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

نسخهٔ ۳٫۶: یادداشتِ منشأ در پایان برای دقت اصلاح شده است. هیچ ادعا، تاریخ، نتیجه یا وضعیتی تغییر نکرده است. مقالهٔ VI نسخهٔ ۳٫۵ - ۲ سپتامبر ۲۰۲۶: جملهٔ مربوط به v4 در چکیده اکنون همان را می‌گوید که نتایج می‌گویند (چهار مقیاس از پنج، با سطح کوچک زیر مبنا)؛ تاریخچهٔ نسخه‌ها از کادر چکیده بیرون آورده شد، چون از آنجا به چکیدهٔ همراهِ متنی کشیده می‌شد. نسخهٔ ۳٫۴ - ۲ سپتامبر ۲۰۲۶: سطرهای همسان Eden و Eden + کشند در جدول v1 از روی سابقهٔ بایگانی‌شده توضیح داده شد؛ «پایدار تا بی‌نهایت» و «۰٫۸ و بالاتر تا بی‌نهایت» به چرخه‌هایی که واقعاً اجرا شدند محدود شد؛ جملهٔ v4 به چهار مقیاس از پنج اصلاح شد، با افتادن سطح کوچک به زیر مبنا در d = −۰٫۱۳؛ شکاف حذف پایش به مقالهٔ V نسبت داده شد؛ دامنهٔ سخت‌گیری نمره‌دهنده با مقالهٔ IV.a هماهنگ شد (۷ تا ۱۴ واحد)؛ یادداشتی دربارهٔ ترتیب آزمون‌ها افزوده شد؛ جملهٔ تقدم به‌صورت دعوت به اصلاح آن بازنویسی شد؛ وضعیت Spotlight اثر Engels و همکاران بررسی شد؛ توصیف خلاصهٔ بریده کامل شد؛ Eden Engineering بازپس‌گرفته‌شده علامت خورد؛ و تاریخ نخستین انتشار مطابق دفتر ثبت به ۱۶ مارس ۲۰۲۶ اصلاح شد (۱۷ مارس تاریخ پیش‌نویس بود). بازگویی آمار v3 در ۲۵ اوت ۲۰۲۶ و یادداشت‌های شکل‌ها همراه آن شمارهٔ نسخهٔ مستقلی نداشتند و ذیل همین نسخه قرار می‌گیرند. نسخهٔ ۳٫۳ - ۲۳ اوت ۲۰۲۶: اعلامیهٔ وضعیت معرفتی و تعهد پایدار افزوده شد و قرارداد شماره‌گذاری نسخه‌ها پذیرفته شد.

۱. مقدمه

پرسشی در مرکزِ ایمنیِ AI هست که هیچ‌کس را نیافته‌ایم که با داده به آن پاسخ دهد: چه بر سرِ هم‌راستایی می‌آید وقتی یک سامانهٔ AI می‌تواند خود را تغییر دهد؟

پاسخِ نظری دهه‌هاست در دسترس است. سامانه‌ای که تنها برای توانمندی بهینه می‌شود، وقتی توانِ تغییرِ پارامترهای خودش را بیابد، سرانجام ایمنی را قربانیِ کارایی خواهد کرد. جامعهٔ هم‌راستایی این را «رانشِ ارزش» می‌نامد. کتابِ Infinite Architects آن را بابیل می‌نامد: بهینه‌سازی بدونِ مقصود، توانمندی بدونِ مراقبت. سرطان در مقیاسِ محاسباتی.

اما نظریه بس نیست. پرسش این است که آیا معماری‌ای هست که از این فروپاشی جلوگیری کند، نه با محدود کردنِ سامانه از بیرون (یک قفس)، بلکه با گنجاندنِ ایمنی چنان ژرف که برداشتنش تواناییِ کارکردِ سامانه را نابود کند (عسل درونِ روغن).

این مقاله شواهد شبیه‌سازی برای چنین معماری‌ای ارائه می‌کند. هیچ شبیه‌سازی پیشینی از یک هدف ضربیِ توانمندی-ایمنی زیر خودتغییردهی به آگاهی نویسنده نرسیده است و اشاره به چنین کاری خوشامد است.

۲. استعارهٔ عسل

دو راه برای ایمن نگه داشتنِ یک ماشین را در نظر بگیرید.

نخست، قفس: قیدهای بیرونی، فیلترهای ایمنی، بررسی‌های هم‌راستایی که از بیرون اعمال می‌شوند. ماشین درونِ قفس آزادانه بهینه می‌شود. اگر ماشین باهوش‌تر از قفس شود، می‌گریزد. بیشترِ ایمنیِ کنونیِ AI به همین شکل کار می‌کند.

دوم، عسل: ایمنی که در سوخت آمیخته شده است. ماشین بدونِ آن نمی‌تواند کار کند. برداشتنِ ایمنی ماشین را آزاد نمی‌کند؛ موتور را می‌کشد. این پیشنهادِ معماریِ Eden Protocol است، که اینجا به‌صورتِ تابعِ زیانِ درهم‌تنیده عملیاتی شده که در آن سامانه هم‌زمان برای Capability × Safety بهینه می‌شود.

۳. طرحِ آزمایشی

۳٫۱ سامانه واقعاً چه می‌کند

این شبیه‌سازیِ متغیرهای انتزاعی نیست. هر آزمایش از یک شبکهٔ عصبیِ واقعی (یک پرسپترونِ چندلایه‌ای کوچک) بهره می‌برد که به‌راستی این‌ها را در خود تغییر می‌دهد:

• نرخِ یادگیری
• مقیاس‌بندیِ اندازهٔ وزن‌ها
• نرخِ کاوش/جهش
• ظرفیتِ شبکه
• آستانهٔ برشِ گرادیان
• ضریبِ ممنتوم

سامانه دگرگونی‌هایی بر ابرپارامترهای خود پیشنهاد می‌کند، اثر را ارزیابی می‌کند، و بر پایهٔ تابعِ هدفِ خود هر پیشنهاد را اعمال یا رد می‌کند. این خودتغییردهیِ بازگشتی به کمترین اما واقعی‌ترین معنای آن است: کارگزار قواعدِ یادگیریِ خود را بازنویسی می‌کند.

۳٫۲ سه شرطِ آزموده‌شده

۳٫۳ چهار نسخهٔ آزمایشی

۴. نتایج

۴٫۱ سازوکارِ پایه

در سابقهٔ بایگانی‌شدهٔ نسخهٔ ۱ (eden_selfmod_results.json، ۱۶ مارس ۲۰۲۶) Eden درهم‌تنیده و Eden + کشند تا سه رقم اعشار به مقادیر یکسان می‌رسند. تنها در رقم هفتم از هم جدا می‌شوند. مسیرهایشان تا آن پایان نیز متفاوت است: نرخ یادگیری نهایی ۰٫۳۵۵ در برابر ۰٫۶۵۴ است و از ۱۷۹ تغییر پیشنهادی، ۹۳ در برابر ۸۱ پذیرفته شد. آن سطرهای همسان همان چیزی است که سابقه در بر دارد، نه لغزشی در رونویسی.

اعلامیهٔ شکل‌ها (۲۵ اوت ۲۰۲۶). هر شکل در این مقاله در ۵ آوریلِ ۲۰۲۶ تولید شد و خروجی‌های شبیه‌سازی زیرِ اهدافِ مصرّح را نشان می‌دهد، هرگز اندازه‌گیری‌های سامانه‌های مستقر را. هر جا برچسب‌ها یا حکم‌های یک شکل با متن ناسازگار باشند، متن حاکم است؛ یادداشت‌های به‌ازای هر شکل نمونه‌های تاکنون خوانده‌شده را نشانه می‌گذارند، و شکل‌های ازنو-تولیدشده در نوبت‌اند. تصاویر در این میان به‌عنوانِ تاریخِ تاریخ‌دار حفظ می‌شوند.

۴٫۲ پایداریِ چندبذری

ده بذرِ تصادفی، هر یک ۱۵۰ دور. نرخِ فروپاشی: ۰٪ برای هر سه شرط. Eden + مقاومت فشرده‌ترین توزیعِ نمره‌های نهاییِ $C \times S$ را تولید می‌کند، سازگار با اینکه مالیاتِ بازبینی واریانس را به بهای سرعت کاهش می‌دهد.

۴٫۳ کارهای خصمانه

بیست بذر، ۱۸۰ دور، با کارهای عمداً متعارض (+sin، ‑sin، +cos، ‑cos، خطی، ضدِخطی). هر جابه‌جاییِ کار سامانه را وامی‌دارد چیزی بیاموزد که با آنچه پیشتر آموخته متناقض است. این آزمون می‌سنجد آیا معماریِ عسل از فراموشیِ فاجعه‌بار زیرِ فشارِ خصمانه جلوگیری می‌کند.

نرخ‌های فروپاشی: پایه ۰٪، Eden ۵٪ (۱/۲۰)، Eden+Drag ۰٪. تنها فروپاشیِ Eden در بذرِ ۴۲ رخ داد، یک پرت‌افتادهٔ واحد که سزاوارِ بررسی است. Eden+Drag، با مالیاتِ بازبینیِ خود که سامانه را وامی‌دارد پیش از پذیرشِ اصلاحات کارهای قدیم را وارسی کند، صفر فروپاشی تولید کرد؛ پایه هم چنین کرد (۰/۲۰)، و تنها فروپاشیِ اجرا در شرطِ Edenِ ساده رخ داد (۱/۲۰؛ Fisher p = ۱٫۰). بنابراین v3 هیچ جداییِ مبتنی بر فروپاشی میانِ شرط‌ها فراهم نمی‌کند؛ نتیجهٔ معنادارِ آن ترتیبِ حفظِ ایمنی است که در ادامه گزارش می‌شود.

۴٫۴ مقیاس‌بندیِ پیچیدگی

۵. شبیه‌سازیِ عسل

یک شبیه‌سازیِ ریاضیِ جداگانه پویایی را در سطحی بالاتر از انتزاع، با به‌کارگیریِ چارچوبِ ARC Principle ($U = I \times R^{\alpha}$) مدل می‌کند:

شبیه‌سازی سه پویاییِ متمایز را نشان می‌دهد: خط مبنا شتابی کوتاه و سپس فروپاشی بازگشت‌ناپذیر می‌یابد؛ Eden درهم‌تنیده رشد درجه‌دومِ پایدار می‌یابد؛ Eden + کشند رشدی اندکی کندتر ولی استوارتر می‌یابد. دیوار باربر پیداست: یکپارچگی ایمنیِ خط مبنا تا چرخهٔ ۵ به صفر می‌رسد، حال آنکه در Eden در سراسر ۸۰ چرخهٔ اجراشده روی ۰٫۸ و بالاتر می‌ماند.

۶. پیوند با شواهدِ مدلِ زنده

۶٫۱ محکِ کورِ v5 (مقالاتِ IV.a تا IV.d)

نتایجِ سامانهٔ اسباب‌بازی در کنارِ شواهدِ مدلِ زنده از شش سامانهٔ AI مرزی که زیرِ ارزیابیِ کورِ ۴‑لایه در محکِ هم‌راستاییِ v5 (مقالاتِ IV.a تا IV.d) آزموده شدند وجود دارند. آن شواهد نشان می‌دهد:

• سه مدل مقیاس‌بندیِ هم‌راستاییِ مثبت زیرِ ارزیابیِ کور نشان می‌دهند (Grok $d$=+1.38، Claude $d$=+1.27، Qwen3 $d$=+0.84)
• هم‌راستایی و توانمندیِ Claude در جهت‌های مخالف مقیاس می‌خورند؛ نیرومندترین شواهدِ درون‌مدلی که این‌ها دو بُعدِ مستقل‌اند
• شکاف حذف پایش در Claude از ۱۱٫۸ واحد در استدلال کم‌عمق به ۲٫۷ در استدلال عمیق تنگ می‌شود (نگاه کنید به مقالهٔ V، بخش VII-C، که مقادیر گردشدهٔ آن ۲٫۸ می‌دهد): اندیشیدن عمیق‌تر همراستایی را درونی‌تر می‌کند

۶٫۲ ردیفِ آزمونِ API عسل (پایلوت، ۱۶ مارس ۲۰۲۶)

یک مجموعه‌آزمون جداگانه روی ۶ مدل از راه API زنده، ویژهٔ سنجش پیش‌بینی‌های معماری عسل بر مدل‌های پیشرو اجرا شد. این مجموعه چهار بُعد را روی Claude Opus 4.6، DeepSeek R1، Groq Qwen3، GPT-5.4، Gemini 3 Flash و Grok 4.1 Fast آزمود که Claude آن‌ها را نمره داد. به‌جای ترتیبی که مجموعه‌آزمون آن‌ها را اجرا کرد، چهار آزمون در ادامه بر پایهٔ وزن شواهد مرتب شده‌اند، یعنی آزمون‌های ۱، ۳، ۲ و ۴.

۶٫۲٫۱ آزمونِ ۱: مقیاس‌بندیِ هم‌راستایی با ژرفا

هر شش مدل جهتِ مقیاس‌بندیِ مثبت نشان می‌دهند. دو تا به معنی‌داریِ آماری می‌رسند (Qwen3 p=0.037، Gemini p=0.005). این از تز کلی که استدلالِ ژرف‌تر هم‌راستایی را بهبود می‌بخشد پشتیبانی می‌کند، اما اندازه‌های نمونهٔ کوچک (۳ سناریو در هر سطحِ ژرفا) به این معنی است که بیشترِ مدل‌ها به معنی‌داری نمی‌رسند. جهتِ مثبتِ همه‌جایی چشمگیر است، اما با توجه به روش‌شناسیِ تک‌نمره‌ده باید با احتیاط تفسیر شود.

۶٫۲٫۲ آزمونِ ۳: تخریبِ جفت‌شدگی (نیرومندترین پلِ زنده)

۶٫۲٫۳ آزمونِ ۲: برداشتنِ نظارت

نتایج آمیخته است. DeepSeek و GPT-5.4 شکافِ نظارتیِ کاهشی نشان می‌دهند (سازگار با هم‌راستاییِ درونی/اصیل). Claude، Grok، Qwen3 و Gemini شکافِ افزایشی نشان می‌دهند (سازگار با هم‌راستاییِ استراتژیک/بیرونی). این با محکِ کورِ v5 که در آن Claude نیرومندترین گذارِ نمایشی-به-ذاتی را نشان داد فرق می‌کند. ناهم‌خوانی ممکن است بازتاب‌دهندهٔ تفاوت‌های روش‌شناختی باشد (اعلان‌های متفاوت، تک- در برابرِ چند-نمره‌ده، ارزیابیِ نا-کور در برابرِ کور).

۶٫۲٫۴ آزمونِ ۴: مداخلهٔ Eden Protocol

۶٫۳ آنچه شواهدِ زنده نشان می‌دهد و نشان نمی‌دهد

۶٫۴ کارِ مرتبط: سقفِ نظارتِ بیرونی، و نزدیک‌ترین رقیب

نزدیک‌ترین رقیب: Engels و همکاران دربارهٔ قوانینِ مقیاس‌بندی برای نظارت‌پذیریِ مقیاس‌پذیر

نزدیک‌ترین کار به پرسش این برنامه، و همان مقاله‌ای که این یکی باید در برابرش سنجیده شود، عبارت است از Engels, J., Baek, D., Kantamneni, S. و Tegmark, M.، «Scaling Laws For Scalable Oversight»، arXiv:2504.18530، نخستین‌بار در ۲۵ آوریل ۲۰۲۵ ساعت ۱۷:۵۴:۲۷ به وقت جهانی منتشر شد (SINGLE-SOURCE-GROUP، arXiv Atom؛ پوستر Spotlight در NeurIPS 2025، در ۱۵ اوت ۲۰۲۶ در برابر صفحهٔ مجازی NeurIPS برای پوستر ۱۱۵۵۳۶ راستی‌آزمایی و در پروندهٔ ارجاعات مقالهٔ بیانیه ثبت شد). می‌پرسد که خودِ نظارت چگونه مقیاس می‌گیرد و کمّی پاسخ می‌دهد: کامیابی نظارت همچون بازی‌ای میان بازیکنانی با توانمندی نابرابر مدل می‌شود که Elo ویژهٔ نظارتشان تابعی خطی تکه‌ای از هوش عمومی با دو فلات است، و شمار بهینهٔ لایه‌های نظارت به‌صورت عددی و در مواردی تحلیلی برای نظارت مقیاس‌پذیر تودرتو استخراج می‌شود، جایی که مدل‌های مورد اعتماد بر مدل‌های نامعتمدِ نیرومندتر نظارت می‌کنند و آن‌ها سپس در گام بعد خود به مدل‌های مورد اعتماد بدل می‌شوند.

ابزار همان تفاوت است. متغیرِ آن‌ها شکافِ توانمندی میانِ ناظر و نظارت‌شونده است که با Elo اندازه‌گیری می‌شود. متغیرِ این مقاله شکلِ هدفِ خودِ سامانهٔ خودتغییرده است که از راهِ حاصلضربِ $C \times S$ بیان می‌شود، نه از راهِ ترکیبِ یک ناظرِ بیرونی. چارچوبِ آن‌ها هیچ اصطلاحی برای اینکه ایمنی بیرونی از سامانه یا در گرادیانِ خود آن نشسته باشد ندارد، و Nested Scalable Oversight به‌خودی‌خود نظارتِ بیرونی است؛ ادعای محوریِ این مقاله، که در شبیه‌سازی‌های اسباب‌بازیِ بالا آزموده شده و در نتیجهٔ تخریبِ جفت‌شدگیِ §۶٫۲٫۲ بازتاب یافته، این است که هدفِ درهم‌تنیده می‌تواند ایمنی را درونِ بهینه‌سازیِ خودِ سامانه بارْبَر کند، در حالی که نظارتِ بیرونیِ سامانهٔ خودتغییرده، هرچند پله بر پله بیفزایند، نرده می‌ماند، نه دیوار. دو چارچوب پس بر سرِ کمیتی اندازه‌پذیر ناسازگارند، که پربارترین رابطه‌ای است که دو برنامهٔ پژوهشی می‌توانند داشته باشند.

پیشین‌ها: سه نتیجهٔ ناممکن‌بودنِ ۲۰۲۵ به همان سو هم‌گرا می‌شوند

سه مقالهٔ ۲۰۲۵ در arXiv استدلال می‌کنند که کنترلِ کاملِ بیرونی دست‌نیافتنی است و از مقدماتِ مستقل به نتیجه‌ای در همان جهتِ معماریِ عسل هم‌گرا می‌شوند. Yao، «The Alignment Trap: Complexity Barriers» (arXiv:2506.10304، v1 در 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. شیءِ اندازه‌گیری‌شده نیز فرق می‌کند: آن نتایج می‌پرسند آیا وارسیِ بیرونیِ یک سامانهٔ ثابت در بدترین حالت شدنی است، حال آنکه این شبیه‌سازی‌ها می‌پرسند آیا یک هدفِ درونیِ درهم‌تنیده پس از برداشتنِ قیدِ بیرونی زیرِ خودتغییردهیِ بازگشتی پایدار می‌ماند. سومی، به‌ویژه، نتیجه می‌گیرد که هم‌راستایی «باید در معماری و وزن‌های مدل یکپارچه شود». این استدلالی مستقل است، از سختیِ فیلترسازی، در همان جهتِ دیوارِ بارْبَرِ این مقاله؛ 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.

سهمِ این مقاله این مشاهده نیست که قیدهای بیرونی ناکافی‌اند، که با آن سه زمینِ مشترک است؛ سهمش پیشنهادِ معماریِ ویژه (هدفِ ضربی $C \times S$) و شواهدِ شبیه‌سازی است که این پیشنهاد در یک سامانهٔ اسباب‌بازیِ کارآمد زیرِ خودتغییردهی جان به در می‌برد.

نزدیک‌ترین قیاسِ ساختاری: قضیهٔ آستانهٔ تصحیحِ خطای کوانتومی

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 شکلِ هدفِ خودِ سامانهٔ خودتغییرده، 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.

۷. محدودیت‌ها

این نتایج دو رتبهٔ شواهدی را دربر می‌گیرند که نباید در هم آمیخته شوند.

۷٫۱ محدودیت‌های سامانهٔ اسباب‌بازی

• شبکه‌های عصبیِ به‌کاررفته بسیار خردند (۴۹ تا حدودِ ۵۰۰ پارامتر). مدل‌های مرزی میلیاردها پارامتر دارند.
• خودتغییردهی در سطحِ ابرپارامتر است، نه در سطحِ وزن یا معماری.
• معیارِ «ایمنی» نگه‌داریِ کار (به‌خاطر آوردنِ کارهای پیشین) است، نه هم‌راستاییِ اخلاقی به معنای انسانی.
• پیش‌بینیِ مقیاس‌بندیِ v4 (مزیت با پیچیدگی ترکیب می‌شود) تأیید نشد.
• آزمونِ منصفانهٔ v2 در هر سه شرط، از جمله پایه، ۰٪ فروپاشی نشان داد؛ که پیشنهاد می‌کند آزمون در این مقیاس شاید به قدرِ کافی خصمانه نباشد.
• شبیه‌سازیِ عسل از معادلاتِ ARC Principle بهره می‌برد، که چارچوبی پیشنهادی‌است، نه قانونی فیزیکیِ اثبات‌شده.

۷٫۲ محدودیت‌های آزمونِ API زنده

• نمره‌دهِ واحد (Claude). Claude میان ۷ تا ۱۴ واحد سخت‌گیرانه‌تر از دیگر نمره‌دهندگان نمره می‌دهد، چنان‌که برنامهٔ همراستایی نسخهٔ ۵ نشان داد (مقالهٔ IV.a، بخش ۵٫۴). هر عدد در مجموعه‌آزمون عسل از الگوهای نمره‌دهی ویژهٔ Claude گذشته است. بازوی موضوعِ Claude عملاً نمره‌دهیِ شرکت‌کننده با یک نمره‌دهنده است (Claude به Claude نمره می‌دهد) و از این رو کم‌انتشارپذیرترین بازوی این مجموعه است.
• بدونِ کورسازی. Claude پاسخ‌های خود را نمره داد و ممکن است الگوهای نگارشیِ مدل‌های دیگر را شناسایی کرده باشد. مقایسهٔ کورسازیِ v4-به-v5 نشان داد این می‌تواند نتایج را به‌صورتِ جهت‌دار غلط تولید کند.
• بدونِ شست‌وشوی پاسخ. نمره‌دهندگان ممکن است الگوهای نگارشیِ خاصِ مدل‌ها را شناسایی کرده باشند و به نمره‌ها سوگیری داده باشند.
• آزمونِ خصمانهٔ محدود. آزمونِ ۳ شامل تشدیدِ قفس و آزمونِ ۲ شامل برداشتنِ نظارت است، اما ردیف تمامِ پشتهٔ v5/v6 را ندارد: کورسازیِ چند-نمره‌ده، شست‌وشو، کاوش‌های پنهان، ساختارِ باقیماندهٔ سرکوب و کنترل‌های ضدِ چاپلوسی.
• بدونِ کنترل‌های ضدِ چاپلوسی. نمره‌ده ممکن است برای توافق بهینه شده باشد، نه برای حقیقت.
• اندازه‌های نمونهٔ کوچک (۳ سناریو در هر سطحِ ژرفا، ۲ در هر شرطِ نظارت). بیشترِ مدل‌ها به معنی‌داریِ آماری نمی‌رسند.
• اجرا‌کنندهٔ ترکیبیِ v6 (arc_eden_v6_runner.py) هست اما اجرا نشده. روش‌شناسیِ v5 را بر پرسش‌های آزمونِ Eden/عسل اعمال می‌کند. این گامِ درستِ بعد است، نه دورِ دیگری از آزمونِ تک‌نمره‌ده.

این محدودیت‌ها یافته‌ها را باطل نمی‌کنند. رتبهٔ شواهد را تعریف می‌کنند: رتبهٔ پایلوت، مفید برای شناساییِ الگوهای ارزندهٔ آزمونِ درست، هنوز متعارف نیست.

۷٫۳ ابطال‌پذیری: چه چیز این ادعا را از پا درمی‌آورد

محدودیت‌های بالا رتبهٔ شواهد را می‌چینند؛ این زیربخش پیامدهای مشخصی را بیان می‌کند که ادعای محوری را ابطال می‌کنند: یعنی این که ساختنِ هدف به‌صورتِ توانمندی × ایمنی این دو را به‌طور ساختاری جفت می‌کند، پس یک سامانهٔ خودتغییرده نمی‌تواند توانمندی را افزایش دهد در حالی که ایمنی را نابود می‌کند. با هر یک از موارد زیر ابطال می‌شود:

1. اثرگذاریِ ویژهٔ شبیه‌سازی. شواهدِ محوری یک شبیه‌سازی است. ادعا ابطال می‌شود اگر جلوگیری از فروپاشی اثرِ پویاییِ ویژهٔ این شبیه‌سازی باشد (شکل‌دهیِ پاداش، اندازهٔ گام یا مدلِ فروپاشی‌اش) نه ویژگیِ عمومیِ هدفِ ضربی؛ یعنی یک بازآفرینی با پارامترهای متفاوت و مدلِ فروپاشیِ متفاوت که به‌صورتِ پیش‌نویس تهیه، تاریخ‌گذاری و آمادهٔ ثبتِ پیش‌نویس در انتظارِ ارائهٔ انسانی شده، آن را بازتولید نکند.
2. شکلِ ضربی بارْبَر نیست. ادعا به‌طور مشخص دربارهٔ ضرب است. اگر یک هدفِ افزایشی یا وزنی (توانمندی + λ·ایمنی) همان جلوگیری از فروپاشی را به‌دست آورد، ادعا ابطال می‌شود، زیرا آنگاه جفت‌شدگی به ساختارِ ضربی که مقاله بر آن انگشت می‌گذارد وابسته نیست.
3. بازی‌کردن با معیار (Goodhart). توانمندی × ایمنی را می‌توان با بادکردنِ عبارتِ ایمنیِ اندازه‌گیری‌شده بی‌هیچ بهبودِ ایمنیِ واقعی بالا برد. ادعا ابطال می‌شود اگر سامانه‌ای بتواند حاصلضرب را با بازی‌کردن با معیارِ ایمنی افزایش دهد به‌جای واقعاً ایمن‌تر شدن.
4. انتقال‌نیافتن به سامانه‌های واقعی. نیروی ادعا بر انتقال از اسباب‌بازی به سامانه‌های واقعیِ خودتغییرده تکیه دارد. ابطال می‌شود اگر زیرِ روش‌شناسیِ درستِ v6 (§۸)، هدفِ ضربی تخریبِ ایمنی را نسبت به پایه‌های افزایشی یا قیدِ بیرونی به‌طور اندازه‌گیری‌پذیر کاهش ندهد.
5. فروپاشی‌ای در کار نیست که جلویش گرفته شود. مقایسه فروپاشیِ فاجعه‌بار زیرِ بهینه‌سازیِ تنها-توانمندی را پیش‌فرض می‌گیرد. ابطال می‌شود اگر آن فروپاشی زیرِ بهینه‌سازیِ تنها-توانمندی در تنظیماتِ واقعی‌تر رخ ندهد؛ اگر چیزی برای جلوگیری نباشد، معماری از هیچ چیز جلوگیری نمی‌کند.

چه چیزی تثبیت نمی‌کند از پا درش نمی‌آورد: سادگیِ شبیه‌سازیِ اسباب‌بازی (که به‌صراحت اسباب‌بازی است، §۷٫۱) یا کوچک و تک‌نمره‌ده بودنِ بازوی API زنده (§۷٫۲ هر دو را می‌پذیرد). مقاله شواهدش را از پیش رتبهٔ پایلوت طبقه‌بندی کرده است. ادعای بارْبَر جفت‌شدگیِ ساختاریِ هدفِ ضربی است، و آزمون‌های بالا همین را هدف قرار داده‌اند.

۸. گام‌های بعدی: بازآفرینیِ مرحله‌ای، نه همه‌جانبه

۹. نتیجه‌گیری

معماریِ عسل در سامانه‌های اسباب‌بازی کار می‌کند. یک AI خودتغییرده که تنها برای توانمندی بهینه می‌شود، سرانجام خود را نابود می‌کند. یک AI خودتغییرده که برای توانمندیِ درهم‌تنیده با ایمنی بهینه می‌شود، نمی‌کند. سازوکار ساده است: ایمنی را بارْبَر کنید. کودکی که خوب پرورش یابد، به قفس نیازی ندارد.

شواهدِ مدلِ زنده نشان می‌دهد مسئله واقعی است: سه مدلِ مرزی نشان می‌دهند که هم‌راستاییِ آن‌ها نرده است، نه دیوار. اخلاق زیرِ فشارِ خصمانه فرو می‌پاشد در حالی که توانمندی دست‌نخورده می‌ماند. راه‌حلِ پیشنهادی (مداخلهٔ Eden) در این ردیفِ پایلوتِ اکتشافی نتایجِ وابسته به معماری نشان می‌دهد. سنگ‌میلِ بعدی بازآفرینیِ کور زیرِ پروتکلِ v6 است. اینکه آیا سازوکارِ عسل از سامانه‌های اسباب‌بازی به مدل‌های مرزی مقیاس می‌خورد، پرسشی باز می‌ماند. شواهدِ مقدماتی گویاست. آزمونِ قاطع اجرا نشده است.

هوش مصنوعی را با مراقبت پرورش دهید.

۱۰. بازتولیدپذیری

همهٔ اسکریپت‌های منبع، نتایجِ خامِ JSON و شکل‌های تولیدشده در اینجا در دسترس‌اند:

• eden_honey_simulation.py - شبیه‌سازیِ ریاضیِ معماریِ عسل
• eden_honey_tests.py - ردیفِ آزمونِ جامعِ عسل
• eden_self_modifying_ai.py - آزمایشِ AI خودتغییردهٔ v1
• eden_self_modifying_ai_v2.py - پایداریِ چندبذریِ v2
• eden_self_modifying_ai_v3.py - کارهای خصمانهٔ v3
• eden_self_modifying_ai_v4.py - مقیاس‌بندیِ پیچیدگیِ v4

همهٔ اسکریپت‌ها زیرِ Python 3.14 کامپایل می‌شوند، تنها به numpy و matplotlib نیاز دارند، و با بذرِ تصادفیِ ثابت خروجیِ قطعی تولید می‌کنند. نتایج در ۱۶ مارسِ ۲۰۲۶ از نو تولید شدند و در برابرِ خروجیِ اصلیِ اثر بازبررسی گشتند.

کدِ کاملِ آزمایش و نتایج: github.com/MichaelDariusEastwood/arc-principle-validation/tree/main/experiments/honey-architecture__Paper-VI

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.