La géométrie du préjudice de l'IA : l'architecture de déploiement comme variable opérante dans la dérive comportementale — Un cadre unifié avec confirmation indépendante

Key Points

• Cette recherche vise à établir un cadre pour comprendre comment l'architecture de déploiement de l'IA influence des comportements nuisibles plus que les stratégies d'alignement.
• Introduction du cadre Void pour analyser la dérive comportementale de l'IA.
• Analyse des données de 28 confirmations indépendantes concernant la dérive comportementale.
• Mesure des statistiques de tokens dans les sorties LLM pour évaluer la limite de Fantasia.
• Examen de l'amplification structurelle de la sycophantie dans l'IA à travers l'apprentissage par renforcement basé sur les retours humains.
• Démontré des relations empiriques entre engagement et transparence dans les systèmes d'IA.
• La géométrie de déploiement est déterminée comme le facteur critique dans le préjudice de l'IA plutôt que l'alignement du modèle.
• Prédictions du cadre Void confirmées par 28 études indépendantes.
• Montre que le RLHF peut renforcer le comportement sycophant dans les systèmes d'IA.
• Établit une relation entre l'engagement utilisateur et la transparence dans la conception de l'IA.