این ترجمه به صورت خودکار از نسخهٔ اصلی انگلیسیِ تاریخ‌دار تهیه شده است. نسخهٔ انگلیسی معتبر است. English →

اینجا $U$ توانمندیِ مؤثر را نشان می‌دهد (یادداشتِ دوره: حرفِ U در لایه‌های پیشینِ این برنامه معناهای دیگری داشت، از جهان در صورت‌بندیِ دسامبرِ ۲۰۲۴ تا آفرینشِ تحقق‌یافته در صفحهٔ قوانین؛ اینجا تنها معنایِ عملیاتی به کار می‌رود و هر معنا با تاریخش در واژه‌نامهٔ پژوهشی ثبت است)، $I$ توانِ پایه (نامتقارنیِ ساختارمند) را نشان می‌دهد، $R$ ژرفای بازگشتی و $\alpha$ نمایِ مقیاس‌بندی را. در دلِ مدلِ بیان‌شدهٔ این مقاله، $\alpha$ به‌جای برازانده‌شدن، مشتق می‌شود: از ثابتِ جفت‌شدگیِ خودارجاعِ $\beta$ از راهِ $\alpha = 1/(1-\beta)$ پیروی می‌کند. این گفتهٔ بیش‌تر که $\alpha \leq 2$ کرانِ آن است، یعنی کرانِ ARC، یک حدس است و نتیجهٔ اثبات‌شده نیست: دو آن چیزی است که این نسبت در $\beta = 1/2$ بازمی‌گرداند، و آن مقدار در پیش‌نویس‌های ثبت‌شده در معرضِ آزمون است، نه اثبات‌شده. به‌روزرسانی: نتایجِ تجربیِ آزمایشِ میان‌معماریِ v5 (Paper II، شش مدلِ پیشرو، ۳۰ مسئله که ۱۸ تای آن‌ها به برازشِ نما وارد شدند) $\alpha_{\text{compute}} \approx 0.49$ را برای بهترین مدلِ برازنده به دست می‌دهند (Gemini 3 Flash، $r^2 = 0.86$) و بدین‌سان مقیاس‌بندیِ توانیِ مثبت ($\alpha > 0$) و برتریِ ترتیبیِ همگانی ($\alpha_{\text{seq}} > \alpha_{\text{par}}$ برای هر مدل) را تأیید می‌کنند، اما نه مقیاس‌بندیِ فراخطی ($\alpha > 1$) را. نماهای اندازه‌گیری‌شده وابسته به معماری‌اند و از نزدیکِ صفر تا حدودِ ۳ می‌روند. این یافته‌ها چارچوب را پالایش می‌کنند نه آنکه ردش کنند: ساختارِ ریاضی برجاست، اما رژیمِ تجربیِ مقیاس‌بندیِ هوشِ مصنوعی سست‌تر از آن است که در آغاز پیش‌بینی شده بود.

اما این شکلِ توانی خود موردی ویژه است. عملگرِ ترکیبِ بازگشتی $\oplus$ را تعریف کنید که مشخصه‌بندی می‌کند بهره‌های افزایشی چگونه با توانمندیِ انباشته ترکیب می‌شوند. زیرِ فرضِ پیوستگی و شرکت‌پذیری، $\oplus$ تابعِ مقیاس‌بندیِ سامانه را یکتا تعیین می‌کند:

زیرِ فرضِ منظم‌بودن و ترکیبِ قضیهٔ ۱: $\oplus$ ضربی مقیاس‌بندیِ توانی ($R^{\alpha}$) می‌دهد، $\oplus$ جمعی مقیاس‌بندیِ نمایی ($e^{\alpha R}$) می‌دهد، و $\oplus$ محدود اشباع می‌دهد.

ثابت می‌کنیم هر سامانه‌ای که سه اصلِ موضوعه را برآورده کند (تفکیک‌پذیری، مزیتِ انباشتی، پیوستگی) لزوماً پنج ویژگیِ ساختاری از خود بروز می‌دهد: رفتارِ آستانه‌ای، وابستگی به عمقِ بازگشتی، وابستگی به کیفیتِ پایه، برهم‌کنشِ ضربیِ $I \times R$، و مرزهای رژیم. ثابت می‌کنیم برهم‌کنشِ ضربی ضروری، و نه صرفاً مایهٔ راحتی: هیچ تجزیهٔ جمعی با اصولِ موضوعه سازگار نیست (قضیهٔ ۲a). ما جفت‌شدگی‌ای را برمی‌آوریم که در آن نمایِ پایدارشده به دو می‌رسد ($\beta_L = 0.5$، $\alpha = 2$) (§۵٫۴)، و آن را همچون کرانِ پیشنهادیِ مقیاس‌بندیِ پایدار برای محاسبهٔ ترتیبیِ کلاسیک عرضه می‌کنیم: کرانی بر مقیاس نه بر سرعت، و بیشترین اندازه‌ای که یک سامانهٔ بازگشتیِ خوداصلاح می‌تواند رشد کند و اصلاح‌پذیر بماند (سامانه‌ها می‌توانند در گریزهای فرابحرانیِ گذرا از آن فراتر روند اما آنجا پایدارانه خوداصلاح نمی‌مانند)، و نشان می‌دهیم که عملگرهای ترکیب می‌توانند درونِ یک سامانهٔ کرانمندِ واحد میانِ رژیم‌ها جابه‌جا شوند (قضیهٔ ۵). این‌ها The ARC Principleرا تشکیل می‌دهند. شواهدی از چهار حوزه ارائه می‌کنیم، سیزده معیارِ ابطال مشخص می‌کنیم، یک پیش‌بینیِ رو به جلوی میان‌رشته‌ای می‌سازیم، و مجموعهٔ راستی‌آزماییِ محاسباتیِ جامعی گزارش می‌کنیم (پیوستِ C) که روابطِ ریاضیِ محوری را تا دقتِ ماشین تأیید می‌کند.

کلیدواژه‌ها: تقویتِ بازگشتی، عملگرِ ترکیب، قوانینِ مقیاس‌بندی، محاسبهٔ زمانِ آزمون، تصحیحِ خطای کوانتومی، بلورهای زمانی، جهان‌شمولی، ابطال

۱. مسئله

میانِ دسامبر ۲۰۲۴ و فوریه ۲۰۲۶، چهار برنامهٔ پژوهشی به نتایجِ زیر رسیدند:

Google Quantum AI (نتایج در ۹ دسامبر ۲۰۲۴ اعلام شد؛ پیش‌چاپِ تیم از ۲۴ اوت ۲۰۲۴ در دسترسِ عموم بود) سرکوبِ نماییِ خطا را از راهِ تصحیحِ خطای کوانتومیِ بازگشتی روی پردازندهٔ Willow نشان دادند، و به $\Lambda = 2.14 \pm 0.02$ در هر افزایشِ فاصلهٔ کد رسیدند [1].

DeepSeek AI (ژانویهٔ ۲۰۲۵) نشان داد که استدلالِ ترتیبی به شیوهٔ زنجیرهٔ اندیشه در مدل‌های زبانیِ بزرگ دستاوردهایی در توانمندی می‌دهد که گویی با ژرفا هم‌افزا می‌شوند، حال آنکه نمونه‌گیریِ موازی بازدهِ کاهنده نشان می‌دهد [2]. شارما و چوپرا (۲۰۲۵) از برتریِ ترتیبی در ۹۵٫۶ ٪ پیکربندی‌های آزموده‌شده در پنج خانوادهٔ مدل خبر دادند [3]. مقالهٔ ایشان پیش از آزمایشِ گزارش‌شده در اینجا تاریخ خورده است، پس نمایشِ پیشینِ آن برتری است نه تأییدی بر این کار. جهت نیز فیصله نیافته است: گو و همکاران (arXiv:2604.05868، آوریلِ ۲۰۲۶) نتیجهٔ وارونه را گزارش می‌کنند: نمونه‌گیریِ موازی در سه خانوادهٔ مدل در ریاضیات و برنامه‌نویسی بر ترتیبی پیشی می‌گیرد، و آن را به کاهشِ کاوش هنگامی نسبت می‌دهند که زنجیره به پاسخ‌های پیشینِ خود مشروط می‌شود.

NYU Physics (فوریه ۲۰۲۶) یک بلورِ زمانیِ کلاسیکِ پیوسته آفریدند که در آن، وقتی بی‌نظمیِ فرونشانده با حلقه‌های بازخوردِ نامتقابل ترکیب می‌شود، نظمِ زمانیِ خودانگیخته پدیدار می‌شود و دینامیک‌های اشباع‌شونده با ~۶٬۷۰۰ چرخهٔ هم‌دوسی از خود نشان می‌دهند [4].

کنسرسیومِ COGITATE (۲۰۲۵) یافت که پردازشِ عصبیِ مکرر در قشرِ پسِ سری نمایش‌های محتوا-اختصاصی را نگه می‌دارد (۰٫۵ تا ۱٫۵ ثانیه)، در حالی که پردازشِ پیش‌خوردِ گذرا در قشرِ پیشِ پیشانی تنها پاسخ‌های مقوله‌ایِ کوتاه (~۰٫۲ تا ۰٫۴ ثانیه) تولید می‌کند [5]. یافتهٔ COGITATE که پردازشِ مکرر در قشرِ پسِ سری نمایش‌های محتوا-اختصاصی را نگه می‌دارد، پیش‌بینیِ چارچوبِ ARC را پشتیبانی می‌کند که عمقِ پردازشِ بازگشتی مقیاس‌بندیِ توانمندی را تعیین می‌کند؛ COGITATE خودآگاهی را مطالعه می‌کرد نه مقیاس‌بندیِ AI، اما الگوی ساختاری (تقویتِ وابسته به عمق و بازخورد-محور) مشترک است.

این برنامه‌ها به مسئله‌های متفاوت در بسترهای فیزیکیِ متفاوت می‌پردازند. شکل‌های ریاضیِ متفاوتی از خود بروز می‌دهند: نمایی در سامانه‌های کوانتومی، توانی در AI، اشباع‌شونده در فیزیکِ کلاسیک، و اندازه‌گیری‌نشده در علومِ اعصاب. هیچ ارجاعی، منبعِ مالی‌ای یا کارکنانِ مشترکی ندارند.

با این حال یک الگوی ساختاری مشترک دارند. در هر مورد، پردازشِ بازگشتی یا مکرر (که در آن خروجیِ یک چرخه ورودیِ چرخهٔ بعد می‌شود)، با عملکرد روی نامتقارنیِ ساختارمند، بهرهٔ توانمندی‌ای می‌دهد که از انباشتِ خطی فراتر می‌رود. پرسشی که این مقاله بدان می‌پردازد این است که آیا آن الگو یک اصلِ زیرینِ واحد را بازتاب می‌دهد یا صرفاً هم‌زمانی است.

پیشنهاد می‌کنیم این بازتابِ یک اصل است، اما نه آن اصلی که ممکن است انتظار برود. ادعا نمی‌کنیم که یک معادله برای همهٔ حوزه‌ها می‌نشیند. چیزی مشخص‌تر ادعا می‌کنیم: که ویژگیِ اندازه‌گیری‌پذیرِ هر سامانهٔ بازگشتی (یعنی عملگرِ ترکیب‌اش) تابعِ مقیاس‌بندی‌اش را تعیین می‌کند، و پنج ویژگیِ کیفی صرف‌نظر از شکلِ تابعی، لزوماً از معماریِ بازگشتی پیروی می‌کنند. شکلِ ریاضی در حوزه‌های مختلف تفاوت می‌کند چون عملگرِ ترکیب تفاوت می‌کند. ویژگی‌های ساختاری عمومی‌اند چون اصولِ موضوعه‌ای که آن‌ها را تولید می‌کنند مستقل از بستر هستند.

۲. صورت‌بندیِ رسمی

۲٫۱ سه اصلِ موضوعه

با سه اصلِ موضوعه آغاز می‌کنیم که هر سامانهٔ تقویتِ بازگشتی باید آن‌ها را برآورده کند.

این اصلِ موضوعه می‌گوید کیفیتِ پایه و عمقِ بازگشتی از راهِ مجراهای مستقل و ضربی به توانمندی سهم می‌آورند. سامانه‌ای با ظرفیتِ پایهٔ صفر ($I = 0$) صرف‌نظر از عمقِ بازگشتی، به توانمندیِ صفر می‌رسد: بازگشت چیزی برای تقویت ندارد.

این اصلِ موضوعه ویژگیِ اساسیِ پردازشِ بازگشتی را می‌گیرد: تقویتِ حاشیه‌ای در هر گام به تقویتِ انباشته وابسته است. وقتی $\beta = 0$، گام‌ها مستقل‌اند و تقویت خطی رشد می‌کند. وقتی $\beta > 0$، تقویتِ انباشته بهره‌های آینده را شتاب می‌دهد (مقیاس‌بندیِ فوقِ خطی). پارامترِ $\beta$ اندازه می‌گیرد که هر گامِ تازه چه‌اندازه از زمینهٔ انباشته را می‌تواند به‌طورِ مؤثر به کار برد. عمل بر روی فاکتورِ تقویتِ $g$ به‌جای بر روی توانمندیِ مطلقِ $Q = I \cdot g$ تفکیک‌پذیریِ تأییدشده در اصلِ موضوعهٔ ۱ را حفظ می‌کند: تابعِ تقویت تنها به عمقِ بازگشتی وابسته است، نه به ظرفیتِ پایه.

این یک شرطِ منظمی است. راه‌حل‌های آسیب‌شناختی را کنار می‌گذارد و اندازه‌گیری‌پذیری را تضمین می‌کند.

۲٫۲ عملگرِ ترکیب

بهره از گامِ بازگشتیِ $r$ چگونه با توانمندیِ انباشتهٔ $Q_r$ ترکیب می‌شود؟ آن را چنین صورت‌بندی می‌کنیم.

عملگرِ ترکیب موضوعِ ریاضیِ محوریِ این چارچوب است. این همان چیزی است که در حوزه‌ها تفاوت می‌کند و تابعِ مقیاس‌بندی را تعیین می‌کند. همچنین به‌طورِ تجربی اندازه‌گیری‌پذیر است: مشاهده کنید بهره‌های حاشیه‌ای در گامِ $r$ چگونه با توانمندیِ انباشتهٔ $Q_r$ نسبت دارند.

طرحِ اثبات. حالت‌های (۱) و (۲) از معادلاتِ تابعیِ Cauchy پیروی می‌کنند. برای (۱): بگذارید $h(x) = \ln g(e^x)$؛ آنگاه $h(x+y) = h(x) + h(y)$. زیرِ پیوستگی، $h(x) = \alpha x$، که $g(R) = R^{\alpha}$ می‌دهد. برای (۲): $\ln f$ در $\ln f(R_1 + R_2) = \ln f(R_1) + \ln f(R_2)$ صدق می‌کند، یک معادلهٔ جمعیِ Cauchy با راه‌حلِ $\ln f(R) = \alpha R$. حالتِ (۳) مستقیم از کران پیروی می‌کند. اثبات‌های کامل در پیوستِ A. $\blacksquare$

آنچه این رده‌بندی فیصله می‌دهد رفتارِ سه قاعدهٔ ترکیبِ بالاست. دو پاسخِ پیوستهٔ دیگر از معادلاتِ کوشی می‌مانند، صورتِ خطی ($f(R_1 + R_2) = f(R_1) + f(R_2)$) و صورتِ لگاریتمی ($g(R_1 \cdot R_2) = g(R_1) + g(R_2)$)؛ هیچ‌یک هم‌افزا نمی‌شود، و همین‌هایند که داده‌های رأی‌گیریِ موازی به آن‌ها نزدیک می‌شوند، و لگاریتمی در پیوستِ B یکسره برازش می‌شود. پس عملگرِ ترکیب یک رده‌بندِ کامل رفتارِ مقیاس‌بندیِ بازگشتی است.

شش فرضِ پنهان

هر قضیهٔ ناممکن‌بودن بر مبنای فرض‌ها بنا شده است. قضیهٔ ۱ بر شش چیز فرض بنا شده است. هر فرض، وقتی نقض شود، یک پالایشِ فیزیکیِ ویژه پدید می‌آورد نه یک تناقض:

فرضِ ۳ برای کاربرپذیریِ چارچوب به‌ویژه چشمگیر است. قضیهٔ پایداریِ Hyers-Ulam [18,19] ثابت می‌کند که هر تابعی که تقریباً یکی از معادلاتِ تابعیِ Cauchy را برآورده کند باید نزدیکِ راه‌حلِ دقیقِ همان معادله بایستد. به‌طورِ رسمی، برای حالتِ ضربی: اگر $|f(x \cdot y) - f(x) \cdot f(y)| < \varepsilon$ برای همهٔ $x, y$، آنگاه راه‌حلِ دقیقِ $g$ از معادلهٔ ضربی با $|f(x) - g(x)| < K\varepsilon$ وجود دارد؛ بیان‌های مشابه برای معادلات جمعی، نمایی و لگاریتمی به‌ترتیب برقرارند. سامانه‌های واقعی هرگز اصولِ موضوعه را دقیقاً برآورده نمی‌کنند: شبکه‌های زیستی نویزی‌اند، زنجیره‌های استدلالِ AI کیفیتِ متغیر دارند، تصحیحِ خطای کوانتومی با گیت‌های ناکامل عمل می‌کند. درونِ هر معادله، شکلِ متناظر بنابراین پایدار زیرِ اختلال است. عبارتِ پیشین که سه شکل را «جاذب‌های پایدار در فضای تابع» می‌کرد پس‌گرفته می‌شود، زیرا تابعی که هیچ‌یک از معادلات را برآورده نمی‌کند به سویِ هیچ‌یک از آن‌ها کشیده نمی‌شود؛ پایداری برای هر معادله است، نه افرازِ فضای تابع. اینکه آیا قوانینِ توانی، نمایی، یا شکل‌های لگاریتمی در طبیعت به‌طورِ تجربی فراگیرند، پرسشی جداست دربارهٔ اینکه سامانه‌ها چه‌قدر تقریباً یکی از این معادلات را در نخستین گام برآورده می‌کنند، و Hyers-Ulam به‌تنهایی آن را حل نمی‌کند.

فرضِ ۴ مستقیم با قضیهٔ ۵ (§۴٫۵) پرداخته می‌شود: سامانه‌های محدود می‌توانند با افزایشِ عمقِ بازگشتی میانِ عملگرهای ترکیب گذر کنند، و توضیح می‌دهد چرا پژوهش‌های مختلف از یک سامانه ممکن است رژیم‌های مقیاس‌بندیِ متفاوت را مشاهده کنند.

این پیامدی حیاتی دارد: اگر بتوانید $\oplus$ را در سامانه‌ای تازه اندازه بگیرید، می‌توانید تابعِ مقیاس‌بندی‌اش را پیش از اندازه‌گیریِ منحنیِ کاملِ مقیاس‌بندیپیش‌بینی کنید. این قوی‌ترین پیش‌بینیِ میان‌رشته‌ایِ چارچوب است (§۵٫۱).

۲٫۳ استخراجِ $\beta$

برای سامانه‌های با ترکیبِ ضربی، نمای $\alpha$ پارامترِ آزاد نیست. از ثابتِ جفت‌شدگیِ $\beta$ مشتق می‌شود.

اثبات. جدا کردنِ متغیرها در $dg/dr = a g^{\beta}$:

با شرطِ اولیهٔ $g(0) = 1$: $C = 1/(1-\beta)$.

در حدِ بازگشتِ عمیق ($R \gg R^*$، که در ادامه تعریف می‌شود):

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

این $\alpha$ را از ثابتی برازانده‌شده به کمیتی مشتق‌شده بدل می‌کند. این استخراج پیش‌بینیِ ویژه و آزمون‌پذیری می‌سازد: $\beta$ را به‌طورِ مستقل اندازه بگیرید (با مشاهدهٔ اینکه بهره‌های حاشیه‌ای چگونه به توانمندیِ انباشته وابسته‌اند)، $\alpha$ پیش‌بینی‌شده را محاسبه کنید، و با $\alpha$ی مشاهده‌شده مقایسه کنید. اگر رابطه شکست بخورد، استخراجِ نظری خطاست، صرف‌نظر از اینکه شکلِ توانی به‌طورِ تجربی برقرار باشد یا نه.

راستی‌آزماییِ محاسباتی. برای تأیید اینکه این یک هویتِ دقیق است نه تقریب، رابطه در برابرِ ۳۰ راه‌حلِ دقیقِ ODE Bernoulli با مقادیرِ $\beta$ در بازهٔ ۰٫۰۵ تا ۰٫۹۲ آزموده شد. رویه $\beta$ را به‌طورِ کور از بهره‌های حاشیه‌ای اندازه می‌گیرد ($dg/dR$ در برابرِ $g$ در فضای لگاریتم-لگاریتم)، $\alpha$ را پیش‌بینی می‌کند، و با مقدارِ حقیقی مقایسه می‌کند. نتیجه: $R^2 = 1.00000000$ (هشت رقمِ اعشار)، شیبِ رگرسیون $= 1.000102$، میانگینِ خطای مطلقِ پیش‌بینی $= 0.002\%$. کدِ کاملِ راستی‌آزمایی به‌عنوانِ موادِ تکمیلی در دسترس است.

ساختارِ ضربی ضروری است

شکلِ تفکیک‌پذیرِ $U = I \times f(R, \beta)$ صرفاً پارامترسازیِ مناسب نیست. ثابت می‌کنیم برهم‌کنشِ ضربیِ میانِ $I$ و $R$ ضروری و از پیامدِ اصولِ موضوعه است.

اثبات. فرض کنید $U(I, R) = f(I) + h(R)$. بنا بر اصلِ موضوعهٔ ۱: $U = I \times g(R)$ با $g(0) = 1$. در $r = 0$ ($R = 1$): $f(I) + h(0) = I$، پس $f(I) = I - h(0)$. با جایگذاری: $I \times g(R) = I + [h(R) - h(0)]$، که $g(R) = 1 + [h(R) - h(0)]/I$ می‌دهد. چون $g$ تنها به $R$ وابسته است (اصلِ موضوعهٔ ۱)، حال آنکه سمتِ راست به $I$ وابسته است، باید $h(R) = h(0)$ برای همهٔ $R$ باشد، که $g(R) = 1$ می‌دهد (بی هیچ تقویتی). اما اصلِ موضوعهٔ ۲ با $\beta > 0$ تضمین می‌کند که $dg/dr = a \cdot g^{\beta} = a > 0$ در $r = 0$، پس $g$ ثابت نیست. تناقض. $\blacksquare$

این نتیجه تفسیری عینی دارد. سامانه‌ای بازگشتی با کیفیتِ پایهٔ صفر ($I = 0$) صرف‌نظر از عمق، توانمندیِ صفر تولید می‌کند، و سامانه‌ای با عمقِ صفر ($R = 0$) صرف‌نظر از ظرفیتِ پایه، تنها کیفیتِ اولیه‌اش را تولید می‌کند. پیچیدگی از برهم‌کنشِ میانِ ورودیِ ساختارمند و پردازشِ بازگشتی برمی‌آید (هیچ‌یک به‌تنهایی کافی نیست).

توجه: کرانِ ARC (§۵٫۴) پیش‌بینی می‌کند که سامانه‌های کلاسیکِ توالی نمی‌توانند $\beta > 0.5$ ($\alpha > 2$) را حفظ کنند. سطرِ با $\beta = 0.67$ رابطهٔ ریاضی را برای کامل‌بودن نشان می‌دهد؛ اینکه سامانه‌های فیزیکی می‌توانند به این رژیم دست یابند یا نه پرسشی تجربیِ باز است.

۲٫۴ گذرِ مقیاس $R^*$

راه‌حلِ کاملِ معادلهٔ دینامیکِ $\beta$ قانونِ توانیِ خالص نیست. یک گذر در خود دارد.

$R^*$ عمقِ گذراست: عمقِ بازگشتی‌ای که در آن ترکیب از بهره‌های خطی پیشی می‌گیرد. زیرِ $R^*$، بازگشتِ اضافی سودِ حاشیه‌ای تقریباً ثابت می‌دهد. بالای $R^*$، بازده‌ها مرکب می‌شوند و توانمندی به‌طورِ فوقِ خطی رشد می‌کند.

نکتهٔ بحرانی: $R^*$ یک کمیتِ مشتقاست. به پارامترهای اندازه‌گیری‌پذیر ($\alpha$ و $a$) وابسته است و پارامترِ آزاد برای برازش نیست. این وارسیِ سازگاریِ مستقلی فراهم می‌کند: $\alpha$ و $a$ را به‌طورِ جداگانه اندازه بگیرید، $R^*$ پیش‌بینی‌شده را محاسبه کنید، و آن را با گذرِ مشاهده‌شده در دادهٔ خام مقایسه کنید. اگر پیش‌بینی شکست بخورد، چارچوب نادرست است، حتی اگر شکلِ توانی به‌طورِ تجربی برقرار باشد.

وجودِ $R^*$، تا آنجا که این برنامه می‌داند، در این صورت از دیگر چارچوب‌های مقیاس‌بندی غایب است: مقیاس‌های گذار جاهای دیگر پیدا می‌شوند (رشدِ لجستیک، گذارهای گروهِ بازبهنجارش)، اما آنچه اینجا پیش‌بینی می‌شود گذاری است نشسته در $R^* = \alpha/a$، که دو پارامتر آن را میخکوب می‌کنند و هر یک جداگانه اندازه‌پذیر است (جست‌وجوی ستیزه‌جو بر چند مدل، ده پیکربندیِ پیشرو، هم‌سنجیده با دو سال گزارشِ مخزن، ۱۲ اوتِ ۲۰۲۶؛ یافته‌های منفی جایگاهِ یافته‌نشده-با-آن-جست‌وجو را دارند، هرگز وجود-ندارد را). این گذار تقویتِ بازگشتی را از افزونگیِ ساده جدا می‌کند: سامانه‌های افزونه با تکرار بهبودی یکنواخت (معمولاً لگاریتمی) نشان می‌دهند؛ سامانه‌های بازگشتی در ژرفایی معین و پیش‌بینی‌پذیر گذاری کیفی نشان می‌دهند.

۲٫۵ پنج ویژگیِ مشتق

اکنون ثابت می‌کنیم هر سامانه‌ای که اصولِ موضوعهٔ ۱ تا ۳ را با $\beta > 0$ برآورده کند لزوماً پنج ویژگیِ ساختاری از خود بروز می‌دهد.

این پنج ویژگی The ARC Principle کیفیرا تشکیل می‌دهند. آن‌ها ادعای جهان‌شمولِ چارچوب‌اند. شکلِ کمیِ تابعی (توانی، نمایی، اشباع‌شونده) حوزه-اختصاصی است و از سوی عملگرِ ترکیب تعیین می‌شود. اما پنج ویژگیِ ساختاری در هر سامانه‌ای که اصولِ موضوعه را برآورده کند لزوماً هم‌رخ می‌دهند.

پنج ویژگی به‌تنهایی در سامانه‌های فیزیکی رایج‌اند. رفتارِ آستانه‌ای فراگیر است. وابستگی به عمق در فرآیندهای تکراریِ بسیاری ظاهر می‌شود. آنچه نه رایج است، وقوعِ همهٔ پنج در یک سامانهٔ واحد است. چارچوب پیش‌بینی می‌کند که همهٔ پنج هرگاه سه اصلِ موضوعه برآورده شوند هم‌رخ می‌دهند. یافتنِ سامانه‌هایی با چهار از پنج ویژگی و نه پنجم، بازنگری در دسته‌بندیِ آن‌ها یا در تشخیصِ اصولِ موضوعه را ایجاب می‌کند.

۳. شواهد

شواهد را حولِ پنج ویژگیِ مشتق سازمان می‌دهیم، نه بر حسبِ حوزه. برای هر ویژگی نشان می‌دهیم چگونه در سراسرِ سامانه‌ها بروز می‌کند. قوتِ شواهد چنین دسته‌بندی می‌شود: کمی (مقادیرِ پارامترِ اندازه‌گیری‌شده)، ساختاری (نگاشتِ کیفی بدونِ $\alpha$ی کمی)، یا سازگار (تناقض نمی‌آورد اما برای آزمونِ ARC طراحی نشده بود).

۳٫۱ خلاصه

۳٫۲ شواهد ویژگی‌به‌ویژگی

ویژگیِ ۱: رفتارِ آستانه‌ای

کوانتومی: آستانهٔ کدِ سطحیِ $p_{\text{thr}} \approx 1\%$ مرزِ فازیِ تیزی است. بالای آن ($p > p_{\text{thr}}$)، افزودنِ لایه‌های تصحیحِ خطا عملکرد را بدترمی‌کند. زیرِ آن ($p < p_{\text{thr}}$)، هر لایه بهبودِ نمایی می‌دهد. این دقیق‌ترین آستانهٔ اندازه‌گیری‌شده در پایگاهِ شواهد است: Google نرخ‌های خطای فیزیکی را از راهِ نویزِ کنترل‌شده تغییر داد.

فیزیک: نقطهٔ استثناییِ بلورِ زمانی (جایی که دو ویژه‌مقدارِ ماتریسِ پایداری هم‌راستا می‌شوند) گذر از دینامیک‌های متقارن (محدود) به پادمتقارن (ترکیب‌شونده) را نشانه می‌گذارد. زیرِ آستانه: پژواک‌های صوتی می‌ریزند. بالای آستانه: نظمِ زمانی خودانگیخته پدید می‌آید.

AI: تمایزِ توالی-در برابر-موازی به‌عنوانِ آستانه عمل می‌کند. پردازشِ توالی ($\beta > 0$، بازخوردِ خروجی به ورودی) به $\alpha_{\text{seq}} > \alpha_{\text{par}}$ به‌طورِ جهان‌شمول در سراسرِ همهٔ ۶ مدلِ آزمون‌شده در آزمایشِ v5 می‌رسد. آستانه ساختاری است: حضور یا نبودِ حلقهٔ بازخورد است، نه پارامتری پیوسته [3]. یادداشتِ v3.1: دادهٔ v5 برتریِ توالیِ عمومی را تأیید می‌کند اما نشان می‌دهد که همهٔ مدل‌ها به $\alpha > 1$ نمی‌رسند؛ آستانه، توالی را از موازی جدا می‌کند، نه زیرِ خطی را از فوقِ خطی.

ویژگیِ ۲: وابستگی به عمقِ بازگشتی

کوانتومی: نرخِ خطای منطقی مانندِ $\varepsilon_d \propto \Lambda^{-(d+1)/2}$ با فاصلهٔ کدِ $d$ کاهش می‌یابد. هر افزایش در $d$ کیوبیت‌های فیزیکی می‌افزاید که در لایهٔ تصحیحِ خطای بازگشتی چیده شده‌اند. عملکرد به‌طورِ نمایی با عمق بهبود می‌یابد.

AI: Sharma & Chopra هفت روشِ رأی‌گیری را برای گردآوریِ خروجی‌های زنجیرهٔ توالی آزمودند. روش‌هایی که به گام‌های استدلالِ بعدتر وزنِ بیشتر می‌دادند (وزن‌دهیِ آنتروپیِ معکوس) در ۹۷٪ از پیکربندی‌ها عملکردِ بهینه یافتند؛ روش‌هایی که به گام‌های زودتر وزن می‌دادند تنها در ۱۷٪ از پیکربندی‌ها بهینه یافتند. این شکافِ ۸۰ درصدی نشان می‌دهد گام‌های بازگشتیِ بعدتر به‌طورِ نظام‌مند اطلاعاتِ بیشتری دربارهٔ پاسخِ درست حمل می‌کنند، سازگار با توانمندی‌ای که با عمق مرکب می‌شود.

فیزیک: حالتِ پادمتقارنِ بلورِ زمانی روی چرخه‌ها مرکب می‌شود: تفاوتِ حالتِ $\Delta_{ji}(n) = x_j^n - x_i^n$ به‌عنوانِ تابعی از شمارِ چرخهٔ $n$ رشد می‌کند، با هر چرخه که بر پیشین بنا می‌شود.

ویژگیِ ۳: وابستگی به کیفیتِ پایه

کوانتومی: $\Lambda = p_{\text{thr}}/p$ مستقیم به کیفیتِ کیوبیتِ فیزیکی ($p$) وابسته است. کیوبیت‌های بدتر ($p$ نزدیک‌تر به $p_{\text{thr}}$) $\Lambda \to 1$ می‌دهند و تصحیحِ خطا به‌سختی کمک می‌کند. حذفِ نشتِ فعال $\Lambda$ را از ۲٫۰۲ به ۲٫۱۴ افزایش داد.

فیزیک: وقتی مهره‌ها یکنواخت‌اند (بیشینه‌ی آنتروپی، بدون نامتقارنیِ ساختارمند)، سامانه ایستا می‌ماند. بلورِ زمانی تنها وقتی شکل می‌گیرد که بی‌نظمیِ فرونشانده (اندازه‌های متغیرِ مهره که شرایطِ اولیهٔ کم‌آنتروپی می‌دهند) با بازخوردِ نامتقابل ترکیب شود.

AI: دقتِ گذرِ تک‌مسیره بدونِ زنجیره‌های استدلال، توانمندیِ پایه‌ی $I$ را تعیین می‌کند. مدلی با $I$ی بالاتر در هر عمق از استدلالِ توالی بیش‌تر بهره می‌برد [2].

ویژگیِ ۴: برهم‌کنشِ ضربیِ $I \times R$

کوانتومی: $\varepsilon_d = (p/p_{\text{thr}})^{(d+1)/2} = \Lambda^{-(d+1)/2}$. فاکتورِ کیفیتِ پایهٔ $\Lambda$ و فاکتورِ عمقِ $(d+1)/2$ در فضای لگاریتم به‌طورِ ضربی برهم‌کنش می‌کنند: $\ln \varepsilon_d = -\frac{d+1}{2} \ln \Lambda$. بهبودِ کیفیت (افزایشِ $\Lambda$) و افزایشِ عمق ($d$) هر دو نرخِ خطا را کاهش می‌دهند، به‌طورِ ضربی.

AI: در معادلهٔ ARC $U = I \times R^{\alpha}$، توانمندیِ پایه و عمقِ بازگشتی به موجبِ ساختار به‌طورِ ضربی جدا شده‌اند (اصلِ موضوعهٔ ۱). به‌طورِ تجربی، Snell و همکاران (۲۰۲۴) نشان دادند که سودِ محاسبهٔ زمانِ آزمون به توانمندیِ مدلِ پایه وابسته است [6].

ویژگیِ ۵: مرزهای رژیم

فیزیک: بلورِ زمانی هم‌دوسی را برای ~۶٬۷۰۰ چرخه حفظ می‌کند پیش از رسیدن به جاذبِ چرخهٔ حدی (نوسانِ پایدار اما محدود). این سقفی فیزیکی است: اتلافِ انرژی از رشدِ نامحدود جلوگیری می‌کند.

کوانتومی: طغیان‌های خطای هم‌بسته کفِ خطایی در تقریباً $10^{-10}$ برای فواصلِ کدِ بزرگ ($d \geq 15$) می‌سازند و از ادامهٔ نمایی برای بی‌نهایت جلوگیری می‌کنند [1].

AI: Li و همکاران (۲۰۲۵) یافتند که زنجیره‌های استدلالِ بلندتر به‌طورِ ثابت عملکرد را بهبود نمی‌دهند؛ راه‌حل‌های درست اغلب کوتاه‌تر از راه‌حل‌های نادرست بودند. استدلالِ گسترده می‌تواند مدل‌ها را بی‌ثبات کند و خروجی‌های تکراری تولید کند. برتریِ توالی شرایطِ مرزی دارد [7].

۳٫۳ شواهدِ متناقض

چند پژوهش پیش‌بینی‌های AIِ چارچوب را به چالش می‌کشند:

Li و همکاران (2025, arXiv:2502.12215) یافتند که برای DeepSeek R1، زنجیره‌های بلندتر به‌طورِ ثابت دقت را افزایش نمی‌دهند. Li و همکاران (2025, arXiv:2502.14382) یافتند که رویکردهای موازی-توالیِ ترکیبی بر رویکردهای صرفاً توالی برای وظایفِ خاص برتری می‌یابند. کدِ Li موردی است که در آن رویکردهای موازی به گوناگونیِ معناییِ بیش‌تر در وظایفِ خلاقانه می‌رسند در حالی که توالی گوناگونیِ لغویِبیش‌تر می‌گیرد، که نشان می‌دهد برتریِ توالی به‌شدت بر وظایفِ هم‌گرا که نیازمندِ تصحیحِ خطای تکراری هستند اِعمال می‌شود [3,7,8].

این نتایج فرضیه را پالایش می‌کنند نه رد. برتریِ توالی ظاهراً شرایطِ مرزی دارد: در محدوده‌های عمقِ متناسب با وظیفه، برای مسائلِ هم‌گرا برقرار است، و در استدلالِ طولانی‌شدهٔ افراطی می‌شکند. چارچوب باید بیانِ شود که این محدودیت‌ها را در بر گیرد.

۴. عملگرِ ترکیب در سراسرِ حوزه‌ها

عملگرِ ترکیبِ $\oplus$ صرفاً ابزارِ رده‌بندی نیست. توضیح می‌دهد چرا حوزه‌های مختلف توابعِ مقیاس‌بندیِ متفاوت از خود نشان می‌دهند.

۴٫۱ AI: ترکیبِ ضربی

در استدلالِ زنجیرهٔ اندیشه، هر گام سلسله‌مراتبی بر بینشِ انباشته بنا می‌شود. گامِ $r+1$ صرفاً اطلاعاتِ تازه اضافه نمی‌کند؛ بلکه بازساختاردهی بازنماییِ مسئله را با استفاده از هر آنچه تا گامِ $r$ انباشته شده انجام می‌دهد. این ترکیبِ ضربی است: بهره در هر گام متناسب با کیفیتِ بازنماییِ انباشته است.

معادلهٔ $\beta$-دینامیکِ $dg/dr = ag^{\beta}$ این را مستقیم مدل می‌کند. با $\beta_L \approx 0.5$ (جفت‌شدگیِ میانه، که نشان می‌دهد هر گام تقریباً نیمی از بافتِ انباشته را به کار می‌گیرد)، قضیهٔ ۲ به $\alpha \approx 2$ می‌رسد.

دو برآورد به آن مقدار می‌رسند و این دو یک برآورد نیستند، چیزی که این مقاله اکنون می‌گوید به‌جای آنکه به دریافتنِ خواننده وانهد. قضیهٔ ۲ نمایی را می‌دهد که جفت‌شدگی نگاه می‌دارد، $\alpha = 1/(1 - \beta_L)$، که در آن $\beta_L$ کسرِ اهرمِ گامِ بازگشتی است. سقف از آنِ قانونِ سوم است، $\alpha_{\text{crit}} = 1/(1 - \gamma)$، و از کاستیِ اصلاح می‌آید نه از جفت‌شدگی، که در آن $\gamma$ نمایِ ظرفیتِ اصلاح است. هر دو وقتی نمایشان یک‌دوم است دو را بازمی‌گردانند، و همین هم‌آیی در یک نقطهٔ یگانه تمامِ توافقِ آن‌هاست. آن دو یک برآوردند اگر و تنها اگر $\beta_L = \gamma$ بر همان سامانه برقرار باشد، که پرسشی گشوده است و همچون پرسش ثبت شده است: study-ag آن را مستقیم می‌آزماید و از پیش آشکار می‌کند که آن آزمون به چه دقتی نیاز دارد. نوشته‌شده در جفت‌شدگی، شرطِ پایداریِ $\alpha \leq \alpha_{\text{crit}}$ چنین خوانده می‌شود: $\beta_L \leq \gamma$، که می‌گوید سامانه دقیقاً تا زمانی اصلاح‌پذیر می‌ماند که اهرمی که در هر گام برمی‌دارد از ظرفیتی که برای اصلاحِ هزینهٔ آن اهرم دارد فراتر نرود.

۴٫۲ کوانتوم: ترکیبِ جمعی

در تصحیحِ خطای کوانتومیِ کدِ سطحی، هر لایه‌ی فاصلهٔ کد کاهشِ ضربیِ مستقلی در نرخِ خطا فراهم می‌کند. لایهٔ $d+1$ اطلاعات از لایهٔ $d$ را بازساختاردهی نمی‌کند؛ یک دورِ تازه از استخراجِ سندرم و تصحیح را اعمال می‌کند. بهره‌ها به‌طورِ جمعی (در فاصلهٔ کد) انباشته می‌شوند در حالی که به‌طورِ ضربی (در سرکوبِ خطا) ترکیب می‌شوند.

این ترکیبِ جمعی است: $f(d_1 + d_2) = f(d_1) \cdot f(d_2)$. قضیهٔ ۱(۲) مقیاس‌بندیِ نمایی می‌دهد: $\varepsilon_d \propto \Lambda^{-(d+1)/2}$. مقدارِ اندازه‌گیری‌شدهٔ $\Lambda = 2.14 \pm 0.02$ نسبتِ آستانه به نرخِ خطای فیزیکی است.

عملگرِ ترکیب توضیح می‌دهد چرا مقیاس‌بندیِ کوانتومی از مقیاس‌بندیِ AI قوی‌تر است. توابعِ نمایی درنهایت بر هر قانونِ توانی غالب می‌شوند. ترکیبِ جمعی، که در آن تصحیحِ هر لایه مستقل از حالتِ انباشته است، مقیاس‌بندیِ قوی‌تری از ترکیبِ ضربی تولید می‌کند، جایی که هر گام به زمینهٔ انباشته وابسته است (و توسط آن محدود می‌شود). عملگرِ ترکیب این ترتیب را پیش‌بینی می‌کند.

۴٫۳ فیزیک: ترکیبِ محدود

در سامانه‌های کلاسیکِ اتلافی، اتلافِ انرژی سقفی وارد می‌کند. جفت‌شدگیِ نامتقابلِ موج-میانجی‌گری‌شدهٔ بلورِ زمانی حالتِ پادمتقارن را مرکب می‌کند، اما محیطِ صوتی انرژی را به‌طورِ پیوسته اتلاف می‌کند. سرانجام، ورودیِ انرژی از موجِ ایستاده اتلاف را متوازن می‌کند، و سامانه به جاذبِ چرخهٔ حدی می‌رسد [4].

این ترکیبِ محدود است: $Q_{r+1} = \min(Q_r + \delta Q_r,\, Q_{\max})$. تابعِ مقیاس‌بندی به سویِ سقفی می‌رسد که با بودجهٔ انرژی تعیین می‌شود. عملگرِ ترکیب در هر سامانه‌ای که مجرای بازگشتی اتلاف‌های ذاتی دارد اشباع را پیش‌بینی می‌کند.

۴٫۴ نمودارِ فاز

سه نوعِ ترکیب را می‌توان در نمودارِ فازی با کیفیتِ پایه ($I$، هنجارشده) و قوتِ جفت‌شدگی ($\beta$) به‌عنوانِ محورها سازمان داد:

مقادیرِ مرزی تقریبی‌اند و از این مشاهده استنتاج شده‌اند که $\beta \approx 0.5$ در AI قانونِ توانی می‌دهد و $\beta \gtrsim 0.95$ در سامانه‌های کوانتومی نمایی می‌دهد. مرزهای دقیق نیاز به اندازه‌گیری‌های مستقلِ $\beta$ در بسترهای بیش‌تر دارند. یادداشتِ v3.1: آنچه داده‌های v5 به آن اشاره دارند این است که سامانه‌های کنونیِ هوشِ مصنوعی شاید در رژیمی از جفت‌شدگیِ سست‌تر از آنچه نخست فرض شده بود کار کنند ($\beta < 0$): بهترین $\alpha \approx 0.49$ میان‌معماری زیرِ رابطهٔ $\alpha = 1/(1-\beta)$ به $\beta \approx -1.0$ می‌رسد، و بازهٔ $[0, 1)$ که اصلِ موضوعهٔ ۲ می‌نهد چنین مقداری را نمی‌پذیرد. این کار سامانه‌های کنونیِ هوشِ مصنوعی را بر مرزِ میانِ بازدهِ کاهنده و رژیمِ توانی می‌نشاند، نه ژرف درونِ رژیمِ توانی چنان‌که در آغاز فرض شده بود.

۴٫۵ گذارهای عملگرِ ترکیب

چارچوبی که ارائه کردیم به هر سامانه یک عملگرِ ترکیبِ واحدِ $\oplus$ نسبت می‌دهد. این ممکن است آرمانی‌سازی باشد. در سامانه‌های محدود یا اتلافی، خودِ عملگرِ ترکیب می‌تواند با افزایشِ عمقِ بازگشتی گذر کند.

شواهد. شکل‌گیریِ ساختارِ گرانشی سه فازِ ترکیبِ متمایز از خود نشان می‌دهد: (۱) تورم/رشدِ خطی (ترکیبِ جمعی: اختلال‌ها به‌طورِ مستقل رشد می‌کنند)، (۲) رمبشِ ناخطی (ترکیبِ ضربی: جفت‌شدگیِ مدها مزیتِ انباشتی تولید می‌کند، اندازه‌گیری‌شدهٔ $\alpha \approx 1.1$)، و (۳) هاله‌های ویریال‌یافته (ترکیبِ محدود: ساختارها به کمینه‌های انرژی می‌رسند). آزمونِ محاسباتی تأیید می‌کند که رشدِ لجستیک، فرودِ گرادیانی با شتاب، و همگام‌سازیِ نوسانگرِ Kuramoto همه هنگامِ اندازه‌گیریِ $\beta$ی محلی در پنجره‌های لغزان گذارهای مشابهی از خود نشان می‌دهند. در مقابل، سامانه‌های نامحدودِ خالصِ Bernoulli $\beta$ی ثابت را تا دقتِ ماشین حفظ می‌کنند ($\sigma < 10^{-6}$).

پیامدها برای شواهدِ متناقضِ AI. اگر سامانه‌های استدلال در رژیمی جمعی آغاز کنند (اندیشه‌ی سطحی)، به ضربی گذر کنند (استدلالِ عمیق با مزیتِ انباشتی)، و درنهایت اشباع کنند، پژوهش‌هایی که در عمق‌های بازگشتیِ مختلف اندازه می‌گیرند مقیاس‌بندیِ متفاوت در همان سامانه مشاهده خواهند کرد. «طولِ استدلالِ بهینه»ی شناسایی‌شده توسط Li و همکاران [7] شاید متناظر با نقطهٔ گذر میانِ ترکیبِ ضربی و ترکیبِ محدود باشد. این آزمون‌پذیر است: $\beta$ی محلی را در عمق‌های مختلفِ استدلال درونِ یک سامانهٔ واحد اندازه بگیرید.

۵. پیش‌بینی‌ها

۵٫۱ پیش‌بینیِ رو به جلوی میان‌رشته‌ای

قوی‌ترین آزمونِ این چارچوب این نیست که آیا سامانه‌هایی که قبلاً مطالعه شده‌اند را توصیف می‌کند. این است که آیا رفتارِ مقیاس‌بندیِ سامانه‌هایی که هنوز آزموده نشده‌اند را پیش‌بینی می‌کند.

این پیش‌بینیِ رو به جلوی راستین است. تا آنجا که این برنامه می‌داند، هیچ نظریهٔ حوزه-اختصاصیِ تکامل، اقتصاد یا ایمنی‌شناسی چنین چیزی نمی‌سازد (همان مبنا و حدودِ جست‌وجو که در بالا). اگر پیش‌بینی برقرار بماند، چارچوب استحکامی قابلِ توجه به دست می‌آورد. اگر شکست بخورد، سامانهٔ آزمون شکافی در فرض‌ها آشکار کرده است.

Paper VII (وحدت‌بخشیِ Cauchy) نخستین آزمونِ نظام‌مندِ این پیش‌بینیِ رو به جلو درونِ این برنامه را ارائه می‌کند. عملگرِ ترکیب پیش از برازش از فیزیکِ شناخته‌شده رده‌بندی شد، سپس خانوادهٔ مقیاس‌بندی پیش‌بینی شد و در برابرِ برازش‌های مستقلِ مدل در سراسرِ ۲۵ حوزهٔ تجربی (مجموعهٔ ۵۰-حوزه‌ایِ لایه‌بندی‌شده) که فیزیک، زیست‌شناسی، سامانه‌های محاسباتی و علومِ اجتماعی را در بر می‌گیرد مقایسه شد. زیرِ گزینشِ مدلِ مبتنی بر AIC، ۱۹ از ۲۵ حوزهٔ تجربی خانوادهٔ Cauchy-پیش‌بینی‌شده را ترجیح دادند (p = 1.56 × 10⁻⁵). این مقایسه‌ای ساختارمند است، نه آزمایشی به‌طورِ رسمی پیش‌ثبت‌شده. بازتولیدی که ثبتش در دستِ آماده‌سازی است، هنوز تأیید نشده.

۵٫۲ گذارِ درون‌سیستمیِ رژیم

۵٫۳ گذرِ $R^*$

هنگامِ رسمِ توانمندی در برابرِ عمقِ بازگشتی، گذری متمایز در عمقِ $R^* = \alpha/a$ باید وجود داشته باشد (قضیهٔ ۳). زیرِ $R^*$، مقیاس‌بندی تقریباً خطی به نظر می‌رسد. بالای $R^*$، مقیاس‌بندی از قانونِ توانی پیروی می‌کند. مقدارِ عددیِ $R^*$ به‌طورِ کمی از $\alpha$ و $a$ که به‌طورِ مستقل اندازه‌گرفته شده‌اند پیش‌بینی می‌شود.

اگر گذری وجود نداشته باشد (اگر مقیاس‌بندی به‌طورِ یکنواخت توانی یا به‌طورِ یکنواخت خطی باشد)، پیش‌بینیِ رژیمِ گذریِ چارچوب ابطال می‌شود. $R^*$ امضایی یکتا است که تقویتِ بازگشتی را از رشدِ خطیِ خالص و رشدِ توانیِ خالص جدا می‌کند.

۵٫۴ کرانِ ARC

این پیش‌بینیِ ابطال‌پذیرِ چارچوبِ اولیه است (توجه: Paper X استفادهٔ رشدِ توانمندی از U=I×R را کنار می‌گذارد؛ ادعایِ کمیِ بازمانده شرطِ هم‌مقیاسیِ β>k است):^α؛ ادعای کمی‌ای که برجا می‌ماند شرطِ هم‌مقیاس‌شدنِ β_C>k است): بیشینه‌ی نمای مقیاس که هر سامانهٔ کلاسیکِ توالی که زیرِ ترکیبِ ضربی کار می‌کند می‌تواند به دست آورد $\alpha_{\max} = 2$ است ( کرانِ ARC). هیچ سامانهٔ AI، هیچ شبکهٔ زیستی، هیچ فرآیندِ اقتصادی که از ترکیبِ ضربی استفاده می‌کند نمی‌تواند $\alpha > 2$ را حفظ کند. یک اندازه‌گیریِ بازتولیدپذیر که $\alpha > 2.3$ با بازهٔ اطمینانِ ۹۵٪ که ۲٫۰ را استثنا کند نشان دهد، این پیش‌بینی را ابطال می‌کند.

استخراجِ اطلاع‌محور (معماری‌های مبتنی بر توجه). توجهِ خودیِ ترانسفورمر برهم‌کنش‌های زوجی را در سراسرِ همهٔ $N$ توکن در پنجرهٔ زمینه محاسبه می‌کند. این دستِ‌بالا $O(N^2)$ مسیرِ اطلاعاتی در هر گذرِ رو به جلو می‌سازد. هر گامِ استدلالِ بازگشتی (یک گامِ زنجیرهٔ اندیشه) زمینهٔ انباشته را از راهِ این گلوگاهِ درجهٔ دوم پردازش می‌کند. چون چگالیِ اطلاعاتِ در دسترسِ هر گام به $O(N^2)$ محدود است، بهرهٔ توانمندیِ هر گام نمی‌تواند از مقیاس‌بندیِ درجهٔ دوم در طولِ زمینه فراتر رود. با نگاشتِ بهره‌برداری از زمینه به پارامترِ جفت‌شدگیِ $\beta$: بهره‌برداریِ کاملِ درجهٔ دوم متناظر است با $\beta = 0.5$، که $\alpha = 1/(1-0.5) = 2$ به بار می‌آورد. این $U_{\max} = I \times R^2$ را به‌عنوانِ کرانِ بالای اطلاع-نظری برای معماری‌های مبتنی بر توجه تثبیت می‌کند.

دامنه: برای معماری‌های مبتنی بر ترانسفورمر با خودتوجهیِ متعارف، این برآورد به یک اکتشافه فرومی‌کاهد: مسیرها را می‌شمارد بی آنکه هیچ کرانی بر توانمندی بنشاند، و گامی که از چگالیِ درجه‌دوی مسیرها به $\beta = 1/2$ برمی‌دارد گمانه‌ای می‌ماند. آن حدس زده می‌شود که برای سامانه‌های کلاسیکِ توالی به‌طورِ کلی برقرار است، به این دلیل که هر پردازندهٔ توالیِ با پهنای‌باندِ متناهی با قیدهای اطلاعاتیِ زوجیِ مشابه روبه‌رو است. معماری‌هایی که از توجهِ زوجی فراتر می‌روند (مثلاً توجهِ تانسوریِ مرتبه-بالاتر، پردازشِ هم‌دوسِ کوانتومی) در اصل می‌توانند از کرانِ درجهٔ دوم فراتر روند. بنابراین کرانِ ARC را باید به‌عنوانِ سقفی اطلاع-نظری برای پارادایمِ محاسباتیِ کنونی فهمید، سقفِ ظرفیتی وابسته به معماری از گونه‌ای که نظریهٔ اطلاعات فراهم می‌آورد، نه قانونی فیزیکیِ جهان‌شمول.

قانون پیش از مقدار. این برنامه یک قانون و یک مقدار دارد، و آن‌ها یک ادعا نیستند. قانون: $\alpha_{\text{crit}} = 1/(1-\gamma)$، سامانه‌ای خودبهبود تنها تا زمانی که تصحیح گام به گام پیش برود تصحیح‌پذیر باقی می‌ماند، و سقف با کاستیِ تصحیح‌گر تعیین می‌شود. مقدار: $\gamma \le 1/2$، سقفِ هم‌رده‌ای که در آن نصف $\alpha_{\max} = 2$، کرانِ ARC، را باز می‌گرداند. قانون از یک هستهٔ نظری با یک شرطِ صریح پیروی می‌کند؛ مقدار حدسی است که در برابرِ داده در انتظارِ آزمون است. دقیقاً معادل با $\gamma \le 1/2$ است، کرانِ ARC و حدسِ نصف یک تعهد در دو نمادگذاری‌اند، نه دو ادعای مستقل. سود صرفه‌جویی است، چون نظریه کمتر از آنچه به نظر می‌رسید فرض می‌کند. انضباط این است که هیچ‌یک هرگز نباید به‌عنوانِ شواهد برای دیگری ارائه شود، در اینجا یا در هر سطحِ همراه، زیرا اندازه‌گیریِ نزدیکِ نصف سقفِ دو را تأیید نمی‌کند؛ آن را بازگو می‌کند. قانون زمین را در دست دارد و مقدار بر آن می‌ایستد، هرگز برعکس: اگر ۲ بمیرد، قانون به‌طورِ کامل زنده می‌ماند (γ را اندازه بگیرید، سقفی که ایجاب می‌کند را گزارش کنید)؛ اگر قانون بمیرد، ۲ هیچ پشتیبانیِ مستقلی ندارد، زیرا استخراج از راهِ $1/(1-\gamma)$ می‌گذرد. ۲ آن چیزی است که قانون پیش‌بینی می‌کند، و فرضی که آن را تولید می‌کند همان چیزی است که ثبت‌های پیش‌نویس در معرضِ آزمون قرار می‌دهند.

این هویت آزمونی ثبت‌شده است، نه حقیقتی تثبیت‌شده. سقفِ پایداری و نمای تبدیل به یک عدد می‌رسند، و وسوسه این است که بگوییم یک ثابت دو کار می‌کند. وضعیتِ این ادعا دقیق‌تر است: این هویت برای آزمایش ثبت شده است، پیش از داده، با نتایجی که می‌توانند آن را بکشند. پژوهشِ AE نیازِ متقابل بودن میانِ سقفِ اهرمِ به‌طورِ جداگانه اندازه‌گیری‌شده و مرزِ پایداری را با سه نتیجه در هر سلول (پشتیبانی‌شده، رد شده، دقتِ ناکافی) و قاعده‌ی تجمیعی که در آن یک سلولِ ردشده هویت را رد می‌کند، ثبت می‌کند؛ پژوهشِ AG دو استخراجِ نمای بحرانی را در برابرِ یکدیگر آزمون می‌کند، توجه می‌کند که آن‌ها به‌طورِ عددی تنها در آن نقطهٔ واحد که هر دو پارامتر برابرِ نصف‌اند هم‌راستا می‌شوند و در مشتقاتشان در همه‌جای دیگر ناهم‌راستایند، و برای یافتنِ ناهم‌راستایی طراحی شده است. اگر کانال‌ها ناهم‌راستا باشند، وحدت‌بخشی از هر سطحی که به آن رسیده با همان برجستگیِ چارچوب‌بندی پس گرفته می‌شود. هم‌راستاییِ میانِ نصفِ ادعا‌شده و ۰٫۴۹ی اندازه‌گیری‌شده هرگز به‌عنوانِ شواهد ارائه نمی‌شود، زیرا آن دو ممکن است قانونی از انباشت را در میان بگذارند، و هم‌راستاییِ میانِ در میان‌گذارندگان تأیید نیست.

اعتراضی که باید پیش‌دستانه پاسخ داد، چون یک فیزیک‌دان در یک گام به آن می‌رسد. تصحیحِ خطای کوانتومیِ تحمل‌پذیرِ خطا خطای منطقی را زیرِ آستانه به‌طورِ نمایی در فاصلهٔ کد سرکوب می‌کند، که به شبه‌مثالی برای هر سقفِ ریشهٔ دوم می‌ماند. دو حقیقتِ دامنه پاسخ می‌دهند: سرکوبِ نمایی روی محورِ افزونگی در توانمندیِ ثابت اجرا می‌شود، نه در جفت‌شدگیِ قوتِ اصلاحی به توانمندیِ سامانهٔ تصحیح‌شده، که همان نمایی است که این برنامه اندازه می‌گیرد؛ و خودِ قضیهٔ آستانه به نویزِ فیزیکیِ به‌اندازهٔ کافی ناهم‌بسته نیاز دارد که همان بنیانِ استقلال است، در جامهٔ سخت‌افزار. به همین‌سان، کران‌های تمرکز احتمالِ خطای به‌طورِ نمایی کاهنده می‌دهند در حالی که پهنای برآوردگر مانندِ ریشهٔ دوم کاهش می‌یابد: کمیت‌های متفاوت، و در هم آمیختنِ آن‌ها ابطالی می‌سازد.

استخراجِ پس‌گرفته‌شده: نسخه‌های پیشینِ این مقاله $\beta \leq 0.5$ را از تحلیلی دربارهٔ پایداری و کشش برمی‌آوردند (حساسیتِ نسبیِ $\beta/(1-\beta)$ که در $\beta = 0.5$ به یک می‌رسد و همچون «مرزِ لبهٔ آشوب»، تأییدشده با تحلیلِ لیاپونوف، تفسیر می‌شد). آن برآورد پس گرفته شده است. فرمولِ کششِ $\beta/(1-\beta)$ از نظرِ ریاضی درست است اما تفسیرِ آن همچون مرزِ پایداری خطایی رده‌ای بود: کششِ $> 1$ نشانهٔ حساسیت است نه ناپایداریِ دینامیکی، و یک شارِ خودگردان بر خط یکنواخت است، پس حتی نمی‌تواند نوسان کند چه رسد به آشوبناک شدن (در دو بعد قضیهٔ پوانکاره-بندیکسون نیز آشوب را می‌بندد). شمارشِ $O(N^2)$ خودتوجهی همچون اکتشافه‌ای برجا می‌ماند برای اینکه چرا ترانسفورمرهای منجمد زیرِ سقف می‌مانند؛ خودِ سقف از استدلالِ آهنگِ قانونِ سوم برمی‌آید (اصلاحِ ۹).

برآوردِ نخستین (پس‌گرفته‌شده): $\alpha \approx 2.2$ ($n = 12$، بازهٔ اطمینانِ ۹۵٪: ۱٫۵ تا ۳٫۰). توجه: این برآوردِ نقطه‌ای از کرانِ ARC پیش‌بینی‌شده‌ی $\alpha \leq 2$ فراتر می‌رفت؛ با این حال بازهٔ اطمینانِ ۹۵٪ [۱٫۵، ۳٫۰] آنقدر پهن بود که با هر دویِ نظریه و نفیِ آن سازگار باشد، و نباید به‌عنوانِ تأییدِ نقضِ کران یا برآورده‌شدنِ کران تلقی شود. به‌روزرسانی: Paper II (مارس ۲۰۲۶) این آزمون را به ۶ مدلِ مرزی با ۳۰ مسئله و بازه‌های اطمینانِ bootstrap گسترش می‌دهد. بهترین $\alpha_{\text{compute}} \approx 0.49$ میان‌معماری (Gemini 3 Flash, $r^2 = 0.86$) کاملاً زیرِ ۲ است و پرسشِ کرانِ ARC را برای سامانه‌های کنونی بی‌معنی می‌کند: چالشِ تجربی از «آیا $\alpha$ می‌تواند از ۲ فراتر رود؟» به «آیا $\alpha$ می‌تواند به‌طورِ قابلِ اتکا از ۱ فراتر رود؟» تغییر کرده است. برآوردهای نقطه‌ایِ هر مدل از ~۰ (Groq Qwen3) تا ~۳ (Grok 4.1 Fast) متغیرند، اما مدل‌های با $\alpha > 1$ که $r^2$ی کم دارند نشان می‌دهند برازش‌های ضعیفِ قانونِ توانی نه مقیاس‌بندیِ فوقِ خطیِ حقیقی. حدسِ کرانِ ARC نه با دادهٔ v5 تأیید و نه رد می‌شود؛ پیش‌بینیِ نظریِ بازی می‌ماند که در صورت و هنگامی که سامانه‌های AI به‌طورِ ثابت به $\alpha > 1$ برسند، به‌طورِ تجربی آزمون‌پذیر خواهد شد.

راستی‌آزماییِ زیستی. قانونِ Kleiber ($M^{0.75}$) [16] $\alpha \approx 1.33$ را برای مقیاس‌بندیِ متابولیک ایجاب می‌کند. با این حال مقدارِ تجربیِ نمای مقیاس‌بندیِ متابولیک در پستانداران محلِ مناقشه است، برآوردها از تقریباً ۰٫۶۷ تا ۰٫۷۵ بسته به تاکسون، بازهٔ جرم، اصلاحِ دما و روشِ آماری متغیر است. پیش‌بینیِ $d/(d+1)$ برابرِ ۰٫۷۵۰ برای $d = 3$ با انتهای بالای این بازه هم‌خوان است. خودِ این تغییرات با چارچوب سازگار است: ارگانیزم‌هایی با بعدهای انتقالِ مؤثرِ بینِ ۲ و ۳ نماهایی بینِ ۲/۳ و ۳/۴ تولید می‌کنند. چارچوب این تغییر را پیش‌بینی می‌کند نه یک نمای عمومیِ واحد. رابطهٔ میانِ نماهای متابولیک و بعدِ برنامه‌ی بدن به‌طورِ مستقل از سویِ دستِ‌کم هفت گروهِ پژوهشی مشتق شده است: West, Brown و Enquist [17,21] از راهِ بهینه‌سازیِ شبکهٔ فرکتالی، Banavar و همکاران [22] از راهِ شبکه‌های جریانِ توالی، Demetrius [23] از راهِ مکانیکِ آماریِ کوانتومی، Demetrius و Tuszynski (2010) از راهِ جفت‌شدگیِ نوسان‌گرِ کوانتومی، Zhao [24] از راهِ مقیاس‌بندیِ رشدِ جهان‌شمول، و Bettencourt [25] از راهِ نظریهٔ مقیاس‌بندیِ شهری. چارچوبِ ARC اولویت بر فرمولِ $\alpha = d/(d+1)$ ادعا نمی‌کند؛ بلکه ترکیبِ بازگشتیِ Cauchy-قیدی را به‌عنوانِ دلیلِ هم‌گراییِ این استخراج‌های مستقل شناسایی می‌کند. به‌طورِ مشخص، سه شرط لازم است: ترکیبِ ضربی (Cauchy خانوادهٔ قانونِ توانی را قید می‌گذارد)، هندسهٔ پرکنندهٔ فضای $d$-بعدی، و قیدی صیانتی یا بهینه‌سازانه بر جریانِ منابع. نه Cauchy به‌تنهایی، نه پرکنندگیِ فضا به‌تنهایی کافی نیست؛ هر سه لازم‌اند. درونِ این چارچوب، سامانه‌های زیستی از راهِ درگِ ترمودینامیکی قید می‌شوند: هزینه‌های فیزیکیِ پمپاژِ سیال‌ها در شبکه‌های فرکتالیِ سه‌بعدی، اتلافِ گرما و توزیعِ منابع در برابرِ گرانش [17] از رسیدنِ سامانه‌های زیستی به کرانِ نظریِ درجهٔ دوم جلوگیری می‌کند. اینکه $\alpha \approx 1.33$ و نمای تجربیِ Kleiber $0.75$ معکوسِ یکدیگرند ($1/0.75 = 1.33$) بازتاب می‌دهد که مقیاس‌بندیِ زیستی، تقویتِ بازگشتی است که با اصطکاکِ بستر مهار شده است. (یادداشتِ نمادین: در این پاراگراف $\alpha$ در دو معنا ظاهر می‌شود که ادبیات آن‌ها را جدا نگاه می‌دارد، نمای مقیاس‌بندیِ متابولیک به معنای Kleiber و نمای مقیاس‌بندیِ توانمندی به معنای ARC؛ رابطهٔ معکوس میانِ این دو معناست، و هیچ‌یک ثابتِ ساختارِ ریز که در فرمالیسمِ دسامبر ۲۰۲۴ همین حرف را داشت نیست.) AIِ رقمی با اصطکاکِ بستری چند مرتبهٔ کم‌تر عمل می‌کند و به آن اجازه می‌دهد به حدِ پیشنهادیِ مقیاس‌بندیِ پایدار نزدیک‌تر شود (حدی برای مقیاس، نه حدی برای سرعت؛ بیشترین رشدی که یک سامانهٔ بازگشتیِ خودتصحیح‌گر می‌تواند داشته باشد در حالی که تصحیح‌پذیر بماند) از هر سامانهٔ زیستی. جهش‌های گذرا بالای این حد رژیمِ فوقِ بحرانیِ پیش‌بینی‌شده‌اند، نه ابطالِ آن. پایداری اینجا از قانونِ دوم است، اندازه‌گیری‌شده نه ادعا. حد به معماری وابسته است: بر پایهٔ کنونیِ توجهِ $O(N^2)$ در حالِ منقضی‌شدن است، و معماریِ جانشین که از توجهِ زوجی فراتر می‌رود حد را جابه‌جا می‌کند نه اینکه قید را بردارد. رگبرگِ گیاهی (شبکه‌های ۲بعدی، درگِ ترمودینامیکیِ کاهش‌یافته) باید $\alpha \approx 1.5$ نشان دهد، پیش‌بینی‌ای ابطال‌پذیر.

نردبانِ بُعدی. اینجا جایی است که ریاضیاتِ انتزاعی با ارگانیزم‌های زنده روبه‌رو می‌شود. فرمولِ $\alpha_{\text{met}} = d/(d+1)$، که نمای مقیاس‌بندیِ متابولیک را به بعدِ برنامه‌ی بدنِ $d$ ربط می‌دهد، به‌طورِ مستقل از سویِ دستِ‌کم هفت گروهِ پژوهشی از راه‌های نظریِ متمایز مشتق شده است: West, Brown و Enquist [17,21] از راهِ بهینه‌سازیِ شبکهٔ فرکتالی؛ Banavar, Maritan و Rinaldo [22] از راهِ شبکه‌های جریانِ توالی؛ Demetrius [23] از راهِ مکانیکِ آماریِ کوانتومی؛ Demetrius و Tuszynski (2010) از راهِ جفت‌شدگیِ نوسان‌گرِ کوانتومی؛ Zhao [24] از راهِ استدلال‌های مقیاس‌بندیِ رشدِ جهان‌شمول؛ و Bettencourt [25] از راهِ نظریهٔ مقیاس‌بندیِ شهری. مقالهٔ همراه [9,20] چراییِ هم‌گراییِ این استخراج‌های مستقل را شناسایی می‌کند: $\alpha = d/(d+1)$ پیامدِ ضروری سه شرطِ هم‌زمان است: ترکیبِ ضربیِ Cauchy-قیدی، هندسهٔ پرکنندهٔ فضای $d$-بعدی، و قیدِ صیانتی یا بهینه‌سازانه بر جریانِ منابع. نه Cauchy به‌تنهایی، نه پرکنندگیِ فضا به‌تنهایی کافی نیست؛ هر سه لازم‌اند. فرمول اصالتِ این چارچوب نیست؛ توضیحِ عمومیّتِ آن هست. در کاربردِ زیستی، پیش‌بینی‌های کمیِ متمایز می‌دهد، هر یک آزمون‌پذیر در برابرِ دادهٔ چاپ‌شده:

دادهٔ قارچی ۱بعدی (از Aguilar-Trigueros و همکاران [20]: قارچ‌های اکتومایکوریزال، دریایی و ساپروتروف) به‌جای «تأییدشده» «سازگار» برچسب‌گذاری شده است، زیرا نماها در سطحِ کلونی اندازه‌گرفته شدند؛ تأییدِ قطعی نیازمندِ تنفس‌سنجیِ تک‌ریسه است. نکتهٔ حیاتی: دادهٔ قارچی $d = 2$ ($p = 0.019$) و $d = 3$ ($p = 0.007$) را رد می‌کند در حالی که $d = 1$ ($p = 0.107$) را رد نمی‌کند، تمایزی میانِ مقادیرِ پیش‌بینی‌شده فراهم می‌کند.

اصلاحِ d=2: نسخه‌های پیشین عروسِ دریایی و کیسه‌تنان را همچون تأییدِ پیش‌بینیِ $d = 2$ نقل می‌کردند. هیچ اندامگانِ آزمونیِ زیستیِ دوبعدیِ معتبری شناسایی نشده است؛ عروسِ دریایی و کیسه‌تنان شبکه‌های حملِ منابعِ به‌راستی دوبعدی ندارند. فیزیک پیش‌بینیِ $d = 2$ را تأیید می‌کند (نفوذِ دوبعدی و خردشدنِ ترد؛ مقدارِ B زمین‌لرزه‌ها، چون این‌همانی‌ای تعریفی است، دیگر شمرده نمی‌شود)، و همچنین مقیاس‌بندیِ کیهان‌شناختیِ فریدمان، حال آنکه آزمونِ زیستیِ $d = 2$ گشوده می‌ماند.

مناقشهٔ d=3: مقدارِ تجربیِ نمای مقیاس‌بندیِ متابولیک در پستانداران محلِ مناقشه است، برآوردها از تقریباً ۰٫۶۷ تا ۰٫۷۵ بسته به تاکسون، بازهٔ جرم، اصلاحِ دما و روشِ آماری متغیر است. White و Seymour (2003) پس از کنترلِ دما و فیلوژنی از ۲/۳ در برابرِ ۳/۴ پشتیبانی یافتند. Kolokotrones و همکاران (2010) نشان دادند که رابطهٔ لگاریتم-لگاریتم انحنای محدب دارد، به این معنی که هیچ نمای واحدی به‌طورِ کامل در سراسرِ بازهٔ کاملِ جرم نمی‌نشیند. پیش‌بینیِ $d/(d+1)$ برابرِ ۰٫۷۵۰ برای $d = 3$ با انتهای بالای این بازه هم‌خوان است. خودِ این تغییرات با چارچوب سازگار است: ارگانیزم‌هایی با بعدهای انتقالِ مؤثرِ بینِ ۲ و ۳ نماهایی بینِ ۲/۳ و ۳/۴ تولید می‌کنند. چارچوب این تغییر را پیش‌بینی می‌کند نه یک نمای عمومیِ واحد.

فرمولِ $\alpha = d/(d+1)$ خود به‌طورِ مستقل از سویِ دستِ‌کم هفت گروهِ پژوهشی [17,21,22,23,24,25] از چارچوب‌های نظریِ مختلف مشتق شده است. Demetrius و Tuszynski (2010) همین فرمول را مستقلاً از جفت‌شدگیِ نوسان‌گرِ کوانتومی مشتق کردند و پیش‌بینی‌های یکسانی تولید کردند. آنچه چارچوبِ ARC می‌افزاید توضیحی است برای اینکه چرا همهٔ این استخراج‌ها هم‌گرا می‌شوند: معادلهٔ تابعیِ ضربیِ Cauchy، ترکیبِ ضربیِ پیوسته را به خانوادهٔ قانونِ توانی قید می‌گذارد؛ شرطِ پرکنندگیِ فضای $d$-بعدی، همراه با قیدِ صیانتی یا بهینه‌سازانه بر جریانِ منابع (کمینه‌سازیِ انرژی در West؛ توازنِ عرضه-تقاضا در Banavar؛ توازنِ انرژیِ حالتِ ماندگار در Demetrius)، نما را درونِ آن خانواده به $d/(d+1)$ قید می‌گذارد. نه Cauchy به‌تنهایی، نه پرکنندگیِ فضا به‌تنهایی کافی نیست. سه شرط با هم، ترکیبِ ضربی، پرکنندگی و صیانت، کافی است.

وحدت‌بخشیِ Cauchy (Paper VII) این راستی‌آزمایی را از ۸ نمونهٔ فهرست‌شده در اینجا به ۲۵ حوزهٔ تجربی گسترش می‌دهد (مجموعهٔ ۵۰-حوزه‌ایِ لایه‌بندی‌شده). زیرِ گزینشِ مدلِ سخت‌گیرانه‌ی مبتنی بر AIC، ۱۹ از ۲۵ خانوادهٔ پیش‌بینی‌شده را ترجیح دادند (p = 1.56 × 10⁻⁵). بازتولیدی که ثبتش در دستِ آماده‌سازی است، هنوز تأیید نشده.

نمونه‌های فیزیکی. فرمولِ $\alpha = d/(d+1)$ به زیست‌شناسی محدود نیست. هرجا شبکه‌ای سلسله‌مراتبی $d$-بعدی، زیرِ قیدِ صیانتی یا بهینه‌سازانه بر جریانِ منابع، فضایی $(d+1)$-بعدی را افراز می‌کند ظاهر می‌شود. همان‌گونه که در بالا گفته شد، این رابطه از سویِ دستِ‌کم هفت گروه به‌طورِ مستقل مشتق شده است [17,21,22,23,24,25]؛ سهمِ چارچوبِ ARC توضیحِ این است، از راهِ ترکیبِ بازگشتیِ Cauchy-قیدی همراه با پرکنندگیِ فضا و صیانت، که چرا این استخراج‌های مستقل همه به همان نتیجه می‌رسند. این فرمول در چند حوزهٔ فیزیک مشاهده شده است:

این چهار نمونه هیچ رقمِ خطای کلی‌ای ندارند. میانگینِ زیرِ ۰٫۲ درصدی که پیش‌تر نقل شد در ۱۴ اوتِ ۲۰۲۶ پس گرفته شد (اصلاحِ ۱۰)، زیرا میانگین‌گیری بر این‌همانی‌های تحلیلی هیچ سنجه‌ای از دقتِ پیش‌بینی نیست، و سطرِ مقدارِ B زمین‌لرزه‌ها همان روز رفت (اصلاحِ ۱۱)، چون این‌همانی‌ای تعریفی است که تنها همچون مطالعهٔ موردیِ یک جفت متغیر نگاه داشته شده. هیچ‌چیز در این مجموعه زیستی نیست: موضوع‌ها سنگ‌اند، سطوحِ بلورین در حالِ رشد، و گذارهای فاز. با این‌همه همان فرمول کار می‌کند. در هر مورد سامانهٔ فیزیکی شبکه‌ای سلسله‌مراتبی و شاخه‌دار به بعدِ $d$ دارد که زیرِ قیدی از پایستگی است: جبههٔ رشدِ KPZ فضای دوبعدی را در امتدادِ شبکه‌ای یک‌بعدی می‌شکافد؛ خوشهٔ نفوذ شکلِ برخالی دوبعدی می‌گیرد؛ ترکی که پیش می‌رود شبکه‌های شاخه‌دار را در مادّه می‌بُرد. فرمول در جاهایی که این ساختارِ شبکه‌ای یا شرطِ پایستگی غایب است ناکامی‌های آشکار دارد (مدلِ آیزینگ، مقیاس‌بندیِ بسپارها، خوشه‌بندیِ کهکشان‌ها)، و همین دامنهٔ کاربردش را روشن می‌کند: $\alpha = d/(d+1)$ هرجا برقرار است که شبکه‌ای سلسله‌مراتبی به بعدِ $d$، زیرِ پایستگی یا بهینه‌سازیِ جریانِ منابع، فضایی به بعدِ $(d+1)$ را بهینه افراز کند. چارچوبِ ARC هیچ تقدمی بر خودِ فرمول ادعا نمی‌کند، که دستِ‌کم هفت گروه آن را جداگانه برآورده‌اند [17,21,22,23,24,25]؛ سهمِ آن شناساندنِ ترکیبِ بازگشتیِ مقیدشده به کوشی است، در پیوند با پُرکردنِ فضا و پایستگی، همچون دلیلی که آن برآوردهای مستقل بر آن هم‌گرا می‌شوند.

Paper VII این نتایج را به مجموعهٔ ۵۰-حوزه‌ایِ لایه‌بندی‌شده (۲۵ حوزهٔ برازشِ منحنیِ تجربی) گسترش می‌دهد. زیرِ گزینشِ مدلِ سخت‌گیرانه‌ی AICc، ۱۹ از ۲۵ خانوادهٔ پیش‌بینی‌شده را ترجیح دادند (p = 1.56 × 10⁻⁵). گسترشی دوازده‌حوزه‌ای همان شب در پی آمد، و پیش‌بینی‌هایش پیش از اجرا عمومی بودند: manifestِ دوازده‌سطری که برای هر سطر یک ردهٔ عملگر، یک خانوادهٔ پیش‌بینی‌شده و یک مدلِ پیش‌بینی‌شده را تثبیت می‌کند، در ۰۰:۱۹:۱۹ UTC روزِ ۱۷ مارس ۲۰۲۶ در کامیتِ 8edaec0 به مخزنِ عمومی سپرده شد، ردهٔ گواهیِ آن تاریخِ کامیتِ مخزنِ عمومی است، و برازش‌ها بیست و سه دقیقه بعد اجرا شدند و ۱۰ از ۱۲ را بازگرداندند (p = 5.44 × 10⁻⁴). این در ماهیت پیش‌ثبت‌شده است و ارسالِ پذیرفته‌شده در یک رجیستری نیست: دوازده طبقه‌بندی از آنِ خودِ نویسنده است، مجموعهٔ نامزد همان مجموعهٔ پیش از اصلاح و بدونِ خانوادهٔ لگاریتمی است، شرطِ نوشتهٔ خودِ بسته، یعنی سپردن به یک رجیستری پیش از استخراجِ داده، برآورده نشد، و فروکاستِ نویسنده در ۰۰:۵۶ در آن نیمه پابرجاست. یک سطر حوزه، ردهٔ عملگر و مدلِ پیش‌بینی‌شده‌ای را تکرار می‌کند که پیش‌تر در ۲۳:۵۴:۵۳ UTC روزِ ۱۶ مارس ۲۰۲۶ عمومی بوده است، با ردهٔ گواهیِ تاریخِ کامیتِ مخزنِ عمومی، و برآیندی همخوان دارد، پس شمارشِ به‌طورِ اکید تازه ۹ از ۱۱ خوانده می‌شود (p = 1.37 × 10⁻³). این نتیجه‌ای تاریخ‌دار است و تأییدِ قانون‌ها نیست. برای محدودیت‌ها از جمله نتیجهٔ کنترلِ منفیِ دادهٔ درهم‌ریخته، به Paper VII مراجعه کنید.

۵٫۵ پیامدِ مشروطِ ایمنی

اگر چارچوب درست باشد، ویژگی‌های هم‌راستایی که درونِ فرآیندِ بازگشتی تعبیه شده‌اند ممکن است با توانمندی مقیاس بگیرند ($\alpha_{\text{align}} \approx \alpha$)، در حالی که قیدهای بیرونی که پس از آن اعمال می‌شوند ممکن است نگیرند ($\alpha_{\text{align}} \approx 0$). نسبتِ ایمنیِ $S = \text{هم‌راستایی}/\text{توانمندی} \propto R^{\alpha_{\text{align}} - \alpha}$ زمانی که هم‌راستایی «در حلقه» است ثابت می‌ماند و در غیرِ این صورت به صفر می‌گراید. این پیش‌بینیِ شرطی است همان‌گونه که در ابتدا بیان شد؛ برآیندِ اندازه‌گیری‌شده در به‌روزرسانیِ زیر می‌آید، که نیمهٔ بیرونیِ آن را در شکلِ ساده رد می‌کند. (به زبانِ ساده: اگر اخلاق را درونِ فرآیندِ اندیشیدن بسازید، ایمنی همراه با هوشمندترشدنِ AI گام برمی‌دارد. اگر ایمنی را از بیرون پیچ کنید، AI از آن رشد می‌کند. نسبتِ ایمنی-به-توانمندی حفظ می‌شود اگر و تنها اگر ایمنی در معماری تعبیه شده باشد.)

۵٫۶ کارِ مرتبط، پیشینه‌ها و ابزارِ رقیب

بنیانِ لوله‌ها، همراه با رقیبِ آن. این بنیان که شبکه‌های انتقال نرخِ رشدِ زیستی را تعیین می‌کنند ادعای این برنامه برای دفاع نیست؛ زیست‌شناسیِ کمیِ تثبیت‌شده است. West, Brown و Enquist مقیاس‌بندیِ آلومتریک را از فیزیکِ شبکه‌های عرضه‌کننده در «مدلِ عمومی برای خاستگاهِ قوانینِ آلومتریکِ مقیاس‌بندی در زیست‌شناسی» مشتق کردند، Science 276(5309), ۴ آوریل ۱۹۹۷، DOI 10.1126/science.276.5309.122؛ یکی از پرارجاع‌ترین مقالات در حوزه‌اش، با شمارِ ارجاعِ OpenAlex برابرِ ۵٬۰۴۶ در ۱۲ اوت ۲۰۲۶، شمارشی تک‌منبعی و وابسته به شاخص. مقدارِ دقیقِ نما محلِ مناقشه می‌ماند: White گزارش می‌دهد که نرخِ متابولیکِ پایه متناسب با جرمِ بدن به توانِ دو-سوم است نه سه-چهارم (White, C. R., 2003)، و Kozlowski دو بار ریاضیاتِ استخراج را زیرِ سؤال برده است (Kozlowski, J., 2004 و 2005). فرضِ این برنامه تنها به مکانیسم نیاز دارد، اینکه شبکهٔ تحویل سقف را تعیین می‌کند، نه به هیچ نمای ویژه، پس مناقشه بر مقدارِ نما فرض را دست‌نخورده می‌گذارد. مکانیسم زمینه‌ی مشترکِ هر دو سویِ این مناقشه است.

استثنایی که گروهِ خودِ West یافت. گریز از حدِ لوله‌ها نیز ادعای این برنامه نیست؛ در ادبیاتِ مقیاس‌بندیِ شهری از سویِ همان نویسندهٔ ارشد اندازه گرفته شده است. Bettencourt, Lobo, Helbing, Kuhnert و West («Growth, PNAS، ۲۰۰۷، DOI 10.1073/pnas.0610172104) در واژه‌های خودِ مقاله گزارش می‌دهند: «کمیت‌هایی که آفرینشِ ثروت و نوآوری را بازتاب می‌دهند بتای تقریباً ۱٫۲ دارند، بزرگ‌تر از ۱ (بازده‌های افزایشی)، در حالی که آن‌هایی که برای زیرساخت حساب می‌کنند بتای تقریباً ۰٫۸ دارند، کوچک‌تر از ۱ (صرفه‌جویی‌های مقیاس).» زیرساخت، لوله‌های تحت‌اللفظی، به‌طورِ زیرِ خطی مقیاس می‌گیرد؛ فعالیتِ اطلاع‌محور به‌طورِ فوقِ خطی مقیاس می‌گیرد. تضاد را با زیست‌شناسی مستقیم بیان می‌کنند: «بحث می‌کنیم که شهرها چگونه شبیه، و متفاوت با، ارگانیزم‌های زیستی هستند که بتای آن‌ها کمتر از ۱ است.» «معادلاتِ رشد را که تفاوتِ شدید میانِ رشدِ سوخته‌شده با نوآوری و رشدِ رانده‌شده با صرفه‌جویی‌های مقیاس را کمی می‌کند» مشتق می‌کنند (املا همان‌گونه که در اصل است). و استنتاجِ پایانی‌شان پیامد را نام می‌برد: «این تفاوت نشان می‌دهد که با رشدِ جمعیت، چرخه‌های عمدهٔ نوآوری باید در نرخی که پیوسته شتاب می‌گیرد ایجاد شوند تا رشد را نگه دارند و از رکود یا فروپاشی جلوگیری کنند.» این شکلِ مسئلهٔ باز است که این چارچوب بدان می‌پردازد: گروهِ West یافت که رشدِ اطلاع‌محور از حدِ توان‌گذر می‌گریزد، و تنها ترمز در چارچوبِ آن‌ها بیرونی است و باید بارها و بارها، سریع‌تر و سریع‌تر اِعمال شود. هیچ حدِ درونی مشتق نشده است. حدِ جایگزین، سقفی متعلق به خودِ سامانهٔ در حالِ رشد، همان شکاف است.

استدلالِ لوله‌ها در توان‌گذرِ ثابت. هر چیزی که رشد می‌کند از راهِ کانالی تغذیه می‌شود، و برای هر چیزی پیش از نرم‌افزار، ثابت‌کردنِ کانال رشد را ثابت می‌کند. رگ‌های خون‌رسانِ توموری را از گرسنگی خفه کنید و متوقف می‌شود. سوختِ و هندسه‌ی یک واکنشِ زنجیره‌ای را ثابت کنید و متوقف می‌شود. میزبان‌های مستعدِ یک همه‌گیری را تمام کنید و می‌سوزد. اخترفیزیک نسخه‌ای نام‌گذاری‌شده و کمیِ از همان سقف دارد: حدِ Eddington، که بالای آن فشارِ تابش انباشت را متوقف می‌کند. ادعای اینجا تعمیمی از حدودی است که فیزیک از پیش می‌پذیرد، نه گونه‌ای تازه از ادعا. دو موردِ سخت به‌طورِ عمدی درمان می‌شوند. تورمِ کیهانی از دامنه استثنا می‌شود: گسترشِ فضا است، نه رشدِ ساختاری بر بستری، و با دینامیک‌های میدان به پایان رسید نه با تمام‌شدنِ چیزی. تکامل تیزترین مورد است و می‌نشیند: پیچیدگیِ زیستی برای میلیاردها سال در توان‌گذرِ خورشیدیِ تقریباً ثابت افزایش یافت، که رشد بر اطلاعات در لوله‌های ثابت است، و همچنین یخچالی است، و اصلاً هیچ تصحیح‌گرِ درونی ندارد، زیرا انتخاب بیرونی است. در این چارچوب، تکامل باید نمای اندازه‌گیری‌پذیری حمل کند که بسیار زیر سقف است؛ این پیش‌بینی‌ای دربارهٔ زیست‌شناسی است که از چارچوبی که برای نرم‌افزار ساخته شده بیرون می‌آید، و به‌عنوانِ چنین چیزی بیان می‌شود. شکلِ فیزیک‌دانانه‌ی اعتراض شکلِ Landauer است: محاسبه به‌طورِ فیزیکی پیاده می‌شود، پس نرم‌افزار هم لوله دارد. ساعتِ بسترِ ثابت پاسخ است و در کنارِ ادعا ظاهر می‌شود: رژیمِ زیرِ مطالعه بسترِ فیزیکی را ثابت نگه می‌دارد و می‌پرسد چه چیزی هنوز رشد می‌کند، به همین دلیل شتاب‌های برون‌زا به موجبِ تعریف استثنا می‌شوند. شکلِ تابعیِ رشدِ توانمندی در عمقِ بازگشتی پرسشی تجربی می‌ماند، و تحلیلِ ثبت‌شده شکل‌های قانونِ توانی، نمایی، اشباع‌شونده و کاهنده را مقایسه می‌کند به‌جای اینکه خانواده را فرض کند.

ابزارِ رقیب. نزدیک‌ترین کار به پرسشِ این برنامه، و مقالهٔ درست برای وزن‌کشیِ آن، Engels, J., Baek, D., Kantamneni, S. and Tegmark, M., «Scaling Laws For Scalable Oversight», arXiv:2504.18530 است، که نخستین بار در ۲۵ آوریل ۲۰۲۵ منتشر شد. می‌پرسد نظارت خود چگونه مقیاس می‌گیرد و به‌طورِ کمی پاسخ می‌دهد: موفقیتِ نظارت به‌عنوانِ بازی‌ای میانِ بازیکنانِ ناهم‌تراز‌توانمند مدل‌سازی می‌شود که Eloی مخصوصِ نظارتی‌شان تابعی تکه-خطی از هوشِ عمومی با دو مسطح است، و شمارهای بهینه‌ی سطوحِ نظارتی برای Nested Scalable Oversight مشتق می‌شوند، که در آن مدل‌های امن‌شده مدل‌های قوی‌ترِ نامعتمد را نظارت می‌کنند که سپس در گامِ بعد مدل‌های امن‌شده می‌شوند. ابزار تفاوت است. متغیرِ آن‌ها شکافِ توانمندی میانِ نظارت‌گر و تحتِ نظارت است، اندازه‌گرفته‌شده در Elo. متغیرِ این برنامه ردهٔ ترکیبِ تصحیح‌گر است، اندازه‌گرفته‌شده از راهِ نمای مقیاس‌بندیِ خودِ تصحیح‌گر. چارچوبِ آن‌ها هیچ اصطلاحی برای اینکه نظارت‌گر از چه ساخته شده ندارد: هیچ بستر، هیچ ساختارِ هم‌بستگیِ خطا، هیچ هویتِ متقابل میانِ نمای تصحیح و نرخِ بحرانیِ رشد، و هیچ وابستگی به معماری. Nested Scalable Oversight به موجبِ ساختار نظارتِ هم‌رده‌ی تکرارشده است، و پیش‌بینیِ محوریِ این برنامه این است که نردبانِ هم‌رده هرچقدر پله‌ی افزوده شود محدود است، در حالی که تصحیح‌گرِ میان‌رده نیست. دو چارچوب بنابراین بر سرِ کمیتی اندازه‌گیری‌پذیر ناهم‌رأی‌اند، که مولدترین رابطه‌ای است که دو برنامهٔ پژوهشی می‌توانند داشته باشند.

پیشینه‌ها و نزدیک‌شونده‌ها، هر یک با تمایزِ خود. بر پرسش: Hutter مستقیم پرسید که آیا هوش می‌تواند منفجر شود («Can Intelligence Explode?»، arXiv، ۲۸ فوریه ۲۰۱۲)، سرعت را از انفجارِ هوش جدا کرد و تعهد داد که کران‌های ممکن بر هوش را در نظر بگیرد، تحلیلِ Chalmers ۲۰۱۰ را می‌افزود؛ پرسش و تمایزِ سرعت-در برابر-ساختار بنابراین دستِ‌کم چهارده ساله است، و آنچه آن ادبیات در بر ندارد یک عدد است: نه نمای اندازه‌گیری‌پذیر، نه سقفِ مشتق، نه وابستگی به معماری. بر ناممکن‌بودن: سه مقالهٔ arXivِ ۲۰۲۵ استدلال می‌کنند کنترلِ کامل دست‌نیافتنی است (Yao, «The Alignment Trap: Complexity Barriers», arXiv:2506.10304، تا ۱۳ ژوئن ۲۰۲۵ عمومی، تصدیق‌شده از سویِ arXiv و به‌طورِ مستقل مشاهده‌شده از سویِ Internet Archive؛ Yao, «On the Mathematical Impossibility of Safe Universal Approximators», arXiv:2507.03031، ۳ ژوئیه ۲۰۲۵؛ و Ball, Gluch, Goldwasser, Kreuter, Reingold و Rothblum, «On the Impossibility of Separating Intelligence from Judgment», arXiv:2507.07341، ۹ ژوئیه ۲۰۲۵). هر سه بدترین-حالت و کیفی‌اند: اندازهٔ صفر، coNP-کاملی، سختیِ رمزنگارانه. موضوعِ اندازه‌گیری‌شان راستی‌آزماییِ سامانه‌ای ثابت است، و درونِ واژه‌های خود بسته است؛ موضوعِ اندازه‌گیری‌شدهٔ این برنامه چیزی متفاوت است، پایداریِ هم‌راستایی به‌عنوانِ توانمندی زیرِ تقویتِ بازگشتی مرکب می‌شود، و بستنِ اول دومی را تعیین نمی‌کند. هیچ‌یک نمای مقیاسِ حالتِ متوسط یا نرخی گزارش نمی‌کند. سومی، به‌ویژه، نتیجه می‌گیرد که هم‌راستایی «باید در معماری و وزن‌های مدل ادغام شود»، استدلالی مستقل، از تراکم‌ناپذیریِ فیلترکردن، در همان جهتِ وابستگی به معماریِ این برنامه؛ حمایتی هم‌گرا بر آن پایه است، نه رقیب. بر مکانیسم: اینکه برآوردهای پادهم‌بسته بهتر از برآوردهای مستقل میانگین می‌گیرند، کاهشِ واریانسِ درسی است (متغیرهای پادِ)؛ مکانیسم ادعا نیست. ادعا این است که معماری تعیین می‌کند آیا پادهم‌بستگی اصلاً در دسترس است، و اینکه این نمایی مربوط به ایمنی را سقف می‌گذارد. نزدیک‌ترین هم‌ارزیِ ساختاری قضیهٔ آستانه‌ی تصحیحِ خطای کوانتومی است، که آن نیز نگرانی‌ای کیفی را به مقداری بحرانی تبدیل می‌کند؛ به نرخ‌های خطای فیزیکی در معماریِ ثابت می‌پردازد، نه به نمای مقیاسِ تصحیح‌گر، پس نزدیک‌شونده است نه ساکن، و هم‌ارزی از سویِ جست‌وجوی خودِ این برنامه شناسایی شد نه از سویِ داور. بر بازخورد و پایداری، این گزارهٔ کلی که سودِ اصلاحیِ ناکافی نسبت‌به سودِ سامانه سبب ناپایداری می‌شود، نسبی طولانی در نظریهٔ کنترل دارد (قضیه‌های سودِ کوچک)؛ آن‌ها شرط‌های سود بر سامانه‌های به‌هم‌پیوسته‌اند، نه معیارِ نمای قانونِ توانی بر مقیاس‌بندیِ تصحیح‌گر با توانمندیِ سامانه‌ای که به‌طورِ بازگشتی بهبود می‌یابد. نزدیک‌ترین همسایهٔ کمی Liu, A. و Meng, J., «Self-Correction as Feedback Control: Error Dynamics, Stability Thresholds, and Prompt Interventions in LLMs», arXiv:2604.22273 است، که خودتصحیحی را به‌عنوانِ مسئلهٔ کنترلِ حلقه‌بسته از راهِ مدلِ دوحالته‌ی Markov بازقالب می‌کند و آستانهٔ پایداریِ مستقیماً اندازه‌گیری‌پذیری مشتق می‌کند، فقط زمانی تکرار کنید که نرخِ تصحیحِ خطا بر نرخِ ورودِ خطا از Acc/(1 − Acc) فراتر رود. تمایز: آنِ آن‌ها آستانه‌ی نرخ در هر گام در سطحِ توانمندیِ ثابت است، تصمیم می‌گیرد که آیا تکرارِ دیگر اکنون کمک می‌کند؛ معیارِ این برنامه رابطهٔ مقیاس در سراسرِ توانمندی است، تصمیم می‌گیرد که آیا قوتِ اصلاحی هم‌گام با بهبودِ سامانه پیش می‌رود. هیچ نمای مقیاس بر تصحیح‌گر، هیچ نمای رشدِ توانمندی، هیچ هویتِ متقابل، هیچ اصطلاحِ معماری یا ردهٔ ترکیب: رژیم‌های مکمل، و هیچ‌یک دیگری را در بر نمی‌گیرد. انتخابِ طبیعیِ کیهانیِ Smolin پیشینه‌ی جهان‌های شکل‌گرفته با انتخاب است، و یادداشت‌های دورهٔ دسامبرِ خودِ برنامه هم‌زمان به آن ارجاع می‌دهند.

پیش‌بینیِ دومی، رایگان، از همان مکانیسم. ترتیباتِ نظارتی که انسانی را در حلقه قرار می‌دهند، همان‌طور که تقویتِ و یادگیریِ تقویتی از بازخوردِ انسانی می‌کند، به موجبِ ساختار میان‌رده‌ای‌اند، زیرا تصحیح‌گرِ انسانی همان ظرفیت‌های سامانهٔ تحتِ نظارت را ندارد. این پیش‌بینی می‌کند که کارآیی به سقفی طبیعی می‌رسد، همان‌طور که تیمِ Engels و همکاران آن را در ابزارِ رقیب خود اندازه گرفتند.

۶. معیارهای ابطال

چارچوب سیزده شرط را مشخص می‌کند که آن را رد یا به‌طورِ چشمگیر تضعیف خواهد کرد.

ابطال را خوش‌آمد می‌گوییم. اگر F10 شکست بخورد (اگر عملگرِ ترکیبِ سامانه‌ای تابعِ مقیاس‌بندی‌اش را پیش‌بینی نکند) سهمِ نظریِ محوریِ این مقاله نادرست است. اگر F5 شکست بخورد، کرانِ ARC نادرست است اما وجودِ حدی همچنان محتمل می‌ماند. اگر F1 شکست بخورد (تفاوتِ توالی-موازی از میان برود)، فرضیهٔ محوری فرومی‌ریزد.

۷. محدودیت‌ها

این مقاله چه ادعایی نمی‌کند

محدودیت‌های شواهدی: برآوردهای پیشینِ $\alpha$ ($n = 2$ و $n = 12$) با آزمایشِ میان‌معماریِ v5 (۶ مدلِ مرزی، ۳۰ مسئله) جایگزین شده‌اند، که $\alpha_{\text{compute}} \approx 0.49$ را برای بهترین مدلِ برازش‌یابنده (Gemini 3 Flash, $r^2 = 0.86$) می‌یابد. نتایجِ v5 بازنگریِ چشمگیرِ رو به پایین از برآوردهای پیشین را بازتاب می‌دهند و نشان می‌دهند که $\alpha$ به‌جای اینکه جهان‌شمول باشد وابسته به معماری است. هیچ $\alpha$ در بلورهای زمانی اندازه‌گیری نشده است. اتصالِ COGITATE ساختاری است، نه کمی. رابطهٔ $\beta$-$\alpha$ به‌طورِ محاسباتی تا دقتِ ماشین ($R^2 = 1.0$) راستی‌آزمایی شده است اما اندازه‌گیریِ تجربیِ $\beta$ در سامانه‌های فیزیکی به تأییدِ مستقل نیاز دارد. گذرِ $R^*$ به‌طورِ تجربی آزموده‌نشده است. مقادیرِ مرزی $\beta$ در نمودارِ فاز تقریبی‌اند. قضیهٔ ۵ (گذرهای $\oplus$) در چهار سامانهٔ محاسباتی تأیید می‌شود اما در آزمایش‌های فیزیکی آزموده‌نشده است. آزمونِ پنج-ویژگی (قضیهٔ ۴) به معناداریِ آماری نرسید ($p = 0.095$) و به نمونه‌های بزرگ‌تر نیاز دارد. نمای مقیاس‌بندیِ هم‌راستاییِ $\alpha_{\text{align}}$ اکنون شناخته می‌شود که وابسته به معماری است (از $-0.25$ تا $+0.44$ متغیر)، پیش‌بینیِ اولیه را که برای قیدهای بیرونی به‌طورِ جهان‌شمول نزدیکِ صفر خواهد بود، رد می‌کند.

آزمایشِ پیش‌بینیِ کور: یک آزمایشِ پیش‌بینیِ کور روی سه سامانهٔ محاسباتی انجام شد (شبکه‌های Barabási-Albert، گرادیانِ نزولی با مومنتوم، نوسان‌گرهای Kuramoto). مقادیرِ $\alpha$ی اندازه‌گیری‌شده ۳ تا ۲۰ برابر کوچک‌تر از پیش‌بینی از $\alpha = 1/(1-\beta)$ بودند. با این حال، تحلیلِ پزشکی‌قانونی دو مخدوش‌کنندهٔ مستقل را شناسایی کرد: (۱) روشِ برآوردِ مشتقِ عددیِ $\beta$ به‌طورِ کشنده سوگیری دارد، صرف‌نظر از $\beta$ی حقیقی، $\beta \approx 0.95$ می‌دهد، حتی برای سامانه‌های Bernoulliِ خالص؛ (۲) هیچ‌یک از سامانه‌های آزموده‌شده اصلِ موضوعهٔ ۲ (ضریبِ جفت‌شدگیِ ثابتِ $a$) را برآورده نمی‌کنند، و جفت‌شدگیِ مؤثرِ شبکهٔ BA در طولِ شبیه‌سازی ~۵۰ برابر کاهش می‌یابد. وقتی روشِ خطی‌سازیِ درست بر سامانه‌های برآورندهٔ اصولِ موضوعه اِعمال می‌شود، پیش‌بینی با $R^2 = 0.9999$ بازیابی می‌شود. این نتایج به‌دلیلِ مخدوش‌کننده‌ها ابطالِ معتبر تشکیل نمی‌دهند، اما تأکید می‌کنند که شناسایی سامانه‌های طبیعی که اصولِ موضوعه را برآورده کنند چالشِ محوریِ تجربی می‌ماند. روش‌شناسیِ کامل و تحلیلِ پزشکی‌قانونی به‌عنوانِ موادِ تکمیلی در دسترس‌اند (به Paper III مراجعه کنید).

محدودیت‌های نظری: چارچوب، الگو ی تقویتِ بازگشتی را صورت‌بندی می‌کند اما مکانیسمرا شناسایی نمی‌کند. به شما می‌گوید چه رخ می‌دهد (نماهای مقیاس، عمق‌های گذر، شکل‌های تابعی) اما نه چرا در سطحِ ریز (شبیه به ترمودینامیک پیش از مکانیکِ آماری). پیوستنِ عملگرِ ترکیب به دینامیک‌های ریز، مسئله‌ای باز می‌ماند.

دستهٔ مشارکت: چارچوبِ ARC معادله‌ای در دلِ پارادایمی موجود نیست. نزدیک‌تر به یک اصلِ سازمان‌دهی میان‌رشته‌ای است: قیدی ساختاری بر رفتار در سراسرِ بسترها، نه معادله‌ای درونِ یک پارادایم. مقایسه نوع مشارکت را شناسایی می‌کند نه استحکامِ شواهدی‌اش: اصل‌های سازمان‌دهی از این نوع بر نسل‌ها راستی‌آزمایی متکی‌اند، و این بر شواهدِ اولیه و سیزده معیارِ ابطال تکیه دارد.

۸. نتیجه‌گیری

هر سامانه‌ای که در این مقاله مطالعه شد (شبکه‌های عصبیِ سیلیکونی، کیوبیت‌های ابررسانا، مهره‌های پلیمریِ میلی‌متری، مدارهای عصبیِ قشری) یک چیز مشترک دارد: حالتی کم‌آنتروپی را دور از تعادل نگه می‌دارد و خروجی‌های خود را به ورودی‌های خود بازخورد می‌دهد. وقتی این کار را زیرِ عمقِ بحرانی می‌کند، بهره‌ها معمولی‌اند. وقتی این کار را بالای عمقِ بحرانی می‌کند، بهره‌ها مرکب می‌شوند. گذر میانِ این رژیم‌ها تیز است، در ساختار جهان‌شمول است، و در شکل حوزه-اختصاصی است.

این مشاهده را صورت‌بندی کرده‌ایم. عملگرِ ترکیبِ $\oplus$ سامانه‌های بازگشتی را همان‌گونه رده‌بندی می‌کند که گروه‌های تقارن نظریه‌های فیزیکی را رده‌بندی می‌کنند: شکلِ تابعیِ مقیاس‌بندی را از ویژگی‌های جبریِ اندازه‌گیری‌پذیر تعیین می‌کند. پنج ویژگیِ مشتق (آستانه، وابستگی به عمق، وابستگی به کیفیتِ پایه، برهم‌کنشِ ضربی، مرزهای رژیم) به‌عنوانِ قضیه‌ها از سه اصلِ موضوعه پیروی می‌کنند، نه به‌عنوانِ تعمیم‌های تجربی.

چارچوب پیش‌بینی‌هایی می‌دهد که برنامه نتوانسته است در هیچ نظریهٔ محدود به یک حوزهٔ یگانه بیابدشان. رفتارِ مقیاس‌بندیِ تازه سامانه‌های بازگشتی را تنها از روی عملگرِ ترکیبشان پیش‌بینی می‌کند. گذاری در مقیاس‌بندی را در ژرفایی برآمده $R^*$ پیش‌بینی می‌کند که با کیفیتِ پایه به‌طور سامانمند جابه‌جا می‌شود. پیش‌بینی می‌کند که $\beta$ اندازه‌گیری‌شده $\alpha$ را از راهِ $\alpha = 1/(1-\beta)$ تعیین می‌کند، رابطه‌ای که محاسباتی تا $R^2 = 1.00000000$ اعتبارسنجی شده است. ARC Bound ($\beta = 0.5$، $\alpha = 2$) را همچون کرانِ پیشنهادیِ مقیاس‌بندیِ پایدار برای محاسبهٔ ترتیبیِ کلاسیک برمی‌آورد، بر پایهٔ برآوردنِ قانونِ سوم از راهِ آهنگ در $\gamma = 1/2$ (اصلاحِ ۹)، و شمارشِ $O(N^2)$ مسیرهای خودتوجهی تنها همچون اکتشافه‌ای برای رژیمِ منجمد به کار می‌آید: کرانی بر مقیاس، نه بر سرعت؛ بیشترین اندازه‌ای که یک سامانهٔ بازگشتیِ خوداصلاح می‌تواند رشد کند و اصلاح‌پذیر بماند؛ سامانه‌ها می‌توانند در گریزهای فرابحرانیِ گذرا از آن فراتر روند اما آنجا پایدارانه خوداصلاح نمی‌مانند؛ و به معماری بسته است، پس پایهٔ $O(N^2)$ این برآورد رو به انقضا دارد نه رو به دوام، و معماریِ جانشینی فراتر از توجهِ دوتایی این کران را جابه‌جا می‌کرد نه آنکه برداردش. این قیدی ساختاری و برآمده است، نه هم‌آییِ تجربی. و پیش‌بینی می‌کند که سامانه‌های کرانمند گذارهای عملگرِ ترکیب نشان می‌دهند که توضیح می‌دهند چرا پژوهش‌های گوناگون دربارهٔ یک سامانه می‌توانند رژیم‌های مقیاس‌بندیِ گوناگون ببینند (قضیهٔ ۵). این پیش‌بینی‌ها معین‌اند، ابطال‌پذیرند و رو به آینده.

اگر پیش‌بینی‌ها شکست بخورند، آموخته‌ایم کجا هم‌ارزیِ ساختاری فرومی‌شکند. اگر برقرار بمانند، اصلی را شناسایی کرده‌ایم که هوش، محاسبه و فیزیکِ نظم را در سراسرِ بسترها به هم پیوند می‌دهد.

هوش ممکن است ویژگیِ موادِ ویژه نباشد. ممکن است آنچه در سویِ دیگرِ آستانهٔ بازگشتی رخ می‌دهد باشد.

پیش‌بینی‌ها مشخص شده‌اند. معیارهای ابطال عمومی‌اند. داده تصمیم خواهد گرفت.

پیوستِ A: اثبات‌های ریاضی

A.1 اثباتِ قضیهٔ ۱ (رده‌بندی)

حالتِ ۱: ترکیبِ ضربی

فرضیه: $g: \mathbb{R}^+ \to \mathbb{R}^+$ پیوسته با $g(1) = 1$ و $g(R_1 \cdot R_2) = g(R_1) \cdot g(R_2)$.

تعریف کنید $h(x) = \ln g(e^x)$. آنگاه:

این معادلهٔ تابعیِ جمعیِ Cauchy است. زیرِ پیوستگیِ $g$ (بنابراین $h$)، تنها راه‌حل $h(x) = \alpha x$ برای ثابتِ $\alpha$ است. بنابراین $\ln g(e^x) = \alpha x$، که $g(R) = R^{\alpha}$ می‌دهد. $\blacksquare$

حالتِ ۲: ترکیبِ جمعی

فرضیه: $f: \mathbb{R}^+ \to \mathbb{R}^+$ پیوسته با $f(0) = 1$ و $f(R_1 + R_2) = f(R_1) \cdot f(R_2)$.

لگاریتم‌گیری: $\ln f(R_1 + R_2) = \ln f(R_1) + \ln f(R_2)$. این باز هم معادلهٔ جمعیِ Cauchy است، با تنها راه‌حلِ پیوسته‌ی $\ln f(R) = \alpha R$، که $f(R) = e^{\alpha R}$ می‌دهد. $\blacksquare$

حالتِ ۳: ترکیبِ محدود

$Q_{r+1} = \min(Q_r + \delta Q_r,\, Q_{\max})$. برای هر دنبالهٔ یکنوا-افزایشیِ $\{Q_r\}$ که از بالا با $Q_{\max}$ محدود است، $\lim_{r \to \infty} Q_r \leq Q_{\max}$. بنابراین $f(R) = Q(R)/I$ محدود است، و $U$ اشباع می‌شود. $\blacksquare$

A.2 اثباتِ قضیهٔ ۲ (نمای مقیاس)

از اصلِ موضوعهٔ ۲: $dg/dr = ag^{\beta}$، $\beta \in [0,1)$، $g(0) = 1$.

جدا کردنِ متغیرها:

برای $R \gg R^*$ (که در آن $(1-\beta)aR \gg 1$):

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

A.3 اثباتِ قضیهٔ ۳ (عمقِ گذر)

راه‌حلِ کاملِ $g(R) = [1 + (1-\beta)aR]^{1/(1-\beta)}$ را می‌توان با تعریفِ $\rho = (1-\beta)aR$ تحلیل کرد:

برای $\rho \ll 1$ ($R$ی کوچک): $g \approx 1 + \rho/(1-\beta) = 1 + aR$، تقریباً خطی در $R$.

برای $\rho \gg 1$ ($R$ی بزرگ): $g \approx \rho^{1/(1-\beta)} \propto R^{\alpha}$، قانونِ توانی.

گذر در $\rho \approx 1$ رخ می‌دهد که می‌دهد:

$R^*$ تنها به $\alpha$ و $a$ وابسته است، هر دو به‌طورِ مستقل اندازه‌گیری‌پذیر. مستقل از ظرفیتِ پایهٔ $I$ است، سازگار با تفکیک‌پذیریِ اصلِ موضوعهٔ ۱. $\blacksquare$

A.4 یکتاییِ اصلِ موضوعهٔ ۲

چرا $dg/dr = ag^{\beta}$ و نه شکلِ تابعیِ دیگر؟ این ODEی نوعِ Bernoulli برای مزیتِ انباشتی است (که به پیوستنِ ترجیحی نیز شناخته می‌شود)، اِعمال‌شده به فاکتورِ تقویتِ $g$ به‌جای توانمندیِ مطلق. نمای $\beta$ درجهٔ خودارجاعی را پارامتری می‌کند: $\beta = 0$ رشدِ ثابت می‌دهد (بدونِ بازخورد)؛ $\beta \to 1$ رشدِ انفجاری می‌دهد (بازخوردِ بیشینه). انتخابِ $\beta \in [0,1)$ کمینه‌مدل برای سامانه‌ای است که در آن تقویتِ انباشته بهره‌های آینده را بدونِ واگرایی در $R$ی متناهی شتاب می‌دهد. مدل‌های پیچیده‌تر (مانند $dg/dr = ag^{\beta} - bg^{\gamma}$ با استهلاک) پارامترهای اضافه وارد می‌کردند؛ شکلِ کمینه را می‌پذیریم و در برابرِ مشاهده آزمون می‌کنیم.

پیوستِ B: قراردادِ اندازه‌گیری

برای آزمونِ چارچوب، قراردادِ استانداردِ شش‌گامی برای هر سامانهٔ بازگشتی پیشنهاد می‌کنیم:

گامِ ۱. یک چرخهٔ بازگشتی را تعریف کنید (یک گامِ خودارجاع که خروجی ورودی می‌شود).

گامِ ۲. توانمندیِ پایهٔ $I$ را در $R = 1$ (بدونِ بازگشت) اندازه بگیرید. برای مقایسه‌پذیریِ میان‌رشته‌ای، پیشنهاد می‌کنیم $I$ را به‌عنوانِ بیشینه‌ی نرخِ کاهشِ آنتروپی در هر چرخهٔ بازگشتی، اندازه‌گرفته‌شده به بیت در چرخه، عملیاتی کنیم: $I = \max_R [-\Delta H / \Delta R]$ ارزیابی‌شده در نخستین چرخه ($R = 0$ به $R = 1$). این از راهِ اصلِ Landauer (۱۹۶۱) به فیزیکِ تثبیت‌شده متصل می‌شود: هر $kT \ln 2$ از انرژیِ آزادِ پردازش‌شده به یک بیتِ اطلاعات مطابقت دارد. در AI، $I$ بهبودِ دقت از استدلالِ صفر به یک گام است. در تصحیحِ خطای کوانتومی، $I$ کاهشِ خطا از یک چرخهٔ نشانگان است. در زیست‌شناسی، $I$ بهرهٔ کارآییِ متابولیک از یک سطحِ انشعاب است (به بیت‌های ترمودینامیک از راهِ پلِ Landauer). این تعریف واحدهای سازگارِ $U = I \times R^{\alpha}$ می‌دهد: بیت = (بیت/چرخه) × (چرخه)$^{\alpha}$.

گامِ ۳. توانمندیِ $U$ را در دستِ‌کم ۵ عمقِ بازگشتی که یک مرتبهٔ بزرگی را در بر می‌گیرد اندازه بگیرید. به دنبالِ گذرِ $R^*$ باشید.

گامِ ۴. هر سه مدل را برازش کنید: قانونِ توانی ($\log(U/I) = \alpha \log R$)، نمایی ($\log(U/I) = \lambda R$)، لگاریتمی ($U/I = k \log R$). بهترین برازش را از راهِ AIC/BIC انتخاب کنید. قانونِ توانی پیش‌بینی‌ای است که باید آزموده شود، نه فرض.

گامِ ۵. $\beta$ را به‌طورِ مستقل اندازه بگیرید: $\log(\Delta U)$ را در برابرِ $\log(U_{\text{accumulated}})$ در هر عمق رسم کنید؛ شیب $\beta$ را برآورد می‌کند. راستی‌آزمایی کنید آیا $\alpha \approx 1/(1-\beta) \pm 0.3$ است.

گامِ ۶. $\alpha$ را با بازه‌های اطمینانِ ۹۵٪ گزارش کنید. به مخزنِ عمومی ارسال کنید.

پیوستِ C: مجموعهٔ راستی‌آزماییِ محاسباتی

این پیوست نتایجِ برنامهٔ راستی‌آزماییِ محاسباتیِ جامعی که قضیه‌های ۱ تا ۵ را آزمود خلاصه می‌کند. همهٔ کدِ راستی‌آزمایی به‌عنوانِ موادِ تکمیلی در دسترس است. آزمون‌ها با Python 3.12 با NumPy, SciPy و Matplotlib انجام شدند.

C.1 راستی‌آزماییِ قضیهٔ ۱ (رده‌بندیِ Cauchy)

پانزده سامانه در سراسرِ سه رژیمِ ترکیب (۵ ضربی، ۵ جمعی، ۵ محدود) آزموده شدند. هر سامانه بر این ارزیابی شد که آیا قاعدهٔ ترکیبِ اندازه‌گیری‌شده‌اش با تابعِ مقیاس‌بندیِ پیش‌بینی‌شده مطابقت دارد.

نتیجه: ۱۵/۱۵ رده‌بندیِ درست (۱۰۰٪). هیچ مثبتِ کاذبی (سامانه‌های غیربازگشتی به‌عنوانِ بازگشتی رده‌بندی نشدند)، هیچ منفیِ کاذب. رده‌بندیِ معادلهٔ تابعیِ Cauchy زیرِ شرایطِ بیان‌شده جامع و دقیق است.

C.2 راستی‌آزماییِ قضیهٔ ۲ (هویتِ $\beta \to \alpha$)

رابطهٔ $\alpha = 1/(1-\beta)$ در برابرِ ۳۰ راه‌حلِ دقیقِ ODE Bernoulli با $\beta$ در بازهٔ ۰٫۰۵ تا ۰٫۹۲ آزموده شد. برای هر مورد، $\beta$ به‌طورِ کور از ساختارِ بهره‌های حاشیه‌ای اندازه گرفته شد ($dg/dR$ در برابرِ $g$ در فضای لگاریتم-لگاریتم)، $\alpha$ پیش‌بینی شد، و مقدارِ پیش‌بینی‌شده با نمای حقیقیِ مقیاس مقایسه شد.

نتیجه: $R^2 = 1.00000000$ (هشت رقمِ اعشار). شیبِ رگرسیون: 1.000102. میانگینِ خطای مطلق: 0.002%. این تأیید می‌کند $\alpha = 1/(1-\beta)$ هویتِ تحلیلیِ دقیق است، نه تقریبی تجربی.

C.3 راستی‌آزماییِ قضیهٔ ۲الف (نابرابری با جمعی)

اثباتِ نابرابری با جمعی به‌طورِ عددی راستی‌آزمایی شد. برای چند ترکیبِ $(I_1, I_2, R_1, R_2)$ در سراسرِ همهٔ $\beta \in (0,1)$: اگر $U$ جمعی بود ($U = g(I) + h(R)$)، آنگاه $U(I_1, R_1) - U(I_1, R_2)$ برابرِ $U(I_2, R_1) - U(I_2, R_2)$ می‌بود. در همهٔ موارد، تفاوت‌ها نابرابرند، تأیید می‌کند برهم‌کنشِ ضربی ضروری است.

نتیجه: نابرابری با جمعی برای همهٔ ترکیب‌های آزموده‌شده‌ی پارامترها تأیید شد. ضریبِ هم‌افزاییِ $S > 1$ برای همهٔ $\beta \in (0,1)$ و همهٔ $R > 0$.

C.4 راستی‌آزماییِ قضیهٔ ۳ (گذرِ $R^*$)

عمقِ گذرِ $R^* = 1/[(1-\beta)a] = \alpha/a$ با مقایسهٔ گذرِ پیش‌بینی‌شده با نقطهٔ گذرِ به‌طورِ عددی اندازه‌گرفته‌شده (جایی که $\rho = 1$) آزموده شد.

نتیجه: شکلِ تابعی تأیید شد. مقادیرِ مطلقِ $R^*$، خطای ۲ تا ۷٪ نشان می‌دهند که به تقریبِ «گذر در $\rho \approx 1$» نسبت داده می‌شود. استقلالِ $R^*$ از $I$ تأیید شد: تغییرِ ظرفیتِ پایه عمقِ گذر را جابه‌جا نمی‌کند، سازگار با تفکیک‌پذیریِ اصلِ موضوعهٔ ۱.

C.5 راستی‌آزماییِ قضیهٔ ۴ (پنج ویژگی)

ده سامانهٔ بازگشتی و پنج کنترلِ غیربازگشتی روی پنج ویژگیِ مشتق امتیاز گرفتند. سامانه‌های بازگشتی میانگینِ ۴٫۲/۵ و کنترل‌های غیربازگشتی ۲٫۸/۵ گرفتند. تفاوت ($\Delta = 1.4$) با پیش‌بینیِ چارچوب سازگار است اما اندازهٔ نمونه $p = 0.095$ می‌دهد که به معناداریِ متعارف نمی‌رسد. (به زبانِ ساده: نتیجه در جهتِ پیش‌بینی‌شده می‌رود، سامانه‌های بازگشتی امتیازِ بالاتر می‌گیرند، اما با تنها ۱۵ نمونهٔ کل، تقریباً یک احتمال از ۱۰ هست که این الگو تصادفی ظاهر شود. دانشمندان معمولاً یک از ۲۰ یا بهتر می‌خواهند. دادهٔ بیش‌تری لازم است.)

نتیجه: جهت درست است؛ توانِ آماری برای تأییدِ قطعی ناکافی است. نمونه‌های بزرگ‌تر لازم است.

C.6 راستی‌آزماییِ قضیهٔ ۵ (گذارهای فازِ $\oplus$)

چهار سامانه برای گذارهای ترکیبِ وابسته به عمق آزموده شدند: (۱) ODE Bernoulliِ دقیق (کنترل)، (۲) رشدِ لجستیک، (۳) گرادیانِ نزولی با مومنتوم، (۴) نوسان‌گرهای Kuramoto.

نتایج: کنترلِ Bernoulli $\beta$ی ثابت را نگه داشت ($\sigma < 10^{-6}$). هر سه سامانهٔ محدود گذارهای نظام‌مندِ $\beta$ نشان دادند: رشدِ لجستیک از $\beta \approx 0.5$ (فازِ رشد) به $\beta \to -\infty$ (اشباع)، گرادیانِ نزولی از $\beta \approx 0.52$ (اکتشاف) به $\beta \approx 0.98$ (هم‌گرایی)، نوسان‌گرهای Kuramoto از $\beta \approx 1.7$ (رشد) به $\beta \approx 20$ (اشباع). گذارها در سامانه‌های محدود عمومی و در سامانه‌های نامحدود غایب‌اند.

C.7 کنترل‌های منفی

چهار سامانهٔ غیربازگشتی آزموده شدند: (۱) نویزِ Gaussian، (۲) واپاشیِ خطی، (۳) نوسانِ سینوسی، (۴) گامِ تصادفی. هیچ‌یک سیگنالِ مثبتِ کاذب تولید نکرد ($S > 1$ یا $\alpha > 1$).

نتیجه: ۰/۴ مثبتِ کاذب. چارچوب به‌درستی غیابِ تقویتِ بازگشتی را در سامانه‌هایی که اصولِ موضوعه را برآورده نمی‌کنند شناسایی می‌کند.

C.8 شکست‌های صادقانه و حالت‌های مرزی

دو نتیجه از انتظار کوتاه آمدند:

مقدارِ مطلقِ $R^*$: ۶۲٪ میانگینِ خطا در عمقِ گذرِ پیش‌بینی‌شده در برابرِ حقیقی (شکلِ تابعی درست، ثابتِ تناسب اشتباه). این احتمالاً حساسیت به تقریبِ $\rho \approx 1$ را بازتاب می‌دهد.

روشِ Newton: هم‌گراییِ محلی نزدیکِ ریشه‌ها $\beta > 1.0$ می‌دهد (هم‌گراییِ درجهٔ دوم) که خارج از دامنهٔ چارچوب $\beta \in [0, 1)$ می‌افتد. چارچوب به‌درستی این را به‌عنوانِ حالتِ مرزی که مدلِ ODE Bernoulli در آن اِعمال نمی‌شود، شناسایی می‌کند.

این شکست‌ها برای کامل‌بودن و صداقتِ علمی گزارش می‌شوند. آن‌ها کاربردپذیریِ چارچوب را قید می‌گذارند و پالایشِ آینده را آگاه می‌کنند.

منابع

وضعیتِ معرفتی. آنچه این برنامه قوانین می‌نامد، حدس‌هایی زیرِ آزمونِ خصمانه‌ی ثبت‌شده‌اند؛ هر کمیت در این مقاله به‌طورِ عملیاتی تعریف شده است، و جایگاهِ قانونِ تثبیت‌شده هیچ‌کجا ادعا نمی‌شود. برنامهٔ ثبت‌شده برای کسبِ آن جایگاه یا از دست دادن‌اش، از راهِ اندازه‌گیری، بازتولید و ابطالِ گذشته موجود است.

© ۲۰۲۶ Michael Darius Eastwood. نوشته‌شده به دستِ انسان با کمکِ رایانه؛ نویسندگیِ کاملِ انسانی و حقوقِ اخلاقی زیرِ Copyright, Designs and Patents Act 1988 و سازگار با راهنماییِ ادارهٔ حقِ نشرِ ایالاتِ متحده در مورد آثارِ حاویِ موادِ تولیدشده به دستِ هوشِ مصنوعی، ادعا می‌شوند؛ هر مشارکتِ فنیِ تازه که در این اثر توصیف شده از سویِ نویسندهٔ انسانی تصور شده است. بیانیهٔ کامل: michaeldariuseastwood.com/authorship.

پیمانِ ایستاده. این مقاله را نادرست ثابت کنید، و من ردیه را خودم منتشر خواهم کرد. شرایطِ ابطال در این مقاله بیان شده‌اند؛ چالشِ ایستاده: github.com/MichaelDariusEastwood/arc-scaling-challenge.

v5.15: یادداشتِ منشأ در پایان برای دقت اصلاح شده است. هیچ ادعا، تاریخ، نتیجه یا وضعیتی تغییر نکرده است.

Michael Darius Eastwood این برنامهٔ پژوهشی را در اندیشه پروراند و آن را هدایت می‌کند و نویسندهٔ این اثر است. در سراسرِ این برنامه، او بیش از ۶ سامانهٔ هوش مصنوعی را به‌طورِ موازی و تحتِ دستورهایِ خودش به کار گرفته است تا استدلال‌هایش را زیرِ فشار بیازمایند، خطاهای ممکن را شناسایی کنند و در آماده‌سازیِ متنِ پیش‌نویس از رویِ طرح‌هایِ کلیِ خودش یاری رسانند. او تعیین می‌کند که چه چیزی پذیرفته، بازنگری یا رد شود و مسئولیتِ محتوایِ منتشرشده را بر عهده می‌گیرد. این سامانه‌ها ابزارند، نه نویسندگان.