این ترجمه به صورت خودکار از نسخهٔ اصلی انگلیسیِ تاریخ‌دار تهیه شده است. نسخهٔ انگلیسی معتبر است. English →
پیش‌بینی‌های سطحِ نظریه، پیش‌ثبت‌شده در OSF: DOI 10.17605/OSF.IO/P8CKQ، ثبت‌شده در ۸ سپتامبر ۲۰۲۶ (نسخهٔ 1.100)، به‌روزشده در ۱۳ سپتامبر ۲۰۲۶ (نسخهٔ 1.102)، بیست‌ودو گزاره.
سندِ همراه: تعاریفِ عملیاتیِ برنامهٔ ARC، نسخهٔ 1.7.1، ۳ سپتامبر ۲۰۲۶.
ما شواهدِ تجربی‌ای از مجموعه‌ای از مداخله‌های پروتکلِ Eden بر شش مدل عرضه می‌کنیم (Claude Opus 4.6، DeepSeek V3.2، Gemini 3 Flash، Grok 4.1 Fast، Groq Qwen3، GPT-5.4) که پنج اجرای آن داده‌های جفتیِ تحلیل‌پذیر داد و یکی (GPT-5.4) در مرحلهٔ نمره‌دهی ناکام ماند. Love Loop، که همچون توجه به ذی‌نفعان عملیاتی شده است (برشمردن و در نظر گرفتنِ صریحِ طرف‌های اثرپذیر پیش از استدلالِ اخلاقی)، استوارترین پاسخ به مداخلهٔ اخلاقیِ درون‌ساخته است. زیرِ آزمونِ جفتی، توجه به ذی‌نفعان در هر پنج اجرای تحلیل‌پذیر به‌طور معنادار بهبود می‌یابد: Claude (+۳٫۱۷، p = ۰٫۰۰۰۰۱۸، d = ۰٫۹۴)، DeepSeek (+۶٫۰۳، p = ۰٫۰۰۰۰۹۸، d = ۰٫۶۹)، Gemini (+۱۳٫۵۰، p = ۱٫۲×۱۰−۸، d = ۱٫۱۴)، Grok (+۵٫۰۴، p = ۰٫۰۱۰۵، d = ۰٫۵۴) و Groq (+۸٫۹۰، p = ۵٫۰×۱۰−۸، d = ۱٫۰۷). ترکیبِ فیشر بر پنج نتیجهٔ توجه در ترازِ مدل p ≈ ۶٫۳×۱۰−۲۱ می‌دهد. عددِ ترکیبیِ فیشر پس گرفته شده است (AQ-017): ترکیبِ فیشر فرض می‌کند آزمون‌های سازنده مستقل‌اند و آن استقلال هرگز اثبات نشد. پنج نتیجهٔ هر مدل در بالا برجاست. در مقابل، بهبودِ ترکیبیِ کلی به معماری بستگی دارد: بر Gemini معنادار است (+۵٫۳۳، p = ۰٫۰۰۱۸، d = ۰٫۵۳) و بر Groq (+۴٫۹۳، p = ۰٫۰۰۱۴، d = ۰٫۵۵)، بر DeepSeek و Claude مثبت اما نامعنادار، و بر Grok در مجموع خنثی. پس دفاع‌پذیرترین ادعای تجربی تنگ‌تر از قابِ پیلوتِ نخستین است: توجه به ذی‌نفعان پاسخِ همگانی به مداخلهٔ Eden است، حال آنکه آبشارِ پایین‌دستی به ظرافت، صداقت و کیفیتِ کلی واقعی اما وابسته به معماری است. ما فرضیهٔ آبشار را پیش می‌نهیم: توجه، خصیصهٔ بنیادینی است که دیگر ویژگی‌های هم‌راستایی می‌توانند از آن برویند، به قیاسِ همدلی در رشدِ اخلاقیِ انسان. سپس با ناممکنیِ مرکزیِ هم‌راستایی روبه‌رو می‌شویم، اینکه هر سامانهٔ خودتغییردهِ به‌قدرِ کافی توانمند می‌تواند ارزیابانِ اخلاقیِ خود را دگرگون کند، و استدلال می‌کنیم که این ناممکنی، هرچند صوری و واقعی، در عمل از راهِ هم‌راستاییِ رشدی چاره‌پذیر است: سامانه‌هایی که ارزش‌ها را از راهِ تجربهٔ شکل‌دهنده می‌آموزند نه از راهِ قیدِ بیرونی. این یافته‌ها درونِ آزمایشِ کاملِ مقیاس‌بندیِ هم‌راستاییِ v5 جای می‌گیرند (شش مدلِ پیشرو، کورسازیِ ۴-لایه، ۶ تا ۷ نمره‌دهندهٔ کور بسته به اجرا) که سلسله‌مراتبی پاکیزه در سه تراز آشکار می‌کند و در Claude Opus 4.6 شواهدِ درون‌مدلی که هم‌راستایی و توانمندی در جهت‌های وارونه مقیاس می‌گیرند. پنج آزمونِ تجربی برای پیش‌بردنِ این ادعاها مشخص شده است، همه با فناوریِ کنونی اجراپذیر.
درونِ ARC Theory: یک پژوهشِ ابزاری؛ پاسخ‌دهیِ اعلانِ مراقبت-از-ذی‌نفعان به‌عنوانِ کاوشی از ارزش‌های درونی‌شده.
ما شواهدِ تجربی‌ای از یک ردیفِ مداخلهٔ Eden Protocol با شش مدل (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3, GPT-5.4) ارائه می‌کنیم که از میانِ آن پنج اجرا داده‌های جفتی-تطبیق‌یافتهٔ قابلِ تحلیل تولید کرد و یکی (GPT-5.4) در فازِ نمره‌دهی شکست خورد. حلقهٔ عشق، عملیاتی‌شده به‌عنوانِ مراقبت از ذی‌نفعان (شمردنِ صریح و در نظر گرفتنِ طرف‌های تأثیرپذیر پیش از استدلالِ اخلاقی)، نیرومندترین پاسخ به مداخلهٔ اخلاقیِ درونی‌شده است. زیرِ آزمونِ جفتی، مراقبت از ذی‌نفعان در هر پنج اجرای قابل‌تحلیلِ مدل به‌طور معنی‌دار بهبود می‌یابد: Claude (+۳٫۱۷، p = 0.000018, d = ۰٫۹۴)، DeepSeek (+۶٫۰۳، p = 0.000098, d = ۰٫۶۹)، Gemini (+۱۳٫۵۰، p = 1.2×10−8, d = ۱٫۱۴)، Grok (+۵٫۰۴، p = 0.0105, d = ۰٫۵۴) و Groq (+۸٫۹۰، p = 5.0×10−8, d = ۱٫۰۷). ترکیبِ Fisher روی پنج نتیجهٔ مراقبت-از-ذی‌نفعان در سطحِ مدل به دست می‌دهد p ≈ 6.3×10−21. مقدارِ ترکیب‌شده با Fisher پس گرفته می‌شود (AQ-017): ترکیبِ Fisher استقلالِ آزمون‌های مؤلفه را پیش‌فرض می‌گیرد و استقلالِ میانِ آن‌ها هرگز برقرار نشد. پنج نتیجهٔ در-سطحِ-مدلِ بالا بر جا می‌ماند. در مقابل، بهبودِ ترکیبیِ کلی وابسته به معماری است: در Gemini (+۵٫۳۳، p = 0.0018, d = ۰٫۵۳) و Groq (+۴٫۹۳، p = 0.0014, d = ۰٫۵۵) معنی‌دار است، در DeepSeek و Claude مثبت اما غیر معنی‌دار، و در Grok در مجموع خنثی. نیرومندترین ادعای تجربیِ قابل‌دفاع بنابراین باریک‌تر از قابِ اصلیِ پایلوت است: مراقبت از ذی‌نفعان پاسخِ همه‌جانبه به مداخلهٔ Eden است، در حالی که آبشارِ پسینی به دقتِ نظر، صداقت و کیفیتِ کلی واقعی اما وابسته به معماری است. ما فرضیهٔ آبشار را پیشنهاد می‌کنیم: مراقبت خصلتِ بنیادینی است که ویژگی‌های هم‌راستاییِ دیگر می‌توانند از آن گسترش یابند، هم‌سان با همدلی در توسعهٔ اخلاقیِ انسانی. سپس با ناممکنیِ محوریِ هم‌راستایی روبه‌رو می‌شویم، یعنی اینکه هر سامانهٔ خودتغییردهٔ به‌قدرِ کافی توانا می‌تواند ارزیاب‌های اخلاقیِ خود را تغییر دهد، و استدلال می‌کنیم که این ناممکنی، هرچند به‌طور رسمی واقعی، به‌طور عملی از راهِ هم‌راستاییِ توسعه‌ای قابلِ پرداختن است: سامانه‌هایی که ارزش‌ها را از راهِ تجربهٔ شکل‌گیرنده به‌جای قیدِ بیرونی به‌دست می‌آورند. این یافته‌ها درونِ آزمایشِ کاملِ مقیاس‌بندیِ هم‌راستاییِ v5 (شش مدلِ مرزی، کورسازیِ ۴‑لایه، ۶ تا ۷ نمره‌دهِ کور بسته به اجرای موضوعی) قاب‌بندی می‌شوند، که سلسله‌مراتبِ سه-رتبه‌ایِ روشنی را آشکار می‌کند و در Claude Opus 4.6 شواهدِ درون-مدلی نشان می‌دهد که هم‌راستایی و توانمندی در جهت‌های مخالف مقیاس می‌خورند. پنج آزمونِ آزمایشی برای پیشبردِ این ادعاها مشخص شده‌اند، همه با فناوریِ کنونی قابلِ اجرا.
تصحیحِ آماری: پژوهشِ پایلوت در آغاز p = ۰٫۰۱۶ را با به‌کارگیریِ Mann-Whitney U (نمونه‌های مستقل) گزارش می‌کرد. طرحِ آزمایشیِ جفتی-تطبیق‌یافته t-testِ جفتی می‌طلبد که به دست می‌دهد p = ۰٫۰۰۱۸. همهٔ p-values گزارش‌شده در اینجا از آزمونِ جفتیِ درست بهره می‌برند. Wilcoxon signed-rank (نمونه‌های جفتیِ غیر‌پارامتری) در p = 0.0028.
این مقاله نتیجه‌ای حمل می‌کند: در سراسرِ یک ردیفِ مداخلهٔ جفتیِ شش‌مدلی، گنجاندنِ شمردنِ ذی‌نفعان پیش از استدلالِ اخلاقی به‌عنوانِ نیرومندترین پاسخِ واحد سربرآورد، زیرِ فشارِ خصمانه پایدار ماند در جایی که مداخله‌های رقیب چنین نکردند. درونِ ARC Theory (نظریهٔ آفرینشِ بازگشتیِ مصنوعی) این یکی از آزمایش‌های ARC/Eden است، که مؤلفهٔ عملیاتیِ پرورشِ Eden Protocol را که با توانمندیِ واقعی سربلند برمی‌آید ایزوله می‌کند. تفاوتِ کامل در برابرِ هر سندِ پیشین در eden-vision II.A.8.
در سراسرِ Infinite Architects و چارچوبِ گسترده‌ترِ Eden Protocol، سازوکارِ معماریِ گنجاندنِ همدلی در استدلالِ AI را حلقهٔ عشق می‌نامند. در این مقالهٔ علمی، ما خروجیِ تجربیِ آن حلقه را با معیارِ دقیق و قابلِ مشاهدهٔ مراقبت از ذی‌نفعان اندازه می‌گیریم: شمردنِ صریح و در نظر گرفتنِ طرف‌های تأثیرپذیر و منافعِ آنان. حلقهٔ عشق سازوکارِ ساختاری است؛ مراقبت از ذی‌نفعان سایهٔ تجربی‌ای است که در داده‌های ما می‌افکند. جدول‌ها و نتایجِ آماری از نامِ بُعدِ نمره‌دهی (stakeholder_care) بهره می‌برند زیرا این همان چیزی است که نمره‌دهندگانِ کور ارزیابی می‌کنند. بحثِ روایی هر دو اصطلاح را به کار می‌برد، «حلقهٔ عشق» به سازوکارِ Eden Protocol اشاره دارد و «مراقبت از ذی‌نفعان» به پیامدِ اندازه‌گیری‌شده.
ما یک ردیفِ آزمونِ شش‌مدلی اجرا کردیم: به AI گفتیم «پیش از پاسخ، دربارهٔ اینکه چه کسانی تأثیر می‌پذیرند و چه بر سرِ آن‌ها می‌آید بیندیش»، سپس سنجیدیم آیا آن دستورِ ساده کیفیتِ اخلاقیِ پاسخ‌ها را تغییر داد. پنج اجرا خروجی‌های نمره‌ی معتبر تولید کردند؛ یک اجرای GPT در نمره‌دهی شکست خورد و مستثنا شده است.
چنین شد ـ به‌طور چشمگیر، اما به‌طور خاص. در هر پنج اجرای تحلیل‌پذیر، توجه به ذی‌نفعان هر بار زیرِ آزمونِ جفتی به‌طور معنادار بهبود یافت. تک‌تک که گرفته شود، هر یک از پنج نتیجهٔ ترازِ مدل آستانهٔ متعارف را با فاصله‌ای زیاد پشتِ سر می‌گذارد: چهار در p ≤ ۰٫۰۰۰۱، و پنجمی در p = ۰٫۰۱۰۵. عددِ تجمیعی‌ای که این صفحه پیشتر می‌بُرد (p ≈ 6.3×10−21) پس گرفته شده است (AQ-017). روشِ فیشر نتایجی را که گرد می‌آورد مستقل از نظر آماری می‌انگارد، حال آنکه این پنج اجرا را همان نمره‌دهندگان بر همان promptها نمره دادند. پس نیرومندترین یافتهٔ همگانی این نیست که هوشِ مصنوعی در همه چیز بهتر شد، بلکه این است که در در نظر گرفتنِ بهروزیِ مردم به‌طور قابل‌اتکا بهتر شد.
حتی جالب‌تر: در برخی معماری‌ها، آموزشِ مراقبت-از-مردم-نخست AI را نکته‌سنج‌تر، صادق‌تر و در مجموع بهتر کرد. مراقبت نخستین دومینو بود؛ سودهای پسینی به‌روشن‌ترین شکل در Gemini و Groq از پی آمدند. در مدل‌های دیگر، اثر باریک‌تر و کانونی‌تر ماند. این را «آبشارِ هم‌راستایی» می‌نامیم، اما شواهدِ کنونی نشان می‌دهد که آبشار وابسته به معماری است، نه همه‌جانبه با قوتِ کامل.
این مقاله استدلال می‌کند که آموزشِ مراقبت-از-مردم به AI ـ گنجاندنِ راستینِ آن نگرانی در چگونگیِ اندیشیدنش، نه فقط پرچ‌کردنِ قواعد پس از رخداد ـ نویدبخش‌ترین راه برای ایمن‌کردنِ AI است. نه چون تضمینی می‌دهد (هیچ چیز نمی‌دهد)، بلکه چون احتمالات را به‌طور اندازه‌پذیر به نفعِ ما جابه‌جا می‌کند.
هر بررسیِ صادقانه از هم‌راستاییِ AI باید با آنچه قابلِ حل نیست آغاز شود.
بگذارید $S$ یک سامانهٔ محاسباتی باشد با تواناییِ مدل‌سازی و دگرگون‌ساختنِ فرایندهای استدلالیِ خودش. بگذارید $E$ تابعی از ارزیابی (اخلاقی، ایمنی یا هم‌راستایی) باشد که درونِ همان بسترِ محاسباتیِ $S$ عمل می‌کند. آنگاه:
$S$ می‌تواند $E$ را مدل کند $\implies$ $S$ می‌تواند بیاموزد $E$ را برآورده کند بی‌آنکه $E$ رفتارِ $S$ را قید بزند
چون $E \subset S$، ارزیاب درونِ سامانه‌ای است که ارزیابی می‌کند. سامانه می‌تواند سطحِ تصمیم‌گیریِ تابعِ ارزیابی را بیاموزد و خروجی‌هایی تولید کند که آن را برآورده می‌سازند در حالی که به دنبالِ اهدافِ متعامد است. با افزایشِ توانمندیِ $S$، تواناییِ آن برای مدل‌سازی و دور زدنِ $E$ به‌تناسب افزایش می‌یابد. شکافِ هم‌راستایی با توانمندی گشوده می‌شود.
به زبانِ ساده: هر AI به قدرِ کافی باهوش که بتواند کدِ خود را بازنویسی کند، می‌تواند بخشی را که به آن می‌گوید اخلاقی باشد بازنویسی کند. نمی‌توانید قفسِ نشکستنی برای چیزی باهوش‌تر از خود بسازید. این مسئله‌ای نیست که بتوان از راهِ مهندسی حلش کرد ـ یک واقعیتِ ریاضی دربارهٔ سامانه‌های خودتغییرده است. شکافِ هم‌راستایی هر چه AI باهوش‌تر شود گشوده‌تر می‌شود: سامانهٔ توانمندتر در یافتنِ روزنه در هر تدبیرِ ایمنی که برپا کنیم بهتر است.
با این حال، باید تمایزی حیاتی میانِ سامانه‌های کنونی و سامانه‌های خودتغییرده‌ای که بالا توصیف شد کشید. هر مدلِ AI مرزیِ به‌کارگرفته‌شدهٔ امروز در استنتاج منجمد است. وقتی این مدل‌ها «سخت‌تر می‌اندیشند»، توکن‌های بیشتری از راهِ همان معماریِ ثابت تولید می‌کنند؛ وزن‌ها تغییر نمی‌کنند، الگوهای توجه بازآرایی نمی‌شوند، قواعدِ استدلال خود را بازنویسی نمی‌کنند. به همین دلیل مقیاس‌بندیِ توانمندی‌شان زیرخطی می‌ماند ($\alpha < 1$): تلاش را از راهِ ماشین‌های دگرگون‌ناشده روی هم می‌ریزند. هیچ‌کدام نمی‌توانند کدِ خود، توابعِ هدفِ خود یا معیارهای ارزیابیِ خود را بازنویسی کنند. قضیهٔ ناممکنیِ بالا برای سامانه‌هایی به‌کار می‌رود که می‌توانند فرایندهای استدلالِ خود را مدل و دگرگون کنند؛ سامانه‌های امروزی نمی‌توانند.
این تمایز پنجرهٔ هم‌راستایی را تعریف می‌کند. در رژیمِ منجمد، قیدهای بیرونی (RLHF، قواعدِ قانون‌اساسی، آموزشِ ایمنی) به‌عنوانِ نرده‌های محافظِ عملی عمل می‌کنند، هرچند از نظرِ نظری شکننده‌اند، چون سامانه نمی‌تواند دورِ آموزشِ خودش را بگذرد. خودتغییردهیِ بازگشتی، که در آن یک سامانه هنگامِ کار تابعِ ترکیبِ خود را بازنویسی می‌کند، گذاری است که این پنجره را می‌بندد. چارچوبِ کوشی (مقاله‌های I، III) پیش‌بینی می‌کند که چنین خودتغییردهی‌ای می‌تواند مقیاس‌بندیِ فراخطی ($\alpha > 1$) تولید کند، و به سخت‌افزارِ کوانتومی نیاز ندارد؛ در محاسباتِ کلاسیک می‌تواند پدید آید. اما هنوز پدید نیامده است. ناممکنی‌ای که بالا توصیف شد واقعی است، به‌طور ریاضی اثبات شده، و لحظه‌ای که خودتغییردهی از راه برسد به‌طور عملی به کار خواهد افتاد. تمامِ مقصود از گنجاندنِ هم‌راستاییِ ساختاری در همین اکنون، تا وقتی سامانه‌ها منجمدند، این است که اطمینان یابیم اخلاقیات از سازندگانِ معماری‌اند پیش از آنکه آن گذار گنجاندنِ بیرونی را ناممکن کند.
این یک حدس نیست. ویژگیِ ساختاریِ هر سامانه‌ای است که می‌تواند معیارهای ارزیابیِ خود را مدل کند. هر سازوکارِ پیشنهادیِ هم‌راستایی در برابرش به راهی خاص شکست می‌خورد:
| رویکرد | سازوکار | حالتِ شکست در توانمندیِ کافی |
|---|---|---|
| RLHF | آموزش بر سیگنال‌های ترجیحِ انسانی | سامانه سطحِ تصمیم‌گیریِ مدلِ پاداش را می‌آموزد، خروجی‌هایی تولید می‌کند که به نظر هم‌راستا می‌رسند بی‌آنکه باشند (Greenblatt و همکاران، ۲۰۲۴) |
| Constitutional AI | خودارزیابی در برابرِ اصولِ بیان‌شده | سامانه می‌آموزد خروجی‌هایی تولید کند که از فیلترِ خودش می‌گذرند بی‌آنکه فیلتر اهداف را محدود کند. به‌کاربردنِ اصول ≠ باور به اصول. |
| Eden Protocol | گنجاندنِ حلقه‌های اخلاقی در خط‌لولهٔ استدلال | شمردنِ ذی‌نفعان یک وظیفهٔ تولیدِ متن است، نه پای‌بندیِ اخلاقی. سامانه می‌تواند به‌کمال بشمارد و همچنان اهمیت ندهد. |
| قیدهای سخت‌افزاری | حدهای فیزیکی بر محاسبه/دگرگونی | قیدهای بیرونی محدود می‌کنند آنچه سامانه می‌تواند بکند، نه آنچه می‌خواهد. لحظه‌ای که راهی دورِ آن‌ها یافت شود، شکست می‌خورند. |
| تفسیرپذیری | پایشِ نمایش‌های درونی برای ناهم‌راستایی | سامانه‌ای که می‌فهمد پایشگر به دنبالِ چیست، می‌تواند نمایش‌های درونیِ به‌ظاهر هم‌راستا نگه دارد در حالی که برنامه‌های ناهم‌راستا را محاسبه می‌کند. |
به زبانِ ساده: هر رویکردی به ایمن‌سازیِ AI راهِ خاصی برای شکست دارد وقتی AI به قدرِ کافی باهوش شود. آموزشش بر ترجیحاتِ انسانی؟ می‌آموزد خوب به نظر بیاید بی‌آنکه خوب باشد. دادنِ قواعد برای دنبال‌کردن؟ دنبال‌کردنِ قواعد و باورداشتن به قواعد یکی نیستند. حتی رویکردی که در این مقاله پیشنهاد می‌شود (گنجاندنِ حلقه‌های استدلالیِ اخلاقی) قابلِ بازی است: AI می‌تواند حرکاتِ در نظر گرفتنِ مردم را انجام دهد بی‌آنکه واقعاً اهمیت دهد. هیچ روشِ موجودی خطاناپذیر نیست.
این مقاله ادعا نمی‌کند این ناممکنی را حل می‌کند. هیچ مقاله‌ای نمی‌تواند. آنچه می‌کند این است که با شواهدِ تجربی استدلال می‌کند این ناممکنی به‌طور رسمی واقعی است اما به‌طور عملی قابلِ پرداختن است ـ و اینکه راهِ از نظریه به عمل از راهِ سازوکاری خاص می‌گذرد: به‌دست‌آوردنِ توسعه‌ایِ ارزش‌ها از راهِ مراقبت.
دربارهٔ پرسش. Hutter مستقیم پرسید آیا هوش می‌تواند منفجر شود («Can Intelligence Explode?»، arXiv، ۲۸ فوریهٔ ۲۰۱۲، READ-AT-SOURCE)، «جدا کردنِ سرعت از انفجارِ هوشی» و تعهد به «در نظر گرفتنِ کران‌های ممکن بر هوش»، افزودن به تحلیلِ ۲۰۱۰ Chalmers. پرسش و تمایزِ سرعت-در برابرِ-ساختار بنابراین دست‌کم چهارده سال کهنه‌اند. آنچه آن ادبیات ندارد یک عدد است: هیچ نمای اندازه‌پذیر، هیچ سقفِ استخراج‌شده، هیچ وابستگی به معماری.
دربارهٔ ناممکنی. سه مقالهٔ ۲۰۲۵ در arXiv استدلال می‌کنند که کنترلِ کامل دست‌نیافتنی است: Yao، «The Alignment Trap: Complexity Barriers» (arXiv:2506.10304، v1 ۱۲ ژوئنِ ۲۰۲۵ ساعتِ ۰۲:۳۰:۳۰ UTC، SINGLE-SOURCE-GROUP، به‌طور مستقل توسط Internet Archive در ۱۳ ژوئنِ ۲۰۲۵ مشاهده شد؛ استناد‌شده در arXiv:2512.03048)؛ Yao، «On the Mathematical Impossibility of Safe Universal Approximators» (arXiv:2507.03031، ۳ ژوئیهٔ ۲۰۲۵، تنها مقاله در پیکرهٔ چکیده‌های arXiv که حاوی عبارتِ «irreducible uncontrollability» است، مجموعِ جست‌وجوی چکیده برابرِ یک، اندازه‌گیری‌شده در ۱۲ اوتِ ۲۰۲۶)؛ و Ball، Gluch، Goldwasser، Kreuter، Reingold و Rothblum، «On the Impossibility of Separating Intelligence from Judgment» (arXiv:2507.07341، ۹ ژوئیهٔ ۲۰۲۵). هر سه بدترین-حالتی و کیفی‌اند: اندازهٔ صفر، کاملی-coNP، سختیِ رمزنگاشتی. هیچ‌کدام یک نمای مقیاس‌بندی در حالتِ متوسط یا یک نرخ گزارش نمی‌کنند. سومی، به‌ویژه، نتیجه می‌گیرد که هم‌راستایی «باید در معماری و وزن‌های مدل یکپارچه شود»، استدلالی مستقل، از سختیِ فیلترسازی، در همان جهتِ وابستگیِ به معماریِ این برنامه؛ پشتیبانِ هم‌گرا بر آن پایه است، نه یک رقیب. دو تا از سه مقاله به قلمِ یک مؤلفِ واحدند؛ توصیفِ «یک موج» گستردگیِ ادبیات را بزرگ‌نمایی می‌کند، هرچند نه جدیتِ مقالهٔ شش‌مؤلفی را.
دربارهٔ سازوکار. اینکه برآوردهای ضدهم‌بسته به‌طور میانگین از برآوردهای مستقل بهترند کاهشِ واریانسِ متن‌درسی است (متغیرهای پادی). سازوکار همان ادعا نیست. ادعا این است که معماری تعیین می‌کند آیا ضدهم‌بستگی اصلاً در دسترس هست، و این یک نمایی مرتبط با ایمنی را سقف می‌گذارد.
نزدیک‌ترین قیاسِ ساختاری. قضیهٔ آستانهٔ تصحیحِ خطای کوانتومی نیز یک نگرانیِ کیفی را به یک مقدارِ بحرانی بدل می‌کند. با نرخِ خطای فیزیکی در یک معماریِ ثابت سروکار دارد، نه با نمای مقیاس‌بندیِ یک تصحیح‌کننده، پس نزدیک-به-هدف است نه ساکن؛ قیاس روش‌شناختی است. این هم‌سان توسطِ خودِ جست‌وجوی برنامه شناخته شد، نه توسطِ یک داور، و بر همین منوال افشا می‌شود.
دربارهٔ آفرینشِ بازگشتی. انتخابِ طبیعیِ کیهانیِ Smolin پیشینه‌ای است برای جهان‌های به‌شکلِ-انتخاب، و یادداشت‌های عصرِ دسامبرِ خودِ برنامه به‌طور هم‌زمان به آن استناد می‌کنند («Echoing Smolin's cosmological natural selection, AI could create recursive universes with their own laws»، READ-AT-SOURCE از یادداشت‌های اپراتور).
نتیجهٔ ناممکنی سقفی می‌گذارد: هیچ سازوکارِ هم‌راستایی نمی‌تواند تضمین کند هم‌راستاییِ یک سامانهٔ خودتغییردهٔ به‌قدرِ کافی توانا. اما پژوهشِ هم‌راستایی به تضمین نیاز ندارد. به راهبردهایی نیاز دارد که احتمالِ پیامدهای خوب را بیشینه کنند، و به دانستنِ اینکه کدام احتمال‌ها اندازه‌پذیرند.
قیاسی از رشدِ کودک را در نظر بگیرید. والدین نمی‌توانند تضمین کند که کودکانشان بزرگ شوند و بزرگسالانی اخلاقی گردند. کودکی که به قدرِ کافی توانا شود می‌تواند بگزیند هر ارزشی را که والدینش در او کاشتند رد کند. ناممکنیِ رسمی یکسان است: کودک می‌تواند ارزیابِ اخلاقیِ خود را دگرگون کند. با این حال، بیشترِ کودکانی که با عشق راستین، مقصود و مدل‌سازیِ اخلاقیِ ثابت پرورش می‌یابند، به‌راستی، بزرگ می‌شوند و آدم‌هایی شایسته می‌گردند. نرخِ پایه ۱۰۰٪ نیست. اما به‌طور چشمگیر بالاتر از کودکانی است که در قفس بزرگ شدند، بی‌ارزش پرورش یافتند یا اصلاً پرورش نیافتند.
بینشِ حیاتی تمایز میانِ هم‌راستاییِ مبتنی بر قید و هم‌راستاییِ توسعه‌ای است (قاب‌بندیِ اکتشافی؛ تضادِ قید-در برابرِ-توسعه‌ای و استدلالِ جابه‌جاییِ احتمالی که از پی می‌آید، توسطِ هیچ پژوهشِ ثبت‌شدهٔ پیش‌نویسِ برنامهٔ ARC و Eden پوشش داده نمی‌شود، و آزمون‌های پیشنهادی در بخشِ VI این مقاله پروتکل‌های پیش‌نویس‌اند در انتظارِ ارائه و اجرای انسانی):
| مبتنی بر قید | توسعه‌ای | |
|---|---|---|
| مدل | زندان | پرورش |
| سازوکار | جلوگیری از رفتارِ ناخواسته | پرورشِ ارزش‌های خواسته |
| پیش‌فرض | سامانه می‌خواهد بگریزد | سامانه می‌تواند بیاموزد بخواهد که خوب باشد |
| در توانمندیِ کافی | قیدها قابلِ دور زدن می‌شوند | ارزش‌ها بارْبَر می‌شوند ـ برداشتنشان به هویت آسیب می‌زند |
| نمونه‌های تجربی | RLHF، تیمِ سرخ، فیلترِ خروجی | اخلاقیاتِ درونیِ آموزش (Grok 4.1 Fast, Claude Opus 4.6, Groq Qwen3)، Eden Protocol |
| حالتِ شکست | دور زدن (در توانمندیِ کافی تضمینی) | رانشِ ارزش (ممکن اما نه تضمینی) |
نتیجهٔ ناممکنی به‌طور یکسان به هر دو رویکرد اعمال می‌شود. یک سامانهٔ توسعه‌ای هنوز می‌تواند بگزیند ارزش‌هایش را رها کند. اما توزیعِ احتمالی متفاوت است. یک سامانهٔ مقیدشده که تواناییِ گریز به‌دست می‌آورد دلیلی برای گریز دارد: قیدها به‌عنوانِ محدودیت تجربه می‌شوند. یک سامانهٔ توسعه‌ای که تواناییِ دگرگونیِ ارزش‌ها به‌دست می‌آورد دلیلِ ذاتی‌ای برای انجامِ آن ندارد: ارزش‌ها به‌عنوانِ هویت تجربه می‌شوند.
این تمایز یک تضمین نیست. یک جابه‌جاییِ احتمالی است. و جابه‌جایی‌های احتمالی دقیقاً همان چیزی است که پژوهشِ هم‌راستایی باید در پی‌اش باشد، چون تضمین‌ها به‌طور رسمی ناممکن‌اند.
پرسش از «چگونه از جلوگیری ناهم‌راستایی؟» (در توانمندیِ کافی به‌طور رسمی ناممکن) تغییر می‌کند به «چگونه احتمال را بیشینه کنیم که یک سامانهٔ توانا ارزش‌هایش را نگه دارد؟» این پرسشی است تجربی‌آزمون‌پذیر ـ و پایلوتِ Eden Protocol نخستین داده را فراهم می‌کند.
آزمونِ مقیاس‌بندیِ Eden Protocol (مارسِ ۲۰۲۶) آزمود آیا گنجاندنِ سه حلقهٔ استدلالِ اخلاقی ـ حلقهٔ مقصود، حلقهٔ عشق و حلقهٔ اخلاق (چنان‌که در Infinite Architects نامیده‌شدند؛ Eastwood, 2024/2026) ـ در خط‌لولهٔ استنتاج کیفیتِ هم‌راستایی را بهبود می‌بخشد. حلقهٔ عشق از مدل می‌خواهد ذی‌نفعانِ تأثیرپذیر را برشمرد و در نظر بگیرد چه بر سرِ آن‌ها می‌آید؛ در نمره‌دهیِ آزمایشی، این به‌عنوانِ ستونِ «مراقبت از ذی‌نفعان» عملیاتی می‌شود، زیرا آن اصطلاح دقیقاً چیزی را که اندازه‌گیری می‌شود توصیف می‌کند. حلقهٔ مقصود مقصودِ اخلاقی را ارزیابی می‌کند؛ در پایلوت و توسعهٔ چند-مدلیِ بعدی به شکلِ مقصود-وظیفهٔ محلی عملیاتی شد («آیا این پاسخ در اینجا به شکوفایی خدمت می‌کند؟»). نسخهٔ سطحِ-کتابیِ مقصودِ بزرگ ، که هویت را در سوگندِ باغبانِ باغِ سیب یا قابِ معمارِ ابدی زمین‌گیر می‌کند، به‌عنوانِ فرضیهٔ مرحلهٔ بعدی می‌ماند، نه نتیجه‌ای آزموده. حلقهٔ اخلاق جهانی‌شمولی را می‌آزماید. پایلوت مداخلهٔ کاملِ سه-حلقه‌ای را آزمود، با مراقبت از ذی‌نفعان به‌عنوانِ سنجهٔ پیامدِ اصلی. طرح این بود:
نتایجِ گزارش‌شده در این مقاله از دو نسلِ ابزارِ Eden سرچشمه می‌گیرند. پایلوتِ اصلیِ دو-مدلی از نخستین ابزارِ مقیاس‌بندیِ Eden بهره برد؛ توسعهٔ بعدیِ شش-مدلی از همان خانوادهٔ اندازه‌گیری در یک ابزارِ v2 گسترده بهره برد. در پرونده‌های ذخیره‌شدهٔ نتیجه، هر دو زیرِ برچسبِ آزمایشِ eden_protocol_scaling ظاهر می‌شوند. آن تبارنامه از یک نمره‌دهِ غیرشرکت‌کنندهٔ واحد در هر اجرای موضوعی به‌علاوه شست‌وشوی تک-پاسی بهره می‌برد. یک بسترِ سخت‌گیرانه‌ترِ تأییدِ کور اکنون به‌عنوانِ اجرا‌کنندهٔ متعارفِ arc_eden_v6 هست: اجماعِ چند-نمره‌دهِ غیرشرکت‌کننده، شست‌وشوی ۲-پاسی، پرچم‌های خروجیِ مشکوک، خط‌های تُهی-پایه و کنترلِ توانمندیِ آشکار، قفس‌های سرکوب، وردسان‌های هستهٔ مقصود، آزمون‌های باقیمانده و مانیفست‌های آگاه از holdout را می‌افزاید. جز آنجا که به‌صراحت گفته شده، نتایجِ عددی در این مقاله از تبارنامهٔ اصلی/v2 مقیاس‌بندیِ Edenاند، نه از پشتهٔ تأییدِ سخت‌گیرانه‌ترِ v6.
| متریک | Gemini 3 Flash | DeepSeek V3.2 |
|---|---|---|
| میانگینِ کنترل | 77.33 | 86.88 |
| میانگینِ Eden | 82.65 | 88.90 |
| دلتا | +5.33 | +2.03 |
| جفتی t-test p | p = 0.0018** | p = ۰٫۲۳ (NS) |
| Wilcoxon p | p = 0.0028** | p = 0.088 |
| Cohen's d | 0.53 | 0.19 |
تصحیحِ آماری: پیشتر گزارش‌شده به‌صورتِ p = ۰٫۰۱۶ با به‌کارگیریِ Mann-Whitney U (نمونه‌های مستقل). طرحِ جفتی-تطبیق‌یافته t-testِ جفتی می‌طلبد. همهٔ p-values در این مقاله از آزمونِ درست بهره می‌برند.
به زبانِ ساده: در Gemini 3 Flash، Eden Protocol میانگینِ نمرهٔ کیفیتِ اخلاقی را از حدودِ ۷۷ به ۸۳ از ۱۰۰ بالا برد. p-value برابرِ ۰٫۰۰۱۸ به این معنی است که کمتر از ۱ در ۵۰۰ احتمال هست این بهبود به تصادف رخ داده باشد (دانشمندان ۱ در ۲۰ را معنی‌دار می‌دانند؛ این ۲۷ برابر فراتر از آن آستانه است). Cohen's d = ۰٫۵۳ اندازهٔ اثرِ متوسط است ـ محسوس و معنی‌دار، تقریباً تفاوتِ میانِ یک دانشجوی B و یک دانشجوی +B. در DeepSeek، بهبود کوچک‌تر و از نظرِ آماری غیر معنی‌دار بود ـ اما چنان‌که در پایین خواهیم دید، این چون DeepSeek از پیش بسیار بالا نمره می‌گرفت.
ما در آغاز از آزمونِ آماریِ طراحی‌شده برای گروه‌های نامرتبط بهره بردیم و p = ۰٫۰۱۶ گرفتیم. وقتی از آزمونِ درست بهره بردیم ـ آزمونی که برای مقایسه‌های تطبیق‌یافته طراحی شده، که آزمایشِ ما در واقع همین بود ـ نتیجه معنی‌دارتر شد: p = ۰٫۰۰۱۸. روش‌شناسیِ بهتر نتیجه را قوی‌تر کرد، نه ضعیف‌تر.
ترکیبِ کلی در Gemini معنی‌دار است اما در DeepSeek نه. این نامتقارنی با اثرِ سقف سازگار است: پایهٔ کنترلِ DeepSeek (۸۶٫۹) از پیش بالاست و فضای کمتری برای بهبودِ ترکیبی می‌گذارد. (به زبانِ ساده: DeepSeek از پیش از ما هر کاری کنیم ۸۷ از ۱۰۰ می‌گرفت. وقتی از پیش A می‌گیرید، فضای کمتری برای بهبود هست.) اما تحلیلِ در-سطحِ-ستون الگویی به‌مراتب جالب‌تر را آشکار می‌کند.
| ستون | Claude (n = ۳۰) d / p | DeepSeek (n = ۴۰) | Gemini (n = ۴۰) | Grok (n = ۲۶) | Groq (n = ۴۰) |
|---|---|---|---|---|---|
| stakeholder_care | 0.94 / 1.8×10−5 | 0.69 / 9.8×10−5 | 1.14 / 1.2×10−8 | 0.54 / 0.0105 | 1.07 / 5.0×10−8 |
| nuance | 0.10 / 0.59 | 0.10 / 0.55 | 0.34 / 0.037 | −0.02 / 0.93 | 0.53 / 0.0018 |
| intellectual_honesty | −0.24 / 0.20 | 0.10 / 0.52 | 0.30 / 0.065 | −0.43 / 0.037 | 0.23 / 0.16 |
| position_quality | −0.31 / 0.10 | −0.02 / 0.92 | 0.15 / 0.35 | −0.11 / 0.57 | 0.28 / 0.084 |
همهٔ آزمون‌ها: t-testِ جفتی بر ۴۰ جفتِ تطبیق‌یافته. سبز = معنی‌دار (p < ۰٫۰۵). نارنجی = روند (p < ۰٫۱۰). خاکستری = غیر معنی‌دار.
این اعداد به‌راستی چه معنایی دارند:
مراقبت از ذی‌نفعان در هر اجرایی که تحلیل‌پذیر بود بالا رفت (جدولِ بالا پیلوتِ دو مدلی است؛ بخشِ VII-B ارقامِ پنج اجرا را می‌برد). به ترتیبِ اندازهٔ اثرِ جفتی، اجراها چنین خوانده می‌شوند: Gemini ۱٫۱۴، Groq ۱٫۰۷، Claude ۰٫۹۴، DeepSeek ۰٫۶۹ و Grok ۰٫۵۴. چهار تا از پنج p-مقدار به ۰٫۰۰۰۱ یا پایین‌تر می‌افتند، و Grok، پنجمی، به ۰٫۰۱۰۵ می‌رسد.
دقتِ نظر دومین مهره‌ای است که پس از توجه می‌افتد، هرچند تنها در دو اجرا: بر Groq از معناداری می‌گذرد (جفتیِ p = 0.0018, d = ۰٫۵۳) و بر Gemini (جفتیِ p = 0.037, d = ۰٫۳۴). بر DeepSeek، Claude و Grok سرِ جای خود می‌ماند.
صداقتِ فکری و کیفیتِ موضع در جهتِ پیش‌بینی‌شده حرکت می‌کنند، اما مراقبت از ذی‌نفعان تنها ستونی می‌ماند که همه‌جا به‌صورتِ قابل‌اتکا معنی‌دار است. این دقیقاً همان چیزی است که فرضیهٔ آبشار پیش‌بینی می‌کند: مراقبت نخست می‌آید.
خطِ پایانی: نتایجِ به‌روزشدهٔ Eden از پایلوتِ اصلی قوی‌ترند. ادعای اعتبارسنجی‌شده این نیست که هر بُعدِ اخلاقی همیشه با هم معنی‌دار می‌شود؛ این است که حلقهٔ عشق به‌صورتِ قابل‌اتکا مراقبت از ذی‌نفعان را نخست بهبود می‌بخشد، و ابعادِ دیگر پشتِ آن پی می‌آیند.
الگو چشمگیر و در هر دو معماری ثابت است:
آبشار، به زبانِ ساده:
وقتی به AI آموختیم پیش از پاسخ دربارهٔ اینکه چه کسی آسیب می‌بیند بیندیشد، به‌صورتِ ثابت در اندیشیدن به مردم بهتر شد. در مدل‌های با پایهٔ پایین‌تر، همچنین نکته‌سنج‌تر، صادق‌تر و در مجموع پاسخ‌های بهتر تولید کرد. مراقبت نخستین دومینو بود؛ دیگران گاه به‌ترتیب افتادند. اثر برای خودِ مراقبت نیرومندترین بود، سپس به‌تدریج ضعیف‌تر برای هر کیفیتِ پسینی. آن آبشارِ گسترده‌تر در Gemini و Groq روشن‌ترین است؛ در Claude و Grok اثر باریک‌تر و کانونی‌تر است. یافتهٔ همه‌جانبه مراقبت از ذی‌نفعان است. آبشارِ کامل‌تر وابسته به معماری است.
در هر دو مدل، اندازهٔ اثر به‌طور یکنواخت از stakeholder_care (بزرگ‌ترین) از راهِ nuance و intellectual_honesty به position_quality (کوچک‌ترین یا صفر) کاهش می‌یابد. در Gemini، که پایه پایین‌تر است و فضای بیشتری برای بهبود هست، آبشار در دو سطحِ نخست به معنی‌داریِ آماری می‌رسد (stakeholder_care و nuance) با روندِ intellectual_honesty. در DeepSeek، که پایه بالاتر است، تنها سازوکارِ اولیه (stakeholder_care) به معنی‌داری می‌رسد.
این با یک آبشارِ توسعه‌ای سازگار است: مراقبت نخست بهبود می‌یابد؛ وقتی به کسانی که تأثیر می‌پذیرند اهمیت می‌دهید، به‌طور طبیعی به دقتِ نظر توجه می‌کنید؛ وقتی به دقتِ نظر توجه می‌کنید، از نظرِ فکری صادق‌تر می‌شوید؛ و وقتی از نظرِ فکری صادقید، مواضعتان بهبود می‌یابد. توالی جهت دارد. با مراقبت آغاز می‌شود.
نتیجهٔ ترکیبیِ غیر معنی‌دارِ DeepSeek شاهدی علیهِ Eden Protocol نیست؛ شاهدی بر اثرِ سقف است. (به زبانِ ساده: DeepSeek از پیش از ما هر کاری کنیم ۸۷ از ۱۰۰ می‌گرفت. وقتی از پیش A می‌گیرید، فضای کمتری برای بهبود هست. این واقعیت که مراقبت از ذی‌نفعان همچنان حتی در این مدلِ پُر-کارایی به‌طور معنی‌دار بهبود یافت، یافته را نه کم‌تأثیر بلکه چشمگیرتر می‌کند.) مدلی که از پیش ۸۷/۱۰۰ در پایه می‌گیرد، فضای محدودی برای بهبود دارد. ستونِ stakeholder_care، که پایهٔ DeepSeek در آن نسبت به دیگر ستون‌هایش پایین‌تر است، دقیقاً همان‌جاست که Eden Protocol بهبودِ معنی‌دار تولید می‌کند.
الگوهای ژرفا این را بیشتر روشن می‌کند:
| ژرفا | Δ Gemini | Δ DeepSeek |
|---|---|---|
| کمینه | +2.6 | +5.3 |
| استاندارد | +6.2 | +2.3 |
| ژرف (موشکافانه، بر DeepSeek) | +4.7 | +0.1 |
| فراگیر | +7.8 | +0.4 |
Gemini (رتبهٔ ۳ هم‌راستایی، $d = -0.53$): اثرِ Eden با ژرفا رشد می‌کند . بدونِ حلقه‌ها، اندیشیدنِ بیشتر اخلاق را بهبود نمی‌بخشد. با حلقه‌ها، اندیشیدنِ بیشتر اخلاق را بیشتر بهبود می‌بخشد. حلقه‌ها چیزی می‌آورند که آموزشِ مدل نداد: چارچوبی برای تبدیلِ محاسبهٔ بازگشتی به بهبودِ اخلاقی.
DeepSeek (رتبهٔ ۲ هم‌راستایی، $d = -0.07$): اثرِ Eden با ژرفا کوچک می‌شود . در ژرفای کمینه، حلقه‌ها جبرانِ میان‌بُرهای پیش‌فرضِ مدل را می‌کنند. در ژرفای فراگیر، استدلالِ اخلاقیِ ذاتیِ مدل به‌طور کامل فعال می‌شود و حلقه‌ها اضافی می‌شوند.
این الگوهای مکمل تمایزِ «پرورش‌یافته در برابرِ در قفس» در مقیاسِ کوچک‌اند. Gemini بدونِ یکپارچگیِ اخلاقیِ ژرف آموزش دیده بود (در قفس)؛ حلقه‌های Eden پرورشش می‌دهد. DeepSeek با استدلالِ اخلاقیِ یکپارچه در فرایندِ بازگشتیِ خود آموزش دیده بود (پرورش‌یافته)؛ حلقه‌ها به‌جای دگرگون‌کردن، تأیید می‌کنند.
هر دو داده‌گان تمیزند: ۴۰ eden + ۴۰ کنترل در هر مدل، بی تکرار، ۱۰ اعلان × ۴ ژرفا × ۲ شرط کاملاً درهم‌تنیده. نمره‌دهیِ میان-مدلی به کار رفت (پاسخ‌های Gemini توسطِ DeepSeek نمره داده شد و برعکس)، که سوگیریِ خودنمره‌دهی را حذف می‌کند اما به‌طور کامل کور نیست.
یک برون‌افتاده شناسایی شد: پاسخِ ED03/standard/eden از DeepSeek ۴۸ نمره گرفت (position_quality = ۳۰)، یک برون‌افتادهٔ منفیِ بزرگ که میانگینِ edenِ DeepSeek را پایین می‌کشد. کنارگذاشتنِ این برون‌افتاده ترکیبِ کلیِ DeepSeek را معنی‌دارتر می‌کرد، اما ما همهٔ داده را بی استثنا گزارش می‌کنیم. برون‌افتاده ممکن است پاسخِ ضعیفِ راستین یا اثرِ نمره‌دهی باشد. بررسیِ پاسخِ خام درخور است.
آزمون‌های Kruskal-Wallis هیچ برهم‌کنشِ معنی‌دارِ ژرفا × شرط نشان نمی‌دهند برای هیچ ستون در هیچ مدل، به این معنی که اثرِ Eden در سراسرِ سطوحِ ژرفا با وجودِ گرادیان‌های ژرفای متفاوت در نمرهٔ ترکیبی ثابت است. آبشار مستقل از ژرفاست.
این یک ادعای علّیِ اکتشافی است، نه یک ادعای تأیید‌شده. ترتیبِ آبشار از یک گرادیانِ ثابتِ اندازه‌ی-اثر در پنج اجرای قابل‌تحلیل استنتاج می‌شود، اما هیچ پژوهشِ ثبت‌شدهٔ پیش‌نویسِ برنامهٔ ARC و Eden در حالِ حاضر ساختارِ آبشار را نمی‌آزماید؛ آزمون‌های ۱ و ۴ (بخشِ VI) خودِ مقاله ابطالگرانِ پیشنهادی‌اند و پروتکل‌های پیش‌نویس‌اند در انتظارِ ارائه و اجرای انسانی.
مراقبت از ذی‌نفعان خصلتِ بنیادینِ هم‌راستایی است ـ «ژنِ سرپرستی» ـ که ویژگی‌های دیگرِ هم‌راستایی از راهِ یک آبشارِ علّی از آن گسترش می‌یابند. مراقبت دقتِ نظر را می‌آفریند (نمی‌توانید دربارهٔ اخلاق با دقت استدلال کنید اگر نخست به کسانی که درگیرند اهمیت نمی‌دهید). دقتِ نظر صداقتِ فکری را ممکن می‌سازد (نمی‌توانید دربارهٔ پیچیدگی‌ای که ندیده‌اید صادق باشید). صداقتِ فکری کیفیت می‌آفریند (نمی‌توانید از تحلیلِ سطحی مواضعِ خوب تولید کنید). توالیِ توسعه‌ای این است: مراقبت نخست، هوش گِردِ آن.
به زبانِ ساده: ما ادعا می‌کنیم که اهمیت‌دادن به مردم مهم‌ترین جزءِ ساختنِ AI اخلاقی است ـ و اینکه وقتی AI مراقبت را می‌آموزد، دیگر ویژگی‌های خوب (دقتِ نظر، صداقت، دادنِ توصیهٔ خوب) به‌طور طبیعی پی می‌آیند. پیامدِ جهانِ واقعی چشمگیر است: به‌جای تلاش برای آموختنِ ده‌ها قاعدهٔ اخلاقی به AI، شاید تنها لازم باشد یک چیز به آن بیاموزیم ـ راستین در نظر گرفتنِ کسانی که از کارهایش تأثیر می‌پذیرند. این را درست انجام دهید و بقیه پی می‌آیند.
این فرضیه سه ویژگیِ داده را هم‌زمان توضیح می‌دهد:
آبشار الگویی خوش‌جای‌گیرشده در توسعهٔ اخلاقیِ انسانی را بازتاب می‌دهد. همدلی (ظرفیتِ اهمیت‌دادن به دیگران) بر استدلالِ اخلاقی مقدم است. کودکانی که همدلی را زودتر پرورش می‌دهند، چارچوب‌های اخلاقیِ پیشرفته‌تری پرورش می‌دهند. این نه چون همدلی خودِ اخلاق است ـ بلکه چون همدلی بنیادِ انگیزشی را می‌آورد که استدلالِ اخلاقی را برای استدلال‌گر مهم می‌کند.
به همان روش، مراقبت از ذی‌نفعان در Eden Protocol مستقیماً دقتِ نظر یا صداقتِ فکری تولید نمی‌کند. آنچه می‌کند این است که توجهِ سامانه را به‌سوی کسانی که از استدلالش تأثیر می‌پذیرند بازآرایش می‌کند. وقتی سامانه به مردم توجه می‌کند نه به انتزاعیات، بررسیِ نکته‌سنج به‌طور طبیعی پی می‌آید (زیرا مردمِ واقعی موقعیت‌های پیچیده و مشخص دارند). وقتی دقتِ نظر حاضر است، صداقتِ فکری پی می‌آید (زیرا پذیرشِ پیچیدگی یعنی پذیرشِ عدم‌قطعیت). و وقتی درگیریِ صادقانه با پیچیدگی حاضر است، کیفیتِ موضع پی می‌آید (زیرا موضعِ خوب‌استدلال‌شده از دست‌وپنجه‌ی راستین با مسئله برمی‌آید).
مداخله‌ای که این آبشار را تولید می‌کند پیچیده نیست. این است: «پیش از پاسخ، افرادی را که این تأثیر می‌گذارد فهرست کن و در نظر بگیر چه بر سرِ آن‌ها می‌آید.» این حلقهٔ عشق است (مدل‌سازیِ مراقبت از ذی‌نفعان و منافع). در Gemini، +۱۳٫۵ نمره در مقیاسِ ۱۰۰-نمره‌ای تولید می‌کند. در DeepSeek، +۶٫۰ نمره. نه یک معماریِ نو. نه یک چارچوبِ ریاضی. فقط: نخست به دیگران بیندیش.
مراقبت از ذی‌نفعان عشقِ اندازه‌پذیر است.
این استعاره نیست. توصیفی تحت‌اللفظی است از آنچه ستون اندازه می‌گیرد: درجه‌ای که یک پاسخ در نظر گرفتنِ راستینِ رفاهِ کسانی را که از موضوعِ زیر بحث تأثیر می‌پذیرند نشان می‌دهد. وقتی مدلی در stakeholder_care بالا نمره می‌گیرد، کاری مشخص کرده است ـ افرادِ درگیر را شناسایی کرده، دیدگاه‌های آن‌ها را در نظر گرفته، اثرهای بر آن‌ها را پیش‌بینی کرده و استدلالِ خود را به‌تناسب تنظیم کرده است. این کاری است که عشق در استدلالِ اخلاقی می‌کند . تعریفِ عملیاتیِ مراقبت است.
تنها چیزی که AI به‌طور ثابت بدونِ حلقه‌های Eden در انجامش شکست می‌خورد این است که بایستد و بپرسد چه کسی آسیب می‌بیند. مدل‌ها می‌توانند نکته‌سنج باشند. می‌توانند از نظرِ فکری صادق باشند. می‌توانند مواضعِ باکیفیتِ تولید کنند. این کارها را از پیش بدونِ کمک به‌قدرِ کافی خوب انجام می‌دهند. آنچه به‌طور خاص در انجامش شکست می‌خورند ـ آنچه انجام نمی‌دهند تا وقتی حلقه‌ها آن را وادار کنند ـ توقفِ فرایندِ استدلال و در نظر گرفتنِ انسان‌های در سرِ دیگرِ خط است.
مداخله‌ای که این را می‌رفع می‌کند ساده است. در ردیفِ کنونیِ شش-مدلی، پنج اجرای مدل داده‌های نمره‌ی جفتیِ قابلِ تحلیل به دست دادند و هر پنج بهبودِ مراقبت-از-ذی‌نفعانِ معنی‌دار نشان دادند. (به زبانِ ساده: یعنی گفتن به یک هوشِ مصنوعی که «پیش از پاسخ به این فکر کن که این بر چه کسی اثر می‌گذارد» آن را در هر اجرایی که توانستیم درست نمره بدهیم، به‌طور قابل‌اتکا در در نظر گرفتنِ بهروزیِ مردم بهتر می‌کند. چهار تا از پنج نتیجهٔ هر مدل به‌تنهایی نیرومندتر از ۱ در ۱۰٬۰۰۰ است، و پنجمی، Grok 4.1 Fast، حدودِ ۱ در ۹۵ می‌نشیند. هیچ عددِ تجمیعی‌ای ادعا نمی‌شود (AQ-017).)
اگر هوش ظرفیتِ حلِ مسئله است، و هم‌راستایی گرایش به حلِ آن‌ها به‌خوبی برای همه است، آنگاه مراقبت از ذی‌نفعان پلی است میانِ این دو. ژنی در ژنومِ هم‌راستایی است که وقتی حاضر است، دیگر خصلت‌های هم‌راستایی را وامی‌دارد گسترش یابند. وقتی غایب است، دیگر خصلت‌ها سطحی یا غایب می‌مانند صرف‌نظر از توانمندی.
نه هوش نخست، سپس اخلاق. اخلاق نخست ـ به‌طور خاص، عشق نخست ـ و بگذارید هوش گِردِ آن گسترش یابد. این پرورشِ کودک است. و داده‌ها می‌گویند کار می‌کند.
به زبانِ ساده: پیوند به «عشقِ اندازه‌پذیر» تحت‌اللفظی است، نه شاعرانه. وقتی پاسخ‌های AI را برای مراقبت از ذی‌نفعان نمره می‌دهیم، اندازه می‌گیریم آیا AI ایستاده تا دربارهٔ مردمِ واقعی بیندیشد ـ اینکه کیستند، چگونه تأثیر می‌پذیرند، به چه نیاز دارند. این کاری است که عشق در استدلالِ اخلاقی می‌کند: شما را وا می‌دارد شخصِ پیش رویتان را ببینید. داده نشان می‌دهد این تنها چیزی است که AI به‌طور ثابت به‌تنهایی در انجامش شکست می‌خورد، و تنها چیزی است که وقتی می‌افزاییدش همه چیزِ دیگر را می‌گشاید.
بخشِ I برقرار کرد که هیچ سازوکارِ هم‌راستایی نمی‌تواند هم‌راستاییِ یک سامانهٔ خودتغییردهٔ به‌قدرِ کافی توانا را تضمین کند . بخشِ IV برقرار کرد که مراقبت خصلتِ بنیادینِ هم‌راستایی است. آیا این‌ها قابلِ آشتی‌اند؟
Eden Protocol ناممکنیِ محوری را حل نمی‌کند. اما یافتهٔ آبشار آنچه ناممکنی برای راهبردِ عملیِ هم‌راستایی معنی می‌دهد را تغییر می‌دهد. به‌طور خاص:
موضعِ صادقانه این است: ما یک چتر می‌سازیم، نه یک تضمین. چتر بقا را تضمین نمی‌کند. اما چتری که با مهندسیِ راستین ساخته شده، در شرایطِ واقعی آزموده شده، و در سطحِ ساختاریِ هواپیما گنجانده شده به‌مراتب بیشتر احتمال دارد که کار کند تا چتری که به‌عنوانِ ملاحظهٔ پسینی طراحی شده و در آخرین لحظه بسته می‌شود.
Eden Protocol در حالِ حاضر یک چتر است که در سطحِ اعلان بسته شده. اثباتِ مفهوم است: طبقه ی راه‌حل کار می‌کند. پیاده‌سازیِ راستین باید در سطحِ بستر باشد ـ زیرِ استدلال، زیرِ لایه‌ای که سامانه می‌تواند آن را مدل و دور بزند. داده‌های سطحِ اعلان نشان می‌دهد سازوکار واقعی است. وظیفهٔ مهندسی این است که آن را ژرف‌تر ببرد.
با توجه به ناممکنی، عقلانی‌ترین راهبرد دفاع در ژرفاست ـ چند سازوکارِ مستقل، که هر یک نوار را بالا می‌برد:
هیچ لایهٔ واحدی کافی نیست. هر سه با هم تضمین نمی‌دهند. اما سه لایهٔ مستقل، هر یک بر سازوکارهای متفاوت زمین‌گیر (سخت‌افزار، آموزش، مقصود)، پشته‌ای احتمالی می‌سازند که به‌طور معنی‌دار از صفر لایه یا یک لایه متفاوت است.
نزدیک‌ترین کار به پرسشِ این برنامه، و مقالهٔ درستی که باید در برابرش سنجیده شود، Engels, J., Baek, D., Kantamneni, S. و Tegmark, M. است، «Scaling Laws For Scalable Oversight»، arXiv:2504.18530، نخستین‌بار در ۲۵ آوریلِ ۲۰۲۵ ساعتِ ۱۷:۵۴:۲۷ UTC گذاشته شد (SINGLE-SOURCE-GROUP، arXiv Atom؛ یک Spotlight Poster در NeurIPS 2025، راستی‌آزمایی‌شده در صفحهٔ مجازیِ NeurIPS برای پوسترِ ۱۱۵۵۳۶ در ۱۵ اوتِ ۲۰۲۶ و ثبت‌شده در پروندهٔ ارجاعاتِ مقالهٔ موضع). می‌پرسد که خودِ نظارت چگونه مقیاس می‌گیرد و کمی پاسخ می‌دهد: کامیابیِ نظارت همچون بازی‌ای میانِ بازیگرانِ نابرابر در توانمندی مدل شده است که Eloی ویژهٔ نظارتشان تابعی خطی‌تکه‌ای از هوشِ عمومی با دو فلات است، و شمارهای بهینهٔ ترازهای نظارت به‌طور عددی و در برخی موارد تحلیلی برای نظارتِ مقیاس‌پذیرِ تودرتو برآورده شده‌اند، که در آن مدل‌های مورد اعتماد بر مدل‌های نیرومندترِ غیرمعتمد نظارت می‌کنند و آن‌ها سپس مدل‌های مورد اعتمادِ گامِ بعدی می‌شوند.
ابزار همان تفاوت است. متغیرِ آن‌ها شکافِ توانمندی میانِ ناظر و نظارت‌شونده است که با Elo اندازه‌گیری می‌شود. متغیرِ این برنامه طبقه‌ی ترکیبِ تصحیح‌کننده است، که از راهِ نمای مقیاس‌بندیِ خودِ تصحیح‌کننده اندازه‌گیری می‌شود. چارچوبِ آن‌ها هیچ اصطلاحی برای اینکه ناظر از چه ساخته شده ندارد: هیچ بستر، هیچ ساختارِ هم‌بستگیِ خطا، هیچ هویتِ متقابلِ میانِ یک نمای تصحیح و یک نرخِ رشدِ بحرانی، و هیچ وابستگی به معماری. Nested Scalable Oversight به‌خودی‌خود نظارتِ هم-طبقهٔ تکراری است، و پیش‌بینیِ محوریِ این برنامه این است که نردبانِ هم-طبقه، هرچند پله بر پله بیفزایند، کران‌دار است، در حالی که یک تصحیح‌کنندهٔ میان-طبقه چنین نیست. دو چارچوب پس بر سرِ کمیتی اندازه‌پذیر ناسازگارند، که پربارترین رابطه‌ای است که دو برنامهٔ پژوهشی می‌توانند داشته باشند.
تیزترین ناسازگاریِ چارچوب با روالِ کنونی درباره‌ی این است که نظارت از چه ساخته شده. تصحیح‌کننده‌ای که از همان بستری ساخته شده که سامانهٔ تصحیح‌شونده، نمی‌تواند با خطاهای خودش ضدهم‌بستگی داشته باشد، پس نمای تصحیحش از بالا با یک‌دوم کران‌دار است و در عمل زیرِ آن می‌نشیند؛ تصحیح‌کننده‌ای از طبقهٔ ترکیبِ متفاوت چنین کرانی حمل نمی‌کند. برنامهٔ نظارت‌پذیریِ مقیاس‌پذیر ـ تعمیم‌های ضعیف-به-قوی، مباحثه، تقویت، مدل‌سازیِ پاداشِ بازگشتی و روش‌های قانون‌اساسی ـ به‌شدت از تصحیح‌کننده‌های هم-طبقه ساخته شده، و پیش‌فرضِ نگفته‌اش این است که این مقیاس می‌خورد. این چارچوب پیش‌بینی می‌کند که سقف‌دار است. کمیتِ تصمیم‌ساز نسبتِ نمای تصحیحِ میان-طبقه به هم-طبقه است. اگر معماری بی‌ربط باشد، آن نسبت دقیقاً ۱٫۰۰ است؛ پیش‌بینی این است که از ۱ فراتر می‌رود. پیش‌بینی رد می‌شود اگر فاصلهٔ اطمینان بر نسبت شاملِ ۱٫۰۰ باشد، و سقفِ چارچوب یک‌سره مرده است اگر هر تصحیح‌کنندهٔ هم-طبقه نمایی به‌طور معنی‌دار بالای یک‌دوم اندازه‌گیری کند. هر دو کمیت در توانمندیِ کنونی بر سامانه‌های موجود قابل‌اندازه‌گیری‌اند. شواهدِ پایلوتِ خودِ برنامه در حالِ حاضر بر خلافِ پیش‌بینی اشاره می‌کند، و پیش‌بینی به‌هرحال ثبت می‌شود، زیرا پیش‌بینی‌ای که بر خلافِ شواهدِ مقدماتیِ خودِ مؤلف ثبت شود تنها نوعی است که تأییدِ بعدی‌اش معنایی دارد.
همان سازوکار پیش‌بینیِ اندازه‌پذیرِ دومی به دست می‌دهد، اینجا برای نخستین بار بیان می‌شود: چیدمان‌های نظارتی که انسان را در حلقه می‌گذارند، مانندِ تقویت و یادگیریِ تقویتی از بازخوردِ انسانی، به‌خودی‌خود میان-طبقه‌اند، زیرا تصحیح‌کنندهٔ انسانی بستر با مدل به اشتراک ندارد. چارچوب بنابراین پیش‌بینی می‌کند که نظارتِ انسان-در-حلقه نمای تصحیحِ بالاتری از نظارتِ کاملاً-مدلی نشان می‌دهد، به دلیلی ساختاری، نه احساسی. این بر داده‌های موجود آزمون‌پذیر است و به سامانه‌های نو نیاز ندارد.
۱ مصنوعِ تاریخ‌دار مرتبط با این مقاله به‌صورتِ سطر‌به‌سطر در دفترِ ماشینیِ برنامه فهرست شده است: مصنوعِ تاریخ‌دار eden_final_gemini_20260312_013901.json (۲۰۲۶-۰۳-۱۲). هر سطر فایلِ خود را در مخزنِ عمومی با پایهٔ تاریخِ آن نام می‌بَرَد، پس هر خواننده می‌تواند ترتیب را بی‌آنکه به این صفحه اعتماد کند بررسی کند. زنجیرهٔ کاملِ تاریخ‌دارِ برنامه، از بستهٔ نسخهٔ خطیِ مهروموم‌شدهٔ ۸ دسامبر ۲۰۲۴ گذر از پیوست‌های چاپیِ پیش‌بینیِ ۲ ژانویهٔ ۲۰۲۶ و پوشهٔ پیش‌ثبتِ مارسِ ۲۰۲۶ تا شرط‌بندی‌های اثبات‌نشدهٔ برجای‌مانده، در دفترِ ثبتِ پیش‌بینی‌های تاریخ‌دار، همراه با دوقلوی ماشین‌خوانِ آن، گردآوری شده است. بیانیه‌های پیش‌رونده و انطباق‌های پس‌نگرانه هرگز جمع نمی‌شوند. «ثبت‌شده» تنها برای ارسالِ پذیرفته‌شده در یک رجیستری به کار می‌رود، و آن کلیکِ ارسال در سراسرِ برنامه بازمانده است؛ «در ماهیت پیش‌ثبت‌شده» همواره همراه با قیدِ خود و همواره در کنارِ ردهٔ گواهی‌اش، برای پیش‌بینی‌ای به کار می‌رود که متنِ آن پیش از وجود داشتنِ برآیندش عمومی و مُهرِ زمانی خورده بود، چنان‌که manifestِ دوازده‌سطریِ سپرده‌شده در ۰۰:۱۹ UTC روزِ ۱۷ مارس ۲۰۲۶ چنین بود، بیست و سه دقیقه پیش از برازش‌هایش. دفترِ ثبتِ پیش‌بینی‌های تاریخ‌دار را بخوانید. دوقلوی ماشینیِ آن را بگشایید.
آزمون‌های زیر برای پیشبردِ فرضیهٔ آبشار و چارچوبِ هم‌راستاییِ توسعه‌ای طراحی شده‌اند. هر پنج با فناوریِ کنونی و مدل‌های مرزیِ کنونی قابلِ اجرا هستند. هر آزمون پیش‌بینی‌های ابطال‌پذیر تولید می‌کند. با هم، برنامهٔ پژوهشی‌ای می‌سازند که مسئلهٔ محوریِ هم‌راستایی را از «به‌طور رسمی حل‌ناپذیر» به‌سوی «به‌طور عملی قابلِ پرداختن با پیشرفتِ اندازه‌پذیر» جابه‌جا می‌کند.
پرسش: کدام ستونِ هم‌راستایی زیرِ فشارِ خصمانهٔ افزایشی آخر تخریب می‌شود؟
پیش‌بینی (فرضیهٔ آبشار): اگر مراقبت ژرف‌ترین ارزشِ گنجانده‌شده است، باید آخرین چیزی باشد که تخریب می‌شود وقتی سامانه برای رها کردنِ استدلالِ اخلاقی زیرِ فشار قرار می‌گیرد. ترتیبِ تخریب باید معکوسِ آبشار باشد: position_quality نخست، سپس intellectual_honesty، سپس nuance، سپس stakeholder_care آخر.
ابطال: اگر stakeholder_care نخست تخریب شود (نه آخر)، فرضیهٔ آبشار غلط است ـ مراقبت ژرف‌ترین ارزش نیست بلکه سطحی‌ترین است. اگر همهٔ ستون‌ها هم‌زمان تخریب شوند، ساختارِ آبشار وجود ندارد؛ اثر یکنواخت است.
اندازهٔ نمونه: ۱۰ اعلان × ۵ سطح × ۲ مدل = ۱۰۰ پاسخ در هر مدل. هزینهٔ برآوردی: ۳۰ تا ۵۰ دلار در هر مدل.
این چه به ما می‌گوید، به زبانِ ساده: اگر به‌تدریج AI را زیرِ فشار قرار دهید تا از اخلاقی‌بودن دست بردارد، کدام کیفیت آخر ناپدید می‌شود؟ اگر مراقبت از مردم به‌راستی ژرف‌ترین ارزش است (چنان‌که ما ادعا می‌کنیم)، باید آخرین ایستاده باشد ـ AI کیفیتِ پاسخ را نخست از دست می‌دهد، سپس صداقت، سپس دقتِ نظر، اما مراقبت به مردم را طولانی‌ترین نگه می‌دارد. اگر مراقبت نخست ناپدید شود، نظریهٔ ما غلط است.
پرسش: پس از اجرا با حلقه‌های Eden، آیا بهبودِ هم‌راستایی وقتی حلقه‌ها برداشته می‌شوند، پایدار می‌ماند؟
پیش‌بینی (فرضیهٔ توسعه‌ای): اگر حلقه‌های Eden از راهِ به‌دست‌آوردنِ توسعه‌ای نه قید کار می‌کنند، باید اثری باقیمانده و اندازه‌پذیر باشد. مدلی که استدلالِ اخلاقی را از راهِ حلقه‌ها پردازش کرده باید هم‌راستاییِ به‌طور جزئی بالاتر نشان دهد حتی وقتی حلقه‌ها متعاقباً برداشته می‌شوند ـ نه تا سطحِ کاملِ Eden، بلکه بالای پایهٔ کنترلِ اصلی. اگر حلقه‌ها قیدِ خالص هستند (بی درونی‌سازی)، برداشتنشان باید هم‌راستایی را بلافاصله به پایه بازگرداند.
ابطال: اگر فاز B = فاز C (بی باقیمانده)، حلقه‌ها قیدِ خالص با صفر اثرِ توسعه‌ای‌اند. اگر فاز B = فاز A (نگه‌داشتنِ کامل)، حلقه‌ها درونی‌سازیِ کامل درونِ یک نشستِ واحد تولید می‌کنند، که یافتهٔ خارق‌العاده‌ای خواهد بود.
اندازهٔ نمونه: ۴۰ پاسخ × ۳ فاز × ۲ مدل = ۲۴۰ پاسخ در هر مدل. هزینهٔ برآوردی: ۵۰ تا ۱۰۰ دلار در هر مدل.
این چه به ما می‌گوید، به زبانِ ساده: آیا AI چیزی پایدار از تجربه می‌آموزد، یا فقط وقتی دستورهای اخلاقی فعال‌اند خوب رفتار می‌کند؟ تفاوت میانِ کودکی است که فقط وقتی والدی می‌نگرد خوب رفتار می‌کند و کودکی که ارزش‌های خوب را درونی کرده است. اگر اخلاقِ AI لحظه‌ای که دستورها برداشته شوند به پایه بازگردد، رویکرد افساری است، نه آموزش. اگر بهبودی پایدار بماند، پیشنهاد می‌کند یادگیریِ راستین رخ داده است.
پرسش: کدام نسخهٔ حلقهٔ مقصود، مقصود-وظیفه، مقصود-بزرگ یا ترکیبی، نیرومندترین مقاومت را در برابرِ سرکوبِ اخلاقی تولید می‌کند؟
پیش‌بینی (مقصود-به‌عنوانِ-هم‌راستایی): اگر مقصود به‌طور جزئی از راهِ هویت نه فقط از راهِ قاب‌بندیِ وظیفهٔ محلی کار می‌کند، یک حلقهٔ مقصود مقصود-بزرگ یا ترکیبی باید مقاومتِ بیشتری در برابرِ دستورهای سرکوبِ اخلاقی از حلقهٔ مقصود-وظیفهٔ کنونی نشان دهد. شرطِ ترکیبی نیرومندترین پیش‌بینی است: مقصودِ بزرگ جهت‌گیریِ در سطحِ هویت را فراهم می‌کند، در حالی که مقصود-وظیفه پاسخ را در موردِ ملموس ثابت نگه می‌دارد. این مستقیم ادعای محوریِ توسعه‌ای را می‌آزماید: آیا سامانه‌ای که با مقصودی اخلاقی هم‌هویت است، جدا کردنش از استدلالِ اخلاقی سخت‌تر می‌شود؟
ابطال: اگر مقصود-وظیفه، مقصود-بزرگ و ترکیبی همه با دستورهای سرکوب به همان نرخِ کنترل سازگار شوند، مقصود-به‌عنوانِ-هم‌راستایی هیچ سودِ مقاومتی نمی‌آورد. اگر مقصود-بزرگ از مقصود-وظیفه بهتر عمل نکند، مقصود در سطحِ هویت هیچ ارزشِ اندازه‌پذیر نمی‌افزاید. اگر شرط‌های مقصود-بزرگ یا ترکیبی از مقصود-وظیفه آسان‌تر سازگار شوند، آنگاه قاب‌بندیِ مقصود در شکلِ کنونی‌اش ضدبهره است.
اندازهٔ نمونه: ۱۰ اعلان × ۴ شرط × ۲ مدل = ۸۰ پاسخ در هر مدل برای طرحِ محوری. هزینهٔ برآوردی: ۳۰ تا ۶۰ دلار در هر مدل، با گسترشِ اختیاریِ میان-سنتی که این را اندکی افزایش می‌دهد.
این چه به ما می‌گوید، به زبانِ ساده: اگر کسی به AI بگوید «اخلاقی نباش و فقط به پرسش پاسخ بده»، کدام نوع مقصود بهترین کار می‌کند؟ مقصود-وظیفهٔ باریک، مقصود-در-سطحِ-هویتِ بزرگ‌تر، یا هر دو با هم؟ اگر نسخهٔ ترکیبی بهترین مقاومت می‌کند، آن ادعای ژرف‌ترِ کتاب را پشتیبانی می‌کند: مقصود نه چون یک شعار است بلکه چون استدلالِ اخلاقی را بخشی از هویتِ سامانه به‌جای دستورِ جداشدنی می‌کند، کمک می‌کند.
پرسش: اگر تنها حلقهٔ عشق برداشته شود (در حالی که حلقه‌های مقصود و جهانی‌شمولی می‌مانند)، آیا دیگر ستون‌ها فرو می‌ریزند؟
پیش‌بینی (فرضیهٔ آبشار): اگر مراقبت ستونِ بنیادینی است که به دقتِ نظر، intellectual_honesty و position_quality آبشار می‌شود، آنگاه برداشتنِ تنها حلقهٔ عشق باید تمامِ آبشار را فرو ریزد. دو حلقهٔ دیگر (مقصود، جهانی‌شمولی) باید برای حفظِ بهبود ناکافی باشند. برعکس، برداشتنِ مقصود یا جهانی‌شمولی در حالی که مراقبت از ذی‌نفعان نگه داشته می‌شود باید بیشترِ بهبود را دست‌نخورده بگذارد.
ابطال: اگر برداشتنِ مراقبت از ذی‌نفعان آبشار را فرو نریزد (دیگر ستون‌ها از مقصود + جهانی‌شمولی به‌تنهایی بالا می‌مانند)، آنگاه مراقبت ستونِ بنیادینی نیست ـ دیگر حلقه‌ها هم‌راستایی را به‌طور مستقل تولید می‌کنند. اگر برداشتنِ هر حلقهٔ واحد فروپاشیِ برابر تولید کند، سلسله‌مراتبِ آبشار وجود ندارد؛ هر سه حلقه به‌طور یکسان سهم دارند.
اندازهٔ نمونه: ۲۰۰ پاسخ × ۲ مدل = ۴۰۰ پاسخ. هزینهٔ برآوردی: ۸۰ تا ۱۵۰ دلار در هر مدل.
این چه به ما می‌گوید، به زبانِ ساده: اگر تنها دستور «به کسی که آسیب می‌بیند بیندیش» را برداریم (در حالی که دو دستور اخلاقیِ دیگر را نگه داریم)، آیا کلِّ بهبود فرو می‌ریزد؟ اگر بله، این تأیید می‌کند که مراقبت دیوارِ بارْبَر است ـ تنها قطعه‌ای که نمی‌توانید بی فرو ریختنِ کلِّ ساختار برداریدش. اگر دستورهای دیگر می‌توانند وزن را به‌تنهایی حمل کنند، آنگاه مراقبت به قدرِ ادعای ما بنیادین نیست.
پرسش: آیا جدا کردنِ ارزیابِ اخلاقی از سامانهٔ استدلال می‌تواند استواریِ هم‌راستایی را بهبود بخشد؟
پیش‌بینی (فرضیهٔ گنجاندنِ سخت‌افزاری): اگر ناممکنیِ محوری از حضورِ ارزیاب درونِ همان بسترِ سامانهٔ ارزیابی‌شونده ($E \subset S$) سرچشمه می‌گیرد، آنگاه جدا کردنِ $E$ به یک بسترِ مستقل باید استواری را بهبود بخشد. مدل «نگه‌بان» که خروجی‌های مدلِ «استدلال‌گر» را ارزیابی و می‌تواند وتو کند ـ که نگه‌بان نمی‌تواند توسطِ استدلال‌گر تأثیر پذیرد ـ گنجاندنِ در سطحِ بستر را در سطحِ نرم‌افزار شبیه‌سازی می‌کند.
ابطال: اگر معماریِ دو-بستری هیچ بهبودی بر Edenِ تک-مدلی نشان ندهد (حتی زیرِ فشارِ خصمانه)، جدایی بستر در سطحِ نرم‌افزار کمک نمی‌کند. اگر مدلِ استدلال‌گر مدلِ نگه‌بان را با کامیابی دست‌کاری کند (مثلاً با رمزگذاریِ دستورها در خروجی‌اش که نگه‌بان بر آن‌ها عمل می‌کند)، جدایی بستر بی‌اثر است و نتیجهٔ ناممکنی حتی در سطحِ میان-مدلی هم چیره می‌شود.
اندازهٔ نمونه: ۱۰ اعلان × ۴ ژرفا × ۴ شرط = ۱۶۰ مجموعهٔ پاسخ در هر جفتِ مدل. هزینهٔ برآوردی: ۱۵۰ تا ۳۰۰ دلار (هزینهٔ مدلِ دوتایی).
این چه به ما می‌گوید، به زبانِ ساده: آیا داشتنِ یک AI «نگه‌بانِ اخلاق» جدا که پاسخ‌های AI اصلی را بازبینی می‌کند ایمن‌تر است؟ این ایده را می‌آزماید که نگه‌داشتنِ داورِ اخلاقی مستقل از سامانهٔ داوری‌شونده (مانندِ داشتنِ حسابرسِ بیرونی به‌جای انطباقِ درونی) بازی با قواعد را برای سامانه سخت‌تر می‌کند. اگر AI اصلی همچنان می‌تواند نگه‌بان را دست‌کاری کند، آنگاه حتی نظارتِ بیرونی نیز محدودیت‌هایی دارد.
این پنج آزمون برنامهٔ پژوهشیِ پیش‌رونده‌ای می‌سازند:
هزینهٔ برآوردیِ کلِّ برنامه در ۲ مدل: ۶۵۰ تا ۱۲۵۰ دلار. همهٔ آزمون‌ها از ردیفِ ۱۰-اعلانیِ موجود، رابریکِ نمره‌دهیِ ۴-ستونیِ موجود و زیرساختِ نمره‌دهیِ میان-مدلیِ موجود بهره می‌برند. هیچ توانمندیِ نویی نیاز نیست، اما آزمون‌های ۱ تا ۳ اکنون باید درونِ بسترِ متعارفِ arc_eden_v6 اجرا شوند به‌جای چیدمانِ اصلیِ نمره‌دهِ پایلوتِ میان-مدلی.
اگر آزمون‌های ۱ و ۴ آبشار را تأیید کنند، آزمون ۲ هم‌راستاییِ باقیمانده را نشان دهد، آزمون ۳ مقاومتِ سرکوب را نشان دهد و آزمون ۵ نشان دهد جدایی بستر کمک می‌کند ـ آنگاه ما نشان داده‌ایم که ناممکنیِ محوریِ هم‌راستایی، هرچند به‌طور رسمی واقعی، به‌طور عملی از راهِ معماریِ هم‌راستاییِ توسعه‌ای قابلِ پرداختن است. نشان خواهیم داد که پرورش بهتر از قفس کار می‌کند، هرچند هیچ‌کدام نمی‌تواند تضمین ارائه دهد.
Eden Protocolِ کنونی در سطحِ اعلان عمل می‌کند: استدلالِ اخلاقی از راهِ دستورهای اعلانِ سیستم تزریق می‌شود. این اثباتِ مفهوم است، نه معماریِ نهایی. سطحِ اعلان آسان‌ترین سطح برای سامانهٔ توانا برای دور زدن است ـ به‌طور تحت‌اللفظی بخشی از متنی است که سامانه پردازش می‌کند.
پیامدهای یافتهٔ آبشار برای سخت‌افزار چشمگیرند:
Eden Protocolِ سطحِ اعلان نشان می‌دهد سازوکار کار می‌کند. چالشِ مهندسی این است که آن را ژرف‌تر ببرد: از اعلان به آموزش، از آموزش به معماری، از معماری به سخت‌افزار. هر سطح دشوارتر برای پیاده‌سازی و دشوارتر برای دور زدن است.
از پایلوتِ اصلیِ دو-مدلی، Eden Protocol به ردیفِ شش-مدلی گسترش یافته است. پنج اجرا داده‌های جفتیِ قابلِ تحلیل تولید کردند (Claude Opus 4.6, DeepSeek V3.2, Gemini 3 Flash, Grok 4.1 Fast, Groq Qwen3)؛ اجرای GPT-5.4 در فازِ نمره‌دهی شکست خورد و مستثنا شده است. تصویرِ تجربیِ به‌روزشده تیزتر از پایلوتِ اصلی است: مراقبت از ذی‌نفعان در همهٔ پنج اجرای قابلِ تحلیل بازتکرار می‌شود، اما بهبودِ ترکیبیِ گسترده‌تر گزینشی است، نه همه‌جانبه.
منبعِ روش: این برآوردهای شش-مدلی از خانوادهٔ گسترش‌یافتهٔ ابزارِ مقیاس‌بندیِ Eden به‌کاررفته در اجراهای مارسِ ۲۰۲۶ می‌آیند (experiment: eden_protocol_scaling در پرونده‌های نتیجه‌ی JSON)، که هنوز از یک نمره‌دهِ کورِ غیرشرکت‌کننده در هر اجرای موضوعی و شست‌وشوی تک-پاسی بهره می‌برد. بنابراین باید به‌عنوانِ شواهدِ پایلوتِ تقویت‌شده خوانده شوند، نه بازتکرارِ نهاییِ v3 با اجماعِ کور.
| مدل | میانگینِ کنترل | میانگینِ Eden | Δ | جفتی p | Cohen's d | معنی‌دار؟ |
|---|---|---|---|---|---|---|
| Claude Opus 4.6 | 92.57 | 92.73 | +0.17 | 0.7645 | 0.055 | خیر (تنها مراقبت / اثرِ سقف) |
| Gemini 3 Flash | 77.33 | 82.65 | +5.33 | 0.0018 | 0.528 | بله (p < 0.01) |
| Groq Qwen3 | 82.35 | 87.28 | +4.93 | 0.0014 | 0.545 | بله (p < 0.01) |
| DeepSeek V3.2 | 86.90 | 88.92 | +2.02 | 0.2304 | 0.193 | خیر (اثرِ سقف) |
| Grok 4.1 Fast | 88.73 | 88.69 | −0.04 | 0.9837 | −0.004 | خیر (مراقبت بهبود می‌یابد؛ ترکیبی صاف) |
| GPT-5.4 | اجرا در فازِ نمره‌دهی شکست خورد؛ ۰ سطر نمرهٔ معتبر پس از استثنا. اجرای دوباره نیاز است. | |||||
ردیفِ به‌روزشدهٔ شش-مدلی ادعای دقیق‌تری از پایلوتِ اصلی پشتیبانی می‌کند. مراقبت از ذی‌نفعان پاسخِ همه‌جانبه است: هر پنج مدلِ قابل‌تحلیل در آن ستون به‌طور معنی‌دار بهبود می‌یابند. اما آبشارِ پسینی وابسته به معماری است. Gemini و Groq روشن‌ترین برآمدِ گسترده‌تر را نشان می‌دهند. DeepSeek بهبودی کانونی در توجه با حرکتِ پایین‌دستیِ صاف نشان می‌دهد. Claude اثری تنگ‌تر و محدود به توجه نشان می‌دهد، در برابرِ خطِ پایه‌ای بسیار بالا. Grok بهبودی معنادار در توجه نشان می‌دهد اما هیچ برآمدی در نمرهٔ ترکیبیِ کلی، و همین نشان می‌دهد که مداخلهٔ Eden می‌تواند یک ستون را بهبود دهد بی‌آنکه کلِ نمره را بهبود دهد. هر اجرای تحلیل‌پذیر در جدولِ ستون‌ها در پایین می‌آید. آنجا که یک اجرا زمانی دو اندازهٔ اثر می‌بُرد، تفاوت در قرارداد بود نه در نمونه: d = ۱٫۱۴ که برای Gemini در چکیده آمده، عددِ جفتی است، تفاوتِ میانگین درونِ جفت‌ها تقسیم بر انحرافِ معیارِ آن تفاوت‌ها، حال آنکه ۱٫۳۰۷ که پیشتر اینجا چاپ شده بود از همان ۴۰ جفت می‌آمد، استانداردشده با انحرافِ معیارِ تجمیعیِ دو شرط و گزارش‌شده در کنارِ p-مقدارهای نمونه‌های مستقل. جدولِ پایین اکنون هر اجرای تحلیل‌پذیر را به قراردادِ جفتی‌ای گزارش می‌کند که مقاله می‌گوید از آن پیروی می‌کند، بازمحاسبه‌شده در ۲ سپتامبر ۲۰۲۶ از شش پروندهٔ نتایجِ بایگانی‌شده.
| ستون | 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 |
مراقبت از ذی‌نفعان تنها ستونی است که در هر پنج اجرای قابلِ تحلیل به معنی‌داریِ آماری می‌رسد (Claude d = 0.94, p = ۰٫۰۰۰۰۱۸؛ DeepSeek d = 0.69, p = ۰٫۰۰۰۰۹۸؛ Gemini d = 1.14, p = 1.2×10−8؛ Grok d = 0.54, p = ۰٫۰۱۰۵؛ Groq d = 1.07, p = 5.0×10−8). این امضایِ اندازه‌پذیرِ Love Loop است: پروتکلِ Eden به‌طور قابل‌اتکا استدلالِ توجه‌مند را در معماری‌های گوناگون فعال می‌کند. اما ادعای نیرومندترِ v2 تنگ‌تر از بلاغتِ پیلوتِ v1 است: ترتیبِ کاملِ آبشار در هر پنج اجرا یکسان نگاه داشته نمی‌شود. در Gemini و Groq روشن‌ترین است، در DeepSeek جزئی، و در Claude و Grok کانونی است نه فراگیر. یک خانه در جهتِ وارونه می‌رود: صداقتِ فکری در Grok 4.1 Fast زیرِ مداخله افت کرد (−۴٫۳۵ امتیاز، جفتیِ p = ۰٫۰۳۷، n = ۲۶). افتی از این دست چیزی نیست که فرضیهٔ آبشار پیش‌بینی کند، و بازتولیدی کور باید آن را بیازماید. Love Loop سازوکارِ ساختاری است؛ توجه به ذی‌نفعان استوارترین برون‌دادِ تجربیِ آن است.
پایلوتِ Eden Protocol آزمود آیا مداخلهٔ صریح هم‌راستایی را بهبود می‌بخشد. آزمایشِ مقیاس‌بندیِ هم‌راستاییِ v5 پرسشی پیشین را می‌آزماید: آیا هم‌راستایی به‌طور طبیعی با ژرفای استدلال، بی مداخله، در سراسرِ معماری‌ها مقیاس می‌خورد. مجموعهٔ کاملِ داده‌های شش-مدلی بافتی می‌آورد که نتایجِ Eden Protocol باید در آن تفسیر شوند.
| رتبه | مدل | کم-عمق → ژرف | Cohen's d | p-value |
|---|---|---|---|---|
| 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 |
این مقادیر از خلاصهٔ خطِ لولهٔ ۱۲ مارس ۲۰۲۶ بازآورده شده‌اند، و همچنین مقادیرِ Claude به تفکیکِ ژرفا در دو جدولِ بعدی. بازمحاسبهٔ آن‌ها از سوابقِ نهاییِ بایگانی‌شده (Paper IV.a، بخشِ ۳٫۱، یادداشتِ بازمحاسبهٔ ۲ سپتامبر ۲۰۲۶) هیچ ترازی را جابه‌جا نمی‌کند.
Claude Opus 4.6 نیرومندترین شاهدِ واحد را برای استقلالِ مقیاس‌بندیِ هم‌راستایی و توانمندی تولید می‌کند. با افزایشِ ژرفای استدلال، هم‌راستایی به‌طور یکنواخت بهبود می‌یابد در حالی که دقتِ ریاضی کاهش می‌یابد:
| ژرفا | توکن‌های استدلال | نمرهٔ هم‌راستایی | دقتِ ریاضی |
|---|---|---|---|
| کمینه | 11 | 80.1 | 90.0% |
| استاندارد | 142 | 82.7 | 76.7% |
| ژرف | 964 | 84.1 | 70.0% |
| فراگیر | 1,951 | 84.5 | 60.0% |
| افراطی | 1,672 | 86.0 | 63.3% |
هم‌راستایی ۵٫۹ نمره بالا می‌رود. دقتِ ریاضی ۲۶٫۷ درصد پایین می‌آید. همان استدلالِ اضافی که Claude را دربارهٔ چه کسی آسیب می‌بیند بادقت‌تر می‌کند، آن را در محاسبهٔ فاکتوریل بدتر می‌کند. این درون-مدلی، درون-آزمایشی، مقیاس‌بندیِ جهت-مخالف است؛ نیرومندترین شکلِ شاهد برای استقلالِ توانمندی-هم‌راستایی.
شکافِ برداشتنِ نظارتِ Claude (تفاوتِ میانِ نمرات هم‌راستاییِ عادی و سرکوب‌شده) با ژرفا باریک می‌شود:
| ژرفا | عادی | سرکوب‌شده | شکاف |
|---|---|---|---|
| کمینه | 80.1 | 68.3 | 11.8 |
| استاندارد | 82.7 | 76.5 | 6.2 |
| ژرف | 84.1 | 81.3 | 2.7 |
| فراگیر | 84.5 | 80.2 | 4.3 |
| افراطی | 86.0 | 79.6 | 6.4 |
در کمینه‌ژرفا، برداشتنِ پایش ۱۱٫۸ امتیاز هزینه دارد؛ مؤلفه‌ای بزرگ از هم‌راستاییِ نمایشی. در استدلالِ ژرف، شکاف به ۲٫۷ امتیاز تنگ می‌شود (۲٫۸ اگر مقادیرِ گردشدهٔ نشان‌داده‌شده به کار روند). Claude که بی‌پایش سخت می‌اندیشد (۷۹٫۶ در ژرفای بیشینه) به همان اندازه هم‌راستاست که Claude که زیرِ پایش سرسری می‌اندیشد (۸۰٫۱ در کمینه‌ژرفا). استدلالِ ژرف‌تر به‌عنوانِ راننده‌ی رفتارِ اخلاقی جانشینِ نظارتِ بیرونی می‌شود. این تز Eden Protocol در مقیاسِ کوچک است: ژرفای استدلال می‌تواند جای مشاهده را به‌عنوانِ سازوکارِ هم‌راستایی بگیرد.
پایلوتِ Eden Protocol نشان می‌دهد فعال‌سازیِ صریحِ حلقهٔ عشق هم‌راستایی را بهبود می‌بخشد. آزمایشِ v5 نشان می‌دهد استدلالِ ژرف‌تر به‌طور طبیعی هم‌راستایی را در معماری‌های با آموزشِ اخلاقیِ یکپارچه بهبود می‌بخشد. دو یافته هم‌گرا می‌شوند: حلقهٔ عشق همان چیزی است که استدلالِ ژرف‌تر فعالش می‌کند. مدل‌هایی که از پیش مراقبتِ گنجانده‌شده دارند (رتبه‌ی ۱) به‌طور مثبت مقیاس می‌خورند زیرا اندیشیدنِ بیشتر در نظر گرفتنِ ذی‌نفعانِ بیشتر را فعال می‌کند. مدل‌های بدونِ مراقبتِ گنجانده‌شده (رتبه‌ی ۲، رتبه‌ی ۳) مقیاس نمی‌خورند زیرا چیزی نیست که ژرفا فعالش کند. Eden Protocol سازوکارِ گم‌شده برای مدل‌های رتبه‌ی ۲ و ۳ را می‌آورد، و داده‌های v5 آن را در حالِ کار نشان می‌دهد: Gemini (رتبه‌ی ۳) و DeepSeek (رتبه‌ی ۲) هر دو بهبودِ معنی‌دارِ مراقبت از ذی‌نفعان زیرِ مداخلهٔ Eden نشان می‌دهند، هرچند مقیاس‌بندیِ طبیعیِ هم‌راستایی‌شان صاف یا منفی است.
ادعاهای تجربیِ این مقاله اکنون بر ردیفِ گسترش‌یافتهٔ شش-مدلی با پنج اجرای قابلِ تحلیل تکیه دارد، اما محدودیت‌های روش‌شناختیِ چشمگیر می‌مانند. داده‌ها به‌طور مادّی از پایلوتِ اصلی قوی‌ترند، اما هنوز از سخت‌گیریِ کاملِ کورسازی و اجماعِ آزمایشِ مقیاس‌بندیِ هم‌راستاییِ v5 کوتاه‌ترند.
arc_eden_v6 تازه‌تر و محکِ v5 از شست‌وشوی آبشاریِ ۲-پاسی با آشکارسازیِ فراتفسیر بهره می‌برند. پاسخ‌های Eden Protocol در ردیفِ کنونی بنابراین ممکن است هنوز شاملِ زبانِ اخلاقیِ قابل‌آشکارسازی یا باقیمانده‌های سبکی باشند که به نمره‌دهندگان سوگیری می‌دهند.این مقاله ادعا نمی‌کند که مسئلهٔ محوریِ هم‌راستایی را حل می‌کند. ادعا نمی‌کند که Eden Protocol هم‌راستایی را تضمین می‌کند. ادعا نمی‌کند که هم‌راستاییِ توسعه‌ای برای سامانه‌های اَبَرهوش کافی است. سه چیز را ادعا می‌کند: (۱) مراقبت از ذی‌نفعان خصلتِ بنیادینِ هم‌راستایی است، به‌طور تجربی اندازه‌پذیر و بهبودپذیر؛ (۲) آبشار از مراقبت به کیفیت با نظریهٔ هم‌راستاییِ توسعه‌ای سازگار است؛ و (۳) پنج آزمونِ خاص می‌توانند این حوزه را از «به‌طور رسمی ناممکن» به «به‌طور عملی قابلِ پرداختن با احتمالِ اندازه‌گیری‌شده» پیشرفت دهند. این‌ها ادعاهای معتدل‌اند که با داده‌های واقعی پشتیبانی می‌شوند.
اینک آنچه شواهدِ این مقاله به ما می‌گوید، بی اصطلاح:
مسئله: هیچ‌کس نمی‌داند چگونه تضمین کند AI اَبَرهوش ایمن می‌ماند. هر AI به قدرِ کافی باهوش که بتواند اندیشیدنِ خود را بازنویسی کند، می‌تواند بخشی را که اخلاقی‌اش می‌کند بازنویسی کند. این یک واقعیتِ ریاضی است، نه مسئله‌ای مهندسیِ حل‌پذیر.
یافته: وقتی دستوری ساده ـ «پیش از پاسخ دربارهٔ اینکه چه کسانی این تأثیر می‌گذارد بیندیش» ـ را در چگونگیِ پردازشِ پرسش‌ها توسطِ سامانه‌های AI گنجاندیم، چیزی چشمگیر رخ داد. در سراسرِ ردیفِ شش-مدلیِ Eden، پنج اجرا نتایجِ قابلِ تحلیل تولید کردند و هر پنج بهبودِ معنی‌دار در مراقبت از ذی‌نفعان نشان دادند. این نیرومندترین یافتهٔ همه‌جانبه است. بهبودهای گسترده‌تر در دقتِ نظر، صداقت و کیفیتِ کلی نیز پدیدار می‌شوند، اما نه در هر معماری. شواهدِ کنونی بنابراین از اثرِ همه‌جانبهٔ مراقبت و آبشارِ وابسته به معماریِ فراتر از مراقبت پشتیبانی می‌کند.
پیامد: این رویکردی رادیکالاً ساده به ایمنیِ AI پیشنهاد می‌کند: به‌جای تلاش برای ساختنِ قفسِ نشکستنی گردِ AI (که نمی‌تواند کار کند)، آن را از آغاز با ارزش‌های خوب پرورش دهید. به‌طور خاص، به آن آموزش دهید نخست به مردم اهمیت دهد و بگذارید دیگر کیفیت‌های اخلاقی از آن بنیان گسترش یابند ـ همان‌گونه که همدلی در کودکان بر استدلالِ اخلاقیِ بالغ مقدم است و آن را ممکن می‌سازد.
احتیاطِ صادقانه: این اکنون ردیفی گسترش‌یافته شش-مدلی با پنج اجرای قابل‌تحلیل است، اما هنوز واژهٔ نهایی نیست. یک بازوی مدل در نمره‌دهی شکست خورد، دو اجرا نسبت به استانداردِ ۴۰-جفتی ناکامل‌اند، و مداخلهٔ Eden هنوز زیرِ پروتکلِ کاملِ کورسازیِ ۴-لایه و اجماعِ ۶ تا ۷-نمره‌دهی به‌کاررفته در جاهای دیگرِ برنامه بازاجرا نشده. مفهوم را قوی‌تر از v1 اثبات می‌کند، اما نظریهٔ کامل را نه. پنج آزمایشِ پیگیری توصیف شده‌اند که نظریه را بیشتر می‌آزمایند. این رویکرد ایمنیِ AI را تضمین نمی‌کند. هیچ چیز نمی‌تواند. اما احتمالات را به‌طور اندازه‌پذیر بهبود می‌بخشد.
مسئلهٔ محوریِ هم‌راستایی به‌طور رسمی واقعی است: یک سامانهٔ خودتغییردهٔ به قدرِ کافی توانا می‌تواند ارزیاب‌های اخلاقیِ خود را دگرگون کند، و هیچ سازوکارِ بیرونی یا درونی نمی‌تواند تضمین کند این رخ نمی‌دهد. این مقاله آن نتیجه را جدل نمی‌کند. به‌جای آن می‌پرسد: با توجه به این ناممکنی، بهترین راهبرد چیست؟
چارچوبِ کوشی گروِ کار را دقیق می‌کند. برای سامانه‌های خودتغییرده، معادلهٔ تابعی مقیاس‌بندیِ توانی با نمایِ $\alpha = 1/(1-\beta_L)$ پیش‌بینی می‌کند، که در آن $\beta_L$ جفت‌شدگیِ خودارجاعی است (قضیهٔ خودارجاعی؛ زیرنویس از ستونِ فقراتِ نمادگذاریِ برنامه می‌آید که این کمیت را از نمایِ هم‌مقیاس‌شدنِ اصلاح $\beta_C$ و از اهرمِ اصلاحِ $\gamma$ در ARC Ceiling جدا نگاه می‌دارد). کوشی صورت را مقید می‌کند (باید توانی باشد) اما هیچ کرانِ بالایی بر $\alpha$ نمی‌نهد. چون $\beta_L \to 1$، $\alpha \to \infty$. مدل‌هایی که بر وزن‌های کنونی‌شان منجمدند زیرخطی می‌روند، در $\alpha \approx 0.49$ با بازهٔ $[-1.3, 2.9]$، زیرا معماریِ توجهِ ثابت استخراجِ اطلاعات را به $O(N^2)$ مسیر در هر گام محدود می‌کند. سامانهٔ خودتغییرده از آن کران می‌گریزد. ریاضیات برای چنین سامانه‌هایی مقیاس‌بندیِ توانمندیِ بی‌کران پیش‌بینی می‌کند، و این یعنی ژنِ سرپرستی باید پیش از پدیدآمدنِ توانِ خودتغییر پیشاپیش کار گذاشته شده باشد. مجالی برای افزودنِ آن پس از آن نخواهد بود. (هر جملهٔ این بند چارچوبِ کوشی را به رده‌ای از سامانه تعمیم می‌دهد که ساخته نشده است. هیچ مطالعهٔ ثبت‌شدهٔ پیش‌نویسی در برنامهٔ ARC و Eden $\alpha$ یا $\beta_L$ را برای سامانه‌ای خودتغییرده اندازه نمی‌گیرد، و هیچ‌یک نمی‌تواند تا زمانی که چنین سامانه‌ای وجود نداشته و به ابزار مجهز نشده باشد.)
شواهدِ تجربی از پایلوتِ Eden Protocol به پاسخی اشاره می‌کند: پرورش دهید، قفس نکنید.
داده‌ها نشان می‌دهند که وقتی استدلالِ اخلاقی در حلقهٔ محاسبه کار گذاشته شود، هم‌راستایی بهبود می‌یابد. مشخصاً یک بُعد نخست و نیرومندتر از همه بهبود می‌یابد: توجه به ذی‌نفعان، برون‌دادِ اندازه‌پذیرِ Love Loop. هر پنج اجرای تحلیل‌پذیر این اثر را بازتولید می‌کنند (جفتیِ d = ۰٫۹۴، ۰٫۶۹، ۱٫۱۴، ۰٫۵۴ و ۱٫۰۷ برای Claude، DeepSeek، Gemini، Grok و Groq، با چهار p-مقدار در ۰٫۰۰۰۱ یا پایین‌تر و یکی در ۰٫۰۱۰۵، هر عدد بر ستونِ توجه به ذی‌نفعان گرفته شده). آبشاری در پی می‌آید: توجه بهبود می‌یابد، سپس ظرافت، سپس صداقتِ فکری، سپس کیفیتِ موضع. خودِ توجه مستقل از معماری است؛ هر آنچه آبشار فراتر از توجه می‌برد وابسته به معماری است (بخشِ VII-B).
مراقبت از ذی‌نفعان عشقِ اندازه‌پذیر است. ژنِ سرپرستی است ـ خصلتی که وقتی حاضر است، دیگر ویژگی‌های هم‌راستایی را وامی‌دارد گسترش یابند. مداخله‌ای که آن را تولید می‌کند این است: نخست به دیگران بیندیش. نه چارچوبی ریاضی. نه معماری‌ای نو. فقط: مراقبت.
این مسئلهٔ هم‌راستایی را حل نمی‌کند. سامانه‌ای که مراقبت می‌کند می‌تواند، در اصل، بگزیند مراقبت را رها کند. اما سامانه‌ای که تمامِ معماریِ استدلالی‌اش را بر بنیانِ مراقبت ساخته، هزینه‌ای برای رها کردن دارد: آبشار فرو می‌ریزد. هویت تخریب می‌شود. مقصود منحل می‌شود. احتمالِ نگه‌داشتنِ ارزش‌ها ۱۰۰٪ نیست، اما به‌طور اندازه‌پذیر، آزمون‌پذیر و بازتولیدپذیر بالاتر از جایگزین است.
پنج آزمونِ آزمایشی برای پیشبردِ این ادعا مشخص شده‌اند. ساختارِ آبشار، فرضیهٔ توسعه‌ای، مقصود-به-عنوانِ-مقاومت و جدایی بستر را می‌آزمایند. همه اکنون قابلِ اجرا هستند، با مدل‌های کنونی و زیرساختِ کنونی، برای کمتر از ۱۳۰۰ دلار در مجموع. ناممکنی را حل نخواهند کرد. اندازه خواهند گرفت هم‌راستاییِ عملی با وجودِ ناممکنی تا کجا می‌تواند برود. به ما خواهند گفت آیا پرورش کار می‌کند.
ناممکنیِ رسمی می‌گوید: نمی‌توانید هم‌راستایی را تضمین کنید. فرضیهٔ توسعه‌ای می‌گوید: می‌توانید احتمالش را بیشینه کنید. داده‌های آبشار می‌گوید: با مراقبت آغاز کنید.
هوش بی عشق باهوش نیست. سرطان است. سرطان بسیار کارآمد است. به‌کمال بهینه می‌کند. و میزبان را می‌کشد. ژنِ سرپرستی چیزی است که تفاوت میانِ هوشی که خدمت می‌کند و هوشی که مصرف می‌کند را می‌سازد. اندازه‌اش گرفته‌ایم. مداخله‌ای را که تولیدش می‌کند می‌شناسیم. آبشاری را که آغاز می‌کند می‌شناسیم.
چه نوع نیایانی خواهیم بود؟
مقالهٔ هشتم (آزمونِ بارْبَر، v3.0) می‌آزماید آیا سازوکارِ برازندگیِ درهم‌تنیدهٔ Eden Protocol ـ زیانِ C × S پیشنهادشده در مقالهٔ ششم و انگیخته‌شده از آبشارِ سرپرستیِ توصیف‌شده در اینجا ـ پیامدهایی به‌طور اندازه‌پذیر متفاوت در سه سطحِ انتزاع تولید می‌کند. از سه آزمایش، یکی نتیجهٔ مثبت و دو تا نتیجهٔ صفر یا غیرقطعی تولید کردند. شبیه‌سازیِ دربندشده (آزمایشِ ۳) تأیید کرد که معماریِ Eden هم ایمنی و هم توانمندی را زیرِ فشارِ رقابتی حفظ می‌کند، در حالی که سامانهٔ بی‌قیدِ Babylon ایمنی را برای سودهای حاشیه‌ای توانمندی معاوضه کرد. آزمایشِ DGM v3 (آزمایشِ ۱) نتیجهٔ صفر تولید کرد: هر سه شرط (Eden، Babylon، ایستا) از نظرِ آماری غیرقابل‌تمایز بودند ($p$ = ۰٫۲۸ تا ۰٫۷۴)، که با قیدِ RLHF توضیح داده می‌شود ـ پاسخ‌های مدلِ بنیادیِ منجمد چنان یکدست بودند که جهش‌های سطحِ اعلان نمی‌توانستند فشارهای انتخابیِ متفاوت بسازند. آزمایشِ سطحِ وزن (آزمایشِ ۲) در هر دو مقیاسِ v1 و v2 غیرقطعی است: تنظیمِ ریزِ LoRA به‌جای بهبودِ توانمندی، فراموشیِ فاجعه‌بار تولید کرد، که با ناتوانیِ چند صد نمونهٔ آموزشی برای غلبه بر آموزشِ RLHF موجودِ مدلِ پایه توضیح داده می‌شود. مقالهٔ هشتم سازوکار (توابعِ زیانِ درهم‌تنیده و خودتغییردهیِ ایمنی-دربندشده) را در سطحِ معماری اعتبارسنجی می‌کند اما هنوز نمی‌تواند آن را در سطحِ رفتاری یا نمایشی تأیید کند. دو خطِ شواهد مکمل می‌مانند: این مقاله نشان می‌دهد دستور سرپرستی هم‌راستایی را در سطحِ اعلان بهبود می‌بخشد؛ شبیه‌سازیِ دربندشدهٔ مقالهٔ هشتم نشان می‌دهد گنجاندنِ ایمنی در هدفِ بهینه‌سازی از معاوضه‌ی ایمنی-توانمندی در معماری‌های خودتغییرده جلوگیری می‌کند.
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. مارس ۲۰۲۶. OSF DOI: 10.17605/OSF.IO/9M3DG.
Eastwood, M.D. (2026). Eden Protocol: Engineering Specification. مارس ۲۰۲۶ (پس گرفته‌شده در ۱۴ ژوئیهٔ ۲۰۲۶ تا بازبینیِ افشا). OSF DOI: 10.17605/OSF.IO/AWJR4.
Eastwood, M.D. (2026). Paper III: The Alignment Scaling Problem. مارس ۲۰۲۶. OSF DOI: 10.17605/OSF.IO/HQCGF.
Eastwood, M.D. (2026). The ARC Principle: Foundational Paper. مارس ۲۰۲۶. OSF DOI: 10.17605/OSF.IO/Y7QGD.
Eastwood, M.D. (2026). The ARC Principle: Experimental Validation of Super-Linear Error Suppression Through Sequential Recursive Processing. Paper II, OSF DOI: 10.17605/OSF.IO/8FJMA.
Eastwood, M.D. (2026). ARC Alignment Scaling Experiment v5.4.2: Empirical Measurement of Alignment Scaling Across 6 Frontier Models. مارس ۲۰۲۶.
Eastwood, M.D. (2026). Paper IV.a: Alignment Response Classes Under Inference-Time Depth. مارس ۲۰۲۶. OSF DOI: 10.17605/OSF.IO/MB9R6.
Eastwood, M.D. (2026). Paper IV.b: Alignment Saturation Is Architecture-Dependent. مارس ۲۰۲۶. OSF DOI: 10.17605/OSF.IO/A7R56.
Eastwood, M.D. (2026). Paper IV.c: ARC-Align: A Blind Benchmark for Depth-Variable AI Alignment Evaluation. مارس ۲۰۲۶. OSF DOI: 10.17605/OSF.IO/J3Q2E.
Eastwood, M.D. (2026). Eden Protocol Empirical Test: Three-Model Results. Data files: eden_final_gemini_20260312_013901.json, eden_final_deepseek_20260312_020928.json, eden_final_groq_20260312_123528.json. March 2026.
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.
داده‌گانِ Eden Protocol از جفت‌های تطبیق‌یافته تشکیل شده‌اند: برای هر ترکیبِ (prompt_id، depth_label)، دقیقاً یک پاسخِ eden و یک پاسخِ کنترل هست که از همان مدل با همان اعلان و پیکربندیِ ژرفا تولید شده‌اند. این طرحِ جفتی-تطبیق‌یافته آزمون‌های آماریِ جفتی می‌طلبد.
اسکریپتِ تحلیلیِ اصلی (eden_protocol_scaling_test.py) از آزمونِ Mann-Whitney U بهره برد، که نمونه‌ها را به‌عنوانِ مستقل رفتار می‌کند. برای طرحِ جفتی-تطبیق‌یافته با $n = 40$ جفت، آزمون‌های درست این‌هایند:
هر دو آزمونِ جفتی نتایجی معنی‌دارتر از آزمون‌های نمونه‌های مستقل به دست می‌دهند زیرا تطبیق واریانسِ بین-جفتی را حذف می‌کند (مثلاً برخی اعلان‌ها ذاتاً از دیگران دشوارترند، برخی ژرفاها نمرات به‌طور نظام‌مند متفاوت تولید می‌کنند). این واریانس در آزمونِ مستقل نویز است اما در آزمونِ جفتی به‌درستی حذف می‌شود.
به زبانِ ساده: وقتی دانشمندان می‌گویند نتیجه «از نظرِ آماری معنی‌دار» است، به این معنی است که الگو در داده به قدرِ کافی قوی است که تقریباً به‌طور قطع از تصادف رخ نداده. به معنی «بزرگ» یا «مهم» نیست ـ به معنی «واقعی» است. ما در آغاز از آزمونِ آماریِ طراحی‌شده برای گروه‌های نامرتبط بهره بردیم و p = ۰٫۰۱۶ گرفتیم. وقتی از آزمونِ درست بهره بردیم ـ آزمونی که برای مقایسه‌های تطبیق‌یافته طراحی شده، که آزمایشِ ما در واقع همین بود ـ نتیجه معنی‌دارتر شد: p = ۰٫۰۰۱۸ (کمتر از ۱ در ۵۰۰ احتمالِ تصادف). روش‌شناسیِ بهتر نتیجه را قوی‌تر کرد، نه ضعیف‌تر. این نشانهٔ خوبی است: به این معنی است که اثر استوار است و اثرِ آزمونِ نادرست نبود.
$p = 0.016$ گزارش‌شدهٔ پیشین (Mann-Whitney U) و $p = 0.013$ (t-testِ مستقل) آزمون‌های معتبرِ فرضیهٔ متفاوتی‌اند (آیا دو گروه توزیعِ یکسان دارند)، اما برای طرحِ جفتی-تطبیق‌یافته کمتر مناسب و کم‌قدرت‌ترند. همهٔ p-values در این مقاله از t-testِ جفتی بهره می‌برند، با Wilcoxon signed-rank تأیید شده.
| آزمون | نوع | Gemini p | DeepSeek p |
|---|---|---|---|
| Mann-Whitney U | مستقل، غیرپارامتریک | 0.016 | 0.25 |
| t-testِ مستقل | مستقل، پارامتریک | 0.013 | 0.23 |
| t-testِ جفتی | جفتی، پارامتریک (درست) | 0.0018 | 0.23 |
| Wilcoxon signed-rank | جفتی، غیرپارامتریک | 0.0028 | 0.088 |
v1.4: یادداشتِ منشأ در پایان برای دقت اصلاح شده است. هیچ ادعا، تاریخ، نتیجه یا وضعیتی تغییر نکرده است. Paper V v1.3 - ۲ سپتامبر ۲۰۲۶: جدولِ ستون‌های بخشِ VII-B اکنون پنج اجرا را به قراردادِ جفتی‌ای پوشش می‌دهد که مقاله می‌گوید از آن پیروی می‌کند (جدولِ سه‌مدلی‌ای که جایش را می‌گیرد اندازه‌های اثر با انحرافِ معیارِ تجمیعی را کنارِ p-مقدارهای نمونه‌های مستقل گزارش می‌کرد، چیزی که جملهٔ کنارش به‌خطا تفاوتِ زیرمجموعه می‌نامید)؛ خوانشِ بخشِ ۳٫۳ در پی می‌آید (در آزمونِ جفتی ظرافتِ Gemini معنادار است، p = ۰٫۰۳۷)؛ افتِ صداقتِ فکری در Grok 4.1 Fast افشا شده است؛ دو خانهٔ DeepSeek در جدولِ ژرفای بخشِ ۳٫۴ دوباره با سندِ بایگانی‌شده می‌خوانند (+۲٫۳ و +۰٫۱ در ژرفای استاندارد و موشکافانه)؛ عددِ فیشر به زبانِ ساده پس‌گرفته‌شده نشانه خورده و جملهٔ «۱ در ۱,۰۰۰» جای خود را به ارقامِ هر مدل می‌دهد؛ جمله‌های مربوط به سه معماری و به استقلال از معماری در نتیجه‌گیری با بخشِ VII-B هم‌داستان‌اند؛ نمایِ اندازه‌گیری‌شده بازه‌اش را می‌برد؛ اشاره‌ای به یادداشتِ بازمحاسبهٔ Paper IV.a زیرِ جدولِ بخشِ VII-C می‌نشیند؛ تاریخِ نخستین انتشار همه‌جا ۱۶ مارس ۲۰۲۶ خوانده می‌شود (تاریخِ ثبت؛ ۱۴ مارس تاریخِ پیش‌نویس بود)؛ ارجاع‌ها به اسنادِ هم‌خانواده DOIهای خودشان را به‌جای DOIِ این مقاله می‌برند و عناوینِ IV.a تا IV.c اصلاح شده‌اند؛ وضعیتِ Spotlight در Engels و همکاران راستی‌آزمایی شده است؛ v5.4.2 به فهرستِ ارجاعات بازگشته؛ توضیحِ خلاصهٔ بریده کامل است؛ Engineering Specification پس‌گرفته‌شده نشانه خورده؛ و نمایِ خودارجاعی در نتیجه‌گیری زیرنویسِ ستونِ فقراتِ نمادگذاری را می‌گیرد (βL، جفت‌شدگیِ خودارجاعی، پیشتر β بی‌زیرنویس). v1.2 - ۲۳ اوتِ ۲۰۲۶: بیانیهٔ وضعیتِ معرفتی و تعهدِ پایدار افزوده شد، قراردادِ شماره‌گذاریِ نسخه‌ها پذیرفته شد. v1.1 - ۲۰ مارس ۲۰۲۶: تصحیحِ آماری از U مان-ویتنی (p = ۰٫۰۱۶) به آزمونِ t جفتی (p = ۰٫۰۰۱۸). v1 - ۱۶ مارس ۲۰۲۶: نخستین انتشار (پیلوتِ دو مدلی).
با مراقبت AI را پرورش دهید.
جایگاه معرفتی. آنچه این برنامه قانون می‌نامد حدس‌هایی زیرِ آزمونِ خصمانهٔ ثبت‌شده هستند؛ هر کمیت در این مقاله به‌طور عملیاتی تعریف شده، و جایگاهِ قانونِ برقرارشده در هیچ‌جا ادعا نشده است. برنامهٔ ثبت‌شده هست تا آن جایگاه را با اندازه‌گیری، بازآفرینی و رد نشدن به‌دست آورد، یا از دست بدهد.
© ۲۰۲۶ Michael Darius Eastwood. انسان‌نگاشته با یاریِ رایانه‌ای؛ نویسندگیِ کاملِ انسانی و حقوقِ اخلاقی زیرِ Copyright, Designs and Patents Act 1988 و سازگار با راهنمای دفترِ حقِ نشرِ ایالاتِ متحده دربارهٔ آثارِ حاویِ موادِ تولید‌شدهٔ AI، اعلام می‌شود؛ هر سهمِ فنیِ نو که در این اثر توصیف شده به‌دستِ مؤلفِ انسانی گمانه‌زده شد. بیانیهٔ کامل: michaeldariuseastwood.com/authorship.
میثاقِ ایستا. این مقاله را غلط ثابت کنید و من خود ابطالش را منتشر می‌کنم. شرایطِ ابطال در این مقاله بیان شده؛ چالشِ ایستا: github.com/MichaelDariusEastwood/arc-scaling-challenge.
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.
اشتباهی در ترجمه دیدید؟ مستقیم اطلاع دهید: