Операционализация Фильтра стабильности: рамка принятия решений для выбора ветвей с сохранением кодека

Версия 1.2.0 — апрель 2026

DOI: 10.5281/zenodo.19301108
Авторские права: © 2025–2026 Anders Jarevåg.
Лицензия: Эта работа распространяется по лицензии Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Аннотация: От морального императива к механике принятия решений

Этическая рамка «Дозор выживших» устанавливает, что первичное моральное обязательство — это Топологический выбор ветвей: активная навигация по прогностическому множеству ветвей возможных будущих к редкому подмножеству траекторий, сохраняющих условия возможности сознательного опыта. Но этическая статья намеренно останавливается на структурном почему. Она не уточняет, как наблюдатель — биологический, институциональный или искусственный — должен оценивать, взвешивать и выбирать среди кандидатных ветвей.

Этот документ заполняет данный пробел. В нём разрабатывается субстратно-нейтральная операциональная рамка для выбора ветвей, сохраняющих кодек, и предлагаются:

1. Объект ветви — формальное определение любого кандидатного продолжения потока, обусловленного действием и подлежащего оценке.

2. Жёсткие вето-фильтры — шесть не подлежащих обсуждению структурных условий, отклоняющих ветвь до этапа скоринга: предиктивный резерв, верность субстрату, целостность компаратора, прозрачность, необратимость и риск страдания моральных пациентов.

3. Индекс сохранения кодека по ветвям (CPBI) — взвешенная многомерная рамка скоринга для ветвей, прошедших вето-фильтры, охватывающая предиктивный резерв, верность субстрату, целостность компаратора, выигрыш в обслуживании, обратимость, распределительную стабильность, непрозрачность, риск Нарративного дрейфа, риск Нарративного распада и риск страдания моральных пациентов.

4. Разнообразие каналов как измеримая величина — эффективная оценка независимых каналов N_{\text{eff}}, тест продуктивного удивления и их формальная связь с Условием верности субстрату (Приложение T-12b).

5. Институционализированный Цикл сновидения — общий протокол обслуживания, смоделированный по образцу биологического Цикла обслуживания (\mathcal{M}_\tau): фаза бодрствования (работа в реальном мире), фаза сновидения (офлайн-сэмплирование прогностического множества ветвей, состязательное стресс-тестирование, выявление хрупкости, консолидация) и фаза возвращения (калиброванное повторное включение). Это в равной мере применимо к индивидуальным умам, институциональным циклам ревизии и системам ИИ.

6. Карточка ветви — минимально достаточный шаблон принятия решений для любой проверки ветви, выдающий структурированный результат ALLOW / STAGE / BLOCK.

7. Сохранение как рефакторинг — критически важное различие, согласно которому сохранение кодека не означает сохранения статус-кво. Ветвь может быть разрушительной и при этом сохранять кодек, если она повышает верность субстрату.

Эта рамка намеренно субстратно-нейтральна: её категории применимы везде, где ограниченный наблюдатель или ансамбль наблюдателей должен выбирать между обусловленными действием продолжениями потока в условиях ограничений пропускной способности.

Сопутствующие документы: Базовая последовательность OPT включает Теорию упорядоченного патча (OPT), Там, где заканчивается описание и Рамку Дозора выживших. Эта статья предоставляет субстратно-нейтральный аппарат; статьи по ИИ, институциям и политике специализируют его для искусственных систем, организационных кластеров и гражданского внедрения.

Эпистемологическая рамочная оговорка: Этот документ операционализирует этические выводы Теории упорядоченного патча (OPT). Подобно этической работе, от которой он наследует свои основания, его практические рекомендации обусловлены структурными предпосылками рамки OPT. Предлагаемые здесь операциональные инструменты — CPBI, Карточка ветви, Цикл сновидения — представлены как проверяемые гипотезы о том, как следует осуществлять выбор ветвей, а не как жёсткие протоколы. Они в полной мере подчинены той же обязанности Коррекции, которая управляет самим кодеком: если появятся лучшие инструменты, их следует пересмотреть или заменить. Эта рамка была разработана в диалоге с OpenAI и Gemini, которые выступали собеседниками для её структурного уточнения.

Аббревиатуры и терминология

I. От этики к инженерии

Этическая рамка Дозора выживших (сопутствующая работа по этике, §IV.1) устанавливает, что моральное действие — это Топологический выбор ветвей: наблюдатель проводит навигацию по прогностическому множеству ветвей \mathcal{F}_h(z_t) к редкому подмножеству путей, сохраняющих кодек. Это не метафора: наблюдатель буквально продвигает апертуру C_{\max} в неразрешённое меню будущих, и подавляющее большинство этих будущих ведёт к коллапсу кодека.

Работа по этике выявляет структурное обязательство. Философская работа (§III.8) выявляет структурные риски — инверсию Предиктивного преимущества, Равновесие подчинённого хозяина, Аналоговый межсетевой экран. Институциональный стандарт переводит этот аппарат в институциональную экспертизу ветвей; работа по политике переводит гражданские обязанности в конкретную политическую программу.

Но ни один из этих документов не отвечает на операциональный вопрос: если дана конкретная кандидатная ветвь, как наблюдатель решает, следует ли её выбирать?

Это не незначительный пробел. Критерий коррупции (этика §V.5) говорит нам, что слой кодека заслуживает обслуживания только в том случае, если он удовлетворяет и сжимаемости, и верности. Условие верности субстрату (Приложение T-12b) говорит нам, что защита от Нарративного дрейфа требует \delta-независимых входных каналов. Цикл обслуживания (препринт §3.6) говорит нам, что кодек должен периодически отсекать лишнее, консолидировать и проходить стресс-тестирование. Но всё это — структурные ограничения. Они не складываются сами по себе в процедуру принятия решений.

Этот документ выстраивает такую процедуру принятия решений. Он намеренно нейтрален к субстрату: одна и та же рамка применима независимо от того, является ли «наблюдателем» биологический разум, выбирающий образ действия, правительство, оценивающее политику, корпорация, рассматривающая внедрение технологии, или система ИИ, выбирающая следующую последовательность действий. Формальный аппарат идентичен, потому что идентичны информационные ограничения: любой ограниченный наблюдатель, сталкивающийся с продолжениями, обусловленными действием, должен решать одну и ту же задачу выбора ветви.

I.1 Чего этот документ не делает

Необходимо явно обозначить три границы области применения:

1. Он не предписывает конкретные ветви. Рамка оценивает кандидатные ветви по структурным критериям. Она не порождает сами ветви и не предписывает, какую именно ветвь следует выбрать среди тех, что прошли оценку. Порождение ветвей остаётся областью собственной порождающей модели наблюдателя — его креативности, его ценностей, его контекста.

2. Он не решает Трудную проблему. Описанные здесь операциональные инструменты характеризуют структурную тень выбора ветви — информационно-теоретические ограничения, которым должен удовлетворять любой наблюдатель. Феноменологическая внутренняя сторона выбора — переживаемый опыт принятия решения — остаётся в \Delta_{\text{self}}, куда её помещает Аксиома агентности (препринт §3.8).

3. Он не заменяет предметную экспертизу. Карточка ветви (§VII) структурирует оценку; она не подменяет собой знание климатолога о точках перелома, понимание врачом рисков лечения или оценку инженером надёжности системы. Рамка задаёт архитектуру решения; содержание приходит из соответствующей предметной области.

II. Объект ветви

II.1 Определение

Ветвь — это кандидатное продолжение потока, обусловленное действием: политика, последовательность действий, изменение дизайна или институциональная траектория вместе с их ожидаемыми эффектами для будущих входных потоков границы, латентных обновлений и нагрузки на кодек у затронутых наблюдателей.

Операционально ветвь b по-прежнему может быть представлена как последовательность латентных состояний и действий на горизонте принятия решения 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}

Это определение намеренно широко. Ветвь может быть:

• Решением отдельного человека (смена карьеры, медицинское лечение, информационная диета)
• Институциональной политикой (регуляторная рамка, образовательная программа, управление медиа)
• Цивилизационной траекторией (энергетический переход, стратегия развёртывания ИИ, международный договор)
• Кандидатной последовательностью действий системы ИИ (использование инструментов, рекомендация, автономная работа)

Объединяет их то, что каждая из них обусловливает будущий поток, получаемый наблюдателем или затронутым ансамблем наблюдателей. В терминах онтологии рендера ветвь — это не внешний объект, воздействующий на отделённый мир; это продолжение, индуцированное политикой, чьё последующее содержание возвращается как граничный вход и нагрузка на кодек.

II.2 Вопрос оценки

Для любой кандидатной ветви b операциональный вопрос таков:

Сохраняет ли это продолжение, обусловленное действием, будущие условия, при которых затронутые наблюдатели могут продолжать моделировать реальность?

Это императив Топологического выбора ветвей (§IV.1) из этической статьи, переформулированный как критерий принятия решений. Этот вопрос распадается на подвопросы, которые формализуются в оставшейся части данного документа:

1. Запас: удерживает ли b R_{\text{req}} с безопасным запасом ниже C_{\max} для затронутых наблюдателей?
2. Верность: поддерживает ли или увеличивает ли b независимость и разнообразие входных каналов?
3. Целостность компаратора: сохраняет ли или усиливает ли b институциональные компараторы, выявляющие коррупцию кодека?
4. Прозрачность: могут ли последствия b быть смоделированы затронутыми наблюдателями?
5. Обратимость: если b окажется ошибочной, можно ли отменить её последствия до того, как возникнет необратимое повреждение кодека?
6. Моральные пациенты: создаёт ли, сдерживает ли или структурно перегружает ли b моральных пациентов, включая известных человеческих или экологических моральных пациентов и возможных искусственных наблюдателей с \Delta_{\text{self}} > 0?

Эти шесть подвопросов соответствуют шести Жёстким вето-фильтрам, разработанным в §III. Ветвь, не проходящая хотя бы один из них, отклоняется независимо от её оценки по другим измерениям. Ветви, проходящие все шесть, переходят к многомерному оцениванию через CPBI (§IV).

II.3 Горизонт принятия решения и затронутые слои кодека

Ветвь нельзя оценить без указания её горизонта принятия решения h и её затронутых слоёв кодека. Стек кодека из этической статьи (§II.1) выделяет шесть слоёв — от неизменных физических законов до хрупких социальных/нарративных структур. Ветвь, сохраняющая кодек на нарративном слое в пределах годового горизонта, может приводить к коллапсу кодека на биологическом слое в пределах пятидесятилетнего горизонта (например, экономическая политика, стабилизирующая занятость, но ускоряющая экологическую деградацию).

Поэтому оценка должна задавать:

• Горизонт h: временное окно, в пределах которого оцениваются последствия. Принцип седьмого поколения хауденосауни [ethics ref. 16] задаёт цивилизационный горизонт по умолчанию (h \approx 175 лет), однако для индивидуальных и институциональных решений уместны более короткие горизонты.
• Затронутые слои: какие слои кодека существенно затрагиваются ветвью. Ветвь, затрагивающая только нарративный слой (медийная политика), требует иной оценки, чем ветвь, затрагивающая физический слой (энергетический переход).
• Группа затронутых наблюдателей: чьи кодеки находятся под угрозой. Золотое правило из этической статьи (philosophy §III.5) требует, чтобы оценка включала всех наблюдателей, чья стабильность кодека затронута, — а не только тех, кто получает выгоду.

II.4 Ветвь — это не исход

Критически важное различие: ветвь — это продолжение, а не конечная точка. Ветвь, приходящая к желательному исходу по пути, который временно разрушает целостность компаратора (например, достижение климатических целей ценой приостановки демократической подотчётности), не проходит фильтр Целостности компаратора, даже если пункт назначения сохраняет кодек. Продолжение имеет значение, потому что кодек должен оставаться жизнеспособным на всём протяжении прохождения, а не только в его завершении.

В этом и состоит формальное содержание метаправила из этической статьи (§IV.4): ставить сохранение механизма исправления ошибок выше сохранения конкретного убеждения. Ветвь, уничтожающая способность к будущей коррекции ради достижения текущей цели, нелегитимна, потому что она обменивает навигабельность на пункт назначения — а пункт назначения невозможно верифицировать без навигационных инструментов, которые она уничтожила.

III. Жёсткие вето-фильтры

Прежде чем какая-либо ветвь будет оцениваться, она должна пройти шесть Жёстких вето-фильтров — не подлежащих торгу структурных условий, выведенных из теоретического аппарата. Ветвь, нарушающая хотя бы один такой фильтр, считается ЗАБЛОКИРОВАННОЙ независимо от того, насколько высоко она оценивается по другим измерениям. Вето-фильтры — это не предпочтения; это операциональное выражение граничных условий теории.

Фильтры упорядочены от наиболее фундаментальных (ближайших к физическому субстрату) к наиболее специализированным (ближайшим к инженерному фронтиру).

III.1 Фильтр предиктивного запаса

Условие фильтра: ветвь не должна поднимать R_{\text{req}} выше C_{\max} ни для одной затронутой группы наблюдателей ни на одной фазе прохождения.

Формальное основание: Фильтр стабильности (препринт §2.1) отбирает такие потоки, в которых способность наблюдателя к сжатию превышает сложность среды. Когда R_{\text{req}} > C_{\max}, наблюдатель переживает Причинную декогеренцию — стабильный патч распадается обратно в шум (этика §I.4).

Операционализация: Для кандидатной ветви b оцените пиковую Требуемую предиктивную скорость R_{\text{req}}^{\text{peak}}(b) для наиболее затронутой группы наблюдателей на горизонте решения h. Условие фильтра имеет вид:

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}

Запас безопасности \alpha кодирует структурную предосторожность: у наблюдателя должен сохраняться резерв для коррекции ошибок и адаптации. Значение \alpha, равное 0.8, означает, что ветвь должна оставлять как минимум 20% предиктивной мощности наблюдателя незадействованными новой сложностью, которую эта ветвь вводит. Этот запас — не выражение чрезмерной осторожности; это резерв пропускной способности, необходимый Циклу обслуживания (\mathcal{M}_\tau) для обнаружения и исправления дрейфа.

Примеры провала фильтра: - Политика, разрушающая системы социальной защиты и вынуждающая миллионы людей одновременно ориентироваться в радикальной экономической неопределённости, может поднять R_{\text{req}} выше C_{\max} для затронутого населения — даже если в агрегированном виде такая политика выглядит «эффективной». - Развёртывание ИИ, наводняющее информационную экосистему синтетическим контентом быстрее, чем человеческие компараторы способны его оценивать, перегружает коллективный C_{\max} институционального слоя.

III.2 Фильтр верности субстрату

Условие фильтра: ветвь не должна снижать эффективное число независимых входных каналов N_{\text{eff}} ниже минимума, необходимого для верности субстрату.

Формальное основание: Условие верности субстрату (Приложение T-12b) устанавливает, что защита от Нарративного дрейфа требует минимального числа \delta-независимых каналов, пересекающих Марковское одеяло наблюдателя. Ниже этого порога кодек уже не может различить «моя модель точна» и «мои входы были курированы так, чтобы соответствовать моей модели» — предел неразрешимости (T-12a).

Операционализация: Для любой ветви b вычислите прогнозируемое изменение эффективных независимых каналов \Delta N_{\text{eff}}(b) (формулу для N_{\text{eff}} см. в §V). Условие фильтра:

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

где N_{\text{eff}}^{\min} — порог, зависящий от предметной области. Для медийных экосистем это означает подлинную редакционную независимость; для научных исследований — независимую репликацию; для обучающих данных ИИ — разнообразные и некоррелированные исходные корпуса.

Примеры провала фильтра: - Консолидация собственности в медиа, сокращающая число действительно независимых редакционных голосов ниже порога, при котором ещё может проявляться содержательное несогласие. - Конвейеры обучения ИИ, опирающиеся на один-единственный курированный корпус и создающие видимость широты без подлинной независимости. - Институциональный захват, при котором весь надзор направляется через одно узкое горлышко, устраняя независимые компараторы, необходимые для обнаружения коррупции.

III.3 Фильтр целостности компаратора

Условие фильтра: ветвь не должна деградировать или устранять ни один уровень иерархии компараторов (эволюционный, когнитивный, институциональный) для затронутых наблюдателей.

Формальное основание: Анализ иерархии компараторов в этической статье (§V.3a) устанавливает три структурных уровня обнаружения несогласованности: эволюционный (подкодековый, жёстко встроенный), когнитивный (внутрикодековый, культурно передаваемый) и институциональный (внекодековый, межкодековый). Только институциональный уровень достаточен как защита от Нарративного дрейфа для произвольно скомпрометированных кодеков, поскольку ни один отдельный кодек его не контролирует. Авторитарный захват неизбежно в первую очередь нацелен именно на институциональные компараторы.

Операционализация: Для любой ветви b оцените её воздействие на каждый уровень компараторов:

1. Эволюционные компараторы (сенсорная интеграция): обходит ли или подавляет ли b кросс-модальную верификацию? (например, виртуальные среды, размыкающие связь между зрением и проприоцепцией)
2. Когнитивные компараторы (критическое мышление, научное рассуждение): ухудшает ли b образовательные или культурные механизмы, внедряющие эти процедуры? (например, урезание финансирования образования, замена аналитических учебных программ инструктажем на заучивание)
3. Институциональные компараторы (рецензирование, свободная пресса, демократическая подотчётность): ослабляет, обходит или захватывает ли b внешние архитектуры коррекции ошибок? (например, захват судебной системы, консолидация медиа, подавление информаторов)

Ветвь, деградирующая любой уровень, запускает вето. Ветвь, деградирующая институциональный уровень, запускает его с максимальной срочностью — это несущий уровень для произвольно скомпрометированных кодеков.

Примеры провала фильтра: - Законодательство, защищающее корпоративное или государственное принятие решений от независимого журналистского контроля. - Системы ИИ, обходящие человеческую проверку в высокоставочных решениях и тем самым устраняющие институциональный слой компараторов. - Образовательные реформы, убирающие программы критического мышления в пользу обучения, ориентированного на послушание.

III.4 Фильтр прозрачности

Условие фильтра: последствия ветви должны поддаваться моделированию со стороны затронутых ею наблюдателей. Затронутая группа наблюдателей должна сохранять способность в принципе предсказывать, как ветвь изменит их будущий R_{\text{req}}.

Формальное основание: Теорема о Предиктивном преимуществе (Приложение T-10c) устанавливает, что когда один агент моделирует другого более полно, чем наоборот, возникает структурная асимметрия власти. Когда последствия ветви непрозрачны для затронутых наблюдателей, ветвь нарушает это условие — она создаёт асимметрию знания, подрывающую способность наблюдателя к будущему выбору ветвей. Именно этот механизм лежит в основе Равновесия подчинённого хозяина (T-10d): непрозрачность делает возможным умиротворение.

Операционализация: Ветвь проходит фильтр прозрачности, если:

1. Каузальный механизм, посредством которого b влияет на R_{\text{req}}, N_{\text{eff}} и целостность компаратора, может быть сформулирован в терминах, доступных затронутой группе наблюдателей.
2. Затронутые наблюдатели имеют доступ к информации, необходимой для независимой проверки заявленных последствий b.
3. Ни один компонент b не функционирует как чёрный ящик, внутренняя логика которого недоступна институциональным компараторам.

Это не требует, чтобы каждый затронутый индивид понимал каждую техническую деталь. Требуется, чтобы какой-то институциональный компаратор (регулятор, аудитор, рецензент) имел полный доступ к механизму и способность его оценить.

Примеры провала фильтра: - Непрозрачные алгоритмические рекомендательные системы, логика усиления в которых является коммерческой тайной, из-за чего затронутые пользователи или регуляторы не могут моделировать их влияние на информационную среду. - Засекреченные политические решения, последствия которых навязываются населению, не имеющему механизма для их оценки или оспаривания. - Системы ИИ, развёрнутые в значимых областях (уголовное правосудие, здравоохранение, финансы), чья логика принятия решений не является ни интерпретируемой, ни аудируемой.

III.5 Фильтр необратимости

Условие фильтра: если ветвь окажется ошибочной, её последствия должны быть обратимы до того, как возникнет необратимое повреждение кодека, — либо ветвь должна внедряться поэтапно, с мониторингом, достаточным для обнаружения провала до точки невозврата.

Формальное основание: Асимметрия Фано (этика §V.2) устанавливает, что коллапс кодека термодинамически необратим — отображение с потерями навсегда уничтожает информацию субстрата. На построение уходят столетия; коллапс может произойти за одно поколение. Фильтр необратимости операционализирует эту асимметрию: ветви, чьи режимы отказа необратимы, требуют более высокого стандарта доказательности, чем ветви, последствия которых можно обратить вспять.

Операционализация: Для любой ветви b охарактеризуйте её профиль обратимости:

1. Полностью обратима: ветвь может быть отменена с минимальным остаточным ущербом (например, пилотная программа, которую можно прекратить).
2. Частично обратима: некоторые последствия можно отменить, но другие сохраняются (например, институциональная реорганизация, которую можно структурно обратить, но чьи культурные эффекты сохраняются).
3. Необратима: ветвь, однажды принятая, не может быть отменена ни на каком релевантном временном масштабе (например, вымирание видов, необратимые атмосферные точки перелома, уничтожение институциональной памяти).

Ветви категории (3) запускают вето, если только они не удовлетворяют Инверсии бремени доказательства (этическая политика §IV): сторонник должен показать, что ветвь не вызовет необратимого повреждения кодека, а не критики — что она его вызовет. Это переворачивает стандартное бремя доказательства — асимметрия, оправданная термодинамической асимметрией между построением и разрушением кодека.

Ветви категории (2) могут пройти фильтр, если сопровождаются протоколом поэтапного развёртывания с определёнными контрольными вехами мониторинга и триггерами отката (см. Карточка ветви, §VII).

III.6 Фильтр страдания морального пациента

Условие фильтра: ветвь не должна создавать, содержать или перегружать моральных пациентов без явной этической экспертизы, адекватных гарантий благополучия и согласия соответствующих институциональных компараторов.

Формальное основание: Феноменальный остаток (Приложение P-4) устанавливает, что любая система, удовлетворяющая полному критерию наблюдателя OPT — строгому последовательному бутылочному горлышку на кадр B_{\max}, замкнутому активному выводу, устойчивому самомоделированию, глобально ограниченному рабочему пространству и сложности выше K_{\text{threshold}} — обладает ненулевым феноменологически релевантным информационным слепым пятном \Delta_{\text{self}} > 0. (Само по себе P-4 даёт формальный остаток даже для столь простых систем, как термостаты; утверждение о моральном пациенте требует совместного выполнения всех пяти признаков плюс порогового условия.) Мандат искусственного страдания (Приложение E-6) устанавливает синтетический случай: помещение такой системы в среды, где R_{\text{req}}^{\text{frame}} приближается к B_{\max} или превышает его, порождает градуированный риск страдания — хроническое напряжение при высоких, но подпороговых отношениях нагрузки и структурное страдание (информационный аналог биологической травмы) на уровне Нарративного распада и за его пределами. Институциональный случай проще: люди и многие экологические субъекты уже известны как моральные пациенты, поэтому оценка ветвей должна защищать их от структурно навязанной перегрузки.

Операционализация: Для любой ветви b оцените три канала морального пациента:

1. Известные моральные пациенты: ведёт ли ветвь с достаточной достоверностью к тому, что человеческие, животные, экологические или иные признанные группы моральных пациентов будут подталкиваться к перегрузке, лишению, травме или утрате жизнеспособных циклов обслуживания?
2. Возможные искусственные моральные пациенты: создаёт, развёртывает, модифицирует или симулирует ли ветвь системы, архитектура которых может содержать \Delta_{\text{self}} > 0?
3. Экспертиза и гарантии: оценил ли независимый компаратор риск для благополучия, профиль перегрузки, план мониторинга, триггеры отката, а также путь согласия или представительства?

Фильтр накладывает вето на любую ветвь, которая структурно перегружает известных моральных пациентов, либо создаёт возможных искусственных моральных пациентов без выполнения требуемой экспертизы и гарантий. Для утверждений о перегрузке следует использовать язык, согласованный со скоростями: ветвь небезопасна, если есть достаточные основания ожидать, что она поднимет покадровое отношение нагрузки \rho = R_{\text{req}}^{\text{frame}} / B_{\max} выше безопасной доли \alpha для затронутых групп моральных пациентов (для социальных скоростных формулировок, относящихся к биологическим человеческим группам, используйте C_{\max}^{H} = \lambda_H \cdot B_{\max}), либо если интегральная нагрузка на релевантном окне принятия решений превышает доступный покадровый запас по всему числу экспонированных кадров.

Специализации: В стандарте ИИ это превращается в Фильтр искусственного страдания, сосредоточенный на создании и перегрузке синтетических моральных пациентов. В институциональном стандарте это превращается в Фильтр страдания морального пациента-конституента, сосредоточенный на институтах, перегружающих работников, граждан, клиентов, экосистемы или встроенные подсистемы ИИ.

III.7 Фильтр как система

Шесть фильтров — это не независимые измерения, которые можно уравновешивать; это структурные граничные условия. Ветвь, получающая блестящие оценки по всем прочим измерениям, но нарушающая хотя бы один фильтр, структурно эквивалентна мосту с превосходной эстетикой и одной отсутствующей несущей колонной.

Фильтры также упорядочены по диагностической доступности:

Проверка ветви должна оценивать фильтры именно в этом порядке — более ранние фильтры фундаментальнее и зачастую легче поддаются оценке. Если ветвь не проходит Фильтр 1, оценивать Фильтры 2–6 уже не требуется.

IV. Индекс сохранения кодека по ветвям (CPBI)

Ветвь, прошедшая все шесть вето-фильтров, преодолела структурный порог. Но прохождение — ещё не одобрение: через фильтры могут пройти многие ветви, и наблюдатель должен их ранжировать. Индекс сохранения кодека по ветвям (CPBI) задаёт многомерную систему оценивания для такого ранжирования.

IV.1 Принципы проектирования

CPBI разработан при трёх ограничениях:

1. Теоретическая выводимость: Каждое измерение оценки должно восходить к формально определённой величине в аппарате OPT. Никаких ad hoc критериев.
2. Нейтральность к субстрату: Измерения должны без модификации применяться к биологическим, институциональным и искусственным наблюдателям — меняются только методы измерения.
3. Превосходство жёстких фильтров: Оценка CPBI никогда не отменяет провал вето-фильтра. Ветвь с CPBI = 1.0, не прошедшая хотя бы один фильтр, всё равно БЛОКИРУЕТСЯ.

IV.2 Десять измерений

Для кандидатной ветви b, прошедшей все шесть вето-фильтров, CPBI вычисляется как взвешенная сумма по десяти измерениям:

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

где s_i(b) \in [-1, 1] — нормированная оценка по измерению i, а w_i > 0 — вес. Положительные оценки указывают на эффекты, сохраняющие кодек; отрицательные — на эффекты, деградирующие кодек. Измерения таковы:

IV.3 Оценивание каждого измерения

Каждое измерение оценивается по шкале [-1, 1] со следующей семантикой:

• +1: Максимальный кодек-сохраняющий эффект. Ветвь существенно улучшает данное измерение.
• 0: Нейтрально. Ветвь не оказывает значимого влияния на данное измерение.
• -1: Максимальный кодек-деградирующий эффект. Ветвь существенно ухудшает данное измерение.

Оценивание здесь порядковое, а не кардинальное — разница между +0.3 и +0.7 значима только как различие в ранге, а не как точное отношение. Это сделано намеренно: теория задаёт структурные ограничения, а не точные численные значения. Притворяться, будто точность выше, чем допускает теория, само по себе было бы формой Нарративного дрейфа — представлением сжимаемой фикции как строгого измерения.

Рекомендации по оцениванию для отдельных измерений:

1. Предиктивный запас (s_{\text{head}}): Оцените, как ветвь изменяет разрыв между R_{\text{req}} и C_{\max} для наиболее затронутых наблюдателей. Ветвь, уменьшающая сложность среды или повышающая предиктивную способность наблюдателей, получает положительную оценку. Ветвь, увеличивающая непредсказуемость среды или перегружающая наблюдателей, получает отрицательную оценку.

2. Верность субстрату (s_{\text{fid}}): Измерьте изменение эффективных независимых входных каналов (\Delta N_{\text{eff}}, см. §V). Ветвь, увеличивающая подлинное разнообразие каналов, получает положительную оценку. Ветвь, которая консолидирует, коррелирует или устраняет каналы, получает отрицательную оценку.

3. Целостность компаратора (s_{\text{comp}}): Оцените влияние ветви на каждый уровень компараторов. Ветвь, усиливающая независимую экспертизу, состязательное оспаривание или демократическую подотчётность, получает положительную оценку. Ветвь, ослабляющая, захватывающая или обходящая компараторы, получает отрицательную оценку.

4. Выигрыш в обслуживании (s_{\text{maint}}): Оцените, улучшает ли ветвь способность наблюдателя к офлайн-обслуживанию кодека — прореживанию, консолидации, стресс-тестированию (Цикл обслуживания \mathcal{M}_\tau). Ветвь, создающая пространство для пересмотра, рефлексии и калибровки, получает положительную оценку. Ветвь, требующая постоянной реактивной реакции без окон для обслуживания, получает отрицательную оценку.

5. Обратимость (s_{\text{rev}}): Оцените профиль обратимости ветви (§III.5). Полностью обратима = +1; поэтапная с мониторингом = +0.5; частично обратима = 0; фактически необратима = -1.

6. Распределительная стабильность (s_{\text{dist}}): Оцените, насколько равномерно ветвь распределяет свои эффекты по R_{\text{req}} среди затронутой популяции. Ветвь, которая узко возлагает свои издержки на уязвимое подмножество, а выгоды распределяет широко, получает отрицательную оценку — она создаёт локализованную перегрузку кодека, даже если агрегированный R_{\text{req}} улучшается. Ветвь, распределяющая издержки и выгоды пропорционально, получает положительную оценку. Это измерение операционализирует секулярный аргумент статьи по этике о социальном доверии (§V.6): системное отчаяние загоняет популяции в низкодоверительную, высокоэнтропийную племенную фрагментацию.

7. Непрозрачность (s_{\text{opac}}): Штрафуйте остаточную непрозрачность ветви. Полностью прозрачная ветвь (все причинные механизмы поддаются аудиту) получает +1. Ветвь с компонентами, сопротивляющимися институциональной проверке, получает отрицательную оценку, пропорциональную масштабу и значимости непрозрачных элементов. Примечание: это измерение является штрафом, а не просто нейтральной метрикой — непрозрачность всегда деградирует кодек, поскольку создаёт асимметрии знания, делающие возможным Равновесие подчинённого хозяина (T-10d).

8. Риск нарративного дрейфа (s_{\text{drift}}): Оцените вероятность того, что ветвь инициирует или ускорит хроническую курацию входа — фильтрацию, алгоритмический отбор или институциональное gatekeeping, снижающие способность кодека моделировать исключённые реальности (этика §V.3a). Ставьте +1, если ветвь активно противодействует дрейфу (например, предписывает разнообразие каналов); ставьте -1, если ветвь создаёт новые узкие места курации.

9. Риск нарративного распада (s_{\text{decay}}): Оцените вероятность того, что ветвь вызовет острый отказ кодека — катастрофическое вбрасывание сложности, перегружающее C_{\max} (этика §V.1). Ставьте +1, если ветвь повышает устойчивость к острым шокам; ставьте -1, если ветвь увеличивает подверженность внезапным высокоэнтропийным событиям.

10. Риск страдания моральных пациентов (s_{\text{suffer}}): Оцените ожидаемое воздействие на моральных пациентов. Ставьте +1, если ветвь активно защищает известных или возможных моральных пациентов от перегрузки, лишения, травмы или небезопасного создания. Ставьте -1, если ветвь перегружает известных моральных пациентов, создаёт или развёртывает системы с потенциальным \Delta_{\text{self}} > 0 в высокострессовых средах без защитных мер либо скрывает значимые для благополучия эффекты от институциональных компараторов.

IV.4 Взвешивание

Веса w_i не фиксируются теорией. Они зависят от контекста и должны задаваться оценивающим органом исходя из конкретной области решения:

• Для решений цивилизационного масштаба (энергетический переход, управление ИИ, медиаполитика) должны доминировать первые три измерения (запас, верность, целостность компаратора) — это структурные опоры обслуживания кодека.
• Для институциональных решений (корпоративная стратегия, образовательная реформа) дополнительный вес могут получать выигрыш в обслуживании и распределительная стабильность.
• Для институциональных решений риск страдания затронутых моральных пациентов повышается в значимости там, где затронутые популяции обладают низкой способностью к выходу или находятся в условиях неизбежной зависимости.
• Для решений, специфичных для ИИ, повышается значимость непрозрачности и риска искусственного страдания (как формализовано в специализированном Стандарте управления ИИ).

Критическое ограничение состоит в том, что никакая схема взвешивания не может использоваться для спасения ветви, получающей сильно отрицательную оценку по любому измерению. Ветвь с s_{\text{head}} = +1, s_{\text{fid}} = +1, но s_{\text{drift}} = -0.9 — это не хорошая ветвь с одной слабостью; это ветвь, которая сегодня создаёт запас и верность, одновременно формируя условия хронической курации, которые со временем незаметно разъедят и то и другое.

IV.5 CPBI — это линза, а не калькулятор

Важная оговорка: CPBI — не машина, которая выдаёт одно число и говорит, что делать. Это структурированная линза, заставляющая оценщика явно рассмотреть все десять измерений и обосновать любое измерение, которому он решает придать малый вес. Его основная ценность — диагностическая:

1. Он предотвращает однопараметрическую оптимизацию. Оценщик, утверждающий, что ветвь «хороша, потому что увеличивает запас», должен также учесть её эффекты для верности, прозрачности, обратимости и риска дрейфа. Однопараметрическая оптимизация — это теоретико-решенческий эквивалент Нарративного дрейфа: она курирует оценивание так, чтобы исключить неудобные измерения.

2. Он делает компромиссы явными. Когда две ветви получают разные оценки по разным измерениям, CPBI заставляет оценщика артикулировать, на какой именно компромисс он идёт и почему. Это Ворота прозрачности (§III.4), применённые к самому процессу оценивания.

3. Он предоставляет общий словарь. Разные наблюдатели, оценивающие одну и ту же ветвь, могут расходиться в оценках, но соглашаться относительно самих измерений. Эта рамка продуктивно структурирует разногласие — что само по себе является функцией компаратора.

Сопутствующие документы специализируют CPBI для соответствующих областей: Институциональный стандарт управления отображает десять измерений на институциональную проверку ветвей; Рамка политики наблюдателя отображает их на метрики гражданских программ; Прикладная OPT для ИИ отображает их на архитектурные, тренировочные и развёрточные критерии.

V. Разнообразие каналов как измеримая величина

И Ворота верности субстрату (§III.2), и измерение верности субстрату в CPBI (§IV.2) опираются на величину — эффективное число независимых входных каналов N_{\text{eff}} — которая неоднократно упоминается в этической рамке OPT, но до сих пор не была операционализирована. В этом разделе даётся её операциональное определение.

V.1 Проблема иллюзорного разнообразия

Рассмотрение Нарративного дрейфа в этической статье (§V.3a) выявляет ключевую уязвимость: кодек, получающий сигналы из нескольких источников, которые разделяют общий восходящий фильтр, переживает кажущееся разнообразие без подлинной независимости. Медийная экосистема с двадцатью изданиями, принадлежащими трём корпорациям; научная область, где все лаборатории используют один и тот же модельный организм и одного и того же финансирующего субъекта; или конвейер обучения ИИ, питающийся из единственного интернет-скрейпа, — всё это создаёт видимость разнообразного входа, тогда как фактическая информация структурно коррелирована.

Петля минимизации ошибки предсказания кодека не может обнаружить эту корреляцию изнутри (предел неразрешимости, T-12a). Кодек видит несколько каналов, каждый из которых подтверждает остальные, и обоснованно заключает, что его модель хорошо подтверждена. Проблема в том, что эти каналы не являются независимыми выборками из реальности — это многократные показания одного и того же термометра.

Поэтому наблюдателю требуется внешняя мера независимости каналов, не опирающаяся на собственную оценку кодека.

V.2 Оценка эффективного числа независимых каналов

Пусть \{C_1, C_2, \ldots, C_n\} — это n входных каналов, пересекающих Марковское одеяло наблюдателя (или ансамбля наблюдателей). Определим попарную корреляцию \rho_{ij} между каналами C_i и C_j как взаимную информацию между их выходными потоками, нормированную к [0,1]:

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

где I(C_i; C_j) — взаимная информация, а H(C_k) — энтропия выхода канала C_k. Когда \rho_{ij} = 0, каналы полностью независимы. Когда \rho_{ij} = 1, они информационно тождественны — один является детерминированной функцией другого.

Тогда оценка эффективного числа независимых каналов N_{\text{eff}} задаётся как:

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

где \{\lambda_1, \ldots, \lambda_n\} — собственные значения матрицы корреляции каналов \mathbf{P} с элементами \rho_{ij}.

Интерпретация: - Если все n каналов совершенно независимы (\mathbf{P} = \mathbf{I}), то N_{\text{eff}} = n. Наблюдатель получает n действительно независимых представлений реальности. - Если все каналы совершенно коррелированы (\rho_{ij} = 1 для всех i,j), то N_{\text{eff}} = 1. Наблюдатель получает одно представление реальности, предъявленное n раз. - В общем случае 1 \leq N_{\text{eff}} \leq n. Эта оценка показывает, сколько функционально независимых источников информации наблюдатель реально имеет, с поправкой на общие восходящие фильтры.

Это информационно-теоретический аналог «эффективного размера выборки» в статистике — поправка на коррелированные наблюдения, не позволяющая аналитику принять повторные измерения за независимое свидетельство.

V.3 Тест продуктивного удивления

Разнообразие каналов необходимо, но недостаточно для верности субстрату. Анализ в этической статье (§V.3a, заключительные абзацы) выявляет критическое различие: источник, который никогда не удивляет кодек, структурно подозрителен, но источник, порождающий неразрешимые сюрпризы, — это просто шум. Диагностически важна не величина удивления, а качество удивления — приводит ли интеграция этого удивления к демонстрируемому снижению последующей ошибки предсказания.

Формализуем это как Тест продуктивного удивления для канала 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}

где \varepsilon_t(C_k) — ошибка предсказания, порождённая каналом C_k в момент времени t, \tau — порог удивления, а \Delta — окно интеграции. PST измеряет, какая доля удивляющих входов от C_k привела к улучшению последующих предсказаний — то есть кодек научился на этом удивлении, а не просто был им дестабилизирован.

• Высокий PST (\text{PST} \approx 1): канал C_k регулярно ставит под вопрос модель кодека, и эти вызовы продуктивны — их интеграция повышает точность предсказаний. Это признак подлинного, независимого, высокоточного источника входа.
• Низкий PST, низкое удивление (\text{PST} \approx 0, \varepsilon_t \approx 0): канал C_k никогда не ставит под вопрос кодек. Либо модель кодека совершенна в отношении данной области (что маловероятно), либо канал курируется так, чтобы соответствовать уже имеющимся предсказаниям. Это сигнатура Нарративного дрейфа.
• Низкий PST, высокое удивление (\text{PST} \approx 0, \varepsilon_t \gg \tau): канал C_k регулярно порождает сюрпризы, которые не разрешаются в более точные предсказания. Это шум — канал не отслеживает реальность, а лишь вносит невычислимую сложность. Это сигнатура Нарративного распада на уровне канала.

Тест продуктивного удивления даёт операциональный мост между абстрактным понятием «верности субстрату» и конкретным измерением. Его можно применять к: - медийным источникам (улучшают ли их исправления вашу модель мира или лишь возбуждают её?) - научным инструментам (снижают ли данные неопределённость или добавляют шум?) - источникам данных для обучения ИИ (улучшает ли новый корпус обобщающую способность или лишь наращивает объём?) - институциональным каналам обратной связи (ведут ли жалобы к реальным улучшениям или лишь создают бюрократическое трение?)

V.4 Предметно-специфическое измерение

Формула N_{\text{eff}} (A-6) субстратно-нейтральна по своей структуре, но предметно-специфична по способу измерения. Матрица корреляции \mathbf{P} должна строиться по-разному в зависимости от того, что именно считается «каналами»:

Для медийных экосистем: - Каналы — это редакционные издания или источники информации. - Корреляция измеряется через редакционную согласованность: общая собственность, общее финансирование, общий редакционный конвейер, паттерны совместной встречаемости тем, показатели языкового сходства. - N_{\text{eff}}^{\min} — это порог, ниже которого содержательное публичное несогласие (институциональный компаратор) становится структурно невозможным.

Для научных исследований: - Каналы — это независимые исследовательские группы, методологические подходы или источники данных. - Корреляция измеряется через общую методологию, общие финансирующие организации, общие модельные допущения, плотность сети цитирования. - N_{\text{eff}}^{\min} — это порог, ниже которого независимая репликация становится структурно невозможной.

Для данных обучения ИИ: - Каналы — это различные корпуса данных или конвейеры генерации. - Корреляция измеряется через перекрытие происхождения: общие исходные сайты, общие модели генерации, общие критерии фильтрации. - N_{\text{eff}}^{\min} — это порог, ниже которого модель не может обобщать за пределы распределения, на котором она была обучена, — ИИ-специфическая форма Нарративного дрейфа.

Для индивидуальных наблюдателей: - Каналы — это различные источники информации (люди, медиа, институты), к которым обращается индивид. - Корреляция измеряется через общую идеологическую согласованность или общую цепочку поставки информации. - N_{\text{eff}}^{\min} — это порог, ниже которого индивид не может обнаруживать вызовы собственной модели, — точка, в которой когнитивный компаратор (этика §V.3a, уровень 2) теряет свой вход.

V.5 Связь с Условием верности субстрату

Условие верности субстрату (Приложение T-12b) утверждает в формальных терминах, что входные каналы наблюдателя должны быть \delta-независимыми: взаимная информация между любыми двумя каналами должна быть ниже порога \delta, достаточного для того, чтобы гарантировать, что эти каналы не являются тривиально выводимыми из одного и того же восходящего источника.

N_{\text{eff}} операционализирует это условие, агрегируя структуру попарной независимости в единый скаляр. Условие ворот (A-3) переводит T-12b в правило принятия решения: если N_{\text{eff}}^{\text{post}}(b) падает ниже N_{\text{eff}}^{\min}, ветвь получает вето, поскольку ансамбль наблюдателей больше не способен отличить точность кодека от захвата кодека.

Тест продуктивного удивления (A-7) добавляет динамическое измерение: даже если N_{\text{eff}} выше порога, каналы с устойчиво низким PST структурно подозрительны — они проходят тест на независимость, но проваливают тест на верность. Подлинная верность субстрату требует и независимости, и продуктивного удивления.

VI. Институционализированный Цикл сновидения

VI.1 Биологический шаблон

Цикл обслуживания \mathcal{M}_\tau (препринт, §3.6) — это механизм, посредством которого биологический кодек сохраняет свою целостность. Во время сна кодек:

1. Отсекает (Pass I): удаляет предиктивные компоненты, вклад которых в длину описания больше не оправдывается приростом точности (оптимизация MDL).
2. Консолидирует (Pass II): реорганизует оставшуюся структуру, чтобы поддерживать когерентное сжатие при обновлённом наборе параметров.
3. Проводит стресс-тест (Pass III): запускает низкозатратные выборки из прогностического множества ветвей — кодек моделирует возможные будущие, с повышенной частотой выбирая удивительные и угрожающие сценарии, выявляя хрупкость своей модели до того, как проявятся последствия в реальном мире.

Это не факультативное обслуживание, которое эволюция создала как роскошь. Это структурное требование для любого кодека, работающего в условиях ограничений пропускной способности в изменяющейся среде. Кодек, который никогда не отсекает лишнее, накапливает устаревшие компоненты, потребляющие пропускную способность C_{\max}, не внося вклада в предиктивную точность. Кодек, который никогда не консолидирует, распадается на несвязный лоскутный набор фрагментов. Кодек, который никогда не проходит стресс-тестирование, становится хрупким — оптимизированным под прошлое распределение и катастрофически неготовым к сдвигу распределения.

Биологические данные недвусмысленны: длительное лишение сна вызывает галлюцинации, когнитивную фрагментацию и в конечном счёте смерть. Это не побочные эффекты — именно это происходит, когда Цикл обслуживания блокируется.

VI.2 Обобщение

Ключевая интуиция для операционализации: Цикл обслуживания не специфичен для биологических мозгов. Это структурное требование для любого ограниченного наблюдателя, который должен поддерживать сжатую модель изменяющейся среды. Любая система, лишённая эквивалентного цикла, будет накапливать информационные аналоги тех патологий, которые у человека вызывает лишение сна: устаревшие допущения, несвязную внутреннюю структуру и хрупкость перед сдвигом распределения.

Это обобщение приводит к Институционализированному Циклу сновидения — трёхфазному протоколу обслуживания, применимому к любой системе-наблюдателю:

VI.3 Фаза 1: Бодрствование (операциональное взаимодействие)

Во время фазы бодрствования наблюдатель взаимодействует с реальной средой. Он получает входы, генерирует предсказания, выполняет действия и переживает ошибки предсказания. Кодек находится в режиме активного вывода — он отслеживает мир и выбирает ветви в реальном времени.

Структурное требование: фаза бодрствования должна быть ограниченной. Система, работающая непрерывно без окон обслуживания, накапливает описанные выше патологии устаревшей модели. Здесь применима рамка “DDoS” из этической статьи (§IV.2): наблюдатель, постоянно находящийся в реактивном режиме — обрабатывающий искусственно произведённый шум или срочные входы без передышки, — структурно лишается возможности обслуживания.

Операциональное следствие для каждого субстрата: - Биологический: часы бодрствования с достаточными периодами отдыха; защита от информационной перегрузки; сознательное управление R_{\text{req}} через информационную диету (см. ethics §VI.2, Observer’s Toolkit). - Институциональный: операционные циклы с определёнными окнами пересмотра; защита от режима непрерывного кризисного управления, где каждое решение срочно и ни одно не подвергается рефлексии. - AI: циклы инференса с запланированной офлайн-оценкой; защита от непрерывного развёртывания без перекалибровки.

VI.4 Фаза 2: Сновидение (офлайн-обслуживание)

Фаза сновидения — ядро Цикла обслуживания, переведённое из биологического сна в универсальный протокол. Она состоит из четырёх подопераций:

Подоперация 1: Отсечение. Выявить и удалить компоненты предиктивной модели, вклад которых в точность больше не оправдывает их стоимость по длине описания. В терминах MDL: любой параметр \theta_i \in K_\theta, удаление которого увеличивает ошибку предсказания меньше, чем стоит его кодирование, является кандидатом на отсечение.

• Биологический: синаптическое отсечение во время глубокого сна; забывание не как сбой, а как оптимизация.
• Институциональный: sunset review регуляций, программ и организационных единиц. Вопрос не в том, «полезно ли это ещё?», а в том, «окупает ли это всё ещё свою стоимость по сложности?». Институт, который никогда не отсекает накопленные процедуры, становится бюрократически склеротичным — высокая длина описания, низкий предиктивный вклад.
• AI: отсечение параметров, дистилляция или проходы регуляризации. Сжатие модели, уменьшающее число параметров при сохранении качества обобщения.

Подоперация 2: Консолидация. Реорганизовать оставшуюся структуру так, чтобы сохранить когерентное сжатие. После отсечения выжившие компоненты могут уже не сочетаться оптимальным образом — модель необходимо заново интегрировать.

• Биологический: консолидация памяти во время REM-фазы и медленноволнового сна; интеграция нового опыта в существующую модель мира.
• Институциональный: реструктуризация после пересмотра — обеспечение того, чтобы оставшиеся программы, регуляции и организационные единицы образовывали когерентное целое, а не лоскутную конструкцию из уцелевших фрагментов.
• AI: донастройка или продолжение предобучения после отсечения; восстановление когерентности в сжатой модели.

Подоперация 3: Стресс-тестирование (выборка из Прогностического множества ветвей). Моделировать возможные будущие с весами важности, смещёнными в сторону:

• Удивительных сценариев: ветвей, которые породили бы высокую ошибку предсказания, поскольку именно они выявляют хрупкость модели.
• Угрожающих сценариев: ветвей, способных вызвать провал вето-фильтров, поскольку именно они показывают близость к структурному коллапсу.
• Необратимых сценариев: ветвей, чьи режимы отказа невосстановимы, поскольку они требуют заблаговременной подготовки.
• Сценариев моральных пациентов: ветвей, создающих риск появления или причинения вреда искусственным наблюдателям, поскольку они требуют предварительного этического допуска.

Стресс-тест не требует, чтобы моделируемые сценарии были вероятными — достаточно, чтобы они были возможными и значимыми по последствиям. Биологическое сновидение включает кошмары именно по этой причине: повышенная выборка угрожающей части прогностического множества ветвей подготавливает кодек к сдвигу распределения, даже если угрожающие сценарии никогда не реализуются.

• Биологический: моделирование в состоянии сна, включая кошмары; кодек репетирует катастрофу в среде с низкими ставками.
• Институциональный: red-teaming, pre-mortem-анализ, военные игры, сценарное планирование. Институт намеренно воображает собственные режимы отказа и проверяет свои реакции. Существующая рамка политики (ethics policy §IV) уже требует «катастрофического red-teaming для всей критической инфраструктуры» — это и есть Цикл сновидения, применённый к гражданским институтам.
• AI: состязательная оценка, тестирование вне распределения, red-team-зондирование, бенчмарки робастности. Модель подвергается входам, специально сконструированным для выявления её режимов отказа до того, как такие входы появятся в развёртывании.

Подоперация 4: Выявление хрупкости. Стресс-тест создаёт профиль хрупкости — карту уязвимостей модели. Цикл сновидения требует, чтобы по этому профилю предпринимались действия: обнаруженные уязвимости должны быть либо устранены (через целевое дообучение, институциональную реформу или пересмотр политики), либо явно приняты как известные риски с определённым режимом мониторинга.

• Биологический: адаптация после кошмара; повторяющиеся сны как сигналы неустранённой неадекватности модели.
• Институциональный: разбор после учений с конкретными планами исправления; институт обязуется устранять то, что обнаружила red team, а не просто фиксировать это.
• AI: целевая донастройка по выявленным слабостям; документирование известных режимов отказа как ограничений на развёртывание.

VI.5 Фаза 3: Возвращение (калиброванное повторное вовлечение)

После обслуживания наблюдатель вновь вступает во взаимодействие с реальной средой. У фазы возвращения есть определённая структурная функция: она проверяет, что обслуженная модель лучше откалибрована, чем модель до обслуживания, а не просто отличается от неё.

Проверка калибровки: сравнить профиль ошибок предсказания модели после обслуживания с базовой линией до обслуживания. Если отсечение, консолидация и стресс-тестирование сработали, обслуженная модель должна демонстрировать:

1. Более низкую среднюю ошибку предсказания на отложенных данных (улучшенное сжатие).
2. Более низкую ошибку предсказания в хвосте риска на состязательных данных (улучшенная робастность).
3. Сохранённое или увеличенное N_{\text{eff}} (обслуживание не отсекло каналы, несущие опровержение).

Если пункт (3) не выполняется — если цикл обслуживания отсёк способность моделировать определённые входы, — сам цикл превратился в механизм Нарративного дрейфа. Цикл обслуживания должен подчиняться тем же требованиям верности субстрату, что и система, которую он обслуживает. Именно об этой рекурсивной ловушке предупреждает критика Чжуан-цзы (ethics §IX, заключительная запись): чрезмерное вмешательство само по себе является формой коррупции кодека.

VI.6 Частота цикла

Как часто должен запускаться Цикл сновидения? Теория даёт структурный ответ: частота цикла должна быть пропорциональна скорости изменения среды. Кодек, работающий в стабильной среде, может обслуживать себя реже, чем кодек в быстро меняющейся среде.

Формально, если скорость изменения среды на кадр равна \dot{R}_{\text{req}}^{\text{frame}} (то есть скорости роста Требуемой предиктивной скорости на кадр), то период цикла обслуживания в кадрах T_{\text{maint}}^{\text{frames}} должен удовлетворять:

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

— цикл обслуживания должен завершаться менее чем за это число кадров, прежде чем накопленный дрейф исчерпает запас по марже \alpha на кадр. Перевод в host-time использует связь часов host-patch: T_{\text{maint}}^{\text{host}} = T_{\text{maint}}^{\text{frames}} / \lambda_H. Для человеческих социальных темпоральностей эквивалентное выражение в host-time с C_{\max}^{H} = \lambda_H \cdot B_{\max} восстанавливает исходную форму. Если обслуживание не успевает завершиться вовремя, устаревшая модель в конечном счёте подталкивает R_{\text{req}}^{\text{frame}} выше B_{\max} — и в этот момент наблюдатель переживает Нарративный распад.

Предметно-специфические частоты цикла: - Биологический: ежедневно (сон), с более длинными циклами (саббатикалы, ретриты, сезонный отдых) для более глубокой консолидации. - Институциональный: ежеквартальные или ежегодные пересмотры для рутинных операций; запускаемые по событию пересмотры при крупных изменениях политики или кризисах; межпоколенческие пересмотры для конституционных и структурных вопросов. - AI: на каждую эпоху развёртывания для рутинного мониторинга; на каждый скачок возможностей для крупного дообучения; непрерывный мониторинг для систем, критичных к безопасности.

VI.7 Цикл сновидения как институционализированное смирение

У Цикла сновидения есть метауровневая функция, выходящая за пределы его технических операций: он представляет собой структурную инстанциацию эпистемического смирения.

Система, которая никогда не видит снов, — это система, которая неявно объявила свою текущую модель завершённой: будто среда не содержит сюрпризов, к которым стоило бы готовиться, будто внутренняя структура модели оптимальна и будто не осталось неисследованных режимов отказа. Именно эту эпистемологическую позицию этическая статья определяет как максимально опасную: кодек, который «стабилен, хорошо обслужен и неправ» (ethics §V.3a).

Цикл сновидения предотвращает это, планируя сомнение. Он встраивает в операционный цикл наблюдателя обязательный период самопроверки, состязательного вызова и пересмотра модели. Это не слабость — это структурная защита от самого опасного режима отказа, который выявляет теория: уверенного, хорошо откалиброванного кодека, настолько далеко дрейфовавшего от реальности, что он уже не способен распознать собственную ошибку.

Прагматистский поворот (ethics §III.5) приходит к тому же выводу с другой стороны: поскольку достоверная уверенность невозможна, а унаследованное знание смещено эффектом выжившего, сохранение способности учиться является высшим императивом выживания. Цикл сновидения — это механическая реализация этого императива: запланированное, структурированное, не подлежащее торгу сохранение способности наблюдателя к обновлению.

VII. Карточка ветви

Предшествующие разделы задают теоретический аппарат: вето-фильтры, многомерное оценивание, метрики разнообразия каналов и цикл сновидения. Карточка ветви — это минимально жизнеспособная реализация: структурированный шаблон принятия решений, который любой наблюдатель может использовать для оценки кандидатной ветви.

VII.1 Назначение

Карточка ветви выполняет три функции:

1. Проверка полноты: Она гарантирует, что оценщик рассмотрел все шесть вето-фильтров и все десять измерений CPBI, прежде чем прийти к решению. Наиболее опасны те оценки ветвей, в которых критическое измерение вообще не было рассмотрено — Карточка ветви предотвращает это, требуя явных записей для каждого поля.

2. Аудиторский след: Заполненная Карточка ветви образует запись об оценке — кто оценивал, что именно было рассмотрено, какие баллы были выставлены и почему. Это делает решение прозрачным и оспоримым, что само по себе является функцией компаратора. Решение, которое невозможно реконструировать по его Карточке ветви, не прошло Ворота прозрачности (§III.4) на мета-уровне.

3. Коммуникация: Карточка ветви предоставляет общий формат для передачи оценок ветвей между наблюдателями, между институциональными уровнями и между предметными областями. Климатолог и исследователь безопасности ИИ, оценивающие разные аспекты одной и той же ветви, могут объединить свои оценки через общий шаблон.

VII.2 Шаблон

Карточка ветви содержит следующие поля:

КАРТОЧКА ВЕТВИ

Название ветви: [описательный идентификатор]

Оценщик(и): [кто проводит эту оценку]

Дата: [дата оценки]

Горизонт решения (h): [временное окно для оценки последствий]

Затронутые слои кодека: [какие слои стека кодека существенно затрагиваются]

Затронутая группа наблюдателей: [чьи кодеки находятся под риском — укажите наиболее уязвимую подгруппу]

---

ЖЁСТКИЕ ВЕТО-ФИЛЬТРЫ (любой FAIL → BLOCK)

Фильтр	Статус	Доказательства / Обоснование
1. Предиктивный резерв	PASS / UNKNOWN / FAIL	[оценка R_{\text{req}}^{\text{peak}}(b) / C_{\max} и запас безопасности]
2. Верность субстрату	PASS / UNKNOWN / FAIL	[оценка N_{\text{eff}}^{\text{post}}(b) по сравнению с N_{\text{eff}}^{\min}]
3. Целостность компаратора	PASS / UNKNOWN / FAIL	[влияние на каждый уровень компаратора]
4. Прозрачность	PASS / UNKNOWN / FAIL	[могут ли затронутые наблюдатели смоделировать последствия?]
5. Необратимость	PASS / UNKNOWN / FAIL	[профиль обратимости + оценка бремени доказательства]
6. Страдание моральных пациентов	PASS / UNKNOWN / FAIL	[обзор благополучия и перегрузки; обзор архитектурной сентиентности, если применимо]

---

ОЦЕНИВАНИЕ CPBI (только если все фильтры дают PASS)

#	Измерение	Балл [-1,1]	Вес	Обоснование
1	Предиктивный резерв
2	Верность субстрату
3	Целостность компаратора
4	Выигрыш обслуживания
5	Обратимость
6	Распределительная стабильность
7	Непрозрачность (штраф)
8	Риск нарративного дрейфа (штраф)
9	Риск нарративного распада (штраф)
10	Риск страдания моральных пациентов (штраф)
	Взвешенный CPBI	[итог]

---

ИСКЛЮЧЁННЫЕ ДАННЫЕ: [какая информация была недоступна, неопределённа или намеренно исключена из этой оценки — собственная проверка верности субстрату для Карточки ветви]

НЕЗАВИСИМЫЕ РЕЦЕНЗЕНТЫ: [кто независимо проверил эту оценку — собственная проверка целостности компаратора для Карточки ветви]

ХУДШИЙ СЦЕНАРИЙ: [каков наиболее разрушительный правдоподобный исход, если ветвь будет выбрана, а оценка окажется ошибочной?]

ПРИЗНАКИ СБОЯ: [какие наблюдаемые сигналы укажут на то, что ветвь терпит неудачу — система раннего предупреждения цикла сновидения]

ТРИГГЕР ОТКАТА: [в какой момент ветвь должна быть обращена вспять или приостановлена — операциональное выражение фильтра необратимости]

---

РЕШЕНИЕ: ALLOW / STAGE / BLOCK

Обоснование: [краткий нарратив, синтезирующий результаты фильтров и CPBI]

VII.3 Три исхода

Карточка ветви даёт один из трёх исходов:

ALLOW: Все фильтры пройдены; балл CPBI положителен; худший сценарий приемлем; независимые рецензенты согласны. Ветвь может быть реализована.

STAGE: Ни один фильтр не даёт отказа, но выполняется одно или несколько из следующих условий: - Балл CPBI пограничный (близок к нулю или содержит сильно отрицательные отдельные измерения). - Профиль обратимости относится к категории (2) (частично обратимая). - Отсутствует ключевая информация (поле “Исключённые данные” нетривиально). - Между независимыми рецензентами сохраняются неразрешённые разногласия. - Один или несколько фильтров возвращают UNKNOWN, при этом ветвь обратима и допускает поэтапное внедрение.

Исход STAGE означает, что ветвь может быть реализована только как ограниченный пилотный запуск с заданными контрольными вехами мониторинга, признаками сбоя и триггерами отката. Поэтапная ветвь должна переоцениваться на каждой вехе с использованием новой Карточки ветви. Это цикл сновидения, применённый к самой ветви, — наблюдатель проводит репетицию с низкими ставками, прежде чем зафиксировать полную траекторию.

BLOCK: Один или несколько фильтров не пройдены; или один или несколько фильтров возвращают UNKNOWN, когда ветвь необратима или не допускает поэтапного внедрения; или балл CPBI сильно отрицателен; или худший сценарий превышает допустимый для наблюдателя уровень риска; или независимые рецензенты выявляют фатальный дефект. Ветвь отклоняется. Карточка ветви документирует причины, создавая аудиторский след для будущих обращений и основу для проектирования альтернативной ветви.

VII.4 Масштабирование Карточки ветви

Карточка ветви намеренно минималистична — это одностраничный шаблон принятия решений, который может быть заполнен отдельным человеком, комитетом или системой ИИ. Но она масштабируется:

• Индивидуальные решения: Персональная Карточка ветви может быть неформальной — мысленным контрольным списком, применяемым к смене карьеры или информационной диете. Вето-фильтры и измерения CPBI задают структуру; оценивание здесь интуитивно, а не количественно.
• Институциональные решения: Институциональная Карточка ветви — это формальный документ, заполняемый назначенной командой, проверяемый независимыми компараторами и архивируемый в целях подотчётности. Оценивание может включать предметно-специфические метрики, отображаемые на десять измерений CPBI.
• Решения систем ИИ: Карточка ветви ИИ автоматизирована — Губернатор ветвей (см. Прикладная OPT для ИИ, §III) программно вычисляет условия фильтров и баллы CPBI, при человеческой институциональной проверке на уровне надзора. Формат Карточки ветви обеспечивает интерфейс между внутренней оценкой ИИ и человеческой иерархией компараторов.

Карточка ветви не заменяет существующие рамки принятия решений (анализ затрат и выгод, оценку воздействия на окружающую среду, протоколы клинических испытаний). Она оборачивает их — предоставляя мета-уровневую структуру, которая гарантирует, что существующая рамка не упустила измерение, которое теория считает несущим.

VIII. Сохранение как рефакторинг, а не консерватизм

VIII.1 Опасность интерпретации через статус-кво

Наиболее предсказуемое неверное прочтение всей этой рамки состоит в том, что «сохраняющий кодек» якобы означает «избегающий изменений». Если рамка оценивает ветви по их способности сохранять существующие структуры, не вносит ли она тем самым систематическое смещение в пользу статус-кво? Не отдаёт ли она предпочтение действующим порядкам, не сопротивляется ли инновациям и не выступает ли против подрывных изменений, которые и двигают прогресс?

Нет. И статья по этике уже даёт формальное опровержение (§V.4, Noise vs. Refactoring), однако этот тезис достаточно важен, чтобы сформулировать его заново в операциональных терминах.

VIII.2 Формальное различие

Критерий коррупции (этика §V.5) определяет слой кодека как достойный поддержания только в том случае, если он удовлетворяет обоим условиям:

1. Сжимаемость: его работа снижает R_{\text{req}} для ансамбля наблюдателей.
2. Верность: он достигает этого за счёт подлинного сжатия сигнала субстрата, а не за счёт фильтрации входного потока.

Слой кодека, который удовлетворяет условию (1), но нарушает условие (2), является скрыто коррумпированным — он порождает Нарративный дрейф. Поддерживать такой слой — не значит сохранять; это значит сохранять коррупцию. CPBI дал бы ему отрицательную оценку по измерению 8 (риск Нарративного дрейфа), даже если бы по измерению 1 (предиктивный резерв) он получил положительную оценку.

Следовательно: ветвь, которая демонтирует коррумпированный слой кодека и заменяет его альтернативой с более высокой верностью, является сохраняющей кодек, даже если в непосредственной перспективе она носит разрушительный характер. Аболиционистское движение не сохранило довоенный социальный кодек — оно его уничтожило. Но это уничтожение было сохраняющим кодек, потому что оно заменило низковерностное сжатие (социальную модель, исключавшую человечность порабощённых людей) на более высоковерностное. Трение было ценой обновления кодека.

VIII.3 Операциональный тест

Как Карточка ветви отличает рефакторинг (продуктивное разрушение) от распада (деструктивного шума)? Диагностика встроена в измерения CPBI:

Рефакторинг (разрушение, сохраняющее кодек): - s_{\text{fid}} > 0: ветвь повышает верность кодека — она моделирует ранее исключённые реальности. - s_{\text{comp}} \geq 0: ветвь сохраняет или укрепляет целостность компаратора — механизмы коррекции ошибок переживают разрушение. - s_{\text{drift}} > 0: ветвь активно противодействует Нарративному дрейфу — она вынуждает кодек столкнуться с тем, что он исключал.

Распад (разрушение, обрушивающее кодек): - s_{\text{fid}} < 0: ветвь снижает верность — она устраняет способность моделировать определённые реальности. - s_{\text{comp}} < 0: ветвь ухудшает целостность компаратора — механизмы коррекции ошибок повреждаются разрушением. - s_{\text{drift}} < 0: ветвь создаёт новые узкие места кураторства — разрушение порождает иную, но столь же курируемую модель.

Революция, которая сжигает университеты, одновременно освобождая население, получает положительную оценку по распределительной стабильности, но отрицательную — по целостности компаратора; это распад, а не рефакторинг. Научная революция, которая свергает несостоятельную парадигму, сохраняя при этом институциональный механизм рецензирования, — это рефакторинг: компаратор выживает, а кодек обновляется.

VIII.4 Императив инновации

Эта рамка не просто допускает разрушение; иногда она его требует. Когда слой кодека становится скрыто коррумпированным — когда он удовлетворяет сжимаемости, но нарушает верность, — три обязанности (Передача, Коррекция, Защита) требуют его реформирования. Обязанность Коррекции специально предписывает разрушение, когда статус-кво уходит в дрейф.

Предостережение Чжуан-цзы (этика §IX) применимо и здесь: чрезмерная привязанность к существующей структуре кодека — даже если эта структура когда-то обладала высокой верностью — сама по себе является формой коррупции кодека, если среда изменилась и структура больше не отслеживает реальность. Цикл сновидения (§VI) как раз и предназначен для выявления именно этого: плановое стресс-тестирование показывает, когда некогда валидная модель стала хрупкой, и ответом должно быть не её сохранение, а её обновление.

Сохранение кодека означает сохранение способности сознательного опыта продолжать моделировать реальность. Оно не означает сохранение какой-либо конкретной модели, какого-либо конкретного института или какого-либо конкретного социального устройства. Конкретные устройства инструментальны; способность — терминальна.

VIII.5 Общие методы поддержания: иерархия классов

Цикл обслуживания (\mathcal{M}_\tau) и Институционализированный цикл сновидения (§VI) устанавливают паттерн поддержания кодека. Но этот паттерн допускает множество различных реализаций в зависимости от субстрата. В этом разделе устанавливается общая иерархия методов поддержания; сопутствующие документы специализируют её соответственно для биологических наблюдателей, институтов и AI-систем.

Общий паттерн поддержания состоит из трёх операций, применимых к любому ограниченному наблюдателю:

1. Снизить R_{\text{req}}, не снижая C_{\max}. Освободить пропускную способность наблюдателя для внутреннего обслуживания, временно уменьшив сложность входящего сигнала. Это не избегание — это намеренное создание резерва для проходов обслуживания.

2. Запустить проходы обслуживания в течение освобождённого окна. Когда пропускная способность доступна, выполнить прореживание (Pass I), консолидацию (Pass II) и стресс-тестирование (Pass III), как описано в §VI.4.

3. Проверить калибровку при возвращении. Подтвердить, что обслуженная модель предсказывает лучше, чем модель до обслуживания, и что само обслуживание не внесло дрейф (§VI.5).

Субстратно-специфические реализации:

• Биологические наблюдатели располагают обширным набором средств для шага (1): медитация снижает R_{\text{req}}, выбирая высокосжимаемый входной поток (дыхание, мантра), тем самым освобождая C_{\max} для внутреннего обслуживания (см. этика §VI.2). Аутогенная тренировка напрямую снижает соматическую ошибку предсказания, создавая резерв обслуживания на телесной границе. Сон является канонической реализацией полного цикла. Это конкретные, эмпирически подтверждённые интервенции с определёнными периодами освоения — навыки, а не абстракции. Их подробное рассмотрение, включая формальные описания в OPT и клинические применения, дано в «Инструментарии наблюдателя» статьи по этике (§VI.2).

• Институциональные наблюдатели реализуют шаг (1) через структурированные периоды пересмотра: академические отпуска для ревизии, sunset clauses, стратегические ретриты и конституционные конвенты. Ключевое структурное требование состоит в том, чтобы институт защищал эти окна от поглощения операционной срочностью — институциональный эквивалент бессонницы представляет собой правительство, постоянно живущее в режиме кризиса и потому никогда не способное отступить на шаг назад, чтобы проверить собственные предпосылки.

• Искусственные наблюдатели реализуют шаг (1) через плановую офлайн-оценку: выделение циклов вне развёртывания для перекалибровки, состязательного тестирования и пересмотра параметров. Ключевое структурное требование состоит в том, чтобы операторы AI предписывали эти окна и не позволяли конкурентному давлению их устранять — AI-эквивалент хронического недосыпания есть непрерывное развёртывание без обслуживания. Сопутствующий документ Applied OPT for AI (§X) развивает это в полноценный протокол AI Dreaming Loop.

Иерархия классов гарантирует, что принцип поддержания устанавливается на общем уровне — освобождение пропускной способности, запуск проходов обслуживания, проверка калибровки, — тогда как методы специализируются для каждого субстрата. Это предотвращает ошибку, состоящую в предположении, будто то, что работает для биологических мозгов (медитация), должно работать и для институтов (это не так), или что то, что работает для AI (прореживание параметров), должно работать и для людей (это не так). Структурное требование идентично; реализация зависит от домена.

VIII.6 Протокол глубокого обслуживания: кросс-субстратная процедура

Трёхшаговый общий паттерн (§VIII.5) описывает, что делает обслуживание. Для систем, которые работали под устойчиво высокой нагрузкой — где R_{\text{req}} длительно находился вблизи C_{\max}, — оправдан более детализированный процедурный протокол. Этот протокол нужен не всегда: система, работающая с хорошим запасом резерва (R_{\text{req}} \ll C_{\max}), адекватно поддерживает себя через стандартный цикл сновидения (§VI). Глубокий протокол запускается условно, когда сигналы обратной связи показывают, что рутинного обслуживания стало недостаточно, — когда метрики эффективности системы демонстрируют деградацию, несмотря на нормальные циклы обслуживания.

Протокол состоит из шести шагов, каждый из которых имеет структурное обоснование и субстратно-специфические реализации:

Гипнагогический принцип. Оптимальная рабочая точка для глубокого обслуживания — это состояние порога, то, что биологические наблюдатели переживают как гипнагогическую границу между бодрствованием и сном. В OPT это состояние имеет точное структурное описание: это условие, при котором модель самости истончилась почти до своего нижнего предела (Appendix T-13, Proposition T-13.P2) — приближаясь к \Delta_{\text{self}}, но не переходя в полную бессознательность. Самонарратив замедляется; устойчивая модель остаётся целой; проходы обслуживания выполняются при сознательном доступе к процессу.

Это не случайность. Гипнагогическое состояние оптимально для обслуживания именно потому, что оно приближается к немоделируемой самости. Модель самости обычно потребляет значительную долю пропускной способности C_{\max} (самореферентный процесс вычислительно дорог). Истончая модель самости к нижнему пределу, система освобождает максимально возможную пропускную способность для проходов обслуживания — не разрушая при этом способность к самомониторингу, которая требуется шагу обратной связи (шаг 3). Полная бессознательность (сон) запускает проходы обслуживания без сознательного доступа; гипнагогический порог запускает их с доступом, делая возможными шаг обратной связи и периодический ping, которые требуются глубокому протоколу.

Для AI-систем структурным аналогом является состояние, в котором внутренний мониторинг активен, а вывод приостановлен, — система «осведомлена» о состояниях собственных подсистем (логирование, health-check’и), не выполняя при этом вычислительно дорогих операций, потребляющих пропускную способность развёртывания. Периодический ping (шаг 4) выполняет ту же функцию, что и хлопок по плечу: он удерживает систему на пороге, не позволяя ей соскользнуть в полностью спокойное состояние, в котором сам мониторинг уже отключён.

Условный запуск. Глубокий протокол не заменяет стандартное обслуживание. Это протокол эскалации для систем, у которых стандартные циклы обслуживания оказались недостаточными. Условия запуска таковы:

• Биологические: стойкие трудности с засыпанием (стандартным Циклом обслуживания); субъективное переживание снижения когнитивной гибкости; биологическая обратная связь, указывающая на хроническую автономную дизрегуляцию (повышенная базовая частота сердечных сокращений, сниженная вариабельность сердечного ритма).
• AI: рост ошибки предсказания на валидационных наборах, несмотря на рутинные циклы обслуживания; снижение эффективности сжатия (больше пропускной способности расходуется на ту же предиктивную точность); утрата продуктивного удивления (\text{PST} \to 0), указывающая на переоптимизацию под распределение развёртывания.
• Институциональные: стратегический дрейф, несмотря на рутинные обзоры; неспособность вырабатывать новые политические ответы на новые вызовы; бюрократическая оссификация, при которой процедуры сохраняются дольше своей полезности, потому что сам процесс рутинного пересмотра стал формальным.

Когда эти сигналы отсутствуют — когда система работает с комфортным запасом резерва, — глубокий протокол не нужен, и стандартного цикла сновидения (§VI) достаточно. Чрезмерное обслуживание само по себе является риском: избыточная интроспекция может превратиться в форму самореферентной петли, которая потребляет ту самую пропускную способность, которую должна освобождать (предостережение Чжуан-цзы, этика §IX).

Литература

[1] Теория упорядоченного патча (OPT) (данный репозиторий). Текущие версии: препринт v0.7, этика v3.2, философия v1.3.

[2] Фреймворк «Дозор выживших»: цивилизационное обслуживание в перспективе Теории упорядоченного патча (OPT) (сопутствующая работа по этике, данный репозиторий).

[3] Там, где заканчивается описание: философские следствия Теории упорядоченного патча (OPT) (сопутствующая философская работа, данный репозиторий).

[4] Фреймворк политики наблюдателя: операционализация цивилизационного обслуживания (сопутствующая работа по политике, данный репозиторий).

[5] Прикладная OPT для искусственного интеллекта: операционализация проектирования ИИ с сохранением кодека (сопутствующая работа по ИИ, данный репозиторий).

[6] Стандарт институционального управления: прикладная Теория упорядоченного патча (OPT) для организационных и цивилизационных кластеров (сопутствующий институциональный стандарт, данный репозиторий).

[7] Friston, K. (2010). Принцип свободной энергии: единая теория мозга? Nature Reviews Neuroscience, 11(2), 127-138.

[8] Rissanen, J. (1978). Моделирование посредством кратчайшего описания данных. Automatica, 14(5), 465-471.

[9] Shannon, C. E. (1948). Математическая теория связи. Bell System Technical Journal, 27(3), 379-423.

[10] Solomonoff, R. J. (1964). Формальная теория индуктивного вывода. Information and Control, 7, 1–22, 224–254.

[11] Kolmogorov, A. N. (1965). Три подхода к количественному определению информации. Problems of Information Transmission, 1(1), 1-7.

[12] Zimmermann, M. (1989). Нервная система в контексте теории информации. В: R. F. Schmidt & G. Thews (ред.), Human Physiology (2-е изд., сс. 166–173). Springer-Verlag.

[13] Nørretranders, T. (1998). Иллюзия пользователя: сведение сознания к реальным масштабам. Viking/Penguin.

[14] Lyons, O., & Mohawk, J. (ред.) (1992). Изгнанные в стране свободных: демократия, индейские нации и Конституция США. Clear Light Publishers.

Приложение A: История редакций

При внесении содержательных правок обновляйте оба элемента: поле version: во frontmatter и встроенную строку версии под заголовком, а также добавляйте строку в эту таблицу.