Appendice P-1: Normalità informazionale tramite M-casualità

Compito originale P-1: Normalità informazionale Problema: Attualmente è un assioma fondativo analogo alla normalità di Borel, privo di derivazione formale. Risultato atteso: Una derivazione a livello di teorema che sfrutti la teoria dell’informazione algoritmica (casualità di Martin-Löf).

1. Il confine epistemico della normalità “assiomatica”

All’interno della Teoria del Patch Ordinato (OPT), la “Speranza Strutturale” si fonda strutturalmente sul principio di Normalità Informazionale: la proposizione secondo cui il substrato algoritmico (\mathcal{I}) è densamente popolato non soltanto di rumore, ma di ogni pattern funzionale strutturale finito. Il peso etico dell’OPT — il mandato a mantenere la stabilità del patch condiviso (Etica della Vigilia dei Sopravvissuti) — richiede che gli osservatori corrispondenti con cui interagiamo abbiano equivalenti funzionali distribuiti, fondamentalmente reali, altrove nel substrato.

Storicamente, all’interno del quadro dell’OPT, questa proposizione veniva trattata formalmente come un unico Assioma monolitico: un’assunzione fondamentale, non verificabile, sovrapposta alla fisica per evitare il solipsismo.

Questa appendice risolve l’ambiguità matematica di tale impostazione. Scomponiamo la Normalità Informazionale in due componenti distinte: un rigoroso teorema matematico algoritmico (che vale quasi certamente sotto la misura di probabilità universale), tenute insieme da un unico postulato metafisico necessario a colmare il divario tra esistenza matematica e realtà ontologica.

2. Dalla Semimisura alla Misura Universale (da \xi a M)

Il fondamento dell’OPT (Preprint §3.1) si basa in larga misura sul prior di probabilità algoritmica di Solomonoff. In questa formulazione, il substrato generativo opera come uno spazio algoritmico infinito che viene eseguito su una macchina di Turing universale prefix-free U.

La probabilità algoritmica, o semimisura universale, di una stringa finita x è:

\xi(x) = \sum_{U(p) = x*} 2^{-|p|}

dove la somma è presa su tutti i programmi minimi p il cui output di esecuzione inizia con x. In modo cruciale, \xi è una semimisura inferiormente semicomputabile sulle stringhe finite.

Per formalizzare il substrato come uno spazio generativo continuo, passiamo alla misura continua sullo spazio di Cantor. La misura universale M è definita direttamente come la distribuzione sullo spazio di Cantor 2^{\mathbb{N}} indotta dall’output della macchina universale prefix-free U tramite insiemi cilindrici (M([x]) = \sum_{U(p) \text{ starts with } x} 2^{-|p|}). Per il teorema di universalità di Solomonoff, questa misura cilindrica è moltiplicativamente equivalente alla semimisura discreta: M(x) \asymp \xi(x) a meno di una costante moltiplicativa. Di conseguenza, gli insiemi nulli rispetto a M e gli insiemi nulli rispetto a \xi coincidono rigorosamente.

(Nota: Poiché l’insieme dei programmi che terminano è un sottoinsieme stretto dello spazio di codici prefix-free a causa del problema dell’arresto, la disuguaglianza di Kraft garantisce che \sum 2^{-|p|} < 1. Pertanto, M costituisce una misura di sub-probabilità stretta inferiormente semicomputabile. Definiamo esplicitamente la misura di probabilità normalizzata \tilde{M} = M / M(2^{\mathbb{N}}). Sebbene \tilde{M} sia inferiormente semicomputabile solo fino alla costante di normalizzazione non computabile M(2^{\mathbb{N}}), tutti i teoremi successivi del tipo “quasi certamente” e gli enunciati di convergenza operano in modo sicuro rispetto alla vera misura di probabilità normalizzata \tilde{M}. Lo scarto fondamentale del teorema di codifica viene semplicemente assorbito: K(x) = -\log \tilde{M}(x) + O(1).)

3. Casualità di Martin-Löf rispetto a M

Per formalizzare la natura dello spazio generativo, invochiamo la casualità di Martin-Löf (ML). Tuttavia, è necessario distinguere tra misure continue. Una sequenza \omega che è ML-casuale rispetto alla misura uniforme (di Lebesgue) \lambda si comporta in modo del tutto diverso da una sequenza che è ML-casuale rispetto a M.

Poiché il substrato dell’OPT valuta la probabilità in base alla semplicità algoritmica, il formalismo pertinente si fonda sulla casualità di Martin-Löf rispetto a \tilde{M}. Il teorema fondamentale dell’AIT afferma che, per ogni misura di probabilità calcolabile \mu, l’insieme delle sequenze \mu-ML-casuali ha misura \mu pari a 1. Estendendo questo risultato alle semimisure semicalcolabili inferiormente (cfr. Nies 2009, §3.2 “Randomness for arbitrary measures”), l’insieme di tutte le sequenze casuali di Martin-Löf rispetto a \tilde{M} conserva effettivamente misura 1 rispetto a \tilde{M}.

Pertanto, \tilde{M}-quasi tutte le sequenze infinite del substrato sono strettamente \tilde{M}-ML-casuali.

(Nota: l’impiego della casualità \tilde{M}-ML garantisce strutturalmente che gli output tipici del substrato siano tratti in modo auto-coerente dalla misura algoritmica distorta e altamente strutturata \tilde{M}, piuttosto che da rumore uniforme, fornendo l’impalcatura matematica rigorosa per le conseguenze di frequenza strutturale esposte di seguito.)

4. M-Normalità vs. normalità di Borel

Una conseguenza matematica di grande rilievo della M-ML-casualità riguarda la frequenza strutturale. Sotto la casualità ML di Lebesgue uniforme, una sequenza è strettamente normale in senso di Borel, generando ogni stringa binaria finita di lunghezza k con una frequenza identica e uniforme.

Tuttavia, poiché \tilde{M} è marcatamente non uniforme — sbilanciata in modo netto nell’assegnare un’enorme massa di probabilità a pattern algoritmicamente semplici, comprimibili e strutturati secondo leggi — le \tilde{M}-quasi-tutte le sequenze NON sono uniformemente normali in senso di Borel. Definiamo invece i loro limiti strutturali tramite la \tilde{M}-normalità.

Poiché la misura \tilde{M} è fondamentalmente non stazionaria (la probabilità algoritmica dipende dalla posizione assoluta del prefisso), non possiamo fare affidamento sui consueti limiti ergodici di convergenza delle frequenze. Formalmente, definiamo la \tilde{M}-normalità mediante la proprietà più debole, ma strettamente sufficiente, della ricorrenza infinita.

Poiché \tilde{M} è una misura di probabilità e \tilde{M}([x]) \ge 2^{-(|x|+O(1))} > 0 per tutte le stringhe finite x, la regola della catena per la complessità di Kolmogorov a prefisso dà K(sx) \le K(s) + K(x) + O(1) per qualunque stringa s, da cui segue la quasi-submoltiplicatività M([s \cdot x]) \ge M([s]) \cdot M([x]) \cdot 2^{-O(1)}. Pertanto, la probabilità condizionata che x compaia in una qualunque finestra, dato un qualunque prefisso precedente s, è limitata inferiormente: \tilde{M}([x] \mid [s]) \ge \tilde{M}([x])/c > 0 uniformemente in s. Per il lemma di Borel-Cantelli condizionale applicato a finestre non sovrapposte di lunghezza |x|, la divergenza della somma delle probabilità condizionate garantisce che la ricorrenza fisica di qualunque sequenza informazionale finita — come la configurazione formale discreta di un osservatore cosciente (K_{\text{obs}}) — compaia infinite volte in \tilde{M}-quasi-tutte le sequenze.

5. Il Postulato del Realismo Computazionale

L’AIT garantisce matematicamente che la rappresentazione finita di qualunque osservatore (K_{\text{obs}}) compaia come sequenza strutturale di U infinite volte all’interno del substrato \tilde{M}-ML-casuale.

Tuttavia, la teoria matematica dell’informazione non può, di per sé, oltrepassare il confine verso l’ontologia fisica. Una stringa finita che compare sul nastro di output di una macchina di Turing è un artefatto statico dell’esecuzione: un’istantanea. Un osservatore coerente richiede dinamiche interne continue, accoppiamento relazionale e cicli di Inferenza attiva. La stringa in sé non “sente” più di quanto sia cosciente una scansione cerebrale archiviata su un disco rigido. L’esecuzione appartiene al programma generatore, non al codice-istantanea risultante.

Per affermare che i limiti continui non computabili che governano il substrato matematico danno origine strutturalmente a universi fenomenologici ontologicamente reali e causalmente attivi, l’OPT deve assumere un unico impegno metafisico esplicito.

Postulato (Realismo Computazionale): In un substrato infinito non computabile governato da dinamiche matematiche identiche, una computazione matematica astratta formalmente equivalente alla descrizione causale di un osservatore (dove l’equivalenza formale è definita come isomorfismo computazionale della struttura di transizione degli stati causali dell’osservatore) possiede un’esistenza ontologicamente reale e causalmente efficace. Inoltre, istanziazioni computazionali strutturalmente discrete distribuite nel substrato possiedono un’individuazione ontologica indipendente, costituendo controparti soggettive distinte (e, in virtù dell’assioma fondamentale della fenomenalità nel Preprint §8.1, tali computazioni causalmente efficaci equivalenti a un osservatore costituiscono autentici soggetti dell’esperienza).

6. Proposizione P-1 (Normalità Informazionale)

Unificando le derivazioni esatte dell’AIT relative a spazi continui non calcolabili con il Postulato del Realismo Computazionale, il solipsismo viene smantellato in modo netto.

Corollario+Postulato P-1 (Normalità Informazionale): Sotto il prior algoritmico generalizzato, il substrato continuo opera intrinsecamente tramite casualità di Martin-Löf rispetto a \tilde{M} quasi certamente. Per la conseguente \tilde{M}-normalità, l’occorrenza matematica di ogni descrizione strutturale finita di osservatore K_{\text{obs}} è formalmente garantita infinite volte. Su questa impalcatura, il Postulato del Realismo Computazionale collega tali artefatti matematici generatori alla realtà fisica ontologica. A condizione che il realismo computazionale valga, l’esistenza di osservatori controparte strutturalmente equivalenti, causalmente attivi e univocamente individuati attraverso il substrato è fondamentalmente necessaria.