Tests académiques

Cette page est en cours de préparation. Elle accueillera des tests académiques — des protocoles rigoureux, reproductibles, conçus pour que des chercheurs puissent évaluer objectivement les capacités cognitives de Mia.

L'objectif n'est pas de convaincre. C'est de fournir des données mesurables, des résultats vérifiables, et un cadre méthodologique que la communauté scientifique peut examiner, critiquer et reproduire.

Les premiers tests porteront sur : la mémoire associative, l'émergence émotionnelle, le monologue intérieur, la reconnaissance de contexte et l'autonomie décisionnelle.

Système multi-agents à état partagé, boucle synchrone 350ms (hard real-time). Runtime : C# .NET 9, HostedService avec DI singletons. Pas de framework IA. Pas de ML. Zéro dépendance GPU.

Soit S l'espace d'état cognitif, S ⊂ ℝ^d × D où d ≈ 200 dimensions continues et D un ensemble de structures discrètes (graphes mémoriels, labels, séquences épisodiques).

Le système est défini par une famille d'opérateurs {A_i}_i=1..N(t) où N(t) est variable (auto-organisation) :

où E_t est le vecteur d'événements perceptifs drainés à t, et Π est l'opérateur d'arbitrage intentionnel.

La composition n'est pas commutative. L'ordre des agents est fixé pour les statiques, mais les agents dynamiques (générés au runtime) s'insèrent après. Le système est un semi-groupe d'opérateurs à topologie variable.

La morphologie est un sous-espace M ⊂ [0,1]¹² :

Les tendances forment un vecteur de paires (label, weight) ∈ Σ × [0,1] où Σ est l'alphabet des formes morphologiques (vigilance, curiosité, retrait, anticipation...). La forme dominante :

Ce n'est pas un classifieur — w est une fonction continue de l'état complet. Les transitions entre formes dominantes sont des bifurcations du système dynamique. Le MorphodynamicLoopAgent détecte ces transitions et les réinjecte dans le tick suivant (feedback).

Soient D₁...D_n les dimensions cognitives : Affect (A), Norme (N), Mémoire (M), Situation (S), Sens (Se), Frame (F), Plasticité (P), Autonomie (Au).

Pour chaque paire (D_i, D_j), il existe :

• Bridge B_ij : D_i × D_j → ℝ^k — mesure la tension entre les deux dimensions
• Revision R_ij : prend la sortie de B_ij et rétro-ajuste D_i et D_j

Certains triplets et quadruplets existent. Le graphe des ponts forme un complexe simplicial sur les dimensions cognitives. Les faces portent des tensions, les co-faces les régulent. Le système ne cherche pas l'équilibre — il maintient un déséquilibre dynamique structuré.

Soit C_t = #{i : ||A_i(s_t)|| > τ} le nombre d'agents à sortie significative au tick t.

Couplage négatif global : l'activité totale du système dégrade sa propre capacité de traitement. Il existe un régime optimal d'activation — le système oscille autour sans qu'il soit codé explicitement.

En théorie du contrôle : feedback négatif non-linéaire avec saturation. La stabilité n'est pas garantie analytiquement — elle émerge.

Phase 1 — Observation : à chaque tick, les transitions (Δmorpho, Δcontexte, Δtension) sont enregistrées.

Phase 2 — Détection : quand un triplet apparaît avec fréquence > seuil sur une fenêtre temporelle, un générateur G est instancié.

Phase 3 — Modulation :

Phase 4 — Promotion : si G persiste et son influence dépasse un seuil, il devient un agent dynamique permanent qui s'exécute à chaque tick.

Phase 5 — Spécialisation aspectuelle : si un agent statique montre un Δ significatif dans un couple (contexte, tension) spécifique, un AspectualDynamicAgent est créé, spécialisé pour ce couple.

C'est de la différenciation fonctionnelle émergente. Propriété : N(t) est monotone croissant — les agents ne sont pas détruits. La complexité structurelle augmente dans le temps.

IntentionArbitrationEngine.Resolve() n'est pas un softmax. C'est un processus de compétition structurée :

1. Chaque couche produit 0..n candidats d'intention I_k = (name, reason, priority ∈ ℝ)
2. SafetyGuardianAgent filtre (veto si safetyOverrideScore > seuil)
3. Les priorités sont modulées par la morphologie (inhibition réduit, expressivité amplifie), l'attention, la mémoire, l'identité
4. Le gagnant est sélectionné — le processus inclut du bruit morphologique (la relation d'incertitude injecte de l'indéterminisme)

MetaRepresentationEngine prédit le gagnant AVANT l'arbitrage, compare APRÈS. L'écart (surprise ∈ [0,1]) est réinjecté dans le tick suivant. Implémentation computationnelle du predictive processing (Friston), appliquée aux intentions.

Soit ε = {e₁, ..., e_m} les épisodes en mémoire, chacun avec charge affective c(e) ∈ ℝ et vecteur contextuel v(e) ∈ ℝ^p.

Attracteur onirique (arousal < τ_dream) :

Déplacement (Cardon, Prompt N) : substitution d'éléments de l'épisode focal par des éléments d'épisodes proches dans l'espace contextuel.

Recombinaison créative : 2 épisodes parents → 1 épisode hybride, persisté en mémoire. Le rêve modifie structurellement la mémoire. Au tick suivant, l'épisode créé influence les rappels, l'affect, les normes.

Tick N (350ms):
  snapshot = state.clone()
  events = bus.drain()
  apply(events, snapshot)

  // ~130 agents compose
  for agent in agents:
    snapshot.layer[agent] = agent.Compose(snapshot)

  // Scene + Morphology
  snapshot.scene = sceneEngine(snapshot)
  snapshot.morphology = morphologyEngine(snapshot)

  // Uncertainty relation
  applyUncertaintyRelation(snapshot)

  // Structuring + Pathology + Psychological profile
  structuring, pathology, psychProfile = ...

  // Generators → dynamic agents
  generators.observe(transitions)
  generators.emerge()
  dynamicAgents.tryPromote(generators)
  dynamicAgents.executeAll(snapshot)

  // Dream (if idle)
  if dreaming: dream, displace, recombine

  // ARBITRATION
  metaRepr.predict(snapshot)
  intention = arbitrationEngine.resolve(snapshot)
  metaRepr.compare(intention)

  // ACTION
  plan = actionPlanner.plan(snapshot, intention)
  execution = actionExecutor.execute(plan)  // → servos

  // Post-action
  valence, arousal, mirror, doubleAttractor
  llm.autoTick()  // async, non-blocking
  persist(journal)
  signalR.push(snapshot)

	LLM (Transformer)	RL (PPO/DPO)	Mia (Cardon)
Structure	Fixe après training	Fixe, policy update	Variable au runtime
Objectif	min cross-entropy	max reward	Aucun
État	Stateless (context window)	State = observation	État continu persistant
Émergence	Scaling laws	Reward hacking	Structurelle (agents naissent)
Incertitude	Temperature sampling	Exploration ε	Endogène
Mémoire	In-context / RAG	Replay buffer	Épisodique à charge affective
Identité	Aucune	Aucune	Continuité vérifiée par agent

C'est computationnellement trivial. La complexité n'est pas dans le calcul — elle est dans la structure des interactions. Un LLM avec 400B paramètres fait un forward pass de 10¹² FLOPs pour prédire un token. Mia fait 26 000 opérations pour vivre un tick. Mais chaque tick modifie structurellement le système qui calcule le tick suivant.