RCC — Begrensninger for rekursiv kollaps

Grenseteori for innleiret intelligens

RCC er grensebetingelsen for all inferens.

Ethvert system som predikerer fra innsiden av en beholder—

uten tilgang til hele tilstanden, uten en global referanseramme —

vil hallusinere, drive og motsi seg selv lokalt.

Dette er ikke feil, men geometriske nødvendigheter for innebygde observatører.

RCC i ett blikk — Hvorfor dette er viktig

Store språkmodeller svikter ikke fordi de er dårlig utformet, men fordi de opererer som innebygde, delvis blinde inferenssystemer.

RCC viser at hallusinasjon, drift og planleggingskollaps er strukturelt uunngåelige, ikke konstruksjonsfeil.

Dette betyr:

• Vi kan kartlegge grenser i stedet for å gjette.

• Vi kan optimalisere beregningsressursene i stedet for å sløse med skala.

• Vi kan utforme arkitekturer som arbeider med geometrien, ikke mot den.

RCC er ikke en ny modell.

Det er grensen alle modeller befinner seg innenfor.

Hvorfor LLM-feil vedvarer — selv med billioner av parametere

Et grenseteoretisk argument for at hallusinasjon, drift og planleggingskollaps kan være strukturelt uunngåelige.

De fleste diskusjoner behandler hallusinasjon, drift i resonnering og kollaps over lange tidshorisonter som ingeniørproblemer.

RCC (rekursive kollapsbegrensninger) fremsetter en sterkere påstand:

Disse atferdsmønstrene lar seg kanskje ikke rette opp —

de kan være geometriske bivirkninger av selve den innebygde inferensen.

Hvis denne innrammingen er riktig, kan forbedringer i skalering, RLHF eller arkitekturtilpasning forskyve hvor feilene oppstår, men ikke fjerne dem.

Hva RCC er

RCC er en grenseteori:

• ikke en ny arkitektur

• ikke en treningsmetode

• ikke en strategi for måltilpasning

Det er en aksiomatisk beskrivelse av de strukturelle grensene ethvert innebygd inferenssystem må følge.

Ethvert system som oppfyller aksiomene, arver de samme begrensningene, uavhengig av modellstørrelse eller implementering.

De fire RCC-aksiomene

Aksiom 1 — Den indre tilstandens utilgjengelighet

Et innebygd system kan ikke se hele sin indre tilstand.

Inferens utføres gjennom en tapsbringende, delvis selvprojeksjon.

Aksiom 2 — Beholderens ugjennomsiktighet

Systemet kan ikke observere mangfoldigheten som rommer det

(treningsfordeling, bane, forutgående kontekst osv.).

Aksiom 3 — fravær av en global referanseramme

All inferens er lokal i forhold til den konteksten som for øyeblikket er synlig.

Konsistens over lange spenn kan ikke garanteres.

Aksiom 4 — Tvungen lokal optimalisering

Selv under usikkerhet må systemet produsere neste oppdatering

utelukkende ved hjelp av lokal informasjon.

Samlet begrensning

Setter vi aksiomene sammen:

En innebygd, ikke-sentral observatør kan ikke konstruere globalt stabil inferens fra delvis informasjon.

Dette er ingen mangel på intelligens.

Det er en geometrisk begrensning.

Hvorfor velkjente LLM-feil oppstår

Ved delvis innsyn må systemet fylle ut usette deler av verden.

Denne utfyllingsprosessen er:

• underbestemt

• ustabil over lange spenn

• uforenlig med enhver usett global struktur

Etter hvert som konteksten vokser:

• utdata driver

• intern koherens forringes

• resonnering i 8–12 trinn kollapser

• korreksjoner klarer ikke å gjenopprette global stabilitet

Dette er ikke feil — det er konsekvenser av inferens under ufullstendig informasjon.

Hvorfor skalering og innretting ikke fjerner dette

Skalering, finjustering eller RLHF gir ikke en modell:

• globalt innsyn

• perfekt introspeksjon

• tilgang til mangfoldigheten som rommer det

Disse metodene kan forbedre lokal atferd,

men de kan ikke fjerne den underliggende geometriske grensen.

Implikasjoner

Hvis RCC er korrekt:

• hallusinasjon kan ikke elimineres, bare flyttes

• drift kan ikke fjernes, bare dempes

• kollaps i tankekjeder kan ikke overskride grensen

• selvkonsistens kan ikke garanteres globalt

Dette omtolker «LLM-feilmoduser» som strukturelt nødvendige utfall av innvevd inferens.

Det antyder også at noen forskningsretninger kan være grunnleggende begrenset, mens andre forblir åpne.

Hva RCC muliggjør

RCC begrenser ikke fremskrittet — det gir det en ny retning.

Ved å identifisere den geometriske grensen for innebygd inferens muliggjør RCC:

• målrettet skalering fremfor blind overtrening

• arkitekturer som følger geometrien fremfor å kjempe mot den

• forutsigelse av svikt i stedet for etterfølgende lapping

• beregningseffektive planleggingshorisonter for oppgaver med lang kontekst

• evalueringsmål for drift og kollaps som tar hensyn til grensene

RCC gjør usikkerhet fra en feil til et kart.

Hvis du er uenig

Uenighet bør angi hvilket aksiom som er feil —

ikke bare kritisere symptomene som observeres i dagens modeller.

RCC-teoremet om tre grenser

RCC beskriver ikke bare hva som svikter, men hvorfor ingen modell kan unnslippe feiltrekanten.

Intet innleiret inferenssystem kan samtidig optimalisere:

• H (hallusinasjonsrate ↓)

• D (drift ↓)

• C (sannsynlighet for kollaps ↓)

Under RCC-begrensninger må systemet betale i

R (kostnad ved ekstern referanse),

S (resonneringsdybde),

eller C (kollaps).

R, S og C kan ikke minimeres samtidig.

Dette er ikke empirisk; det er geometrisk.

Formelt:

La

H = hallusinasjonsrate

D = drift under rekursiv resonnering

C = sannsynlighet for kollaps ved tilbakevending

R = kostnad ved ekstern referanse (søk / verktøy / menneske)

S = resonneringsdybde (trinn)

Da innebærer RCC:

1. H ↓ ⇒ R ↑

   Å redusere hallusinasjon krever økt bruk av eksterne referanser.

2. S ↑ ⇒ D ↑

   Dypere resonnering forsterker drift på grunn av delvis selvobservasjon.

3. D ↓ ⇒ C ↑

   Å stabilisere drift tvinger frem tidligere kollaps ved grensen.

Denne tredelte begrensningen er strukturell, ikke arkitektonisk.

Ingen modell—uansett skala, arkitektur eller tilpasning til mål og verdier—kan bryte den

TEKNISK VEDLEGG — Formelle aksiomer for RCC

Aksiom 1 — Den indre tilstandens utilgjengelighet

La Ω være den fullstendige indre tilstanden.

Observatøren ser bare en projeksjon:

 π : Ω → Ω′ med |Ω′| < |Ω|

All inferens opererer over Ω′.

Aksiom 2 — Beholderens ugjennomsiktighet

La M være den omsluttende mangfoldigheten.

 Synlighet(M) = 0

Globale egenskaper som ∂M eller krumning(M)

er ikke observerbare innenfra.

Aksiom 3 — Ingen global referanseramme

Det finnes ingen Γ slik at:

 Γ : Ω′ → globalt konsistente koordinater

Inferens foregår bare i lokale referanserammer φᵢ,

der avbildninger φᵢ ↛ φⱼ

for fjerne eller dekorrelerte kontekster.

Aksiom 4 — Irreversibel lokal kollaps

Ved hvert inferenstrinn t:

 x₍ₜ₊₁₎ = argmin L_local(φₜ, π(Ω))

Dette kravet gjelder selv når:

 ∂informasjon / ∂M = 0

Grenseteorem (RCC)

Intet innleiret inferenssystem kan opprettholde stabil resonnering uten drift over lange tidshorisonter når:

 ∂Ω > 0, ∂M > 0, Γ ∄

Hallusinasjon, drift og kollaps er derfor

strukturelle konsekvenser,

ikke treningsartefakter.