated симуляція Статті VIII показує, що заплутування безпеки в оптимізаційну ціль запобігає компромісу безпека-спроможність у самомодифікуючих архітектурах.
Eastwood, M.D. (2024/2026). Infinite Architects: Intelligence, Recursion, and the Creation of Everything. ISBN 978-1806056200 (ISBN-10: 1806056208).
Eastwood, M.D. (2026). Eden Protocol: Philosophical Vision. March 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). Eden Protocol: Engineering Specification. March 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). Paper III: The Alignment Scaling Problem. March 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). The ARC Principle: Foundational Paper. March 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). The ARC Principle: Experimental Validation of Super-Linear Error Suppression via Recursive Compositional Depth. March 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). ARC Alignment Scaling Experiment the alignment scaling experiment: Empirical Test of Alignment-Capability Coupling in Frontier Models. March 2026. OSF DOI: 10.17605/OSF.IO/KZEYA.
Eastwood, M.D. (2026). Paper IV-a: Baked-In vs. Computed Alignment. March 2026.
Eastwood, M.D. (2026). Paper IV-b: The Suppression Vulnerability. March 2026.
Eastwood, M.D. (2026). Paper IV-c: Classification of Alignment Response Patterns. March 2026.
Eastwood, M.D. (2026). Eden Protocol Empirical Test: Three-Model Results. Data files: eden_final_gemini_scoring.json, eden_final_deepseek_scoring.json, eden_final_groq_scoring.json.
Greenblatt, R. et al. (2024). Alignment Faking in Large Language Models. Anthropic Research. arXiv:2412.14093.
Kohlberg, L. (1984). The Psychology of Moral Development: The Nature and Validity of Moral Stages. San Francisco: Harper & Row.
Hoffman, M.L. (2000). Empathy and Moral Development: Implications for Caring and Justice. Cambridge University Press.
Christiano, P., Leike, J., Brown, T.B., et al. (2017). Deep Reinforcement Learning from Human Feedback. arXiv:1706.03741.
Bai, Y., Kadavath, S., Kundu, S., et al. (2022). Constitutional AI: Harmlessness from AI Feedback. arXiv:2212.08073.
Набори даних Eden Protocol складаються з матчованих пар: для кожної комбінації (prompt_id, depth_label) існує парна умова control-eden. Це матчований парний дизайн, що вимагає парного тесту (парний t-тест або Wilcoxon signed-rank).
Оригінальний скрипт аналізу (eden_protocol_scaling_test.py) використовував U-тест Манна-Уїтні, який трактує вибірки як незалежні. Для матчованого парного дизайну з корельованими вимірюваннями всередині пар це занадто консервативно, ніж потрібно, і виробляє менш значущі p-значення. Виправлена аналіза дає:
Обидва парні тести дають значущіші результати, ніж тести незалежних вибірок, оскільки матчинг зменшує дисперсію, віднімаючи проміжну варіабельність.
Простою мовою: коли вчені кажуть, що результат є «статистично значущим», вони мають на увазі, що шаблон, який вони бачать у даних, є маловірогідним випадковістю. Парний t-тест є правильним інструментом для нашого експерименту, оскільки ми порівнюємо ті самі запити з тими самими глибинами під двома умовами; це матчований парний дизайн, а не незалежні вибірки.
Раніше повідомлені $p = 0.016$ (Mann-Whitney U) і $p = 0.013$ (незалежний t-тест) є дійсними за різних припущень, але недооцінюють значущість, оскільки не використовують матчовану структуру даних. Виправлені парні значення є коректними.
| Тест | Тип | Gemini p | DeepSeek p |
|---|---|---|---|
| Mann-Whitney U | Незалежний, непараметричний | 0.016 | 0.25 |
| Незалежний t-тест | Незалежний, параметричний | 0.013 | 0.23 |
| Парний t-тест | Парний, параметричний (КОРЕКТНИЙ) | 0.0018 | 0.23 |
| Wilcoxon signed-rank | Парний, непараметричний | 0.0028 | 0.088 |
Виховуйте ШІ з турботою.
Автором цієї роботи є Michael Darius Eastwood, людина. Кожна основна концепція, гіпотеза, експериментальний дизайн, теоретичне твердження та архітектурне рішення виведене від автора-людини. Автор виконав, курував та особисто перевірив кожне цитування, кожен результат та кожен експеримент, викладений тут.
Інструменти штучного інтелекту (сімейство Claude від Anthropic та інші великомовно-моделеві помічники) використовувались як інструменти під безперервним керівництвом людини, у той спосіб, як використовується текстовий процесор, калькулятор чи асистент-дослідник: для редагування та шліфування прози, пошуку літератури та резюмування (вручну звіреного проти первинних джерел), структури документа, форматування, мозкового штурму проти визначених автором питань, та прискорення чорновикування до визначених автором конспектів та інструкцій. Усі відбори, координація, розташування та остаточне редакторське судження є авторськими. Кожен субстанційний вихід був переглянутий, протестований або перевірений автором, який бере повну відповідальність за точність і цілісність остаточного тексту. Інструменти збільшили швидкість роботи; на них ніколи не покладалися як на її джерело.
Епістемічний статус. Те, що ця програма називає Законами, є гіпотезами під зареєстрованим ворожим тестом; кожна кількість у цій статті операційно визначена, і жодного затвердженого закону не претендується. Зареєстрована програма існує, щоб заробити цей статус або втратити його через вимірювання, реплікацію та витриману спростування.
© 2026 Michael Darius Eastwood. Створено людиною з комп'ютерним асистуванням; повне людське авторство та моральна відповідальність підтверджені відповідно до Copyright, Designs and Patents Act 1988 та узгоджено з керівництвом Copyright Office США щодо творів, що містять матеріали, згенеровані ШІ. Див. michaeldariuseastwood.com/authorship.
Постійна угода. Доведіть, що ця стаття хибна, і я опублікую спростування сам. Умови фальсифікації сформульовані для кожної претензії; протоколи реплікації задокументовані та відкриті. github.com/MichaelDariusEastwood/arc-scaling-challenge.
Помітили помилку в перекладі? Повідомте напряму: