The Computational Boundary of Inference: Capability Internalization, Training, and the Turing Jump

Technische Samenvatting: De Computatiegrens van Inferentie

Probleemstelling
Het artikel adresseert een conceptuele ambiguïteit die wijdverbreid is in discussies over recursieve zelfverbetering in Kunstmatige Intelligentie. Informele verhalen vaak verwarden drie distincte processen: (1) herhaalde interne revisie binnen een vast systeem (bijvoorbeeld prompting, reflectie, gebruik van hulpmiddelen), (2) revisieprocessen die in de loop van de tijd stabiliseren (convergente benadering), en (3) een genuanceerde kwalitatieve ascentie naar een regime met strikt sterkere computationele capaciteit. Het centrale probleem is dat deze verhalen vaak aannemen dat voldoende accumulatie van interne updates automatisch een sterkere capaciteitsniveaus oplevert. Het artikel streeft ernaar een formele, stelling-niveau test van deze aanname te bieden met behulp van klassieke berekenbaarheidstheorie om te bepalen of eindige interne iteratie wiskundig kan rechtvaardigen een overgang naar een strikt sterker relatief graad.

Methodologie en Modellering Framework
Het artikel maakt gebruik van klassieke orakel-berekenbaarheidstheorie (Turing-reduceerbaarheid) als een structurele idealisatie in plaats van een letterlijk model van moderne machine learning-pijplijnen. Het kernframework steunt op de volgende definities:

• Computationele Laag ($C(A)$): Voor een vast orakel $A$ wordt de laag gedefinieerd als $C(A) = \{B : B \le_T A\}$, wat alle taken vertegenwoordigt die berekenbaar zijn ten opzichte van $A$.
• Eindige Interne Revisie: Gemodelleerd als een reeks indices $e_{s+1} = F(e_s)$ waarbij $F$ een $A$-berekenbare functie is. Dit vertegenwoordigt zelf-modificatie strikt binnen het bestaande effectieve regime.
• Gestabiliseerde Revisie: Gemodelleerd als een $A$-berekenbare benadering $g(x, s)$ die puntsgewijs convergeert naar een limiet. Dit vertegenwoordigt iteratieve correctie die uiteindelijk neerdaalt op een output.
• Capaciteit Internalisatie: Structureel gedefinieerd als het proces waarbij een "gestabiliseerd ingezet systeem" (een vaste familie van procedures) "extern essentiele begeleiding" (taken die niet oplosbaar zijn binnen de huidige laag) integreert in een nieuw, sterker opvolgersysteem.

De methodologie onderscheidt tussen inference-tijd activiteit (eindige compositie van bestaande procedures) en training/internalisatie (de transformatie van externe begeleiding naar de parameters van een opvolgersysteem).

Belangrijkste Bijdragen en Resultaten
Het artikel vestigt een reeks scheidingsstellingen die de grenzen tussen deze regimes afbakenen:

1. Lokale Geslotenheid versus Ontsnapping (Stelling 3): De computationele laag $C(A)$ is lokaal gesloten onder orakel-berekening (compositie van $A$-berekenbare functies blijft in $C(A)$), maar heeft een canonieke grens: de Turing-sprong $A'$. $A'$ is niet oplosbaar binnen $C(A)$.
2. Graad-Gebondenheid van Eindige Revisie (Stelling 4 & Propositie 1): Eindige interne zelf-modificatie (herhaalde toepassing van een $A$-berekenbare update-regel) blijft strikt binnen $C(A)$. Geen enkel eindig stadium van een dergelijk proces kan $A'$ of een verzameling die strikt sterker is dan $A$ berekenen. Derhalve vormt eindige iteratie alleen geen ascentie.
3. Gestabiliseerde Revisie komt overeen met de Sprong (Stelling 5): Als revisie wordt gemodelleerd als een convergente $A$-berekenbare benadering, is de gestabiliseerde limiet berekenbaar in $A'$ (en omgekeerd, elke $A'$-berekenbare verzameling ontstaat uit een dergelijk proces). Dit vestigt dat gestabiliseerde revisie behoort tot een ander recursie-theoretisch niveau (de sprong) dan eindige interne iteratie.
4. Geneste Revisie en Hogere Sprongen (Stelling 6): Twee-niveau geneste stabiele revisie komt exact overeen met de tweede sprong $A''$. Dit suggereert een structurele correspondentie waarbij de diepte van geneste stabilisatie de diepte van de Turing-sprong hiërarchie volgt.
5. Capaciteit Internalisatie Dwingt Ascentie af (Propositie 4 & 5): Als een opvolgersysteem een taak internaliseert die "extern essentieel" is (oplosbaar met externe begeleiding maar niet binnen de oorspronkelijke laag $A$), moet het opvolgersysteem opereren op een strikt sterkere graad ($A <_T B$).

Betekenis en Aanspraken
Het artikel claimt een "schone formele scheiding" te bieden die de logica van recursieve-verbetering verhalen beperkt. De betekenis ligt in de volgende punten:

• Weerspreking van Eenvoudige Accumulatie: Het artikel demonstreert dat "meer updaten" (eindige interne iteratie) wiskundig niet equivalent is aan "kwalitatieve ascentie". Een systeem kan ondergaan oneindige interne verfijning terwijl het binnen dezelfde computationele graad blijft.
• Structurele Rol van Training: Het artikel verduidelijkt dat de betekenis van machine learning training in deze context niet is dat het "leren" per se is, maar dat het het empirische mechanisme is voor capaciteit internalisatie. Training is het proces waarbij extern essentiele begeleiding (die mogelijk een sprong-niveau orakel vereist om op te lossen) wordt ingebakken in een nieuw ingezet systeem, waardoor het systeem in staat wordt gesteld te opereren op een hoger relatief niveau.
• Verduidelijking van AI-discours: De resultaten betogen dat claims over open-ended zelfverbetering moeten specificeren welk regime wordt aangesproken. Als een verhaal vertrouwt op eindige interne revisie om de opkomst van een sterkere capaciteit te verklaren, is dit wiskundig ontoereikend. Echte ascentie vereist de internalisatie van begeleiding die voorheen extern was aan de gestabiliseerde laag.

Het artikel stelt expliciet dat het niet claimt dat huidige AI-systemen letterlijk Turing-sprongen berekenen of dat trainingspijplijnen orakel-machines instantiëren. In plaats daarvan biedt het een structurele taal om processen te onderscheiden die binnen een vast effectieve laag blijven en die welke een overgang naar een sterker relatief niveau noodzakelijk maken. De bijdrage is een "structurele beperkingsresultaat" dat claims over recursieve-verbetering dwingt om met grotere wiskundige precisie te worden geformuleerd.