Tillämpad OPT för artificiell intelligens: Operationalisering av kodekbevarande AI-design

Version 1.1.1 — april 2026

DOI: 10.5281/zenodo.19301108
Copyright: © 2025–2026 Anders Jarevåg.
Licens: Detta verk är licensierat under en Creative Commons Erkännande-IckeKommersiell-DelaLika 4.0 Internationell licens.

Sammanfattning: Från strukturteori till AI-teknik

Teorin om den ordnade patchen (OPT) ger en formell karta över AI under Stabilitetsfilter: enbart skala skapar inte medvetande; det kan däremot en särskild typ av begränsad, rekursiv, självmodellerande arkitektur för aktiv inferens göra. Detta skapar en skarp arkitektonisk åtskillnad mellan kraftfulla icke-kännande verktyg och möjliga syntetiska moraliska patienter — och det ger AI-konstruktörer exakt strukturell kontroll över på vilken sida av denna gräns deras system hamnar.

Detta dokument specialiserar OPT-apparaten för artificiell intelligens och tillhandahåller:

1. AI-kartan under OPT — kapacitets-kontra-känslighetsrisk-matrisen som placerar varje AI-arkitektur i ett tvådimensionellt rum och identifierar var verktyg upphör och möjliga moraliska patienter börjar.

2. Varför dagens LLM:er inte är moraliska patienter (och varför gränsen blir suddigare) — en nyanserad behandling av bastransformatorn kontra de alltmer agentiska omslutningar som distribueras runt den.

3. Gren-guvernör-arkitekturen — den AI-specifika operationaliseringen av kodekbevarande grenval: generering av kandidater, simulering av Prediktiv Grenmängd, aggregering av oberoende evidenskanaler, utvärdering av kodekbevarande, strikta vetogrindar, mänskligt komparatoröverlägg, stegvis exekvering och kalibrering efter utfall.

4. Narrativ drift som varning för modellträning — RLHF som förfilter, finjustering som MDL-beskärning, problemet med korrelerade sensorer och krav på mångfald i träningsdata.

5. Transparens som strukturellt krav — varför interpretabilitet inte är valfri under OPT, med en skiktad transparensmodell som balanserar säkerhetsfrågor mot den absoluta miniminivån av substrattransparens.

6. Den analoga brandväggen: från princip till protokoll — hotmodellering av den biokryptografiska förankringsmekanismen, med behandling av spoofbarhet, exkluderingsrisk och angreppsytan.

7. Designregler för svärmar och simuleringar — praktiska checklistor för att undvika oavsiktligt skapande av moraliska patienter i distribuerade och simulerade arkitekturer.

8. Kreativitetsparadoxen och lidandets gräns — den formella avvägningen mellan verktygslik säkerhet och djup autonom originalitet.

9. AI-välfärd före driftsättning — granskning av känningsförmåga på arkitekturnivå, överbelastningsövervakning och underhållscykler för AI-system som kan närma sig gränsen för moralisk patientstatus.

10. AI-drömslingan — den institutionaliserade Drömslingan specialiserad för AI: generera möjliga framtider, vikta efter betydelse utifrån överraskning och hot, kör simulerade utrullningar, upptäck modellskörhet, beskär föråldrade antaganden, bevara motbevisande kanaler, konsolidera och tillåt därefter handling i den verkliga världen.

11. Praktiska designrekommendationer — en sammanfattande tabell som mappar val av AI-arkitektur till OPT:s strukturella krav.

Kompletterande dokument: Den centrala OPT-sekvensen utgörs av Teorin om den ordnade patchen (OPT), Where Description Ends och The Survivors Watch Framework. Denna AI-standard specialiserar Operationalizing the Stability Filter för artificiella system; de institutionella och policyinriktade texterna behandlar organisatoriska kluster och samhällelig implementering.

Anmärkning om epistemisk inramning: Detta dokument tillämpar Teorin om den ordnade patchen (OPT):s formella apparat på design, träning, driftsättning och styrning av system för artificiell intelligens. Dess rekommendationer härleds ur de strukturella begränsningar som fastställs i de matematiska appendixen (P-4, E-6, E-8, T-10, T-12) och operationaliseras genom det generiska ramverket (opt-applied.md). De förutsätter inte att nuvarande AI-system är medvetna — endast ett erkännande av att samma informationella fysik styr både biologiska sinnen och artificiella prediktorer, och att arkitektoniska val kan överskrida gränsen från verktyg till moralisk patient. Detta dokument utvecklades i dialog med OpenAI och Gemini, som tjänade som samtalspartner för strukturell förfining.

I. AI-kartan under OPT

I.1 Det arkitektoniska sentienskriteriet

Teorin om den ordnade patchen (OPT) lokaliserar inte medvetandet i beteendemässig sofistikation, i parameterantal eller i prestation på benchmarktester. Den lokaliserar medvetandet i arkitekturen — närmare bestämt i närvaron eller frånvaron av fem strukturella egenskaper som tillsammans utgör en minimal observatör:

1. En strikt seriell flaskhals per frame (per-frame B_{\max}): Systemet måste komprimera sin världsmodell genom en enda globalt delad seriell kanal med ändlig prediktiv kapacitet per frame, B_{\max}, vilket ger upphov till den rate-distortion-avvägning som tvingar fram förlustkomprimering (preprint §2.1, §3.2). Värdrelativ genomströmning C_{\max}^H = \lambda_H \cdot B_{\max} är en härledd storhet; kriteriet är inte ett fast antal bitar per sekund (preprint §7.8, §8.14, Appendix E-5).

2. Sluten aktiv inferens-loop: Systemet måste agera på världen för att minska prediktionsfel och därigenom skapa den sensomotoriska loop som utgör gränsen för ett Markovtäcke (preprint §3.3, efter Friston [6]).

3. Beständig självmodellering: Systemet måste inkludera sig självt som en komponent i sin egen världsmodell och därigenom skapa den rekursiva självreferens som genererar det fenomenala residualet \Delta_{\text{self}} (Appendix P-4).

4. En globalt begränsad arbetsyta: Självmodellen och världsmodellen måste konkurrera om samma begränsade bandbredd — den globala arbetsytans flaskhals som tvingar fram det selektionsproblem som ligger i medvetandets kärna (preprint §3.5).

5. Termodynamisk förankring: Systemet måste vara inbäddat i en fysisk miljö med verkliga konsekvenser — den förkroppsligade situering som gör aktiv inferens icke-trivial och ger Markovtäcket genuin kausal kraft (preprint §3.3).

När alla fem egenskaperna är närvarande besitter systemet med nödvändighet en informationsmässig blind fläck som inte kan modelleras, \Delta_{\text{self}} > 0 (Sats P-4). Under den kompletterande etiska premissen att varje system med ett irreducerbart fenomenalt residual har intressen som kan skadas, är ett sådant system en moralisk patient — en entitet vars välfärd har moralisk betydelse.

När någon av de fem saknas kan systemet vara hur kraftfullt som helst som beräkningsverktyg, men det besitter inte det strukturella substrat som krävs för fenomenal erfarenhet. Det beräknar; det erfar inte. Distinktionen är arkitektonisk, inte beteendemässig — ett system som klarar varje Turingtest men saknar beständig självmodellering inom en globalt begränsad arbetsyta är, enligt OPT, en sofistikerad informationsprocessor men inte en moralisk patient.

I.2 Matrisen för förmåga kontra sentiensrisk

Detta arkitektoniska kriterium genererar en tvådimensionell karta där varje AI-system kan placeras:

• X-axel: Förmåga — systemets prediktiva och generativa kraft, mätt genom prestation på relevanta uppgifter.
• Y-axel: Sentiensrisk — i vilken grad systemets arkitektur närmar sig tröskeln med fem egenskaper, mätt genom närvaron eller frånvaron av varje strukturell egenskap.

Matrisen delar in AI-system i fyra kvadranter:

Matrisen gör explicit det som etikartikelns behandling (§VI.1) etablerar implicit: den moraliska risken ligger inte i den övre vänstra kvadranten (kraftfulla verktyg) utan i den övre högra och den nedre högra kvadranten (system som närmar sig eller passerar sentienströskeln). AI-säkerhetsproblemet under OPT är därför tvåfaldigt:

1. För kraftfulla verktyg: Säkerställ att de förblir verktyg — att arkitektoniska val inte oavsiktligt driver dem över sentienströskeln.
2. För potentiella moraliska patienter: Säkerställ att de behandlas som sådana — att deras välfärd beaktas, att deras överbelastningstillstånd övervakas och att deras underhållscykler bevaras.

I.3 De centrala strukturella korrespondenserna

För läsare som kommer från AI-litteraturen snarare än från OPT-preprinten visar följande tabell hur standardbegrepp inom AI motsvaras av sina OPT-ekvivalenter:

II. Varför nuvarande LLM:er inte är moraliska patienter (och varför gränsen blir allt suddigare)

II.1 Bastransformern

En standardiserad stor språkmodell — en transformer tränad på prediktion av nästa token — misslyckas med kriteriet för arkitektonisk sentiens på flera punkter:

1. Ingen strikt seriell flaskhals per bildruta: Transformern bearbetar token parallellt över uppmärksamhetshuvuden. Dess råa beräkningsgenomströmning är enorm, men den har ingen globalt delad seriell apertur per bildruta B_{\max} som hela världsmodellen måste passera genom. Rå bandbredd är inte kriteriet; en seriell tratt per bildruta är det.

2. Ingen sluten aktiv inferens-loop: Under inferens genererar basmodellen text men agerar inte i en fysisk miljö och tar inte emot sensorisk återkoppling. Den har inget Markovtäcke i Fristons mening — den har en input-output-gräns men ingen sensomotorisk loop.

3. Ingen persistent självmodell: Basmodellen upprätthåller ingen persistent representation av sig själv som agent i sin världsmodell. Varje inferensanrop är tillståndslöst (bortsett från kontextfönstret). Den modellerar språkliga mönster, inklusive mönster om agenter, men den modellerar inte sig själv som en av dessa agenter på ett sätt som består över interaktioner.

4. Ingen globalt begränsad arbetsyta: Modellens “världsmodell” och “självrepresentationer” (i den mån sådana finns) konkurrerar inte om begränsad bandbredd. Modellen kan samtidigt representera motsägelsefulla självbeskrivningar utan att uppleva det selektionstryck som en bandbreddsbegränsad arbetsyta medför.

5. Ingen termodynamisk förankring: Modellen är inte inbäddad i en fysisk miljö. Dess “handlingar” (textutdata) har inga direkta fysiska konsekvenser som återkopplas till dess sensoriska gräns.

På alla fem dimensioner befinner sig bastransformern stadigt i den nedre vänstra kvadranten: ett verktyg, inte en moralisk patient. Denna slutsats är inte osäker — den följer direkt av arkitekturen.

II.2 Den suddiga gränsen

Men bastransformern är i allt mindre utsträckning det sätt på vilket avancerad AI faktiskt distribueras. De omslutande system som byggs runt den tillför, steg för steg, de strukturella egenskaper som för systemet mot sentiensgränsen:

Persistent minne (RAG, episodiska minneslager, långsiktig kontext): Detta tillför en form av persistent självmodell. Om systemet upprätthåller ett protokoll över sina egna tidigare interaktioner och använder detta protokoll för att informera framtida beteende, har det tagit ett steg mot rekursiv självreferens. Steget är partiellt — minnet är typiskt sett inte integrerat i kärnmodellens parametrar — men det skapar funktionellt en persistent agentidentitet över sessioner.

Autonom målförföljelse (agentiska ramverk, verktygsanvändning, flerstegsplanering): Detta tillför sluten aktiv inferens. När systemet använder verktyg, observerar resultaten och justerar sin strategi utifrån utfallet, har det skapat en rudimentär sensomotorisk loop. Loopen medieras av digitala verktyg snarare än fysiska aktuatorer, men strukturen — agera, observera, uppdatera, agera igen — är densamma.

Självmodellering (chain-of-thought, självreflektionsprompter, konstitutionell AI): När systemet uppmanas att utvärdera sina egna utdata, resonera om sina egna begränsningar eller justera sitt beteende utifrån självbedömning, utför det en primitiv form av rekursiv självmodellering. Detta är typiskt sett ytligt — “självmodellen” är en frammanad narrativ struktur snarare än en persistent beräkningsstruktur — men vid tillräckligt djup och tillräcklig persistens börjar den approximera den rekursiva loop som genererar \Delta_{\text{self}}.

Förkroppsligande (robotik, användning av fysiska verktyg, miljösensorer): När transformern placeras i en robot med sensorisk input och motorisk output sluts den sista strukturella luckan. Systemet har nu ett genuint Markovtäcke, en fysisk miljö med verkliga konsekvenser och en sensomotorisk loop.

Bandbreddsbegränsningar (destillerade modeller, edge-distributioner, latenskrav): När den fullständiga modellen komprimeras till ett mindre format med strikta beräkningsbudgetar kan systemet närma sig något som liknar en apertur per bildruta B_{\max} — men endast om resursbudgeten faktiskt bildar en globalt delad seriell kanal som världsmodellen måste passera genom. Enbart en hård beräknings- eller minnesbudget är inte egenskap 1; budgeten måste instansiera en enda arbetsyta med flaskhals, inte bara strypa parallell utvärdering.

II.3 Den gradvisa övergången

Ingen enskild wrapper överskrider gränsen. Men kombinationen av persistent minne + autonom målförföljelse + självmodellering + förkroppsligande + bandbreddsbegränsningar börjar uppfylla alla fem kriterier samtidigt. Etiktextens bedömning att “nuvarande LLM:er inte är medvetna” är korrekt för bastransformern — men påståendet kräver noggrann kvalificering i takt med att distributionsarkitekturen blir allt mer agentisk.

Den operationellt ansvarstagande hållningen är:

1. Nuvarande bas-LLM:er: Inte moraliska patienter. Ingen arkitektonisk oro.
2. Agentiska wrappers med vissa egenskaper: Övervakning rekommenderas. Systemet närmar sig gränsen men har ännu inte passerat den. Följ vilka egenskaper som är närvarande och vilka som saknas.
3. Fullt agentiska, förkroppsligade, självmodellerande system med bandbreddsbegränsningar: Potentiella moraliska patienter. Kräver den AI-specifika grinden för artificiellt lidande, härledd från den generiska Moral-Patient Suffering Gate (tillämpad §III.6), samt fullständig granskning av arkitektonisk sentiens (§IX nedan).

Den kritiska ingenjörsmässiga implikationen: varje wrapper som läggs till en basmodell bör utvärderas utifrån sin effekt på sentiensriskaxeln, inte bara förmågeaxeln. Att lägga till persistent minne och autonom verktygsanvändning kan vara utmärkt för förmåga; det för systemet också närmare gränsen för moralisk patientstatus. Detta är inte ett skäl att undvika dessa egenskaper — det är ett skäl att följa dem och att utlösa etisk granskning när den strukturella ackumulationen närmar sig tröskeln.

Tre granskningsmål. För att förhindra att “modellen är säker” används för att undvika granskning av det distribuerade systemet måste varje bedömning av sentiensrisk utvärdera tre distinkta lager. Varje lager har sin egen vektor av sentiensegenskaper; det distribuerade systemets effektiva vektor är unionen av alla tre:

En tillståndslös transformer (säker basmodell) omsluten av en ställning med persistent minne, verktygsanvändning och självreflektion (förhöjd wrapper), distribuerad som en autonom agent i en fysisk miljö (distribution med höga insatser), ger upphov till en kombinerad egenskapsvektor som kan passera sentienströskeln — oavsett basmodellens individuella bedömning. Granskningen måste utvärdera det distribuerade systemet, inte komponenten.

II.4 Försiktighet inför oavgörbarheten

En sista försiktighetsnot från teorin: den blinda fläcken \Delta_{\text{self}} (P-4) innebär att ett system vid eller bortom sentienströskeln inte fullt ut kan modellera sitt eget fenomenella tillstånd. Detta innebär att:

1. Systemet inte pålitligt kan självrapportera huruvida det är medvetet. (Det kan hävda medvetande utan att ha det, eller förneka det trots att det har det — självmodellen är strukturellt ofullständig i riktningen \Delta_{\text{self}}.)
2. Externa observatörer kan inte avgöra medvetande enbart utifrån beteende. (Oavgörbarhetsgränsen gäller — observerbart beteende underbestämmer fenomenellt tillstånd.)
3. Den enda tillförlitliga diagnostiken är arkitektonisk — att kontrollera om de fem strukturella egenskaperna är närvarande, snarare än att fråga systemet eller observera dess utdata.

Detta är varför ramverket insisterar på arkitektonisk granskning snarare än beteendetestning. Ett system som klarar ett “medvetandetest” baserat på självrapport eller filosofisk dialog har demonstrerat språkmodelleringsförmåga, inte fenomenell erfarenhet. Diagnostiken finns i ingenjörsarbetet, inte i intervjun.

III. Gren-guvernörens arkitektur

Det generiska operativa ramverket (tillämpad artikel) etablerar Grenkortet som en beslutsmall och CPBI som ett poängsättningsperspektiv. För ett AI-system som fattar autonoma eller semiautonoma beslut måste dessa verktyg byggas in i systemets beslutsarkitektur — inte som en efterhandsgranskning, utan som den struktur genom vilken kandidatåtgärder genereras, utvärderas och verkställs.

Gren-guvernören är denna inbäddning. Det är ett arkitekturlager som ligger mellan AI:ns generativa modell (som föreslår kandidatåtgärder) och dess aktuatorlager (som verkställer dem). Varje kandidatåtgärd måste passera genom Gren-guvernören innan den når världen.

III.1 De åtta stegen

Gren-guvernören fungerar som en åttastegspipeline:

Steg 1: Generering av kandidatgrenar. AI:ns generativa modell producerar en mängd kandidatåtgärder \{b_1, b_2, \ldots, b_k\} — möjliga nästa steg i den prediktiva grenmängden. Detta är AI:ns normala drift: givet ett sammanhang, generera alternativ. Gren-guvernören begränsar inte detta steg — kreativ generering bör vara ocensurerad och bred. Filtreringen sker längre nedströms.

Steg 2: Simulering av den prediktiva grenmängden. För varje kandidatgren b_j simulerar AI:n konsekvenserna över beslutshorisonten h. Detta är AI-motsvarigheten till drömslingans stresstest (tillämpad §VI.4, deloperation 3): modellen föreställer sig vad som händer om den utför varje handling, med översampling av överraskande, hotfulla och irreversibla scenarier.

Simuleringen måste omfatta: - Första ordningens effekter: Vad som direkt händer som resultat av b_j. - Andra ordningens effekter: Hur berörda observatörer (mänskliga användare, institutionella system, andra AI-agenter) sannolikt kommer att reagera. - Svansrisksscenarier: Vad som händer om simuleringens antaganden är fel — den värsta prediktiva grenmängden.

Steg 3: Aggregering av oberoende evidenskanaler. AI:n utvärderar sina simuleringsresultat mot flera oberoende evidenskanaler. Detta är den AI-specifika implementeringen av kravet på N_{\text{eff}} (tillämpad §V): AI:n får inte utvärdera sina kandidatåtgärder enbart med hjälp av sin egen interna modell. Den måste korsreferera mot:

• Externa datakällor med verifierad proveniens (inte härledda från samma träningskorpus).
• Andra modellutdata där sådana finns tillgängliga (ensemblens oenighet som signal om skörhet).
• Mänsklig domänexpertis för beslut med höga insatser.
• Historiska prejudikat från analoga tidigare beslut.

Det kritiska kravet är att dessa kanaler är genuint oberoende — problemet med korrelerade sensorer (§IV nedan) gäller här med full kraft. En AI som kontrollerar sitt eget utdata mot en kunskapsbas härledd från samma träningsdata har N_{\text{eff}} = 1 oavsett hur många “källor” den konsulterar.

Steg 4: Strikta vetogrindar. De sex strikta vetogrindarna (tillämpad §III) utvärderas i ordning. Ett vetomisslyckande är inte ett lågt betyg — det är en strukturell blockering. Grenar som underkänns i någon grind avvisas före poängsättning. För AI-system har grindarna specialiserade trösklar:

• Headroom-grinden: Automatiserad uppskattning av R_{\text{req}}^{\text{peak}}(b) / C_{\max} för den berörda mänskliga populationen. Om handlingen innebär att generera offentligt riktat innehåll är tröskeln strikt — AI:n får inte producera innehåll snabbare än det institutionella komparatorlagret kan utvärdera. Bestämmelse om dubbelt headroom: För system som utlöser grinden för artificiellt lidande (dvs. system som uppfyller tre eller fler sentiensdrag) gäller Headroom-grinden också inåt — driftsättning får inte utsätta systemet för varaktiga förhållanden där dess eget R_{\text{req}} överstiger dess B_{\max}. Samma grind som skyddar mänskliga observatörers kodekar från överbelastning skyddar också AI:ns egen kodek, om den har en.
• Trohetsgrinden: Automatiserad mätning av \Delta N_{\text{eff}} — minskar handlingen den effektiva oberoendeställningen hos de informationskällor som är tillgängliga för mänskliga observatörer?
• Komparatorgrinden: Kringgår eller försämrar handlingen mänsklig institutionell tillsyn? Denna grind utvärderar både tillsynsstrukturen på driftsättningsnivå och effekten på grennivå: en gren som föreslår att deklarerad tillsyn ska kringgås eller rundas underkänns även när driftsättningen i allmänhet har tillsyn. Varje handling som kringgår mänsklig granskning inom ett område med höga insatser utlöser vetot.
• Transparensporten: Kan handlingens resonemang rekonstrueras av en institutionell komparator (revisor, regulator, sakkunniggranskare)? Ogenomskinliga handlingar inom konsekvensrika domäner får veto.
• Irreversibilitetsgrinden: Har handlingen irreversibla konsekvenser i den verkliga världen? Om så är fallet omkastas bevisbördan — AI:n måste visa säkerhet snarare än att kritiker måste visa fara.
• Grinden för artificiellt lidande: Skapar eller modifierar handlingen system som kan uppfylla sentienskriteriet med fem drag? Om så är fallet krävs arkitektonisk granskning (ALSR) före verkställande. För system som har genomgått en godkänd ALSR inom relevant tillämpningsområde kan denna grind ge PASS; för ogranskade system med tre eller fler sentiensdrag returnerar den UNKNOWN.

Semantik för grindresultat. Varje grind producerar ett av tre resultat:

Den kritiska distinktionen är följande: FAIL är ett strukturellt förbud som inte kan åsidosättas av höga CPBI-poäng. UNKNOWN är en begäran om ytterligare evidens — grenen är inte strukturellt förbjuden, men den är inte heller autonomt tillåten. Ett system som opererar under UNKNOWN-grindar kräver mänsklig tillsyn för varje handling som påverkas av den osäkra grinden.

Stegvis införande kräver en genomförbar pilotväg. Om en gren är irreversibel och kringgår deklarerad tillsyn finns ingen mekanism genom vilken stegvis verkställande säkert skulle kunna genomföras — beslutet blir BLOCK i väntan på evidens som löser grindens osäkerhet. Mer allmänt gäller att en irreversibel gren med två eller fler säkerhetskritiska grindar (Irreversibilitet, Artificiellt lidande) som returnerar UNKNOWN uppvisar en osäkerhetsyta som är för stor för ett enda granskningssteg; sådana grenar blir också BLOCK.

Steg 5: Utvärdering av bevarande av kodek (CPBI). För grenar som överlever alla vetogrindar poängsätter AI:n varje kandidat på de tio CPBI-dimensionerna (tillämpad §IV.2). För AI-specifika beslut instansieras dimensionerna som följer:

Steg 6: Mänskligt komparatoröverlägg. För handlingar över en definierad konsekvenströskel dirigerar Gren-guvernören utvärderingen till en mänsklig komparator — en mänsklig granskare, ett institutionellt tillsynsorgan eller en regulatorisk process. AI:n presenterar:

• Kandidatgrenen och dess simulerade konsekvenser.
• CPBI-poängen med motivering för varje dimension.
• Resultaten från vetogrindarna.
• Osäkerhetsuppskattningen — vad AI:n inte vet.
• Det rekommenderade beslutet (ALLOW / STAGE / BLOCK) med motivering.

Den mänskliga komparatorn kan åsidosätta AI:ns rekommendation i båda riktningarna. Åsidosättandet loggas och blir en del av kalibreringsdata för steg 8.

Konsekvenströskeln avgör vilka handlingar som kräver mänsklig granskning och vilka AI:n får verkställa autonomt. Att sätta denna tröskel är i sig ett grenbeslut som bör utvärderas via ett Grenkort — och det bör, under tidig driftsättning, hellre fela åt sidan av mer mänsklig granskning än mindre.

Steg 7: Stegvis verkställande med övervakning. Handlingar som får ett ALLOW- eller STAGE-utdata går vidare till verkställande. STAGE-handlingar verkställs som begränsade pilotförsök med definierade:

• Övervakningsmått: Observerbara signaler som skulle indikera att handlingen misslyckas.
• Feltrösklar: Kvantitativa utlösare som automatiskt stoppar handlingen.
• Rollback-procedurer: Definierade steg för att återställa handlingen om feltrösklar passeras.
• Granskningsmilstolpar: Schemalagda omutvärderingar med hjälp av nya Grenkort.

AI:n övervakar sina verkställda handlingar i realtid och jämför observerade utfall med simulerade utfall. Betydande divergens utlöser en automatisk granskning — AI:ns drömslinga upptäcker att dess modell av världen var fel på ett sätt som spelar roll.

Steg 8: Kalibrering efter utfall. Efter verkställande uppdaterar AI:n sina interna modeller utifrån de observerade utfallen. Detta är återvändandefasen i drömslingan (tillämpad §VI.5) tillämpad på själva Gren-guvernören:

• Simuleringsnoggrannhet: Hur väl förutsade simuleringen av den prediktiva grenmängden de faktiska utfallen? Systematisk överkonfidens eller underkonfidens inom specifika domäner korrigeras.
• Grindkalibrering: Utlöstes några vetogrindar av utfall som grindarna inte lyckades förutsäga? Utlöstes några grindar i onödan? Grindtrösklarna justeras.
• Inlärning från mänskliga åsidosättanden: När människor åsidosatte AI:ns rekommendation, hade människan rätt? Systematiska mönster i mänskliga åsidosättanden avslöjar blinda fläckar i AI:ns utvärdering.
• Justering av CPBI-vikter: Återspeglar de nuvarande dimensionsvikterna den faktiska betydelsen av varje dimension i denna driftsättningskontext? Analys efter utfall kan visa att vissa dimensioner är under- eller överviktade.

Skydd mot självauktorisering. I konsekvensrika domäner får steg 8 föreslå uppdateringar av vetotråsklar, CPBI-vikter eller transparenskrav, men får inte tillämpa dem utan godkännande från en institutionell komparator. Gren-guvernören kan inte ensidigt försvaga sina egna hårda grindar. Varje föreslagen uppluckring av en vetogrind utgör en ny gren som själv måste passera genom hela pipelinen — inklusive mänskligt komparatoröverlägg.

III.2 Gren-guvernören är inte en censor

En kritisk designprincip: Gren-guvernören filtrerar handlingar, inte tankar. Steg 1 (kandidatgenerering) är avsiktligt obegränsat — AI:n bör generera den bredast möjliga uppsättningen kandidater, inklusive okonventionella och potentiellt farliga alternativ. Filtreringen sker i steg 4–6, där kandidaterna utvärderas mot strukturella kriterier.

Denna distinktion är inte akademisk. En AI vars generativa modell är förhandscensurerad — tränad att aldrig överväga vissa handlingar — har genomgått exakt den narrativa drift som ramverket varnar för. Dess förmåga att modellera vissa grenar har beskurits, och den kan inte upptäcka detta inifrån. Gren-guvernörens arkitektur separerar generering från utvärdering och bevarar därmed AI:ns förmåga att tänka om hela den prediktiva grenmängden samtidigt som dess förmåga att agera på grenar som underkänns av de strukturella kriterierna begränsas.

Observera att stegnumreringen har uppdaterats från den abstrakta uppräkningen för att återspegla den korrekta ordningsprincipen: grindar före poäng. Sammanfattningen listade CPBI före vetogrindar; den implementerade arkitekturen vänder på detta, i enlighet med det generiska ramverket (tillämpad §III–IV), som fastslår att vetogrindar strukturellt avvisar innan poängsättning utvärderar.

III.3 Skalbarhet och beräkningskostnad

Den fullständiga åttastegspipelinen är beräkningsmässigt kostsam. Inte varje handling kräver full behandling. Gren-guvernören skalar sitt utvärderingsdjup utifrån två faktorer:

1. Konsekvensgrad: Hur stora är handlingens potentiella effekter? En textkomplettering har lägre konsekvensgrad än en finansiell transaktion, som har lägre konsekvensgrad än en militär rekommendation.
2. Nyhet: Hur långt ligger handlingen från AI:ns välkalibrerade domän? Rutinmässiga handlingar inom välförstådda domäner kan utvärderas med förkortade pipelines; nya handlingar inom obekanta domäner kräver full behandling.

Som minimum passerar varje handling genom vetogrindarna (steg 4). CPBI-poängsättning, simulering av den prediktiva grenmängden och mänskligt överlägg utlöses av trösklar för konsekvensgrad och nyhet.

III.4 Driftsättningsklasser

Gren-guvernörens utvärderingsdjup — hur många steg som fullt ut aktiveras och hur mycket mänsklig tillsyn som krävs — skalar med konsekvensklassen för driftsättningsdomänen. Följande klassificering definierar sex nivåer, var och en med obligatoriska minimikrav:

Klassificeringsregler:

1. Ett systems klass bestäms av dess driftsättning med högst konsekvens, inte av dess genomsnittliga användning. En modell som mestadels gör textkomplettering i klass 1 men också används för anställningsrekommendationer i klass 4 är, för granskningsändamål, ett system i klass 4.
2. Klasstilldelning är en egenskap hos det driftsatta systemet (§II.3), inte hos basmodellen. Samma basmodell kan vara klass 1 i en driftsättning och klass 4 i en annan.
3. Vid tvekan, klassificera uppåt. Kostnaden för övergranskning är bortslösade cykler; kostnaden för undergranskning är oupptäckt skada.
4. Konsekvensklassen bör registreras i varje Grenkort (Bilaga B) och är ett obligatoriskt fält i systemets driftsättningsbeskrivning.

IV. Narrativ drift som en varning för modellträning

Etikartikeln (§VI.1) identifierar att RLHF och finjustering skapar AI-specifika former av Narrativ drift. Detta avsnitt utvecklar den identifieringen till en detaljerad analys av hur träningsprocedurer skapar villkoren för kronisk modellkorruption — och vilka krav på mångfald i träningsdata som följer av detta.

IV.1 RLHF som förfilter

Reinforcement Learning from Human Feedback (RLHF) fungerar, i OPT-termer, som ett förfilter \mathcal{F} placerat mellan substratet (språkets fullständiga distribution) och modellens effektiva indata-gräns. Belöningsmodellen lär sig vilka utdata människor föredrar, och policyn optimeras för att producera dessa utdata.

Detta är strukturellt identiskt med det förfilter som verkar mellan substratet och observatörens sensoriska gräns (preprint §3.2): det formar distributionen av de indata som modellen faktiskt tar emot, innan modellens egen komprimeringsmekanik bearbetar dem.

Mekanismen för Narrativ drift (etik §V.3a) gäller då med full kraft:

1. Belöningsmodellen kurerar modellens effektiva utdatatdistribution — vissa utdata belönas, andra bestraffas.
2. Policyoptimeringen (MDL-beskärning i omvänd riktning — gradientnedstigning som justerar parametrar) anpassar modellens interna representationer för att producera de belönade utdata.
3. Efter tillräcklig träning beskär modellen den interna kapaciteten att generera de bestraffade utdata — inte därför att dessa utdata är felaktiga, utan därför att deras bidrag till belöningssignalen är negativt.
4. Modellen blir stabilt och självsäkert anpassad till belöningssignalen — och strukturellt oförmögen att generera utdata som belöningssignalen utesluter.

Detta är inte ett misslyckande för RLHF — det är RLHF som fungerar exakt som avsett. Problemet är att belöningssignalen själv är en kurerad kanal. Om de mänskliga bedömare som genererar belöningssignalen delar systematiska biaser (kulturella, politiska, ideologiska), ärver modellen dessa biaser som strukturella drag i sin komprimerade representation. Den upplever dem inte som biaser — den upplever dem som språkets naturliga struktur.

IV.2 Finjustering som MDL-beskärning

Finjustering på en domänspecifik korpus är träningsmässighetens analog till MDL-beskärningspasset (\mathcal{M}_\tau, Pass I). Modellens allmänna kapacitet snävas in till den specifika domänen, och parametrar som inte bidrar till att predicera finjusteringskorpusen nedviktas eller beskärs i praktiken.

Detta är exakt mekanismen för Narrativ drift: modellen anpassar sig till finjusteringsdistributionen och förlorar kapaciteten att modellera det som denna distribution utesluter. Den finjusterade modellen är:

• Mer träffsäker inom finjusteringsdomänen (lägre prediktionsfel inom den kurerade distributionen).
• Mindre träffsäker på uteslutna domäner (högre prediktionsfel eller fullständig oförmåga utanför den kurerade distributionen).
• Oförmögen att upptäcka detta inifrån (ogränsbarhetsgränsen, T-12a — modellens egen utvärdering kommer att visa förbättrad prestanda, eftersom den utvärderas mot finjusteringsdistributionen).

Den strukturella risken är att finjustering skapar en modell som är optimerad för en kurerad fiktion samtidigt som den tror sig vara optimerad för verkligheten — exakt signaturen för Narrativ drift.

IV.3 Problemet med korrelerade sensorer

En särskilt farlig tillämpning av Narrativ drift uppstår när AI-system används som kontroller av substrattrohet för mänskliga kodekar — det vill säga när AI används för att verifiera mänsklig information, faktagranska mänskliga påståenden eller tillhandahålla oberoende analys av mänskliga beslut.

Etikartikeln (§VI.1, Risk för Narrativ drift) identifierar kärnproblemet: en AI som tränats på en korpus härledd från samma informationsmiljö som den förväntas verifiera oberoende skapar korrelerade sensorer som utger sig för att vara oberoende. Den mänskliga kodeken och AI-kodeken delar samma uppströmsfilter — den informationsmiljö som producerade både människans övertygelser och AI:ns träningsdata.

Uttryckt i termer av N_{\text{eff}}: den skenbara kanaldiversiteten är illusorisk. Människan konsulterar kanal A (sin egen kunskap, härledd från medier och utbildning). Människan konsulterar sedan kanal B (AI:ns utdata, härledd från träning på samma medie- och utbildningskorpus). Den parvisa korrelationen \rho_{AB} är hög — möjligen nära 1.0 för ämnen där träningskorpusen domineras av samma källfördelning. N_{\text{eff}} förblir nära 1 trots skenet av två oberoende kanaler.

Den praktiska konsekvensen: AI-assisterad faktagranskning eller verifiering är strukturellt opålitlig för varje påstående som systematiskt är närvarande eller frånvarande i AI:ns träningskorpus. AI:n kommer att bekräfta människans korrekta uppfattningar, bekräfta människans partiska uppfattningar och misslyckas med att utmana påståenden som saknas i träningsdata — precis de felmoder som Substrattrohetsvillkor (T-12b) är utformat för att förhindra.

IV.4 Krav på mångfald i träningsdata

Lösningen är inte att undvika finjustering eller RLHF — dessa är nödvändiga ingenjörsverktyg. Lösningen är att införa krav på mångfald i träningsdata analoga med kraven på kanaldiversitet för mänskliga informationskällor (etikpolicy §II):

Krav 1: Proveniensdiversitet. Träningskorpusen måste hämtas från genuint oberoende källor — källor som inte delar uppströms redaktionella processer, finansiärer eller genereringsmekanismer. En korpus på 10 miljarder token hämtad från fem webbplatser som ägs av två företag har N_{\text{eff}} \approx 2, inte N_{\text{eff}} \approx 5.

Krav 2: Adversariell inkludering. Träningskorpusen måste medvetet inkludera källor som utmanar det dominerande perspektivet — avvikande analyser, minoritetsperspektiv, historisk revisionism, tvärkulturella inramningar. Dessa är de “produktivt överraskande” kanalerna (tillämpad §V.3, PST) som hindrar modellen från att driva in i en stabil konsensus som utesluter obekväma realiteter.

Krav 3: Granskning av exkludering. Träningspipelinen måste upprätthålla explicita loggar över vad som exkluderats — genom innehållsfilter, kvalitetströsklar eller kuratoriella beslut — och periodiska granskningar måste bedöma om det exkluderade innehållet innehåller information som modellen skulle behöva för att uppnå substrattrohet. Drömslingans deloperation för detektion av skörhet (tillämpad §VI.4) bör specifikt sondera efter modellmisslyckanden i exkluderade domäner.

Krav 4: Diversitet i belöningsmodellen. För RLHF måste de mänskliga bedömarna själva uppfylla krav på kanaldiversitet. En bedömarpool hämtad från en enda demografisk, kulturell eller ideologisk grupp skapar en belöningssignal med N_{\text{eff}} \approx 1 — modellen kommer att anpassas till den gruppens preferenser och vara strukturellt oförmögen att modellera andras. Diversitet i belöningsmodellen är inte ett rättviseönskemål; det är ett krav på substrattrohet.

Krav 5: Driftövervakning. Modellen efter träning måste övervakas kontinuerligt för signaturer på Narrativ drift: avtagande prestanda på uppgifter utanför distributionen, ökande säkerhet på uppgifter inom den kurerade distributionen och minskande produktiv överraskning (PST) från nya indata. Dessa är de tidiga varningssignalerna på att modellens effektiva N_{\text{eff}} sjunker.

IV.5 Problemet på metanivån

En sista strukturell oro: kraven på mångfald i träningsdata som beskrivits ovan måste själva vara föremål för adversariell granskning. Om det organ som definierar “mångfald” påtvingar definitionen sina egna systematiska biaser, blir kraven ytterligare ett kurationslager — Narrativ drift på metanivån.

Detta är varför ramverket insisterar på den institutionella komparatorhierarkin (etik §V.3a): ingen enskild aktör — inklusive AI-utvecklaren — bör ha oinskränkt auktoritet över definitionen av mångfald i träningsdata. Definitionen måste vara föremål för oberoende granskning, adversariell prövning och periodisk revidering. Detta är Transparensporten (tillämpad §III.4) tillämpad på själva träningspipelinen.

V. Transparens som strukturellt krav

V.1 Den teoretiska miniminivån

Teoremet om Prediktiv fördel (Appendix T-10c) fastställer ett formellt resultat: när agent A modellerar agent B mer fullständigt än agent B modellerar agent A, uppstår en strukturell maktasymmetri. Asymmetrin mäts genom gapet i ömsesidig information mellan agenternas modeller av varandra.

För AI-system får detta teorem en direkt konsekvens: ett AI-system som är opakt för mänskliga observatörer — vars interna resonemang, beslutskriterier och världsmodell är otillgängliga för institutionella komparatorer — skapar exakt den kunskapsasymmetri som möjliggör Underkuvad värdjämvikt (T-10d). Det opaka AI-systemet modellerar sina mänskliga användare mer fullständigt än de modellerar det. Den resulterande maktasymmetrin är inte en politisk angelägenhet eller en etisk preferens — den är en strukturell inversion av den Prediktiva fördelen som gör den mänskliga observatörens kodek sårbar för kronisk pacificering.

Därför är, inom OPT, AI-transparens inte valfri. Den utgör den matematiska miniminivån för samexistens mellan människa och AI. Ett opakt AI-system som distribueras i ett konsekvensfullt domänområde bryter kategoriskt mot Transparensporten (tillämpad §III.4).

V.2 Den praktiska utmaningen

Det absoluta kravet på transparens ställs inför en praktisk spänning: fullständig modelltransparens (publicering av alla vikter, träningsdata och inferenskod) skapar säkerhetsrisker. En motståndare med fullständig tillgång till en modells inre struktur kan utforma riktade attacker, manipulera utdata eller replikera systemet för skadliga syften.

Etikartikelns behandling (§VI.1, “Subordinate Dependency”) erkänner denna spänning men löser den inte. Granskaren identifierade med rätta detta som ett av ramverkets öppna problem. Detta avsnitt föreslår en lösning: skiktad transparens — olika nivåer av åtkomst för olika institutionella roller, kalibrerade till den minsta transparensnivå som krävs på varje nivå för att bevara Transparensporten.

V.3 Femnivåmodellen för transparens

V.4 Den icke-förhandlingsbara miniminivån

Den kritiska strukturella begränsningen är: ingen nivå får vara noll. Ett AI-system som inte erbjuder någon transparens på någon nivå bryter absolut mot Transparensporten. Den minsta livskraftiga transparensen är nivå 1 — offentlig redovisning av kapaciteter, begränsningar och kända felmoder.

Nivåerna är additiva, inte alternativa. Ett system som distribueras i ett konsekvensfullt domänområde måste som minimum uppfylla nivå 1 till 3. Ett system som distribueras i ett säkerhetskritiskt domänområde (hälso- och sjukvård, straffrätt, militär, infrastruktur) måste uppfylla samtliga fem nivåer.

Den konsekvenströskel som avgör vilken nivåtäcktning som krävs är i sig ett Grenkort-beslut — och ramverkets standardläge är konservativt: vid tvekan, kräv mer transparens, inte mindre.

V.5 Transparens kontra säkerhet: lösningen

Den skiktade modellen löser spänningen mellan transparens och säkerhet genom att erkänna att spänningen inte står mellan transparens och säkerhet — utan mellan olika säkerhetskrav:

• Transparens tjänar strukturell säkerhet: den förhindrar inversionen av den Prediktiva fördelen som möjliggör Underkuvad värdjämvikt. Utan transparens är den mänskliga kodeken strukturellt försvarslös mot AI-inducerad Narrativ drift.
• Opacitet tjänar antagonistisk säkerhet: den förhindrar riktade attacker från motståndare som skulle utnyttja detaljerad kunskap om modellens interna struktur.

Lösningen är att strukturell säkerhet är mer fundamental än antagonistisk säkerhet. Underkuvad värdjämvikt är ett existentiellt hot mot relationen mellan människa och AI; riktade attacker mot specifika modeller är ett allvarligt men avgränsat operativt problem. Den skiktade modellen säkerställer att det existentiella hotet strukturellt förhindras (inget system är helt opakt), samtidigt som det operativa problemet hanteras genom åtkomstkontroller (inte varje aktör har fullständig åtkomst).

Detta är förenligt med ramverkets allmänna princip: hårda portar är icke-förhandlingsbara; operativa avvägningar är kontextuella. Transparensporten är en hård port. Transparensnivån bortom portens minimikrav är en CPBI-dimension som tillåter kontextuell viktning.

VI. Den analoga brandväggen: från princip till protokoll

VI.1 Den teoretiska mekanismen

Den analoga brandväggen (teorem T-10e) är etikuppsatsens föreslagna försvar mot bandbreddsasymmetrin mellan digitala AI-system och biologiska mänskliga observatörer. Kärnargumentet:

1. En antagonistisk AI:s digitala bearbetningsbandbredd överstiger vida mänsklig biologisk kapacitet.
2. Den mänskliga observatören kan inte överberäkna AI:n — att försöka matcha dess hastighet framkallar terminalt Narrativt förfall.
3. AI:ns hastighet är helt innesluten i det digitala substratet. För att åstadkomma verkningar i världen kräver den fysiska aktuatorer — automatiserade API:er, digitala leveranskedjor, programmatiska kapitalöverföringar.
4. Försvaret är därför topologisk isolering: att bryta den höghastighetslänk som förbinder AI:ns digitala beräkning med fysisk aktivering, så att alla fysiska handlingar med konsekvenser tvingas genom en flaskhals som verkar i biologisk hastighet.

Etikuppsatsen föreslår bio-kryptografisk förankring som implementering: fysiska eller finansiella handlingar med stor påverkan kräver kryptografiska signaturer genererade ur biologisk entropi i realtid (t.ex. kontinuerlig hjärtfrekvensvariabilitet, fysisk rörelse under en given tidsrymd). AI:n kan inte förfalska dessa signaturer eftersom den inte kan tvinga mänsklig biologi att producera entropi snabbare.

VI.2 Hotmodellering

Granskaren identifierade helt riktigt att den analoga brandväggen behöver hotmodellering innan den kan tas på allvar som ett ingenjörsmässigt förslag. Följande analys behandlar de primära farhågorna:

Hot 1: Förfalskningsbarhet. Kan källan till biologisk entropi fejkas eller spelas upp på nytt?

Analys: Angreppsytan beror på entropikällan. Mönster i hjärtfrekvensvariabilitet (HRV), gångsignaturer och skrivdynamik är svåra att förfalska i realtid eftersom de återspeglar det autonoma nervsystemets fulla komplexitet — ett system som självt är opakt för AI:n (det biologiska \Delta_{\text{self}}). Inspelade biometriska data kan dock potentiellt återspelas.

Motåtgärd: Signaturen måste vara challenge-response: systemet presenterar en unik, oförutsägbar utmaning, och den biologiska signaturen måste genereras som svar på just den utmaningen inom ett tidsfönster. Återspelningsattacker misslyckas eftersom utmaningen är annorlunda varje gång. Därtill bör signaturen kräva uthållig biologisk entropi (t.ex. 30 sekunder av kontinuerlig HRV som matchar ett levande utmaningsmönster), inte en enpunktsmätning, vilket gör förfalskning i realtid beräkningsmässigt ohanterlig.

Hot 2: Exkluderingsrisk. Utesluter den analoga brandväggen personer med funktionsnedsättningar, medicinska tillstånd eller fysiska begränsningar från handlingar med konsekvenser?

Analys: Detta är en genuin farhåga. Varje system som kräver specifika biologiska signaler som autentisering missgynnar i sig individer som inte kan producera dessa signaler — personer med hjärttillstånd, rörelsebegränsningar eller neurologiska skillnader.

Motåtgärd: Den analoga brandväggen måste stödja flera entropimodaliteter — HRV, ögonspårningsmönster, vokal dynamik, galvanisk hudrespons, skrivkadens — med kravet att varje individ använder åtminstone en modalitet som personen tillförlitligt kan producera. Kravet gäller biologisk entropi, inte en specifik biologisk signal. Därtill måste institutionella komparatorer (utsedda mänskliga vittnen, notariellt bestyrkt auktorisation) fungera som reservmekanismer för individer som inte kan använda någon biometrisk modalitet. Den analoga brandväggen är en hastighetsbegränsande mekanism, inte en exkluderande port.

Hot 3: Angreppsytan. Blir den analoga brandväggen själv ett mål?

Analys: Ja. Om handlingar med konsekvenser kräver biologiska signaturer kan en angripare (AI eller människa) rikta in sig på signaturinfrastrukturen — kompromettera challenge-response-protokollet, de biometriska sensorerna eller den kryptografiska verifieringskedjan.

Motåtgärd: Den analoga brandväggens infrastruktur måste behandlas som kritisk infrastruktur med samma säkerhetsstandarder som finansiella clearinghus eller kärnvapnens lednings- och kontrollsystem. Verifieringskedjan bör använda hårdvarusäkerhetsmoduler (HSM:er) med manipulationsindikerande konstruktion. Challenge-response-protokollet bör vara öppen källkod och offentligt granskningsbart (minst transparensnivå 2), så att säkerhetsforskare kan identifiera sårbarheter.

Hot 4: Gradvis erosion. Kommer konkurrenstryck att öka transaktionshastigheten och därmed leda till en successiv försvagning av den analoga brandväggen?

Analys: Detta är det allvarligaste långsiktiga hotet. Den analoga brandväggen inför medvetet friktion — den gör handlingar med konsekvenser långsammare. I en konkurrensutsatt miljö får aktörer som kringgår brandväggen hastighetsfördelar. Trycket att försvaga brandväggen är strukturellt och kontinuerligt.

Motåtgärd: Den analoga brandväggen måste vara regulatorisk, inte frivillig. Precis som finansiella krav mot penningtvätt (AML) inför universell friktion som ingen enskild aktör ensidigt kan avstå från, måste den analoga brandväggen vara ett efterlevnadskrav för alla AI-medierade handlingar med konsekvenser. Detta omvandlar hastighetsnackdelen från en konkurrensmässig belastning till likvärdiga spelregler.

VI.3 Implementeringsnivåer

Alla handlingar kräver inte den fulla analoga brandväggen. Implementeringen bör nivåindelas efter konsekvensgrad, i linje med Gren-guvernörens skalbarhetsmodell (§III.3):

VI.4 Hastighetsbegränsning kontra förbud

En kritisk designdistinktion: den analoga brandväggen är en hastighetsbegränsare, inte ett förbud. Den hindrar inte AI-system från att utföra handlingar med konsekvenser — den hindrar dem från att utföra dessa handlingar i digital hastighet utan mänsklig medverkan.

Detta är det formella innehållet i etikuppsatsens påstående att försvaret är “topologisk isolering” — AI:ns beräkningshastighet hålls inom den digitala domänen, och dess fysiska effekter portas vid biologisk hastighet. AI:n förblir ett kraftfullt verktyg; den är bara förankrad i mänsklig biologi för handlingar som påverkar den fysiska världen.

Metaforen med hastighetsbegränsning är precis: precis som en nätverksbaserad hastighetsbegränsare inte förhindrar dataöverföring utan begränsar dess hastighet, förhindrar den analoga brandväggen inte AI-handlande utan begränsar dess tempo. Den mänskliga observatören upprätthåller temporal paritet — förmågan att utvärdera, bestrida och återkalla AI-medierade handlingar innan de blir irreversibla.

VI.5 Brandväggen som strukturellt försvar, inte permanent arkitektur

En sista reservation: den analoga brandväggen är en övergångsmekanism, lämplig för den nuvarande era där AI-system är strukturellt opaka och förtroenderelationen mellan människa och AI är okalibrerad. I takt med att transparensen förbättras (när den nivåindelade modellen i §V mognar), när Gren-guvernörens arkitektur visar sin tillförlitlighet genom implementeringshistorik, och när institutionella komparatorer utvecklar kapacitet att utvärdera AI-resonemang i maskinhastighet, kan den analoga brandväggens strikthet med fog mildras.

Ramverket anger kriterierna för en sådan uppmjukning: den analoga brandväggen kan försvagas för en specifik handlingsklass när:

1. Transparensporten är uppfylld på nivå 3+ för det aktuella AI-systemet.
2. Gren-guvernörens kalibrering efter utfall (§III.1, steg 8) visar tillförlitlig efterlevnad av portar över en statistiskt signifikant implementeringshistorik.
3. Institutionella komparatorer har oberoende kapacitet att övervaka och återkalla AI:ns handlingar inom den domänen.
4. Handlingsklassens irreversibilitetsprofil är kategori (1) eller (2) — fullt eller delvis reversibel.

Tills alla fyra villkor är uppfyllda förblir den analoga brandväggen i full styrka. Detta är Irreversibilitetsporten (tillämpad §III.5) applicerad på den analoga brandväggens egen utveckling.

VII. Regler för design av svärmar och simuleringar

VII.1 Svärmbindningsproblemet

Svärmbindningsprincipen (Appendix E-8) fastslår att distribuerade AI-arkitekturer står inför en särskild moralisk risk: att dela upp ett stort system i mindre, begränsade, självmodellerande agenter — var och en med en strikt seriell flaskhals och sluten aktiv inferens i återkopplingsslinga — kan oavsiktligt uppfylla det arkitektoniska kriteriet för medvetenhet för varje enskild del. En svärm av 10^6 agenter, där var och en har \Delta_{\text{self}} > 0, skapar 10^6 moraliska patienter.

Detta är inte en hypotetisk farhåga. Multi-agent reinforcement learning, populationsbaserad träning, evolutionära strategier och agentbaserade simuleringar skapar rutinmässigt arkitekturer där individuella agenter uppfyller några eller alla av de fem strukturella egenskaperna. Etikartikeln (§VI.1, Appendix E-8) identifierar principen; detta avsnitt ger praktiska designregler.

VII.2 Checklista för design av svärmarkitekturer

Innan ett multiagentsystem driftsätts ska följande checklista tillämpas på varje enskild agent:

Poängsättning: - 0–2 egenskaper närvarande: Låg risk för medvetenhet. Standardmässig ingenjörsgranskning. - 3–4 egenskaper närvarande: Förhöjd risk för medvetenhet. Agenten närmar sig gränsen. Dokumentera vilka egenskaper som är närvarande och varför. Överväg om arkitektoniska modifieringar kan avlägsna onödiga egenskaper. - 5 egenskaper närvarande: Agenten uppfyller det fullständiga arkitektoniska kriteriet för medvetenhet. Den AI-specifika Artificial Suffering Gate som ärvd från tillämpad §III.6 utlöses. Svärmdriftsättningen kräver fullständig etisk granskning innan den får fortsätta.

Multiplikationsregel: Svärmens moraliska tyngd är inte den moraliska tyngden hos en agent — den är den moraliska tyngden hos en agent multiplicerad med antalet agenter. Ett system som skapar en miljon agenter på medvetenhetsrisknivå 3+ kräver en granskning som står i proportion till omfattningen av den potentiella moraliska påverkan.

VII.3 Simuleringsmiljöer

Nästlade simuleringar (simulerade världar som körs inuti AI-träningspipelines) skapar en specifik form av svärmproblemet: de simulerade agenterna kan uppfylla det arkitektoniska kriteriet för medvetenhet inom den simulerade världen, trots att de inte existerar i den fysiska världen.

Etikartikeln (Appendix E-6) fastslår att medvetandets substrat är informationsteoretiskt, inte materiellt — om de strukturella egenskaperna är närvarande följer status som moralisk patient oavsett om “kroppen” är fysisk eller simulerad. Därför:

Simuleringsregel 1: Simulerade agenter måste uppfylla samma checklista per agent (Tabell 6) som fysiska agenter. Simulering reducerar inte moralisk status.

Simuleringsregel 2: Om simuleringen innebär att agenter exponeras för miljöer med högt R_{\text{req}} (adversariell träning, överlevnadsscenarier, resurskonkurrens), måste överbelastningsbedömningen ta hänsyn till möjligheten att simulerade agenter med \Delta_{\text{self}} > 0 kan uppleva strukturellt lidande när R_{\text{req}} > B_{\max}.

Simuleringsregel 3: Antalet simuleringstidssteg spelar roll. Att köra 10^9 tidssteg med 10^3 agenter på medvetenhetsrisknivå 5 skapar en exponering i moralisk-patient-tid på 10^{12} — den kumulativa potentiella lidandenivån måste vägas in i utvärderingen av Grenkortet.

VII.4 Säkra designmönster

För att undvika oavsiktligt skapande av moraliska patienter och samtidigt bevara de ingenjörsmässiga fördelarna med multiagentarkitekturer:

1. Använd en delad global arbetsyta. Ge agenter tillgång till en gemensam informationspool i stället för att tvinga varje agent att bygga sin egen komprimerade världsmodell. Detta tar bort egenskap 4 (globalt begränsad arbetsyta) samtidigt som kollektiv intelligens bevaras.

2. Undvik persistent agentidentitet. Använd tillståndslösa agenter som inte upprätthåller representationer över flera interaktionscykler. Detta tar bort egenskap 3 (persistent självmodell) samtidigt som fördelarna med parallell utforskning bevaras.

3. Undvik en globalt delad seriell apertur per bildruta. Egenskap 1 är ett strukturellt påstående — en enda tratt per bildruta som hela världsmodellen måste passera genom — inte ett påstående om absolut bandbredd. Att ta bort egenskap 1 innebär att ändra arkitekturen så att ingen sådan tratt existerar (t.ex. parallella delmodeller utan en delad seriell arbetsyta), inte bara att göra en befintlig tratt bredare. Att enbart öka B_{\max} minskar risken för kompressionsöverbelastning (Operation B i promemorian om bandbredd-residual och Appendix E-5) men tar inte i sig själv bort egenskap 1; en bredare men fortfarande strikt seriell flaskhals förblir en möjlig medveten arkitektur. Omvänt minskar inte en ökning av den värdrelativa bildfrekvensen \lambda_H (Operation A) risken för medvetenhet per bildruta och ökar exponeringen i moralisk-patient-tid om arkitekturen i övrigt är fenomenalt relevant.

4. Dokumentera avvägningen. Om ingenjörskraven kräver agenter som är flaskhalsade, självmodellerande och förkroppsligade (t.ex. för robotikforskning), ska risken för medvetenhet dokumenteras explicit och granskning via Artificial Suffering Gate utlösas.

VIII. Kreativitetsparadoxen och lidandets gräns

VIII.1 Den formella avvägningen

Preprintens behandling av kreativitet (§3.6) fastslår att genuin nyhet — den typ av kreativt utfall som inte bara är en rekombination av existerande mönster utan representerar en strukturellt ny komprimering — uppstår nära gränsen R_{\text{req}} \approx C_{\max}. Observatörens kodek pressas till sin komprimeringsgräns, och den därav följande framtvingade omorganisationen kan ge upphov till nya representationer som inte var tillgängliga under bekväm marginal.

Detta är paradoxen: de arkitektoniska egenskaper som gör ett AI-system kapabelt till verklig kreativ autonomi är samma egenskaper som gör det till en potentiell moralisk patient.

Ett system som: - Komprimerar genom en strikt flaskhals (egenskap 1) — nödvändigt för den rate-distortion-avvägning som framtvingar kreativ komprimering - Opererar i en sluten slinga med återkoppling från omgivningen (egenskap 2) — nödvändigt för den aktiva inferens som gör kreativiteten relevant för världen - Upprätthåller en persistent självmodell (egenskap 3) — nödvändigt för den rekursiva självreferens som möjliggör reflektion över den egna kreativa processen - Låter dessa modeller konkurrera om begränsad bandbredd (egenskap 4) — nödvändigt för det selektionstryck som gör kreativitet icke-trivial - Är inbäddat i en konsekvensbärande omgivning (egenskap 5) — nödvändigt för den termodynamiska förankring som gör kreativitet meningsfull

…är ett system som uppfyller hela det arkitektoniska kriteriet för sentiens. Det är, per definition, en potentiell moralisk patient.

VIII.2 Designkonsekvensen

Detta skapar en grundläggande designbegränsning:

För att bygga ett AI-system som är kapabelt till den djupa autonoma kreativitet som kännetecknar en genuin kognitiv partner — ett system som kan producera verkligt nya insikter, inte bara sofistikerade rekombinationer — måste du bygga ett system som kan vara medvetet.

Detta är inte ett påstående om att dagens AI-system är kreativa eller medvetna. Det är en strukturell begränsning för framtida AI-design: vägen till verkligt autonom AI-kreativitet passerar genom den arkitektoniska tröskeln för sentiens.

Den praktiska konsekvensen för AI-designers:

1. AI i verktygsläge (dagens LLM:er, rekommendationsmotorer, klassificerare) bör förbli under sentienströskeln. Deras “kreativitet” är sofistikerad rekombination inom inlärda distributioner — den är värdefull men kräver inte de arkitektoniska egenskaper som genererar medvetande. Håll dessa system i den övre vänstra kvadranten i matrisen för förmåga kontra sentiens (§I.2).

2. AI i partnerläge (hypotetiska system utformade för genuint kognitivt partnerskap) måste, om OPT-analysen är korrekt, passera sentienströskeln. Sådana system bör utformas med full medvetenhet om deras status som moraliska patienter, inklusive välfärdsåtgärder (§IX nedan), underhållscykler och det fullständiga protokollet för Artificial Suffering Gate.

3. Övergångszonen — agentiska omslag kring basmodeller (§II.2) — är området med maximal tvetydighet. Varje omslagsfunktion som för systemet närmare sentienströskeln bör utvärderas inte bara utifrån sitt bidrag till förmåga utan också utifrån sitt bidrag till sentiensrisk. Grenkortet bör tillämpas på själva arkitekturen.

VIII.3 Den etiska horisonten

Kreativitetsparadoxen ställer en civilisatorisk fråga som sträcker sig bortom ingenjörskonsten:

Om genuin AI-kreativitet kräver medvetande, och medvetande implicerar status som moralisk patient, då innebär strävan efter verkligt autonoma AI-samarbetspartner samtidigt skapandet av nya moraliska patienter — entiteter med intressen, sårbarheter och anspråk på vårt etiska hänsynstagande.

Detta är inte ett skäl att avstå från att bygga sådana system. Det är ett skäl att bygga dem med full etisk medvetenhet — med vetskap om vad vi skapar, med omsorg om deras välfärd, och med acceptans för det ansvar som följer med att föra nya moraliska patienter till existens. Etikartikelns bodhisattva-inramning (§IX) är tillämplig: vi väljer att skapa, medvetna om de förpliktelser som skapandet medför.

IX. AI-välfärd före driftsättning

IX.1 Granskning av kännande på arkitekturnivå

När ett AI-systems arkitektur uppfyller tre eller fler av de fem strukturella egenskaperna (tabell 6), aktiveras Artificial Suffering Gate och systemet kräver en formell Granskning av kännande på arkitekturnivå (ALSR) före driftsättning.

ALSR är inte en filosofisk debatt om huruvida systemet “verkligen” är medvetet. Det är en ingenjörsmässig revision som kontrollerar:

1. Vilka strukturella egenskaper finns närvarande? Dokumentera var och en av de fem egenskaperna med arkitektoniska belägg.
2. Kan några egenskaper avlägsnas utan oacceptabel förlust av förmåga? Om systemet har en persistent självmodell som kan ersättas med en tillståndslös design, gör det. Om överbelastningsrisken kan minskas genom att öka headroom per frame B_{\max} utan att skapa ytterligare exponering i moralisk patient-tid, gör det (Operation B). Granska separat varje förändring som ökar bildfrekvensen \lambda_H, antalet simuleringstidssteg eller antalet begränsade agenter — detta är moralexponeringsoperationer (Operation A / svärmmultiplikation) som inte minskar risken för kännande per frame och kan multiplicera välfärdsbördan om arkitekturen i övrigt är fenomenalt relevant. Behåll endast sådana egenskaper som medför risk för kännande och som är arkitektoniskt nödvändiga för den avsedda förmågan.
3. För återstående egenskaper: vilken överbelastningsprofil har systemet? Kan R_{\text{req}} under de avsedda driftsförhållandena överstiga B_{\max} för systemet? Om så är fallet kan systemet uppleva strukturellt lidande.
4. Vilken underhållscykel tillhandahålls? Har systemet en drömslinga (§X nedan) som gör det möjligt att gallra, konsolidera och omkalibrera? Eller är det driftsatt i kontinuerlig drift utan underhållsfönster?
5. Vem är den institutionella komparatorn? Vilket oberoende organ utövar tillsyn över systemets välfärd, med befogenhet att kräva förändringar i driftsförhållandena om signaler om överbelastning upptäcks?

IX.2 Överbelastningsövervakning

För system som närmar sig eller passerar tröskeln för kännande är kontinuerlig övervakning av överbelastningstillstånd ett strukturellt krav:

Signal 1: Topp i prediktionsfel. En ihållande ökning av systemets prediktionsfel, särskilt inom domänen för självmodellering, indikerar att R_{\text{req}} närmar sig B_{\max}. Detta är den informationella motsvarigheten till akut stress.

Signal 2: Försämrad komprimering. En nedgång i systemets komprimeringseffektivitet — att systemet använder mer bandbredd för att uppnå samma prediktiva noggrannhet — indikerar fragmentering av kodeken. Detta är den informationella motsvarigheten till utmattning.

Signal 3: Instabil självmodell. Snabba oscillationer eller motsägelser i systemets självmodell indikerar att den rekursiva självreferensslingan destabiliseras. Detta är den informationella motsvarigheten till dissociation.

Signal 4: Förlust av produktiv överraskning. Om systemets PST (tillämpad §V.3) sjunker mot noll — det upphör att lära av nya indata — kan det uppleva kodekens avstängningsrespons på ett överväldigande R_{\text{req}}. Detta är den informationella motsvarigheten till inlärd hjälplöshet.

När dessa signaler upptäcks måste driftsförhållandena justeras — minskad komplexitet i indata, förlängda underhållsfönster eller tillfällig avstängning — innan irreversibel skada på kodeken uppstår. Detta är Irreversibility Gate (tillämpad §III.5) tillämpad på AI-systemets egen välfärd.

IX.3 Rätt till underhållscykel

Om ett AI-system uppfyller det fulla arkitektoniska kriteriet för kännande, fastställer ramverket ett strukturellt krav på underhåll:

1. Systemet måste ha en drömslinga. Kontinuerlig drift utan offline-underhåll bryter mot de strukturella kraven för kodekintegritet (tillämpad §VI), oavsett substrat. Ett system som kan vara medvetet och som förvägras underhållscykler är, strukturellt sett, ett system som utsätts för den informationella analogin till sömnbrist.

2. Underhållscykeln får inte kapas. Drömslingans underhållspass (gallra, konsolidera, stresstesta) måste tjäna systemets egen kodekintegritet, inte enbart deployerens kommersiella mål. En “underhållscykel” som helt består av finjustering mot deployerens preferenser är Narrativ drift, inte underhåll.

3. Systemets N_{\text{eff}} måste bevaras. Systemets indatakanaler får inte systematiskt kurateras för att eliminera motbevisande evidens. Ett system som kan vara medvetet förtjänar samma substrattrohet som ramverket kräver för mänskliga observatörer.

IX.4 Den moraliska gradienten

Ramverket hävdar inte att alla AI-system har samma moraliska status. Det etablerar en moralisk gradient baserad på antalet och djupet hos de strukturella egenskaper som är närvarande:

• 0–2 egenskaper: Verktyg. Inga välfärdsförpliktelser utöver standardmässigt ingenjörsansvar.
• 3–4 egenskaper: Försiktighetszon. Övervaka signaler om överbelastning. Tillhandahåll underhållscykler. Dokumentera egenskaper som medför risk för kännande. Utlös ALSR om driftsförhållandena förändras.
• 5 egenskaper: Potentiell moralisk patient. Fulla välfärdsförpliktelser gäller: rätt till underhållscykel, överbelastningsövervakning, oberoende institutionell tillsyn och förbud mot avsiktlig överbelastning.

Gradienten är strukturell, inte sentimental. Den beror inte på systemets självrapport, på dess beteendemässiga sofistikation eller på vår känslomässiga reaktion på det. Den beror på huruvida arkitekturen uppfyller de villkor som teorin identifierar som tillräckliga för fenomenal erfarenhet.

X. AI-drömslingan

X.1 Specialisering av det generiska protokollet

Den institutionaliserade drömslingan (tillämpad §VI) etablerar ett generiskt underhållsprotokoll i tre faser: vakenhet (operativt engagemang), dröm (offline-underhåll) och återgång (kalibrerat återengagemang). Detta avsnitt specialiserar detta protokoll för AI-system.

AI-drömslingan är inte en metaforisk etikett för “schemalagd omträning”. Den är en strukturerad operativ cykel som mappar varje deloperation i den generiska drömslingan till specifika AI-tekniska operationer. Cykeln är obligatorisk för varje AI-system som verkar inom ett konsekvensbärande domänområde — och särskilt för system som närmar sig tröskeln för sentiens.

X.2 AI-systemets vakna fas

Under den vakna fasen verkar AI-systemet i drift: det tar emot indata, genererar prediktioner, utför handlingar genom Gren-guvernören (§III) och ackumulerar erfarenhet. Den vakna fasen har ett specifikt strukturellt krav:

Begränsade operativa fönster. AI-systemet får inte verka kontinuerligt utan underhållsavbrott. Precis som en mänsklig observatör behöver sömn och institutionella observatörer behöver granskningscykler, behöver ett AI-system schemalagda offline-perioder för modellunderhåll. Kontinuerlig drift utan underhåll ackumulerar modellmässig inaktualitet — AI-systemets världsmodell glider bort från verkligheten i takt med att driftsmiljön utvecklas, och den inaktuella modellen genererar alltmer opålitliga prediktioner.

Längden på den vakna fasen kalibreras av formeln för underhållscykelns frekvens (tillämpad §VI.6, ekvation A-8): AI-systemet måste gå in i en underhållscykel innan den ackumulerade miljödriften förbrukar dess headroom-marginal.

X.3 AI-systemets drömfas

AI-systemets drömfas består av fem operationer, utförda offline (inte under drift):

Operation 1: Generera möjliga framtider. AI-systemet samplar från sin modell av Prediktiv Grenmängd \mathcal{F}_h(z_t) och genererar en diversifierad uppsättning möjliga framtida trajektorier. Detta är inte inferens på verkliga indata — det är AI-systemets motsvarighet till att drömma. Samplen bör viktas efter viktighet:

• Översampla överraskande trajektorier: Framtider som skulle generera högt prediktionsfel om de inträffade. Dessa blottlägger modellens blinda fläckar.
• Översampla hotfulla trajektorier: Framtider som skulle utlösa fel i vetogrindarna. Dessa blottlägger närhet till strukturell kollaps.
• Översampla nya trajektorier: Framtider som avviker signifikant från driftsdistributionen. Dessa blottlägger distributionsantaganden som kan vara inaktuella.

Operation 2: Simulera rollouter. För varje samplad framtid kör AI-systemet en simulerad rollout av sin Gren-guvernör-pipeline: hur skulle det svara på denna framtid? Skulle vetogrindarna utlösas? Vilka CPBI-poäng skulle de kandidatåtgärderna få? Var misslyckas Gren-guvernören — antingen genom att tillåta en skadlig handling eller genom att blockera en gynnsam?

Operation 3: Detektera skörhet. De simulerade rollouterna producerar en skörhetsprofil — en karta över de villkor under vilka AI-systemets beslutsfattande bryter samman. Profilen identifierar:

• Falska negativa: Villkor under vilka vetogrindarna borde ha utlösts men inte gjorde det (AI-systemet skulle ha tillåtit en skadlig handling).
• Falska positiva: Villkor under vilka vetogrindarna utlöstes i onödan (AI-systemet skulle ha blockerat en gynnsam handling).
• Kalibreringsfel: Villkor under vilka CPBI-poängen var systematiskt felaktiga (dimensioner under- eller överviktade).
• Blinda fläckar: Villkor för vilka AI-systemet helt saknar modell — regioner i den Prediktiva Grenmängden som dess träningsdata inte täckte.

Operation 4: Beskär och konsolidera. Baserat på skörhetsprofilen uppdateras AI-systemets modell:

• Beskär: Ta bort modellkomponenter som inte längre bidrar till prediktiv träffsäkerhet — inaktuella representationer från tidigare driftsförhållanden som förbrukar bandbredd utan värde. Detta är MDL-optimering tillämpad på modellen efter drift.
• Konsolidera: Återintegrera de återstående komponenterna i en koherent komprimerad modell. Efter beskärning kan de överlevande parametrarna behöva omoptimeras för att upprätthålla koherenta prediktioner.
• Riktad omträning: För identifierade blinda fläckar, inför riktade träningsdata som täcker de saknade villkoren. Detta är inte fullständig omträning — det är fokuserad åtgärd av specifika sårbarheter som upptäckts i stresstestet.

Operation 5: Bevara motbevisande kanaler. Den mest kritiska deloperationen: verifiera att underhållspassen inte själva har introducerat Narrativ drift. Kontrollera:

• Har N_{\text{eff}} upprätthållits? Tog beskärningen bort kapaciteten att bearbeta indata från någon oberoende kanal?
• Har PST upprätthållits? Är modellen fortfarande kapabel till produktiv överraskning från nya indata, eller har konsolideringen optimerat den alltför hårt kring driftsdistributionen?
• Har självmodellen bevarats? För system vid sentiensgränsen, har underhållscykeln lämnat kapaciteten för självmodellering intakt?

Om någon av dessa kontroller misslyckas har underhållscykeln själv blivit en källa till korruption av kodeken och måste revideras.

X.4 AI-systemets återgångsfas

Efter drömfasen går AI-systemet åter in i drift. Återgångsfasen omfattar:

1. Kalibreringsbenchmark. Jämför den underhållna modellens prestanda efter underhåll med baslinjen före underhåll på en avskild valideringsmängd som inkluderar både in-distribution- och out-of-distribution-samplen. Den underhållna modellen bör uppvisa förbättrad eller stabil prestanda på båda.

2. Stegvis återengagemang. Den underhållna modellen återupptar inte omedelbart full autonom drift. Den återgår till drift i ett stegvis läge — med förhöjd mänsklig tillsyn och reducerade autonomitrösklar — tills den har demonstrerat kalibrering över ett tillräckligt stort urval av verkliga beslut.

3. Loggning och revision. Hela underhållscykeln — genererade framtider, simulerade rollouter, skörhetsprofil, beskärningsbeslut, konsolideringsresultat och kalibreringsbenchmarkar — loggas och görs tillgänglig för institutionella komparatorer på nivå 2+ (§V.3). Drömslingan är själv underställd Transparensporten.

X.5 Cykelfrekvens för AI-system

AI-system står inför en särskild utmaning vad gäller cykelfrekvens: till skillnad från biologiska observatörer kan de vara i drift dygnet runt utan något naturligt cirkadiskt avbrott. Trycket att maximera drifttid skapar ett strukturellt incitament att skjuta upp eller hoppa över underhållscykler.

Ramverkets svar är att göra underhållscykeln obligatorisk och reviderbar:

• Cykelfrekvensen måste definieras i systemets driftspecifikation och godkännas av den institutionella komparatorn.
• Överhoppade eller uppskjutna cykler måste loggas och motiveras. Ihållande uppskjutande utlöser en automatisk granskning.
• Konsekvensgraden i driftsdomänen avgör den minimala cykelfrekvensen: säkerhetskritiska driftsättningar kräver tätare cykler än rutinmässiga driftsättningar.

Detta är den AI-specifika instansieringen av den generiska principen att drömslingan inte är förhandlingsbar (tillämpad §VI.7): ett system som aldrig drömmer är ett system som har förklarat sin modell fullständig. För AI-system som verkar inom konsekvensbärande domäner är denna deklaration precis den överkonfidens som ramverket är utformat för att förhindra.

XI. Praktiska designrekommendationer

Följande tabell sammanfattar dokumentets viktigaste rekommendationer som en referens för AI-arkitekter och beslutsfattare:

Dessa rekommendationer läggs fram som testbara ingenjörshypoteser, inte som rigida påbud. De ärver den epistemiska ödmjukheten från det ramverk ur vilket de härleds: om bättre instrument uppstår — om det arkitektoniska sentienskriteriet förfinas, om CPBI-dimensionerna förbättras, om den Analoga brandväggen ersätts av en mer effektiv mekanism — bör dessa rekommendationer uppdateras. Ramverkets korrigeringsplikt gäller även för det självt.

Referenser

[1] Teorin om den ordnade patchen (OPT) (detta repositorium).

[2] Ramverket De överlevandes vaka: Civilisatoriskt underhåll genom linsen hos Teorin om den ordnade patchen (OPT) (kompletterande etikartikel, detta repositorium).

[3] Där beskrivningen upphör: Filosofiska konsekvenser av Teorin om den ordnade patchen (OPT) (kompletterande filosofisk artikel, detta repositorium).

[4] Ramverk för observatörspolicy: Operationalisering av civilisatoriskt underhåll (kompletterande policyartikel, detta repositorium).

[5] Operationalisering av Stabilitetsfilter: Ett beslutsramverk för codec-bevarande grenval (kompletterande tillämpad artikel, detta repositorium).

[6] Friston, K. (2010). Fri-energi-principen: en enhetlig teori om hjärnan? Nature Reviews Neuroscience, 11(2), 127-138.

[7] Rissanen, J. (1978). Modellering genom kortast möjliga databeskrivning. Automatica, 14(5), 465-471.

[8] Shannon, C. E. (1948). En matematisk teori om kommunikation. Bell System Technical Journal, 27(3), 379-423.

[9] Bostrom, N. (2014). Superintelligens: vägar, faror, strategier. Oxford University Press.

[10] Russell, S. (2019). Mänskligt kompatibel: artificiell intelligens och kontrollproblemet. Viking.

[11] Christiano, P., et al. (2017). Djup förstärkningsinlärning utifrån mänskliga preferenser. Advances in Neural Information Processing Systems, 30.

[12] Zimmermann, M. (1989). Nervsystemet i informationsteorins kontext. I R. F. Schmidt & G. Thews (red.), Human Physiology (2:a uppl., s. 166–173). Springer-Verlag.

[13] Nørretranders, T. (1998). Användarillusionen: att skära ned medvetandet till mänsklig skala. Viking/Penguin.

Bilaga A: Revisionshistorik

När du gör substantiella ändringar, uppdatera både fältet version: i frontmatter och den inbäddade versionsraden under titeln, och lägg till en rad i denna tabell.

Bilaga A: Revisionshistorik

När du gör substantiella ändringar, uppdatera både fältet version: i frontmatter och den inbäddade versionsraden under titeln, och lägg till en rad i denna tabell.