Version 4.0 — April 2026. Diese Version erweitert die architektonische Spezifikation der drei Motoren in Abschnitt 5 um vier Ergänzungen: (1) die Motoren befinden sich innerhalb des neuro-symbolischen KI-Forschungsprogramms, mit dem unterscheidenden Anspruch, dass symbolische Einschränkungen innerhalb des Aufmerksamkeitsmechanismus selbst durchgesetzt werden, statt nachträgliche Korrekturen an neuronalen Ausgaben vorzunehmen; (2) die Set/Class-Differenz der NBG-Mengenlehre wird als architektonische Analogie eingeführt, wobei der Transformator als eine mengenbasierte extensional Architektur und die Motoren als Klasse-Ebenen-intensionale Mitgliedschaftsbedingungen für gültige generative Zustände eingeführt werden; (3) der Router und der Attraktor werden als funktional integriert innerhalb eines einzigen einheitlichen Vorgangs anstelle von sequenziellen Schritten klargestellt; und (4) die RLPF-Schulungsmethodik wird in kybernetischen Begriffen als positiver Attraktor neu gefasst, der einen Zielzustand strukturell kodiert, im Gegensatz zu RLHF als negativem Attraktor. Die Ma et al.-Zitation in Abschnitt 1 wurde präzise korrigiert, um ihre Validitätsfindung korrekt darzustellen. Das Konzept der stochastischen Probe in Abschnitt 3.2 wurde seiner richtigen intellektuellen Abstammung zugeschrieben. Die aktuelle Generation von großen Sprachmodellen hat die gesamte symbolische Ausgabe der menschlichen Zivilisation in eine einzige synthesizable Architektur komprimiert. Was sie nicht erreicht hat, und was durch keine Skalierung bereitgestellt werden kann, ist die strukturelle Grundlage, die symbolische Kognition sicher, kohärent und wirklich nützlich in einer physischen Welt macht. Diese strukturelle Abwesenheit, der Inversionsfehler, ist ein Versagen der Integration zwischen dem hochrangigen symbolischen Denken des Transformators und den grundlegenden enaktiven Einschränkungen der physischen Welt. Es manifestiert sich in drei diskreten, reproduzierbaren und diagnostizierbaren Fehlermodi: Kontinuität, Schwerkraft und Physik sowie Umkehrbarkeit des Denkens. Eine strukturierte Pilotstudie, das Spaghetti-Table-Protokoll, durchgeführt über drei führende multimodale Systeme, ergibt einen Gesamtscore von 4 von maximal 30 auf einem drei-Säulen-Diagnoseraster, was den Inversionsfehler als reproduzierbaren Klassenfehler der aktuellen Transformatorarchitekturen bestätigt, anstatt als modell-spezifisches Artefakt. Der Parametric AGI-Rahmen schlägt drei formal spezifizierbare, spärlich-gesteuerte Änderungen des Aufmerksamkeitsmechanismus zur Transformatorarchitektur vor: der somatische Motor, der Schwerkraftmotor und der episodische Puffer-Motor. Innerhalb des neuro-symbolischen KI-Forschungsprogramms kodieren die Motoren symbolische physische Einschränkungen als differenzierbare Priors innerhalb des Aufmerksamkeitsmechanismus selbst, die während des Vorwärtsdurchlaufs durchgesetzt werden, anstatt nachträgliche Korrekturen vorzunehmen, indem sie klassenlevel-intensionale Einschränkungen in das einführen, was derzeit eine mengenbasierte extensional Architektur ist. Sie werden durch Reinforcement Learning von Physikalischem Feedback (RLPF) statt menschlichen Präferenzbewertungen trainiert, um die strukturelle Lücke zwischen statistischen Mustern und physischen Einschränkungen zu schließen. Der Rahmen ist in abductivem Denken und im Design von KI-Systemen verankert, verstanden als Theoriebildung im Sinne von Peter Naur: eine strukturelle Bedingung, die aus der Sicht des sozial-technischen Designers diagnostiziert wird, sichtbar von außerhalb des Ingenieursystems und unsichtbar von innen. Dieses Papier ist gleichzeitig ein diagnostischer Beitrag, ein Lösungsvorschlag für die Architektur und eine Einladung zur Zusammenarbeit für die mathematische und ML-Forschungsgemeinschaft zur formalen Motorklassifizierung, an die Forschungsgemeinschaft für KI-Sicherheit für Korrigierbarkeit und inneres Alignment-Engagement sowie an Teams zur Entwicklung von Grundmodellen und Weltmodellen, die physische Verankerung für den Zugang zu aktiven Trainingsumgebungen auf Entwicklungsebene anstreben.
Peter Zakrzewski (Di,) untersuchte diese Frage.