RCC — Vincoli del collasso ricorsivo

Teoria dei confini dell’intelligenza incorporata

RCC è la condizione al contorno di ogni inferenza.

Qualsiasi sistema che formuli previsioni dall’interno di un contenitore—

senza accesso allo stato completo, senza un sistema di riferimento globale—

produrrà allucinazioni, andrà alla deriva e si contraddirà localmente.

Non sono fallimenti, ma necessità geometriche degli osservatori incorporati.

RCC a colpo d'occhio — Perché è importante

Gli LLM falliscono non perché siano progettati male, ma perché operano come sistemi d'inferenza incorporati e parzialmente ciechi.

RCC mostra che allucinazione, deriva e collasso della pianificazione sono strutturalmente inevitabili, non difetti di progettazione.

Questo significa:

• Possiamo mappare i confini anziché tirare a indovinare.

• Possiamo ottimizzare il calcolo anziché sprecare risorse nell'aumento di scala.

• Possiamo progettare architetture che lavorino con la geometria, senza contrastarla.

RCC non è un nuovo modello.

È il confine all'interno del quale si trovano tutti i modelli.

Perché i fallimenti degli LLM persistono — anche alla scala di mille miliardi di parametri

Un'argomentazione basata su una teoria dei confini, secondo cui allucinazione, deriva e collasso della pianificazione potrebbero essere strutturalmente inevitabili.

La maggior parte delle discussioni tratta l’allucinazione, la deriva del ragionamento e il collasso su orizzonti lunghi come problemi ingegneristici.

RCC (Vincoli del collasso ricorsivo) avanza un’affermazione più forte:

Questi comportamenti potrebbero non essere correggibili —

potrebbero essere effetti collaterali geometrici dell’inferenza incorporata stessa.

Se questa impostazione è corretta, i miglioramenti nell’aumento di scala, nel RLHF o nella messa a punto dell’architettura possono spostare il punto in cui si manifestano i fallimenti, ma non possono eliminarli.

Che cos’è RCC

RCC è una teoria dei confini:

• non una nuova architettura

• non un metodo di addestramento

• non una strategia di allineamento

È una descrizione assiomatica dei limiti strutturali a cui qualsiasi sistema di inferenza incorporato deve sottostare.

Qualsiasi sistema che soddisfi gli assiomi eredita gli stessi vincoli, indipendentemente dalle dimensioni del modello o dall’implementazione.

I quattro assiomi di RCC

Assioma 1 — Inaccessibilità dello stato interno

Un sistema incorporato non può vedere il proprio stato interno completo.

L’inferenza si compie attraverso un’autoproiezione parziale e con perdita di informazione.

Assioma 2 — Opacità del contenitore

Il sistema non può osservare la varietà che lo contiene

(distribuzione di addestramento, traiettoria, contesto a monte, ecc.).

Assioma 3 — Assenza di un sistema di riferimento globale

Ogni inferenza è locale al contesto attualmente visibile.

La coerenza a lungo raggio non può essere garantita.

Assioma 4 — Ottimizzazione locale forzata

Anche nell'incertezza, il sistema deve produrre l'aggiornamento successivo

usando soltanto informazioni locali.

Vincolo unificato

Mettendo insieme gli assiomi:

Un osservatore incorporato e non centrale non può costruire un'inferenza globalmente stabile a partire da informazioni parziali.

Questo non è un deficit di intelligenza.

È un limite geometrico.

Perché emergono i noti malfunzionamenti degli LLM

In condizioni di visibilità parziale, il sistema deve completare le parti non visibili del mondo.

Questo processo di completamento è:

• sottodeterminato

• instabile su lunghe distanze

• incoerenti con qualsiasi struttura globale non visibile

Con l’aumentare del contesto:

• le risposte derivano

• la coerenza interna si degrada

• il ragionamento in 8–12 passaggi collassa

• le correzioni non riescono a ripristinare la stabilità globale

Non sono errori — sono conseguenze dell’inferenza in condizioni di informazione incompleta.

Perché l’aumento di scala e l’allineamento non eliminano questo fenomeno

L'aumento di scala, l'affinamento o RLHF non danno a un modello:

• visibilità globale

• introspezione perfetta

• accesso alla varietà che lo contiene

Questi metodi possono migliorare il comportamento locale,

ma non possono rimuovere il confine geometrico sottostante.

Implicazioni

Se RCC è corretto:

• l’allucinazione non può essere eliminata, solo ricollocata

• la deriva non può essere rimossa, solo smorzata

• il collasso della catena di ragionamento non può oltrepassare il confine

• l’autocoerenza non può essere garantita globalmente

Questo riformula le «modalità di fallimento degli LLM» come esiti strutturalmente necessari dell'inferenza incorporata.

Suggerisce inoltre che alcune direzioni di ricerca possano essere fondamentalmente vincolate, mentre altre restano aperte.

Che cosa rende possibile RCC

RCC non limita il progresso — lo reindirizza.

Identificando il confine geometrico dell'inferenza incorporata, RCC consente:

• aumento mirato della scala anziché sovraaddestramento alla cieca

• architetture che si allineano alla geometria anziché contrastarla

• previsione degli errori anziché correzioni a posteriori

• orizzonti di pianificazione efficienti nel calcolo per compiti a contesto lungo

• metriche di valutazione della deriva e del collasso che tengano conto dei confini

RCC trasforma l’incertezza da difetto in mappa.

Se non sei d’accordo

Chi dissente dovrebbe indicare quale assioma è errato —

non limitarsi a criticare i sintomi osservati nei modelli attuali.

Teorema dei tre limiti RCC

RCC descrive non soltanto ciò che fallisce, ma perché nessun modello può sfuggire al triangolo del fallimento.

Nessun sistema di inferenza immerso può ottimizzare simultaneamente:

• H (tasso di allucinazione ↓)

• D (deriva ↓)

• C (probabilità di collasso ↓)

Sotto i vincoli di RCC, il sistema deve pagare in

R (costo del riferimento esterno),

S (profondità del ragionamento),

o C (collasso).

R, S e C non possono essere minimizzati contemporaneamente.

Non è un fatto empirico; è geometrico.

Formalmente:

Siano

H = tasso di allucinazione

D = deriva nel ragionamento ricorsivo

C = probabilità di collasso da ricorrenza

R = costo del riferimento esterno (ricerca / strumenti / intervento umano)

S = profondità del ragionamento (passi)

Allora RCC implica:

1. H ↓ ⇒ R ↑

   Ridurre le allucinazioni richiede un maggiore ricorso a riferimenti esterni.

2. S ↑ ⇒ D ↑

   Un ragionamento più profondo amplifica la deriva a causa dell'osservazione parziale di sé.

3. D ↓ ⇒ C ↑

   Stabilizzare la deriva forza un collasso più precoce al confine.

Questo triplice limite è strutturale, non architetturale.

Nessun modello—indipendentemente da scala, architettura o allineamento—può infrangerlo

APPENDICE TECNICA — Assiomi formali di RCC

Assioma 1 — Inaccessibilità dello stato interno

Sia Ω lo stato interno completo.

L’osservatore vede solo una proiezione:

 π : Ω → Ω′ con |Ω′| < |Ω|

Ogni inferenza opera su Ω′.

Assioma 2 — Opacità del contenitore

Sia M la varietà contenente.

 Visibilità(M) = 0

Proprietà globali come ∂M o curvature(M)

non sono osservabili dall’interno.

Assioma 3 — Nessun sistema di riferimento globale

Non esiste alcun Γ tale che:

 Γ : Ω′ → coordinate globalmente coerenti

L'inferenza avviene solo nei sistemi di riferimento locali φᵢ,

dove le applicazioni φᵢ ↛ φⱼ

per contesti distanti o decorrelati.

Assioma 4 — Collasso locale irreversibile

A ogni passo di inferenza t:

 x₍ₜ₊₁₎ = argmin L_local(φₜ, π(Ω))

Questo requisito vale anche quando:

 ∂informazione / ∂M = 0

Teorema del confine (RCC)

Nessun sistema di inferenza incorporato può mantenere un ragionamento stabile e privo di deriva su orizzonti lunghi quando:

 ∂Ω > 0, ∂M > 0, Γ ∄

Allucinazione, deriva e collasso sono dunque

conseguenze strutturali,

non artefatti dell'addestramento.