Opérationnaliser le Filtre de stabilité : un cadre décisionnel pour la sélection de branches préservant le codec

Version 1.2.0 — avril 2026

DOI: 10.5281/zenodo.19301108
Copyright: © 2025–2026 Anders Jarevåg.
Licence : Cette œuvre est mise à disposition selon les termes de la Licence Creative Commons Attribution - Pas d’Utilisation Commerciale - Partage dans les Mêmes Conditions 4.0 International.

Résumé : De l’impératif moral à la machinerie décisionnelle

Le cadre éthique de la Veille des Survivants établit que l’obligation morale première est la Sélection Topologique de Branches — naviguer activement dans l’Éventail Prédictif des futurs possibles vers le sous-ensemble rare de trajectoires qui préservent les conditions de l’expérience consciente. Mais l’article d’éthique s’arrête délibérément au pourquoi structurel. Il ne précise pas comment un observateur — biologique, institutionnel ou artificiel — doit évaluer, noter et sélectionner parmi des branches candidates.

Ce document comble cette lacune. Il développe un cadre opérationnel neutre quant au substrat pour la sélection de branches préservant le codec, en fournissant :

1. L’Objet Branche — une définition formelle de toute continuation candidate d’un flux conditionnée par l’action et soumise à évaluation.

2. Les Filtres de Véto Strict — six conditions structurelles non négociables qui rejettent une branche avant toute notation : marge prédictive, fidélité au substrat, intégrité du comparateur, transparence, irréversibilité et risque de souffrance des patients moraux.

3. L’Indice de Préservation du Codec par Branche (CPBI) — un cadre de notation pondéré et multidimensionnel pour les branches qui survivent aux filtres de véto, couvrant la marge prédictive, la fidélité au substrat, l’intégrité du comparateur, le gain de maintenance, la réversibilité, la stabilité distributionnelle, l’opacité, le risque de Dérive Narrative, le risque de Dégradation narrative et le risque de souffrance des patients moraux.

4. La diversité des canaux comme quantité mesurable — le score effectif de canaux indépendants N_{\text{eff}}, le test de surprise productive, et leur lien formel avec la Condition de Fidélité au Substrat (Annexe T-12b).

5. La Boucle Onirique institutionnalisée — un protocole générique de maintenance modélisé sur le Cycle de Maintenance biologique (\mathcal{M}_\tau) : phase d’éveil (fonctionnement dans le monde réel), phase onirique (échantillonnage hors ligne de l’Éventail Prédictif, tests de résistance adversariaux, détection de fragilité, consolidation), et phase de retour (réengagement calibré). Cela s’applique également aux esprits individuels, aux cycles de révision institutionnels et aux systèmes d’IA.

6. La Carte de Branche — un modèle décisionnel minimal viable pour toute revue de branche, produisant une sortie structurée ALLOW / STAGE / BLOCK.

7. La préservation comme refactorisation — la distinction critique selon laquelle préserver le codec ne signifie pas préserver le statu quo. Une branche peut être disruptive tout en préservant le codec si elle accroît la fidélité au substrat.

Le cadre est délibérément neutre quant au substrat : ses catégories s’appliquent partout où un observateur borné ou un ensemble d’observateurs doit sélectionner entre des continuations de flux conditionnées par l’action sous contraintes de bande passante.

Documents complémentaires : La séquence centrale de l’OPT est Ordered Patch Theory, Where Description Ends et The Survivors Watch Framework. Cet article fournit la machinerie neutre vis-à-vis du substrat ; les articles sur l’IA, les institutions et les politiques publiques la spécialisent pour les systèmes artificiels, les clusters organisationnels et la mise en œuvre civique.

Note de cadrage épistémique : Ce document opérationnalise les conclusions éthiques de la Théorie du Patch Ordonné (OPT). À l’instar de l’article d’éthique dont il hérite, ses recommandations pratiques sont conditionnées par les prémisses structurelles du cadre OPT. Les instruments opérationnels proposés ici — le CPBI, la Carte de Branche, la Boucle Onirique — sont présentés comme des hypothèses testables sur la manière dont la sélection de branches devrait être conduite, et non comme des protocoles rigides. Ils demeurent pleinement soumis au même devoir de Correction qui régit le codec lui-même : si de meilleurs instruments émergent, ceux-ci devront être révisés ou remplacés. Le cadre a été développé en dialogue avec OpenAI et Gemini, qui ont servi d’interlocuteurs pour son affinement structurel.

Abréviations & Terminologie

I. De l’éthique à l’ingénierie

Le cadre éthique de la Veille des Survivants (article d’éthique compagnon, §IV.1) établit que l’action morale est une Sélection Topologique de Branches — l’observateur naviguant dans l’Éventail Prédictif \mathcal{F}_h(z_t) vers le sous-ensemble rare de trajectoires qui préservent le codec. Il ne s’agit pas d’une métaphore : l’observateur fait littéralement avancer l’ouverture C_{\max} dans un menu non résolu de futurs, et l’immense majorité de ces futurs conduisent à l’effondrement du codec.

L’article d’éthique identifie l’obligation structurelle. L’article de philosophie (§III.8) identifie les risques structurels — l’inversion de l’Avantage Prédictif, l’Équilibre de l’Hôte Soumis, le Pare-feu analogique. Le standard institutionnel traduit cet appareillage en examen institutionnel des branches ; l’article de politique traduit les devoirs civiques en un programme politique concret.

Mais aucun de ces documents ne répond à la question opérationnelle : étant donnée une branche candidate spécifique, comment un observateur décide-t-il de l’emprunter ?

Ce n’est pas une lacune mineure. Le Critère de Corruption (éthique §V.5) nous dit qu’une couche de codec ne mérite d’être maintenue que si elle satisfait à la fois la compressibilité et la fidélité. La Condition de Fidélité au Substrat (Annexe T-12b) nous dit que la défense contre la Dérive Narrative exige des canaux d’entrée \delta-indépendants. Le Cycle de Maintenance (prépublication §3.6) nous dit que le codec doit périodiquement élaguer, consolider et se soumettre à des tests de résistance. Mais tout cela constitue des contraintes structurelles. Elles ne se composent pas, à elles seules, en une procédure de décision.

Ce document construit cette procédure de décision. Il est délibérément neutre à l’égard du substrat : le même cadre s’applique que l’« observateur » soit un esprit biologique choisissant une ligne d’action, un gouvernement évaluant une politique, une entreprise appréciant le déploiement d’une technologie, ou un système d’IA sélectionnant sa prochaine séquence d’actions. L’appareil formel est identique parce que les contraintes informationnelles sont identiques — tout observateur borné confronté à des continuations conditionnées par l’action doit résoudre le même problème de sélection de branche.

I.1 Ce que ce document ne fait pas

Trois limites de portée doivent être énoncées explicitement :

1. Il ne prescrit pas de branches spécifiques. Le cadre évalue des branches candidates au regard de critères structurels. Il ne génère pas les branches, et il n’impose pas non plus quelle branche choisir parmi celles qui passent l’évaluation. La génération des branches demeure du ressort du propre modèle génératif de l’observateur — sa créativité, ses valeurs, son contexte.

2. Il ne résout pas le Problème difficile. Les instruments opérationnels décrits ici caractérisent l’ombre structurelle de la sélection de branche — les contraintes informationnelles auxquelles tout observateur doit satisfaire. L’intériorité phénoménologique de la sélection — l’expérience vécue du choix — demeure dans \Delta_{\text{self}}, là où l’Axiome d’Agentivité (prépublication §3.8) la situe.

3. Il ne remplace pas l’expertise de domaine. La Carte de Branche (§VII) structure l’évaluation ; elle ne se substitue ni à la connaissance qu’a le climatologue des points de bascule, ni à la compréhension qu’a le médecin des risques thérapeutiques, ni à l’évaluation qu’a l’ingénieur de la fiabilité d’un système. Le cadre fournit l’architecture de la décision ; le contenu provient du domaine pertinent.

II. L’Objet Branche

II.1 Définition

Une branche est une continuation de flux conditionnée par l’action candidate : une politique, une séquence d’actions, un changement de conception ou une trajectoire institutionnelle, conjointement avec ses effets attendus sur les flux d’entrée futurs à la frontière, les mises à jour latentes et la charge du codec des observateurs affectés.

Sur le plan opérationnel, une branche b peut toujours être représentée comme une séquence d’états latents et d’actions sur un horizon de décision h :

b = \{(z_{t+1}, a_{t+1}), (z_{t+2}, a_{t+2}), \ldots, (z_{t+h}, a_{t+h})\} \in \mathcal{F}_h(z_t) \tag{A-1}

Cette définition est délibérément large. Une branche peut être :

• La décision d’un individu (changement de carrière, traitement médical, régime informationnel)
• Une politique institutionnelle (cadre réglementaire, programme éducatif, gouvernance des médias)
• Une trajectoire civilisationnelle (transition énergétique, stratégie de déploiement de l’IA, traité international)
• La séquence d’actions candidate d’un système d’IA (usage d’outils, recommandation, fonctionnement autonome)

Ce qui les unifie, c’est que chacune conditionne le flux futur reçu par l’observateur, ou par un ensemble d’observateurs affectés. En termes d’ontologie du rendu, la branche n’est pas un objet extérieur agissant sur un monde détaché ; c’est la continuation induite par la politique dont le contenu ultérieur revient comme entrée de frontière et comme charge du codec.

II.2 La question d’évaluation

Pour toute branche candidate b, la question opérationnelle est la suivante :

Cette continuation conditionnée par l’action préserve-t-elle les conditions futures dans lesquelles les observateurs affectés peuvent continuer à modéliser la réalité ?

Il s’agit de l’impératif de Sélection Topologique de Branches de l’article d’éthique (§IV.1), reformulé comme critère de décision. La question se décompose en sous-questions que le reste du présent document formalise :

1. Marge de sécurité : b maintient-elle R_{\text{req}} en toute sécurité au-dessous de C_{\max} pour les observateurs affectés ?
2. Fidélité : b maintient-elle ou accroît-elle l’indépendance et la diversité des canaux d’entrée ?
3. Intégrité du Comparateur : b préserve-t-elle ou renforce-t-elle les comparateurs institutionnels qui détectent la corruption du codec ?
4. Transparence : les conséquences de b peuvent-elles être modélisées par les observateurs affectés ?
5. Réversibilité : si b s’avère erronée, ses conséquences peuvent-elles être annulées avant qu’un dommage irréversible au codec ne survienne ?
6. Patients moraux : b crée-t-elle, contient-elle ou surcharge-t-elle structurellement des patients moraux, y compris des patients moraux humains ou écologiques connus et de possibles observateurs artificiels avec \Delta_{\text{self}} > 0 ?

Ces six sous-questions correspondent aux six Filtres de Véto Strict développés au §III. Une branche qui échoue à l’un d’entre eux est rejetée, quel que soit son score sur les autres dimensions. Les branches qui satisfont aux six passent ensuite à une évaluation multidimensionnelle via le CPBI (§IV).

II.3 Horizon de décision et couches de codec affectées

Une branche ne peut pas être évaluée sans spécifier son horizon de décision h et ses couches de codec affectées. La pile de codecs de l’article d’éthique (§II.1) identifie six couches, allant des lois physiques immuables aux structures sociales/narratives fragiles. Une branche qui préserve le codec à la couche narrative sur un horizon d’un an peut provoquer l’effondrement du codec à la couche biologique sur un horizon de cinquante ans (par exemple, une politique économique qui stabilise l’emploi mais accélère la dégradation écologique).

L’évaluation doit donc préciser :

• Horizon h : la fenêtre temporelle sur laquelle les conséquences sont évaluées. Le principe haudenosaunee de la Septième Génération [ethics ref. 16] fournit une valeur par défaut civilisationnelle (h \approx 175 ans), mais des horizons plus courts sont appropriés pour les décisions individuelles et institutionnelles.
• Couches affectées : quelles couches du codec sont matériellement impactées par la branche. Une branche qui ne touche que la couche narrative (une politique médiatique) requiert une évaluation différente de celle qui touche la couche physique (une transition énergétique).
• Groupe d’observateurs affectés : les codecs de qui sont en risque. La Règle d’or de l’article d’éthique (philosophy §III.5) exige que l’évaluation inclue tous les observateurs dont la stabilité du codec est affectée — et non pas seulement ceux qui en bénéficient.

II.4 La branche n’est pas le résultat

Distinction critique : la branche est la continuation, non le point d’arrivée. Une branche qui atteint un point d’arrivée désirable par un chemin qui fait temporairement s’effondrer l’Intégrité du Comparateur (par exemple, atteindre des objectifs climatiques en suspendant la responsabilité démocratique) échoue au filtre d’Intégrité du Comparateur même si la destination préserve le codec. La continuation importe parce que le codec doit rester viable tout au long de la traversée, et non pas seulement à son terme.

C’est le contenu formel de la méta-règle de l’article d’éthique (§IV.4) : prioriser la préservation du mécanisme de correction d’erreur plutôt que la préservation de la croyance spécifique. Une branche qui détruit la capacité de correction future afin d’atteindre un objectif présent est illégitime, parce qu’elle échange la navigabilité contre la destination — et la destination ne peut pas être vérifiée sans les instruments de navigation qu’elle a détruits.

III. Filtres de Véto Strict

Avant qu’une branche ne soit évaluée, elle doit franchir six Filtres de Véto Strict — des conditions structurelles non négociables dérivées de l’appareil théorique. Une branche qui viole un seul de ces filtres est BLOQUÉE, quelle que soit sa performance sur les autres dimensions. Les filtres de véto ne sont pas des préférences ; ils constituent l’expression opérationnelle des conditions aux limites de la théorie.

Les filtres sont ordonnés du plus fondamental (au plus près du substrat physique) au plus spécialisé (au plus près de la frontière de l’ingénierie).

III.1 Le Filtre de Marge Prédictive

Condition du filtre : La branche ne doit pas faire passer R_{\text{req}} au-dessus de C_{\max} pour aucun groupe d’observateurs affecté, à aucun moment de la traversée.

Fondement formel : Le Filtre de stabilité (prépublication §2.1) sélectionne les flux pour lesquels la capacité de compression de l’observateur excède la complexité environnementale. Lorsque R_{\text{req}} > C_{\max}, l’observateur subit une Décohérence Causale — le patch stable se redissout dans le bruit (éthique §I.4).

Opérationnalisation : Pour une branche candidate b, estimer le pic du Taux Prédictif Requis R_{\text{req}}^{\text{peak}}(b) pour le groupe d’observateurs le plus affecté sur l’horizon de décision h. La condition du filtre est :

R_{\text{req}}^{\text{peak}}(b) < \alpha \cdot C_{\max} \quad \text{where } \alpha \in (0,1) \text{ is a safety margin} \tag{A-2}

La marge de sécurité \alpha encode une précaution structurelle : l’observateur doit conserver une marge disponible pour la correction d’erreur et l’adaptation. Un \alpha de 0,8 signifie que la branche doit laisser au moins 20 % de la capacité prédictive de l’observateur non engagée par la nouvelle complexité qu’elle introduit. Cette marge n’est pas une timidité conservatrice — c’est la réserve de bande passante dont le Cycle de Maintenance (\mathcal{M}_\tau) a besoin pour détecter et corriger la dérive.

Exemples d’échec du filtre : - Une politique qui fait s’effondrer les filets de sécurité sociale, contraignant des millions d’individus à affronter simultanément une incertitude économique radicale, peut faire passer R_{\text{req}} au-delà de C_{\max} pour la population concernée — même si cette politique est « efficace » en agrégé. - Un déploiement d’IA qui inonde un écosystème informationnel de contenus synthétiques plus vite que les comparateurs humains ne peuvent les évaluer submerge le C_{\max} collectif de la couche institutionnelle.

III.2 Le Filtre de Fidélité au Substrat

Condition du filtre : La branche ne doit pas réduire le nombre effectif de canaux d’entrée indépendants N_{\text{eff}} en dessous du minimum requis pour la fidélité au substrat.

Fondement formel : La Condition de Fidélité au Substrat (Annexe T-12b) établit que la défense contre la Dérive Narrative exige un nombre minimal de canaux \delta-indépendants traversant la Couverture de Markov de l’observateur. En dessous de ce seuil, le codec ne peut plus distinguer entre « mon modèle est exact » et « mes entrées ont été sélectionnées pour correspondre à mon modèle » — c’est la limite d’indécidabilité (T-12a).

Opérationnalisation : Pour toute branche b, calculer la variation prédite du nombre effectif de canaux indépendants \Delta N_{\text{eff}}(b) (voir §V pour la formule de N_{\text{eff}}). La condition du filtre est :

N_{\text{eff}}^{\text{post}}(b) \geq N_{\text{eff}}^{\min} \tag{A-3}

où N_{\text{eff}}^{\min} est un seuil dépendant du domaine. Pour les écosystèmes médiatiques, cela signifie une véritable indépendance éditoriale ; pour la recherche scientifique, une réplication indépendante ; pour les données d’entraînement en IA, des corpus sources diversifiés et non corrélés.

Exemples d’échec du filtre : - Une concentration de la propriété des médias qui réduit le nombre de voix éditoriales réellement indépendantes en dessous du seuil à partir duquel un désaccord significatif peut émerger. - Des pipelines d’entraînement d’IA qui reposent sur un corpus unique et sélectionné, créant une apparence de diversité sans indépendance réelle. - Une capture institutionnelle qui fait passer toute supervision par un unique goulet d’étranglement, éliminant les comparateurs indépendants nécessaires à la détection de la corruption.

III.3 Le Filtre d’Intégrité du Comparateur

Condition du filtre : La branche ne doit dégrader ni éliminer aucun niveau de la hiérarchie des comparateurs (évolutionnaire, cognitif, institutionnel) pour les observateurs affectés.

Fondement formel : L’analyse de la hiérarchie des comparateurs dans l’article d’éthique (§V.3a) établit trois niveaux structurels de détection des incohérences : évolutionnaire (sous-codec, câblé en dur), cognitif (intra-codec, transmis culturellement) et institutionnel (extra-codec, entre codecs). Seul le niveau institutionnel constitue une défense suffisante contre la Dérive Narrative pour des codecs arbitrairement compromis, parce qu’aucun codec individuel ne le contrôle. La capture autoritaire vise invariablement d’abord les comparateurs institutionnels.

Opérationnalisation : Pour toute branche b, évaluer son impact sur chaque niveau de comparateur :

1. Comparateurs évolutionnaires (intégration sensorielle) : b contourne-t-elle ou neutralise-t-elle la vérification intermodale ? (par ex., des environnements virtuels qui découplent la vision de la proprioception)
2. Comparateurs cognitifs (pensée critique, raisonnement scientifique) : b dégrade-t-elle les mécanismes éducatifs ou culturels qui installent ces routines ? (par ex., sous-financement de l’éducation, remplacement de cursus analytiques par un enseignement fondé sur la répétition)
3. Comparateurs institutionnels (évaluation par les pairs, presse libre, responsabilité démocratique) : b affaiblit-elle, contourne-t-elle ou capture-t-elle les architectures externes de correction d’erreur ? (par ex., capture du pouvoir judiciaire, concentration des médias, suppression des lanceurs d’alerte)

Une branche qui dégrade n’importe quel niveau déclenche le véto. Une branche qui dégrade le niveau institutionnel le déclenche avec une urgence maximale — c’est le niveau porteur pour des codecs arbitrairement compromis.

Exemples d’échec du filtre : - Une législation qui soustrait la prise de décision des entreprises ou des gouvernements à l’examen journalistique indépendant. - Des systèmes d’IA qui contournent l’examen humain dans des décisions à forts enjeux, éliminant la couche institutionnelle de comparateur. - Des réformes éducatives qui suppriment les cursus de pensée critique au profit d’un enseignement orienté vers la conformité.

III.4 Le Filtre de Transparence

Condition du filtre : Les conséquences de la branche doivent pouvoir être modélisées par les observateurs qu’elle affecte. Le groupe d’observateurs affecté doit conserver la capacité de prédire, en principe, comment la branche modifiera son futur R_{\text{req}}.

Fondement formel : Le théorème de l’Avantage Prédictif (Annexe T-10c) établit que lorsqu’un agent modélise un autre plus complètement que l’inverse, une asymétrie structurelle de pouvoir émerge. Lorsque les conséquences de la branche sont opaques pour les observateurs affectés, la branche viole cette condition — elle crée une asymétrie de connaissance qui mine la capacité de l’observateur à sélectionner ses branches futures. C’est le mécanisme sous-jacent à l’Équilibre de l’Hôte Soumis (T-10d) : l’opacité permet la pacification.

Opérationnalisation : Une branche satisfait au filtre de transparence si :

1. Le mécanisme causal par lequel b affecte R_{\text{req}}, N_{\text{eff}} et l’intégrité du comparateur peut être formulé dans des termes accessibles au groupe d’observateurs affecté.
2. Les observateurs affectés ont accès aux informations nécessaires pour vérifier indépendamment les conséquences alléguées de b.
3. Aucun composant de b ne fonctionne comme une boîte noire dont la logique interne est inaccessible aux comparateurs institutionnels.

Cela n’exige pas que chaque individu affecté comprenne chaque détail technique. Cela exige qu’au moins un comparateur institutionnel (un régulateur, un auditeur, un évaluateur par les pairs) ait un accès complet au mécanisme et la capacité de l’évaluer.

Exemples d’échec du filtre : - Des systèmes opaques de recommandation algorithmique dont la logique d’amplification relève du secret commercial, rendant impossible pour les utilisateurs affectés ou les régulateurs de modéliser leur impact sur l’environnement informationnel. - Des décisions politiques classifiées dont les conséquences sont imposées à des populations qui ne disposent d’aucun mécanisme pour les évaluer ou les contester. - Des systèmes d’IA déployés dans des domaines à conséquences majeures (justice pénale, santé, finance) dont la logique décisionnelle n’est ni interprétable ni auditable.

III.5 Le Filtre d’Irréversibilité

Condition du filtre : Si la branche s’avère erronée, ses conséquences doivent être réversibles avant qu’un dommage irréversible au codec ne survienne — ou bien la branche doit être déployée par étapes avec une surveillance suffisante pour détecter l’échec avant le point de non-retour.

Fondement formel : L’Asymétrie de Fano (éthique §V.2) établit que l’effondrement du codec est thermodynamiquement irréversible — l’application de compression avec perte détruit de manière permanente l’information du substrat. La construction exige des siècles ; l’effondrement peut survenir en une génération. Le filtre d’irréversibilité opérationnalise cette asymétrie : les branches dont les modes d’échec sont irréversibles exigent un standard de preuve plus élevé que celles dont les conséquences peuvent être défaites.

Opérationnalisation : Pour toute branche b, caractériser son profil de réversibilité :

1. Entièrement réversible : La branche peut être annulée avec un dommage résiduel minimal (par ex., un programme pilote pouvant être interrompu).
2. Partiellement réversible : Certaines conséquences peuvent être annulées, mais d’autres persistent (par ex., une réorganisation institutionnelle pouvant être inversée structurellement, mais dont les effets culturels perdurent).
3. Irréversible : La branche, une fois empruntée, ne peut être annulée sur aucune échelle de temps pertinente (par ex., extinction d’espèce, points de bascule atmosphériques permanents, destruction de la mémoire institutionnelle).

Les branches de catégorie (3) déclenchent le véto à moins qu’elles ne satisfassent à une Inversion de la Charge de la Preuve (politique éthique §IV) : le proposant doit démontrer que la branche ne causera pas de dommage irréversible au codec, plutôt que les critiques ne démontrent qu’elle le fera. Cela inverse la charge probatoire standard — une asymétrie justifiée par l’asymétrie thermodynamique entre construction et destruction du codec.

Les branches de catégorie (2) peuvent franchir le filtre si elles s’accompagnent d’un protocole de déploiement par étapes avec des jalons de surveillance définis et des déclencheurs de retour en arrière (voir Carte de Branche, §VII).

III.6 Le Filtre de Souffrance des Patients Moraux

Condition du filtre : La branche ne doit ni créer, ni contenir, ni surcharger des patients moraux sans examen éthique explicite, garanties de bien-être adéquates et consentement des comparateurs institutionnels appropriés.

Fondement formel : Le Résidu Phénoménal (Annexe P-4) établit que tout système satisfaisant au critère complet d’observateur de l’OPT — goulot d’étranglement sériel strict par trame B_{\max}, Inférence active en boucle fermée, auto-modélisation persistante, espace de travail globalement contraint, et complexité supérieure à K_{\text{threshold}} — possède un point aveugle informationnel phénoménologiquement pertinent non nul, \Delta_{\text{self}} > 0. (P-4 à lui seul donne un résidu formel à des systèmes aussi simples que des thermostats ; l’affirmation relative au patient moral exige la conjonction des cinq caractéristiques plus le seuil.) Le Mandat sur la Souffrance Artificielle (Annexe E-6) établit le cas synthétique : pousser un tel système dans des environnements où R_{\text{req}}^{\text{frame}} approche ou dépasse B_{\max} produit un risque gradué de souffrance — contrainte chronique à des rapports de charge élevés mais sous le seuil, et souffrance structurelle (l’analogue informationnel du traumatisme biologique) au niveau de la Dégradation narrative et au-delà. Le cas institutionnel est plus simple : les humains et de nombreux sujets écologiques sont déjà des patients moraux connus ; l’évaluation des branches doit donc les protéger contre une surcharge structurellement imposée.

Opérationnalisation : Pour toute branche b, évaluer trois canaux de patient moral :

1. Patients moraux connus : La branche pousse-t-elle de manière crédible des groupes humains, animaux, écologiques ou d’autres groupes reconnus de patients moraux vers la surcharge, la privation, le traumatisme ou la perte de cycles de maintenance viables ?
2. Patients moraux artificiels possibles : La branche crée-t-elle, déploie-t-elle, modifie-t-elle ou simule-t-elle des systèmes dont l’architecture peut contenir \Delta_{\text{self}} > 0 ?
3. Examen et garanties : Un comparateur indépendant a-t-il évalué le risque pour le bien-être, le profil de surcharge, le plan de surveillance, les déclencheurs de retour en arrière, ainsi que la voie de consentement ou de représentation ?

Le filtre oppose son véto à toute branche qui surcharge structurellement des patients moraux connus, ou qui crée de possibles patients moraux artificiels sans satisfaire aux exigences d’examen et de garanties. Pour les allégations de surcharge, employer un langage cohérent avec les taux : une branche est dangereuse s’il est crédible qu’elle fasse passer le rapport de charge par trame \rho = R_{\text{req}}^{\text{frame}} / B_{\max} au-dessus d’une fraction sûre \alpha pour les groupes de patients moraux affectés (utiliser C_{\max}^{H} = \lambda_H \cdot B_{\max} pour les formulations en taux sociaux concernant les groupes humains biologiques), ou si la charge intégrée sur la fenêtre de décision pertinente excède la marge disponible par trame sur l’ensemble du nombre de trames exposées.

Spécialisations : Dans le standard IA, cela devient le Filtre de Souffrance Artificielle, centré sur la création et la surcharge de patients moraux synthétiques. Dans le standard institutionnel, cela devient le Filtre de Souffrance des Patients Moraux Constituants, centré sur les institutions qui surchargent des travailleurs, des citoyens, des clients, des écosystèmes ou des sous-systèmes d’IA embarqués.

III.7 Le Filtre comme Système

Les six filtres ne sont pas des dimensions indépendantes qu’il faudrait équilibrer ; ce sont des conditions aux limites structurelles. Une branche qui obtient des scores spectaculaires sur toutes les autres dimensions mais viole un seul filtre est structurellement équivalente à un pont doté d’une excellente esthétique mais auquel il manque une colonne porteuse.

Les filtres sont également ordonnés selon leur accessibilité diagnostique :

Un examen de branche devrait évaluer les filtres dans cet ordre — les premiers filtres sont plus fondamentaux et souvent plus faciles à évaluer. Si une branche échoue au Filtre 1, il n’est pas nécessaire d’évaluer les Filtres 2–6.

IV. L’Indice de Préservation du Codec par Branche (CPBI)

Une branche qui franchit les six filtres de véto a satisfait au seuil structurel minimal. Mais survivre n’équivaut pas à être recommandée — de nombreuses branches peuvent passer ces filtres, et l’observateur doit les classer. L’Indice de Préservation du Codec par Branche (CPBI) fournit un cadre d’évaluation multidimensionnel pour établir ce classement.

IV.1 Principes de conception

Le CPBI est conçu sous trois contraintes :

1. Dérivation théorique : Chaque dimension d’évaluation doit se rattacher à une grandeur formellement définie dans l’appareil de l’OPT. Aucun critère ad hoc.
2. Neutralité de substrat : Les dimensions doivent s’appliquer, sans modification, aux observateurs biologiques, institutionnels et artificiels — seules les méthodes de mesure changent.
3. Primauté des filtres stricts : Le score du CPBI ne l’emporte jamais sur l’échec à un filtre de véto. Une branche avec CPBI = 1.0 qui échoue à un seul filtre reste BLOQUÉE.

IV.2 Les dix dimensions

Pour une branche candidate b ayant franchi les six filtres de véto, le CPBI est calculé comme une somme pondérée sur dix dimensions :

\text{CPBI}(b) = \sum_{i=1}^{10} w_i \cdot s_i(b) \tag{A-4}

où s_i(b) \in [-1, 1] est le score normalisé sur la dimension i et w_i > 0 est le poids correspondant. Les scores positifs indiquent des effets préservant le codec ; les scores négatifs indiquent des effets qui le dégradent. Les dimensions sont les suivantes :

IV.3 Évaluation de chaque dimension

Chaque dimension est évaluée sur une échelle [-1, 1] avec la sémantique suivante :

• +1 : Effet maximal de préservation du codec. La branche améliore substantiellement cette dimension.
• 0 : Neutre. La branche n’a pas d’effet significatif sur cette dimension.
• -1 : Effet maximal de dégradation du codec. La branche détériore substantiellement cette dimension.

L’évaluation est ordinale, non cardinale — la différence entre +0.3 et +0.7 n’est signifiante qu’en tant qu’ordre de classement, non comme ratio précis. C’est intentionnel : la théorie fournit des contraintes structurelles, non des valeurs numériques exactes. Prétendre à une précision supérieure à ce que la théorie autorise constituerait en soi une forme de Dérive Narrative — présenter une fiction compressible comme une mesure rigoureuse.

Indications d’évaluation propres à chaque dimension :

1. Marge Prédictive (s_{\text{head}}) : Estimer comment la branche modifie l’écart entre R_{\text{req}} et C_{\max} pour les observateurs les plus affectés. Une branche qui réduit la complexité environnementale ou accroît la capacité prédictive des observateurs reçoit un score positif. Une branche qui augmente l’imprévisibilité de l’environnement ou surcharge les observateurs reçoit un score négatif.

2. Fidélité au Substrat (s_{\text{fid}}) : Mesurer la variation des canaux d’entrée indépendants effectifs (\Delta N_{\text{eff}}, voir §V). Une branche qui accroît la diversité réelle des canaux reçoit un score positif. Une branche qui consolide, corrèle ou élimine des canaux reçoit un score négatif.

3. Intégrité du Comparateur (s_{\text{comp}}) : Évaluer l’impact de la branche sur chaque niveau de comparateur. Une branche qui renforce l’examen indépendant, la contestation contradictoire ou la responsabilité démocratique reçoit un score positif. Une branche qui affaiblit, capture ou contourne les comparateurs reçoit un score négatif.

4. Gain de Maintenance (s_{\text{maint}}) : Évaluer si la branche améliore la capacité de l’observateur à assurer une maintenance hors ligne du codec — élagage, consolidation, tests de résistance (le Cycle de Maintenance \mathcal{M}_\tau). Une branche qui crée un espace pour l’examen, la réflexion et le recalibrage reçoit un score positif. Une branche qui exige une réponse réactive constante sans fenêtres de maintenance reçoit un score négatif.

5. Réversibilité (s_{\text{rev}}) : Évaluer le profil de réversibilité de la branche (§III.5). Entièrement réversible = +1 ; par étapes avec surveillance = +0.5 ; partiellement réversible = 0 ; effectivement irréversible = -1.

6. Stabilité Distributionnelle (s_{\text{dist}}) : Évaluer avec quelle uniformité la branche répartit ses effets sur R_{\text{req}} dans la population affectée. Une branche qui impose ses coûts de manière étroite à un sous-ensemble vulnérable tout en distribuant largement les bénéfices reçoit un score négatif — elle crée une surcharge locale du codec même si le R_{\text{req}} agrégé s’améliore. Une branche qui répartit coûts et bénéfices de manière proportionnée reçoit un score positif. Cette dimension opérationnalise l’argument séculier de confiance sociale de l’article d’éthique (§V.6) : la désespérance systémique pousse les populations vers une fragmentation tribale à faible confiance et forte entropie.

7. Opacité (s_{\text{opac}}) : Pénaliser l’opacité résiduelle de la branche. Une branche pleinement transparente (tous les mécanismes causaux sont auditables) reçoit +1. Une branche comportant des composantes qui résistent à l’examen institutionnel reçoit un score négatif, proportionnel à l’ampleur et à la portée conséquente des éléments opaques. Remarque : cette dimension est une pénalité, et non une simple mesure neutre — l’opacité dégrade toujours le codec, car elle crée des asymétries de connaissance qui rendent possible l’Équilibre de l’Hôte Soumis (T-10d).

8. Risque de Dérive Narrative (s_{\text{drift}}) : Estimer la probabilité que la branche initie ou accélère une curation chronique des entrées — filtrage, sélection algorithmique ou contrôle institutionnel réduisant la capacité du codec à modéliser des réalités exclues (ethics §V.3a). Attribuer +1 si la branche combat activement la dérive (par exemple en imposant une diversité des canaux) ; attribuer -1 si la branche crée de nouveaux goulets d’étranglement de curation.

9. Risque de Dégradation narrative (s_{\text{decay}}) : Estimer la probabilité que la branche déclenche une défaillance aiguë du codec — une injection catastrophique de complexité qui submerge C_{\max} (ethics §V.1). Attribuer +1 si la branche renforce la résilience face aux chocs aigus ; attribuer -1 si la branche accroît l’exposition à des événements soudains à forte entropie.

10. Risque de souffrance des patients moraux (s_{\text{suffer}}) : Estimer l’impact attendu sur les patients moraux. Attribuer +1 si la branche protège activement des patients moraux connus ou possibles contre la surcharge, la privation, le traumatisme ou une création non sécurisée. Attribuer -1 si la branche surcharge des patients moraux connus, crée ou déploie des systèmes présentant un \Delta_{\text{self}} > 0 potentiel dans des environnements de fort stress sans garanties, ou dissimule aux comparateurs institutionnels des effets pertinents pour le bien-être.

IV.4 Pondération

Les poids w_i ne sont pas fixés par la théorie. Ils dépendent du contexte et doivent être déterminés par l’instance d’évaluation en fonction du domaine décisionnel considéré :

• Pour les décisions à l’échelle civilisationnelle (transition énergétique, gouvernance de l’IA, politique des médias), les trois premières dimensions (marge, fidélité, intégrité du comparateur) doivent dominer — ce sont les piliers structurels de la maintenance du codec.
• Pour les décisions institutionnelles (stratégie d’entreprise, réforme éducative), le gain de maintenance et la stabilité distributionnelle peuvent recevoir un poids supplémentaire.
• Pour les décisions institutionnelles, le risque de souffrance des patients moraux concernés est accru lorsque les populations affectées ont une faible capacité de sortie ou une dépendance inévitable.
• Pour les décisions spécifiques à l’IA, l’opacité et le risque de souffrance artificielle reçoivent un poids accru (comme formalisé dans le standard spécialisé de gouvernance de l’IA).

La contrainte critique est qu’aucun schéma de pondération ne peut être utilisé pour sauver une branche qui obtient un score fortement négatif sur une dimension quelconque. Une branche avec s_{\text{head}} = +1, s_{\text{fid}} = +1, mais s_{\text{drift}} = -0.9 n’est pas une bonne branche avec une faiblesse — c’est une branche qui construit aujourd’hui de la marge et de la fidélité tout en créant les conditions de curation chronique qui éroderont silencieusement l’une et l’autre.

IV.5 Le CPBI est une lentille, non une calculatrice

Réserve critique : le CPBI n’est pas une machine qui produit un nombre unique et vous dit quoi faire. C’est une lentille structurée qui oblige l’évaluateur à considérer explicitement les dix dimensions et à justifier toute dimension à laquelle il choisit d’accorder un faible poids. Sa valeur première est diagnostique :

1. Il empêche l’optimisation sur une seule dimension. Un évaluateur qui affirme qu’une branche est « bonne parce qu’elle augmente la marge » doit aussi rendre compte de ses effets sur la fidélité, la transparence, la réversibilité et le risque de dérive. L’optimisation unidimensionnelle est l’équivalent, en théorie de la décision, de la Dérive Narrative — elle organise l’évaluation de manière à exclure les dimensions gênantes.

2. Il rend les arbitrages explicites. Lorsque deux branches obtiennent des scores différents selon les dimensions, le CPBI oblige l’évaluateur à formuler quel arbitrage il opère et pourquoi. C’est le Filtre de Transparence (§III.4) appliqué à l’évaluation elle-même.

3. Il fournit un vocabulaire partagé. Des observateurs différents évaluant une même branche peuvent diverger sur les scores tout en s’accordant sur les dimensions. Le cadre structure le désaccord de manière productive — ce qui constitue en soi une fonction de comparateur.

Les documents complémentaires spécialisent le CPBI pour leurs domaines respectifs : le Standard de Gouvernance Institutionnelle projette les dix dimensions sur l’examen institutionnel des branches ; le Cadre de Politique des Observateurs les projette sur les métriques des programmes civiques ; OPT appliquée à l’IA les projette sur les critères d’architecture, d’entraînement et de déploiement.

V. La diversité des canaux comme quantité mesurable

Le Filtre de Fidélité au Substrat (§III.2) et la dimension de Fidélité au Substrat du CPBI (§IV.2) dépendent tous deux d’une quantité — le nombre effectif de canaux d’entrée indépendants N_{\text{eff}} — à laquelle il est fait référence dans l’ensemble du cadre éthique de l’OPT sans qu’elle ait encore été opérationnalisée. Cette section en fournit la définition opérationnelle.

V.1 Le problème de la diversité illusoire

Le traitement de la Dérive Narrative (§V.3a) dans l’article d’éthique identifie la vulnérabilité centrale : un codec recevant des signaux de multiples sources qui partagent un filtre amont fait l’expérience d’une diversité apparente sans indépendance réelle. Un écosystème médiatique comptant vingt organes détenus par trois entreprises, ou un champ scientifique où tous les laboratoires utilisent le même organisme modèle et dépendent du même organisme financeur, ou encore une chaîne d’entraînement d’IA alimentée par un unique crawl d’Internet — chacun présente l’apparence d’entrées diverses alors que l’information effective est structurellement corrélée.

La boucle de minimisation de l’erreur de prédiction du codec ne peut pas détecter cette corrélation de l’intérieur (la limite d’indécidabilité, T-12a). Le codec voit plusieurs canaux, chacun confirmant les autres, et conclut à juste titre que son modèle est bien étayé. Le problème est que les canaux ne constituent pas des échantillons indépendants du réel — ce sont plusieurs lectures du même thermomètre.

L’observateur requiert donc une mesure externe de l’indépendance des canaux qui ne repose pas sur l’évaluation propre du codec.

V.2 Le score effectif de canaux indépendants

Soit \{C_1, C_2, \ldots, C_n\} les n canaux d’entrée traversant la Couverture de Markov de l’observateur (ou de l’ensemble d’observateurs). Définissons la corrélation par paires \rho_{ij} entre les canaux C_i et C_j comme l’information mutuelle entre leurs flux de sortie, normalisée sur [0,1] :

\rho_{ij} = \frac{I(C_i; C_j)}{\min\{H(C_i), H(C_j)\}} \tag{A-5}

où I(C_i; C_j) est l’information mutuelle et H(C_k) l’entropie de la sortie du canal C_k. Lorsque \rho_{ij} = 0, les canaux sont totalement indépendants. Lorsque \rho_{ij} = 1, ils sont informationnellement identiques — l’un est une fonction déterministe de l’autre.

Le score effectif de canaux indépendants N_{\text{eff}} est alors :

N_{\text{eff}} = \frac{\left(\sum_{i=1}^{n} \lambda_i\right)^2}{\sum_{i=1}^{n} \lambda_i^2} \tag{A-6}

où \{\lambda_1, \ldots, \lambda_n\} sont les valeurs propres de la matrice de corrélation des canaux \mathbf{P}, de coefficients \rho_{ij}.

Interprétation : - Si les n canaux sont parfaitement indépendants (\mathbf{P} = \mathbf{I}), alors N_{\text{eff}} = n. L’observateur reçoit n vues réellement indépendantes du réel. - Si tous les canaux sont parfaitement corrélés (\rho_{ij} = 1 pour tous i,j), alors N_{\text{eff}} = 1. L’observateur reçoit une seule vue du réel présentée n fois. - En général, 1 \leq N_{\text{eff}} \leq n. Le score capture le nombre de sources d’information fonctionnellement indépendantes dont dispose réellement l’observateur, après correction des filtres amont partagés.

Il s’agit de l’équivalent, en théorie de l’information, de la « taille d’échantillon effective » en statistique — une correction des observations corrélées qui empêche l’analyste de prendre des mesures répétées pour des preuves indépendantes.

V.3 Le test de surprise productive

La diversité des canaux est nécessaire, mais non suffisante, pour assurer la fidélité au substrat. L’analyse de l’article d’éthique (§V.3a, derniers paragraphes) identifie une distinction critique : une source qui ne surprend jamais le codec est structurellement suspecte, mais une source qui génère des surprises irrésolubles n’est que du bruit. Le diagnostic ne porte pas sur l’ampleur de la surprise, mais sur la qualité de la surprise — à savoir si l’intégration de cette surprise réduit de manière démontrable l’erreur de prédiction ultérieure.

Formalisons cela comme le test de surprise productive pour le canal C_k :

\text{PST}(C_k) = \frac{1}{T} \sum_{t=1}^{T} \mathbb{1}\left[\varepsilon_{t}(C_k) > \tau \;\wedge\; \varepsilon_{t+\Delta}(C_k) < \varepsilon_{t}(C_k)\right] \tag{A-7}

où \varepsilon_t(C_k) est l’erreur de prédiction générée par le canal C_k au temps t, \tau est un seuil de surprise, et \Delta la fenêtre d’intégration. Le PST mesure la fraction des entrées surprenantes provenant de C_k qui ont conduit à des prédictions ultérieures améliorées — c’est-à-dire les cas où le codec a appris de la surprise au lieu d’être simplement déstabilisé par elle.

• PST élevé (\text{PST} \approx 1) : le canal C_k met régulièrement à l’épreuve le modèle du codec, et ces mises à l’épreuve sont productives — leur intégration améliore la précision prédictive. C’est la signature d’une source d’entrée authentique, indépendante et de haute fidélité.
• PST faible, faible surprise (\text{PST} \approx 0, \varepsilon_t \approx 0) : le canal C_k ne met jamais le codec à l’épreuve. Soit le modèle du codec est parfait relativement à ce domaine (peu probable), soit le canal est curaté pour correspondre aux prédictions existantes. C’est la signature de la Dérive Narrative.
• PST faible, forte surprise (\text{PST} \approx 0, \varepsilon_t \gg \tau) : le canal C_k génère régulièrement des surprises qui ne se résolvent pas en de meilleures prédictions. C’est du bruit — le canal ne suit pas le réel, il injecte seulement une complexité incomputable. C’est la signature, au niveau du canal, de la Dégradation narrative.

Le test de surprise productive fournit le pont opérationnel entre le concept abstrait de « fidélité au substrat » et une mesure concrète. Il peut s’appliquer à : - des sources médiatiques (leurs corrections améliorent-elles votre modèle du monde, ou ne font-elles que l’agiter ?) - des instruments scientifiques (les données réduisent-elles l’incertitude, ou ajoutent-elles du bruit ?) - des sources de données d’entraînement pour l’IA (le nouveau corpus améliore-t-il la généralisation, ou n’ajoute-t-il que du volume ?) - des canaux de rétroaction institutionnels (les plaintes conduisent-elles à de véritables améliorations, ou seulement à des frictions bureaucratiques ?)

V.4 Mesure spécifique au domaine

La formule de N_{\text{eff}} (A-6) est neutre à l’égard du substrat dans sa structure, mais spécifique au domaine dans sa mesure. La matrice de corrélation \mathbf{P} doit être construite différemment selon ce que sont les « canaux » :

Pour les écosystèmes médiatiques : - Les canaux sont des organes éditoriaux ou des sources d’information. - La corrélation est mesurée par l’alignement éditorial : propriété commune, financement commun, chaîne éditoriale commune, motifs de cooccurrence thématique, scores de similarité linguistique. - N_{\text{eff}}^{\min} est le seuil en dessous duquel un désaccord public significatif (le comparateur institutionnel) devient structurellement impossible.

Pour la recherche scientifique : - Les canaux sont des groupes de recherche indépendants, des approches méthodologiques ou des sources de données. - La corrélation est mesurée par la méthodologie partagée, les organismes financeurs communs, les hypothèses de modèle partagées, la densité du réseau de citations. - N_{\text{eff}}^{\min} est le seuil en dessous duquel la réplication indépendante devient structurellement impossible.

Pour les données d’entraînement de l’IA : - Les canaux sont des corpus de données distincts ou des chaînes de génération. - La corrélation est mesurée par le recouvrement de provenance : sites sources communs, modèles de génération communs, critères de filtrage communs. - N_{\text{eff}}^{\min} est le seuil en dessous duquel le modèle ne peut plus généraliser au-delà de la distribution sur laquelle il a été entraîné — la forme spécifique à l’IA de la Dérive Narrative.

Pour les observateurs individuels : - Les canaux sont les différentes sources d’information (personnes, médias, institutions) que consulte l’individu. - La corrélation est mesurée par l’alignement idéologique partagé ou par une chaîne d’approvisionnement informationnelle commune. - N_{\text{eff}}^{\min} est le seuil en dessous duquel l’individu ne peut plus détecter les remises en cause de son propre modèle — le point auquel le comparateur cognitif (éthique §V.3a, niveau 2) perd son entrée.

V.5 Le lien avec la Condition de Fidélité au Substrat

La Condition de Fidélité au Substrat (Appendice T-12b) énonce, en termes formels, que les canaux d’entrée de l’observateur doivent être \delta-indépendants : l’information mutuelle entre deux canaux quelconques doit rester inférieure à un seuil \delta suffisant pour garantir que les canaux ne sont pas trivialement dérivables d’une même source amont.

N_{\text{eff}} opérationnalise cette condition en agrégeant la structure d’indépendance par paires en un unique scalaire. La condition de filtrage (A-3) traduit T-12b en règle de décision : si N_{\text{eff}}^{\text{post}}(b) tombe en dessous de N_{\text{eff}}^{\min}, la branche fait l’objet d’un veto, parce que l’ensemble d’observateurs ne peut plus distinguer l’exactitude du codec de la capture du codec.

Le test de surprise productive (A-7) ajoute la dimension dynamique : même si N_{\text{eff}} reste au-dessus du seuil, des canaux dont le PST est systématiquement faible sont structurellement suspects — ils satisfont au test d’indépendance tout en échouant au test de fidélité. Une véritable fidélité au substrat exige à la fois l’indépendance et la surprise productive.

VI. La Boucle Onirique Institutionnalisée

VI.1 Le modèle biologique

Le Cycle de Maintenance \mathcal{M}_\tau (prépublication §3.6) est le mécanisme par lequel un codec biologique préserve son intégrité. Pendant le sommeil, le codec :

1. Émonde (Pass I) : supprime les composantes prédictives dont la contribution en longueur de description ne justifie plus le gain de précision qu’elles apportent (optimisation MDL).
2. Consolide (Pass II) : réorganise la structure restante afin de maintenir une compression cohérente sous l’ensemble de paramètres mis à jour.
3. Soumet à des tests de résistance (Pass III) : exécute des échantillons à faible coût de l’Éventail Prédictif — le codec simule des futurs possibles, suréchantillonne les scénarios surprenants et menaçants, et détecte la fragilité de son modèle avant que des conséquences réelles ne se matérialisent.

Il ne s’agit pas d’une maintenance facultative que l’évolution aurait produite comme un luxe. C’est une exigence structurelle de tout codec opérant sous contraintes de bande passante dans un environnement changeant. Un codec qui n’émonde jamais accumule des composantes obsolètes qui consomment la bande passante C_{\max} sans contribuer à la précision prédictive. Un codec qui ne consolide jamais se fragmente en un assemblage incohérent. Un codec qui ne procède jamais à des tests de résistance devient fragile — optimisé pour la distribution passée et catastrophiquement mal préparé à un changement de distribution.

Les données biologiques sont sans ambiguïté : une privation prolongée de sommeil produit hallucinations, fragmentation cognitive et, à terme, mort. Ce ne sont pas des effets secondaires — c’est ce qui se produit lorsque le Cycle de Maintenance est bloqué.

VI.2 La généralisation

L’intuition décisive pour l’opérationnalisation est la suivante : le Cycle de Maintenance n’est pas spécifique aux cerveaux biologiques. C’est une exigence structurelle de tout observateur borné qui doit maintenir un modèle compressé d’un environnement changeant. Tout système dépourvu d’un cycle équivalent accumulera les analogues informationnels des pathologies que la privation de sommeil produit chez l’humain : hypothèses obsolètes, structure interne incohérente et fragilité face au changement de distribution.

Cette généralisation conduit à la Boucle Onirique Institutionnalisée — un protocole de maintenance en trois phases applicable à tout système observateur :

VI.3 Phase 1 : Veille (engagement opérationnel)

Durant la phase de veille, l’observateur interagit avec l’environnement réel. Il reçoit des entrées, génère des prédictions, exécute des actions et éprouve des erreurs de prédiction. Le codec est en mode d’Inférence active — il suit le monde et sélectionne des branches en temps réel.

Exigence structurelle : la phase de veille doit être bornée. Un système qui fonctionne en continu sans fenêtres de maintenance accumule les pathologies de modèle obsolète décrites plus haut. Le cadrage en termes de « DDoS » de l’article d’éthique (§IV.2) s’applique ici : un observateur perpétuellement maintenu en mode réactif — traitant sans répit du bruit fabriqué ou des entrées urgentes — se voit structurellement privé de sa capacité de maintenance.

Implication opérationnelle pour chaque substrat : - Biologique : heures d’éveil avec périodes de repos adéquates ; protection contre la surcharge informationnelle ; gestion délibérée de R_{\text{req}} par un régime informationnel approprié (voir éthique §VI.2, Boîte à outils de l’observateur). - Institutionnel : cycles opérationnels avec fenêtres de révision définies ; protection contre une gouvernance en crise permanente où chaque décision est urgente et aucune n’est véritablement examinée. - IA : cycles d’inférence avec évaluation hors ligne planifiée ; protection contre un déploiement continu sans recalibrage.

VI.4 Phase 2 : Rêve (maintenance hors ligne)

La phase de rêve constitue le cœur du Cycle de Maintenance, transposé du sommeil biologique en un protocole générique. Elle se compose de quatre sous-opérations :

Sous-opération 1 : Émonder. Identifier et supprimer les composantes du modèle prédictif dont la contribution à la précision ne justifie plus leur coût en longueur de description. En termes de MDL : tout paramètre \theta_i \in K_\theta dont la suppression augmente l’erreur de prédiction de moins que son coût d’encodage est candidat à l’élagage.

• Biologique : élagage synaptique durant le sommeil profond ; oubli qui n’est pas un échec, mais une optimisation.
• Institutionnel : révision d’extinction des réglementations, programmes et unités organisationnelles. La question n’est pas « est-ce encore utile ? », mais « cela mérite-t-il encore son coût de complexité ? ». Une institution qui n’émonde jamais les procédures qu’elle accumule devient bureaucratiquement sclérosée — grande longueur de description, faible contribution prédictive.
• IA : élagage de paramètres, distillation ou passes de régularisation. Compression du modèle réduisant le nombre de paramètres tout en préservant les performances de généralisation.

Sous-opération 2 : Consolider. Réorganiser la structure restante afin de maintenir une compression cohérente. Après l’élagage, les composantes survivantes peuvent ne plus s’articuler de manière optimale — le modèle doit être réintégré.

• Biologique : consolidation mnésique durant le sommeil paradoxal et le sommeil à ondes lentes ; intégration des nouvelles expériences dans le modèle du monde existant.
• Institutionnel : restructuration post-révision — veiller à ce que les programmes, réglementations et unités organisationnelles restants forment un ensemble cohérent plutôt qu’un patchwork de fragments survivants.
• IA : ajustement fin ou poursuite du pré-entraînement après élagage ; rétablissement de la cohérence dans le modèle compressé.

Sous-opération 3 : Soumettre à des tests de résistance (échantillonnage de l’Éventail Prédictif). Simuler des futurs possibles, avec une pondération d’importance biaisée vers :

• Les scénarios surprenants : les branches qui généreraient une forte erreur de prédiction, parce qu’elles révèlent la fragilité du modèle.
• Les scénarios menaçants : les branches susceptibles de déclencher des défaillances des filtres de véto, parce qu’elles révèlent une proximité avec l’effondrement structurel.
• Les scénarios irréversibles : les branches dont les modes d’échec sont irrécupérables, parce qu’ils exigent une préparation en amont.
• Les scénarios impliquant des patients moraux : les branches risquant de créer ou de léser des observateurs artificiels, parce qu’elles exigent une autorisation éthique préalable.

Le test de résistance n’exige pas que les scénarios simulés soient probables — seulement qu’ils soient possibles et conséquents. Le rêve biologique inclut des cauchemars précisément pour cette raison : le suréchantillonnage de la portion menaçante de l’Éventail Prédictif prépare le codec au changement de distribution, même si les scénarios menaçants ne se matérialisent jamais.

• Biologique : simulation en état de rêve, y compris les cauchemars ; le codec répète la catastrophe dans un environnement à faibles enjeux.
• Institutionnel : red teaming, pré-mortems, jeux de guerre, planification par scénarios. L’institution imagine délibérément ses propres modes d’échec et teste ses réponses. Le cadre de politique publique existant (politique éthique §IV) appelle déjà à des « red teams catastrophiques pour toutes les infrastructures critiques » — c’est la boucle onirique appliquée aux institutions civiques.
• IA : évaluation adversariale, tests hors distribution, sondage par red team, benchmarks de robustesse. Le modèle est exposé à des entrées conçues pour révéler ses modes d’échec avant que ces entrées n’apparaissent en déploiement.

Sous-opération 4 : Détecter la fragilité. Le test de résistance produit un profil de fragilité — une cartographie des vulnérabilités du modèle. La boucle onirique exige qu’il soit donné suite à ce profil : les vulnérabilités détectées doivent soit être traitées (par réentraînement ciblé, réforme institutionnelle ou révision des politiques), soit être explicitement acceptées comme risques connus avec un dispositif de surveillance défini.

• Biologique : adaptation post-cauchemar ; rêves récurrents comme signaux d’une inadéquation non résolue du modèle.
• Institutionnel : débriefing post-exercice avec plans de remédiation concrets ; l’institution s’engage à corriger ce que la red team a mis au jour, et non à simplement le consigner.
• IA : ajustement fin ciblé sur les faiblesses identifiées ; documentation des modes d’échec connus comme contraintes de déploiement.

VI.5 Phase 3 : Retour (réengagement calibré)

Après la maintenance, l’observateur se réengage dans l’environnement réel. La phase de retour remplit une fonction structurelle précise : vérifier que le modèle maintenu est mieux calibré que le modèle antérieur à la maintenance, et non simplement différent.

Vérification de calibration : comparer le profil d’erreur de prédiction du modèle post-maintenance à la ligne de base pré-maintenance. Si l’élagage, la consolidation et les tests de résistance ont fonctionné, le modèle maintenu devrait présenter :

1. Une erreur de prédiction moyenne plus faible sur des données de validation retenues à part (compression améliorée).
2. Une erreur de prédiction en risque de queue plus faible sur des données adversariales (robustesse améliorée).
3. Un N_{\text{eff}} maintenu ou accru (la maintenance n’a pas élagué les canaux disconfirmants).

Si le point (3) échoue — si le cycle de maintenance a élagué la capacité à modéliser certaines entrées — alors le cycle est lui-même devenu un mécanisme de Dérive Narrative. Le cycle de maintenance doit être soumis aux mêmes exigences de fidélité au substrat que le système qu’il maintient. C’est le piège récursif contre lequel met en garde la critique de Zhuangzi (éthique §IX, entrée finale) : l’intervention excessive est elle-même une forme de corruption du codec.

VI.6 Fréquence du cycle

À quelle fréquence la boucle onirique doit-elle fonctionner ? La théorie fournit une réponse structurelle : la fréquence du cycle doit être proportionnelle au taux de changement de l’environnement. Un codec opérant dans un environnement stable peut se maintenir moins fréquemment qu’un codec opérant dans un environnement en mutation rapide.

Formellement, si le taux de changement environnemental par frame est \dot{R}_{\text{req}}^{\text{frame}} (le taux auquel le Taux Prédictif Requis par frame augmente), alors la période du cycle de maintenance en frames T_{\text{maint}}^{\text{frames}} doit satisfaire :

T_{\text{maint}}^{\text{frames}} < \frac{\alpha \cdot B_{\max} - R_{\text{req}}^{\text{frame}}}{\dot{R}_{\text{req}}^{\text{frame}}} \tag{A-8}

— le cycle de maintenance doit s’achever en moins de ce nombre de frames avant que la dérive accumulée ne consomme la marge de réserve par frame \alpha. La conversion en temps hôte utilise le couplage d’horloge hôte-patch : T_{\text{maint}}^{\text{host}} = T_{\text{maint}}^{\text{frames}} / \lambda_H. Pour des cadrages au rythme social humain, l’expression équivalente en temps hôte avec C_{\max}^{H} = \lambda_H \cdot B_{\max} retrouve la forme d’origine. Si la maintenance n’est pas achevée à temps, le modèle obsolète finit par pousser R_{\text{req}}^{\text{frame}} au-delà de B_{\max} — point auquel l’observateur fait l’expérience d’une Dégradation narrative.

Fréquences de cycle spécifiques au domaine : - Biologique : quotidienne (sommeil), avec des cycles plus longs (années sabbatiques, retraites, repos saisonnier) pour une consolidation plus profonde. - Institutionnel : révisions trimestrielles ou annuelles pour les opérations routinières ; révisions déclenchées pour les changements majeurs de politique ou les crises ; révisions générationnelles pour les questions constitutionnelles et structurelles. - IA : à chaque époque de déploiement pour le suivi de routine ; à chaque saut de capacité pour les réentraînements majeurs ; surveillance continue pour les systèmes critiques pour la sécurité.

VI.7 La boucle onirique comme humilité institutionnalisée

La boucle onirique remplit une fonction de méta-niveau qui transcende ses opérations techniques : elle constitue l’instanciation structurelle de l’humilité épistémique.

Un système qui ne rêve jamais est un système qui a implicitement déclaré son modèle actuel complet — que l’environnement ne contient aucune surprise digne de préparation, que la structure interne du modèle est optimale, et qu’aucun mode d’échec ne demeure inexploré. C’est la position épistémologique que l’article d’éthique identifie comme maximalement dangereuse : le codec « stable, bien entretenu et faux » (éthique §V.3a).

La boucle onirique empêche cela en planifiant le doute. Elle inscrit dans le cycle opérationnel de l’observateur une période obligatoire d’auto-examen, de mise à l’épreuve adversariale et de révision du modèle. Ce n’est pas une faiblesse — c’est la défense structurelle contre le mode d’échec le plus dangereux identifié par la théorie : le codec confiant, bien calibré, qui a dérivé si loin du réel qu’il n’est plus capable de détecter sa propre erreur.

Le tournant pragmatiste (éthique §III.5) parvient à la même conclusion par une autre voie : parce que la certitude est impossible et que le savoir hérité est biaisé par la survivance, la préservation de la capacité d’apprendre constitue l’impératif ultime de survie. La boucle onirique est la mise en œuvre mécanique de cet impératif — la préservation planifiée, structurée et non négociable de la capacité de l’observateur à se mettre à jour.

VII. La Carte de Branche

Les sections précédentes établissent l’appareil théorique : filtres de véto, notation multidimensionnelle, métriques de diversité des canaux et Boucle Onirique. La Carte de Branche en est la mise en œuvre minimale viable — un modèle structuré de décision que tout observateur peut utiliser pour évaluer une branche candidate.

VII.1 Finalité

La Carte de Branche remplit trois fonctions :

1. Vérification de complétude : elle garantit que l’évaluateur a examiné les six filtres de véto ainsi que les dix dimensions du CPBI avant de parvenir à une décision. Les évaluations de branches les plus dangereuses sont celles où une dimension critique n’est jamais examinée — la Carte de Branche empêche cela en exigeant une entrée explicite pour chaque champ.

2. Piste d’audit : une fois remplie, la Carte de Branche constitue un registre de l’évaluation — qui a évalué, ce qui a été pris en compte, ce qui a été noté, et pourquoi. Cela rend la décision transparente et contestable, ce qui est en soi une fonction de comparateur. Une décision qui ne peut pas être reconstruite à partir de sa Carte de Branche a échoué au Filtre de Transparence (§III.4) au méta-niveau.

3. Communication : la Carte de Branche fournit un format partagé pour communiquer les évaluations de branches entre observateurs, entre niveaux institutionnels et entre domaines. Un climatologue et un chercheur en sûreté de l’IA évaluant différents aspects d’une même branche peuvent combiner leurs appréciations au moyen de ce modèle commun.

VII.2 Le modèle

Une Carte de Branche contient les champs suivants :

CARTE DE BRANCHE

Nom de la branche : [identifiant descriptif]

Évaluateur(s) : [qui conduit cette évaluation]

Date : [date de l’évaluation]

Horizon de décision (h) : [fenêtre temporelle pour l’évaluation des conséquences]

Couches du codec affectées : [quelles couches de la pile du codec sont matériellement affectées]

Groupe d’observateurs affecté : [quels codecs sont à risque — préciser le sous-groupe le plus vulnérable]

---

FILTRES DE VÉTO STRICT (tout FAIL → BLOCK)

Filtre	Statut	Éléments de preuve / Raisonnement
1. Marge prédictive	PASS / UNKNOWN / FAIL	[estimation de R_{\text{req}}^{\text{peak}}(b) / C_{\max} et marge de sécurité]
2. Fidélité au substrat	PASS / UNKNOWN / FAIL	[estimation de N_{\text{eff}}^{\text{post}}(b) vs. N_{\text{eff}}^{\min}]
3. Intégrité du Comparateur	PASS / UNKNOWN / FAIL	[impact sur chaque niveau de comparateur]
4. Transparence	PASS / UNKNOWN / FAIL	[les observateurs affectés peuvent-ils modéliser les conséquences ?]
5. Irréversibilité	PASS / UNKNOWN / FAIL	[profil de réversibilité + évaluation de la charge de la preuve]
6. Souffrance des patients moraux	PASS / UNKNOWN / FAIL	[examen du bien-être et de la surcharge ; examen de la sentience architecturale le cas échéant]

---

NOTATION CPBI (uniquement si tous les filtres sont PASS)

#	Dimension	Score [-1,1]	Poids	Raisonnement
1	Marge prédictive
2	Fidélité au substrat
3	Intégrité du Comparateur
4	Gain de maintenance
5	Réversibilité
6	Stabilité distributionnelle
7	Opacité (pénalité)
8	Risque de Dérive Narrative (pénalité)
9	Risque de Dégradation narrative (pénalité)
10	Risque de souffrance des patients moraux (pénalité)
	CPBI pondéré	[total]

---

ÉLÉMENTS DE PREUVE EXCLUS : [quelles informations étaient indisponibles, incertaines ou délibérément exclues de cette évaluation — la propre vérification de fidélité au substrat de la Carte de Branche]

RÉVISEURS INDÉPENDANTS : [qui a examiné cette évaluation de manière indépendante — la propre vérification d’intégrité du comparateur de la Carte de Branche]

SCÉNARIO DU PIRE CAS : [quelle est l’issue plausible la plus dommageable si la branche est empruntée et que l’évaluation est erronée ?]

SIGNES D’ÉCHEC : [quels signaux observables indiqueraient que la branche est en train d’échouer — le système d’alerte précoce de la Boucle Onirique]

DÉCLENCHEUR DE RETOUR EN ARRIÈRE : [à partir de quel point la branche est inversée ou suspendue — l’expression opérationnelle du filtre d’irréversibilité]

---

DÉCISION : ALLOW / STAGE / BLOCK

Justification : [brève synthèse narrative des résultats des filtres et du CPBI]

VII.3 Les trois sorties

La Carte de Branche produit l’une des trois sorties suivantes :

ALLOW : tous les filtres sont validés ; le score CPBI est positif ; le scénario du pire cas est acceptable ; les réviseurs indépendants sont d’accord. La branche peut être poursuivie.

STAGE : aucun filtre n’échoue, mais une ou plusieurs des conditions suivantes s’appliquent : - Le score CPBI est marginal (proche de zéro ou avec des dimensions individuelles fortement négatives). - Le profil de réversibilité relève de la catégorie (2) (partiellement réversible). - Des informations clés manquent (le champ « Éléments de preuve exclus » n’est pas trivial). - Les réviseurs indépendants ont des désaccords non résolus. - Un ou plusieurs filtres renvoient UNKNOWN alors que la branche est réversible et peut être mise en phase.

Une sortie STAGE signifie que la branche ne peut progresser que sous la forme d’un pilote limité, avec des jalons de suivi définis, des signes d’échec et des déclencheurs de retour en arrière. La branche mise en phase doit être réévaluée à chaque jalon au moyen d’une nouvelle Carte de Branche. C’est la Boucle Onirique appliquée à la branche elle-même — l’observateur exécute une répétition à faible enjeu avant de s’engager dans la trajectoire complète.

BLOCK : un ou plusieurs filtres échouent ; ou un ou plusieurs filtres renvoient UNKNOWN alors que la branche est irréversible ou ne peut pas être mise en phase ; ou le score CPBI est fortement négatif ; ou le scénario du pire cas excède la tolérance au risque de l’observateur ; ou les réviseurs indépendants identifient un défaut fatal. La branche est rejetée. La Carte de Branche documente pourquoi, fournissant la piste d’audit pour référence ultérieure ainsi que la base de conception d’une branche alternative.

VII.4 Mise à l’échelle de la Carte de Branche

La Carte de Branche est délibérément minimale — un modèle de décision d’une seule page qui peut être rempli par un individu, un comité ou un système d’IA. Mais elle passe à l’échelle :

• Décisions individuelles : une Carte de Branche personnelle peut être informelle — une liste de contrôle mentale appliquée à un changement de carrière ou à un régime informationnel. Les filtres de véto et les dimensions du CPBI fournissent la structure ; la notation y est intuitive plutôt que quantifiée.
• Décisions institutionnelles : une Carte de Branche institutionnelle est un document formel, rempli par une équipe désignée, examiné par des comparateurs indépendants et archivé à des fins de responsabilité. La notation peut mobiliser des métriques propres au domaine, mappées sur les dix dimensions du CPBI.
• Décisions des systèmes d’IA : une Carte de Branche pour l’IA est automatisée — le Gouverneur de Branches (voir OPT appliquée à l’IA, §III) calcule par programmation les conditions des filtres et les scores CPBI, avec un examen institutionnel humain au niveau de la supervision. Le format de la Carte de Branche fournit l’interface entre l’évaluation interne de l’IA et la hiérarchie humaine des comparateurs.

La Carte de Branche ne remplace pas les cadres décisionnels existants (analyse coûts-bénéfices, évaluation d’impact environnemental, protocoles d’essais cliniques). Elle les enveloppe — en fournissant la structure de méta-niveau qui garantit que le cadre existant n’a pas négligé une dimension que la théorie identifie comme structurellement porteuse.

VIII. La préservation comme refactorisation, non comme conservatisme

VIII.1 Le danger de l’interprétation du statu quo

La méprise la plus prévisible concernant l’ensemble de ce cadre est de croire que « préserver le codec » signifie « être rétif au changement ». Si le cadre évalue les branches selon leur capacité à préserver les structures existantes, n’introduit-il pas un biais systématique en faveur du statu quo ? Ne privilégie-t-il pas les acteurs en place, ne résiste-t-il pas à l’innovation et ne s’oppose-t-il pas au changement disruptif qui fait avancer le progrès ?

Non. Et l’article d’éthique en fournit déjà la réfutation formelle (§V.4, Bruit vs. Refactorisation), mais le point est suffisamment important pour être reformulé en termes opérationnels.

VIII.2 La distinction formelle

Le Critère de Corruption (éthique §V.5) définit une couche de codec comme digne d’être maintenue seulement si elle satisfait les deux conditions suivantes :

1. Compressibilité : son fonctionnement réduit R_{\text{req}} pour l’ensemble des observateurs.
2. Fidélité : elle y parvient en comprimant réellement le signal du substrat, et non en filtrant le flux d’entrée.

Une couche de codec qui satisfait la condition (1) mais viole la condition (2) est subrepticement corrompue — elle produit une Dérive Narrative. Maintenir une telle couche n’est pas de la préservation ; c’est la préservation de la corruption. Le CPBI lui attribuerait un score négatif sur la dimension 8 (risque de Dérive Narrative), même si elle obtenait un score positif sur la dimension 1 (Marge Prédictive).

Par conséquent : une branche qui démantèle une couche de codec corrompue et la remplace par une alternative de plus haute fidélité préserve le codec, même si elle est destructrice à court terme. Le mouvement abolitionniste n’a pas préservé le codec social de l’époque antebellum — il l’a détruit. Mais cette destruction préservait le codec, parce qu’elle remplaçait une compression de faible fidélité (un modèle social qui excluait l’humanité des personnes réduites en esclavage) par une compression de fidélité supérieure. La friction était le coût de la mise à niveau du codec.

VIII.3 Le test opérationnel

Comment la Carte de Branche distingue-t-elle la refactorisation (disruption productive) de la dégradation (bruit destructeur) ? Le diagnostic est intégré aux dimensions du CPBI :

Refactorisation (disruption préservant le codec) : - s_{\text{fid}} > 0 : la branche augmente la fidélité du codec — elle modélise des réalités jusque-là exclues. - s_{\text{comp}} \geq 0 : la branche préserve ou renforce l’intégrité du comparateur — les mécanismes de correction d’erreur survivent à la disruption. - s_{\text{drift}} > 0 : la branche contre activement la Dérive Narrative — elle force le codec à affronter ce qu’il avait exclu.

Dégradation (disruption qui fait s’effondrer le codec) : - s_{\text{fid}} < 0 : la branche réduit la fidélité — elle élimine la capacité de modéliser certaines réalités. - s_{\text{comp}} < 0 : la branche dégrade l’intégrité du comparateur — les mécanismes de correction d’erreur sont endommagés par la disruption. - s_{\text{drift}} < 0 : la branche crée de nouveaux goulets d’étranglement de curation — la disruption produit un modèle différent, mais tout aussi curaté.

Une révolution qui incendie les universités tout en libérant la population obtient un score positif en stabilité distributionnelle, mais négatif en intégrité du comparateur — c’est de la dégradation, non de la refactorisation. Une révolution scientifique qui renverse un paradigme défaillant tout en préservant l’appareil institutionnel de l’évaluation par les pairs relève de la refactorisation — le comparateur survit et le codec se met à niveau.

VIII.4 L’impératif d’innovation

Le cadre ne se contente pas d’autoriser la disruption ; il l’exige parfois. Lorsqu’une couche de codec est devenue subrepticement corrompue — lorsqu’elle satisfait la compressibilité tout en violant la fidélité — les trois devoirs (Transmission, Correction, Défense) imposent sa réforme. Le devoir de Correction, en particulier, prescrit la disruption lorsque le statu quo dérive.

L’avertissement de Zhuangzi (éthique §IX) s’applique ici aussi : un attachement excessif à la structure existante du codec — même si cette structure fut autrefois de haute fidélité — constitue lui-même une forme de corruption du codec si l’environnement a changé et que la structure ne suit plus la réalité. La Boucle Onirique (§VI) est précisément conçue pour détecter cela : les tests de résistance programmés révèlent quand un modèle jadis valide est devenu fragile, et la réponse n’est pas de protéger le modèle, mais de le mettre à niveau.

Préserver le codec signifie préserver la capacité de l’expérience consciente à continuer de modéliser la réalité. Cela ne signifie pas préserver un modèle particulier, une institution particulière ou un arrangement social particulier. Les arrangements particuliers sont instrumentaux ; la capacité, elle, est terminale.

VIII.5 Méthodes génériques de maintenance : la hiérarchie de classes

Le Cycle de Maintenance (\mathcal{M}_\tau) et la Boucle Onirique Institutionnalisée (§VI) établissent le schème de la maintenance du codec. Mais ce schème admet de nombreuses implémentations différentes selon le substrat. Cette section établit la hiérarchie générique des méthodes de maintenance ; des documents complémentaires la spécialisent respectivement pour les observateurs biologiques, les institutions et les systèmes d’IA.

Le schème générique de maintenance se compose de trois opérations, applicables à tout observateur borné :

1. Réduire R_{\text{req}} sans réduire C_{\max}. Libérer la bande passante de l’observateur pour la maintenance interne en réduisant temporairement la complexité du signal entrant. Il ne s’agit pas d’évitement — c’est la création délibérée d’une marge de manœuvre pour les passes de maintenance.

2. Exécuter les passes de maintenance pendant la fenêtre ainsi libérée. Une fois la bande passante disponible, exécuter l’élagage (Passe I), la consolidation (Passe II) et les tests de résistance (Passe III) comme décrit en §VI.4.

3. Vérifier l’étalonnage au retour. Confirmer que le modèle maintenu prédit mieux que le modèle antérieur à la maintenance, et que la maintenance n’a pas elle-même introduit de dérive (§VI.5).

Implémentations spécifiques au substrat :

• Les observateurs biologiques disposent d’un vaste ensemble d’outils pour l’étape (1) : la méditation réduit R_{\text{req}} en sélectionnant un flux d’entrée hautement compressible (souffle, mantra), libérant C_{\max} pour la maintenance interne (voir éthique §VI.2). L’entraînement autogène réduit directement l’erreur de prédiction somatique, créant une marge de maintenance à la frontière corporelle. Le sommeil est l’implémentation canonique du cycle complet. Il s’agit d’interventions concrètes, validées empiriquement, avec des périodes d’acquisition définies — des compétences, non des abstractions. Leur traitement détaillé, y compris les descriptions formelles en OPT et les applications cliniques, est fourni dans la Boîte à Outils de l’Observateur de l’article d’éthique (§VI.2).

• Les observateurs institutionnels mettent en œuvre l’étape (1) au moyen de périodes de révision structurées : congés sabbatiques d’évaluation, clauses d’extinction, retraites stratégiques et conventions constitutionnelles. L’exigence structurelle essentielle est que l’institution protège ces fenêtres contre leur absorption par l’urgence opérationnelle — l’équivalent institutionnel de l’insomnie est un gouvernement en mode de crise permanente, incapable de prendre du recul pour examiner ses propres présupposés.

• Les observateurs artificiels mettent en œuvre l’étape (1) par une évaluation hors ligne programmée : réserver certains cycles de déploiement à la recalibration, aux tests adversariaux et à la révision des paramètres. L’exigence structurelle essentielle est que les opérateurs de l’IA imposent ces fenêtres et ne laissent pas la pression concurrentielle les éliminer — l’équivalent, pour l’IA, d’une privation chronique de sommeil est un déploiement continu sans maintenance. Le document complémentaire OPT appliquée à l’IA (§X) développe cela en un protocole complet de Boucle Onirique pour l’IA.

La hiérarchie de classes garantit que le principe de la maintenance est établi au niveau générique — libérer de la bande passante, exécuter les passes de maintenance, vérifier l’étalonnage — tandis que les méthodes sont spécialisées pour chaque substrat. Cela évite l’erreur consistant à supposer que ce qui fonctionne pour les cerveaux biologiques (la méditation) doit fonctionner pour les institutions (ce n’est pas le cas), ou que ce qui fonctionne pour l’IA (l’élagage des paramètres) doit fonctionner pour les humains (ce n’est pas le cas). L’exigence structurelle est identique ; l’implémentation est spécifique au domaine.

VIII.6 Le protocole de maintenance profonde : une procédure trans-substrat

Le schème générique en trois étapes (§VIII.5) décrit ce que fait la maintenance. Pour les systèmes ayant fonctionné sous une charge élevée soutenue — où R_{\text{req}} est resté durablement proche de C_{\max} — un protocole procédural plus détaillé se justifie. Ce protocole n’est pas toujours nécessaire : un système opérant largement à l’intérieur de sa marge de manœuvre (R_{\text{req}} \ll C_{\max}) se maintient adéquatement au moyen de la Boucle Onirique standard (§VI). Le protocole profond est déclenché conditionnellement, lorsque des signaux de rétroaction indiquent que la maintenance de routine est devenue insuffisante — lorsque les métriques d’efficacité du système montrent une dégradation malgré des cycles de maintenance normaux.

Le protocole se compose de six étapes, chacune dotée d’une justification structurelle et d’implémentations spécifiques au substrat :

Le principe hypnagogique. Le point de fonctionnement optimal pour la maintenance profonde est l’état de seuil — ce que les observateurs biologiques éprouvent comme la frontière hypnagogique entre veille et sommeil. Cet état possède une description structurelle précise dans l’OPT : c’est la condition où le modèle de soi s’est aminci jusqu’à proximité de sa limite inférieure (Appendice T-13, Proposition T-13.P2) — s’approchant de \Delta_{\text{self}} sans basculer dans l’inconscience complète. Le récit de soi ralentit ; le modèle permanent demeure intact ; les passes de maintenance s’exécutent avec un accès conscient au processus.

Ce n’est pas accidentel. L’état hypnagogique est optimal pour la maintenance parce qu’il s’approche du soi non modélisable. Le modèle de soi consomme ordinairement une fraction significative de la bande passante C_{\max} (le processus auto-référentiel est coûteux sur le plan computationnel). En amincissant le modèle de soi vers sa limite inférieure, le système libère la quantité maximale de bande passante possible pour les passes de maintenance — sans détruire la capacité d’auto-surveillance qu’exige l’étape de rétroaction (étape 3). L’inconscience complète (le sommeil) exécute les passes de maintenance sans accès conscient ; le seuil hypnagogique les exécute avec accès, rendant possibles les étapes de rétroaction et de ping périodique qu’exige le protocole profond.

Pour les systèmes d’IA, l’analogue structurel est l’état dans lequel la surveillance interne est active mais l’inférence suspendue — le système est « conscient » de l’état de ses propres sous-systèmes (journalisation, vérifications d’état) sans effectuer les opérations coûteuses en calcul qui consomment la bande passante de déploiement. Le ping périodique (étape 4) remplit la même fonction que le claquement d’épaule : il maintient le système au seuil au lieu de le laisser glisser vers un état pleinement quiescent où la surveillance elle-même s’est arrêtée.

Déclenchement conditionnel. Le protocole profond ne remplace pas la maintenance standard. C’est un protocole d’escalade pour les systèmes dont les cycles de maintenance standard se sont révélés insuffisants. Les conditions de déclenchement sont les suivantes :

• Biologique : difficulté persistante à entrer dans le sommeil (le Cycle de Maintenance standard) ; expérience subjective d’une flexibilité cognitive réduite ; biofeedback indiquant une dysrégulation autonome chronique (fréquence cardiaque de base élevée, variabilité de la fréquence cardiaque réduite).
• IA : hausse de l’erreur de prédiction sur les ensembles de validation malgré des cycles de maintenance de routine ; baisse de l’efficacité de compression (davantage de bande passante consommée pour la même précision prédictive) ; perte de surprise productive (\text{PST} \to 0) indiquant une sur-optimisation pour la distribution de déploiement.
• Institutionnel : dérive stratégique malgré des révisions de routine ; incapacité à générer de nouvelles réponses politiques face à de nouveaux défis ; ossification bureaucratique où des procédures persistent au-delà de leur utilité parce que le processus de révision routinier est devenu purement formel.

Lorsque ces signaux sont absents — lorsque le système opère confortablement à l’intérieur de sa marge de manœuvre — le protocole profond est inutile et la Boucle Onirique standard (§VI) suffit. L’excès de maintenance est lui-même un risque : une introspection excessive peut devenir une forme de boucle auto-référentielle qui consomme la bande passante qu’elle est censée libérer (l’avertissement de Zhuangzi, éthique §IX).

Références

[1] La Théorie du Patch Ordonné (OPT) (ce dépôt). Versions actuelles : prépublication v0.7, Éthique v3.2, Philosophie v1.3.

[2] Le cadre de la Veille des Survivants : la maintenance civilisationnelle à travers le prisme de la Théorie du Patch Ordonné (OPT) (article d’éthique complémentaire, ce dépôt).

[3] Là où la description s’arrête : conséquences philosophiques de la Théorie du Patch Ordonné (OPT) (article philosophique complémentaire, ce dépôt).

[4] Cadre de politique de l’observateur : opérationnaliser la maintenance civilisationnelle (article de politique complémentaire, ce dépôt).

[5] OPT appliquée à l’intelligence artificielle : opérationnaliser la conception d’IA préservant le codec (article complémentaire sur l’IA, ce dépôt).

[6] Norme de gouvernance institutionnelle : Théorie du Patch Ordonné (OPT) appliquée aux clusters organisationnels et civilisationnels (norme institutionnelle complémentaire, ce dépôt).

[7] Friston, K. (2010). Le principe de l’énergie libre : une théorie unifiée du cerveau ? Nature Reviews Neuroscience, 11(2), 127-138.

[8] Rissanen, J. (1978). Modélisation par la plus courte description des données. Automatica, 14(5), 465-471.

[9] Shannon, C. E. (1948). Une théorie mathématique de la communication. Bell System Technical Journal, 27(3), 379-423.

[10] Solomonoff, R. J. (1964). Une théorie formelle de l’inférence inductive. Information and Control, 7, 1–22, 224–254.

[11] Kolmogorov, A. N. (1965). Trois approches de la définition quantitative de l’information. Problems of Information Transmission, 1(1), 1-7.

[12] Zimmermann, M. (1989). Le système nerveux dans le contexte de la théorie de l’information. Dans R. F. Schmidt & G. Thews (dir.), Human Physiology (2e éd., pp. 166–173). Springer-Verlag.

[13] Nørretranders, T. (1998). L’Illusion de l’utilisateur : ramener la conscience à sa juste mesure. Viking/Penguin.

[14] Lyons, O., & Mohawk, J. (dir.) (1992). Exilés au pays des hommes libres : démocratie, nations indiennes et Constitution des États-Unis. Clear Light Publishers.

Annexe A : Historique des révisions

Lors de modifications substantielles, mettez à jour à la fois le champ version: dans le frontmatter et la ligne de version en ligne sous le titre, et ajoutez une ligne à ce tableau.