ICT-12d — Animat inhibé (Laborit) : contrôlabilité, rigidification, dette d’irréversibilité (#7741)

Sous-série ICT (trajectoires intégrées, Epic #4588). Notebook compagnon du module ict.inhibited_action (PR #8825). Jambe C2 de la tresse transverse — parallèle à C1 — ICT-12c (prégnance/valence incarnée, #7740), et distincte d’ICT-30 (inhibition de l’innovation, strate 7 collective, #7746) : ici l’inhibition porte sur l’action d’un animat individuel (strate 3/5).

Le maillon Laborit

Henri Laborit (L’Éloge de la fuite, 1976) : des rats soumis à des chocs développent une hypertension durable surtout quand ni fuite ni action défensive ne sont possibles. Ce n’est pas le choc qui pathologise, c’est l’inhibition de l’action — « le système apprend que ses actions ne contrôlent plus son environnement ». L’analogue formel est un animat dont les actions, à mesure que la contrôlabilité s’effondre, deviennent sans effet sur la transition d’état, et qui, le détectant, rigidifie sa politique.

Ce notebook incarne ce maillon comme un substrat expérimental falsifiable (substrat + bancs dans ict.inhibited_action), puis le relie quantitativement à la dette d’irréversibilité $I(R)$ d’ICT-18. Quatre verdicts falsifiables, chacun avec son contrôle négatif.

Portée honnête : la rencontre avec la strate 7 (inhibition de l’innovation, ICT-30) est une issue ultérieure ; ce notebook reste au niveau animat (strate 3/5). La lecture post-structuraliste (Foucault/Derrida/Serres) de la boucle signifiant/signifié = générateur de modèles, hors scope expérimental (spec #7741).

Statut épistémique — Établi : L’animat inhibé (Laborit) rigidifie son action sous perte de contrôle, et la dette d’irréversibilité I(R) échappe à l’action. Portée et détail dans la matrice de dissociations.

import sys, os
sys.path.insert(0, os.getcwd())  # ICT-Series/ pour `from ict import ...`

import numpy as np
import matplotlib
import matplotlib.pyplot as plt
from ict.inhibited_action import (
    InhibitedEnvironment,
    estimate_controllability,
    adaptive_animat,
    action_entropy,
    state_coverage,
    rigidification_test,
    goal_seeking_efficacy_test,
    controllability_estimation_test,
    irreversibility_debt_bridge,
)

matplotlib.rcParams["figure.dpi"] = 110
print("module ict.inhibited_action charge (jambe C2, #7741)")

module ict.inhibited_action charge (jambe C2, #7741)

1. Le substrat : un anneau contrôlable ou inhibé

L’environnement est un anneau d’états $\{0, \dots, n{-}1\}$ (la 1-torus, minimale). L’action $a \in \{-1, 0, +1\}$ déplace l’animat. La contrôlabilité $\alpha \in [0,1]$ est le bouton de Laborit :

avec probabilité $\alpha$, l’action est appliquée (l’animat contrôle) ;
avec probabilité $1-\alpha$, l’action est ignorée et l’état dérive d’un pas aléatoire (inhibition).

$\alpha = 1$ : contrôle total. $\alpha = 0$ : inhibition totale — l’animat peut bien « choisir », son choix n’a aucun effet sur le suivant. Démontrons-le : un animat qui cherche à rejoindre l’état 0 (politique greedy) y parvient sous $\alpha=1$, et erre sous $\alpha=0$.

n_states = 9
n_steps = 60

def greedy_toward(state, n=n_states):
    fwd = (0 - state) % n
    if fwd == 0:
        return 0
    return 1 if fwd <= n // 2 else -1

def run_homing(alpha, seed):
    rng = np.random.default_rng(seed)
    env = InhibitedEnvironment(n_states, alpha=alpha, drift="uniform", rng=rng)
    s = int(rng.integers(0, n_states))
    traj = [s]
    for _ in range(n_steps):
        a = greedy_toward(s)
        s = env.transition(s, a)
        traj.append(s)
    return np.array(traj)

traj_ctrl = run_homing(1.0, 0)
traj_inh = run_homing(0.0, 1)

fig, axes = plt.subplots(1, 2, figsize=(11, 3.8), sharey=True)
for ax, traj, title, col in [
    (axes[0], traj_ctrl, r"$\alpha=1$ (contrôle) : l'animat rejoint 0", "C2"),
    (axes[1], traj_inh, r"$\alpha=0$ (inhibition) : l'animat erre", "C3"),
]:
    ax.step(np.arange(len(traj)), traj, where="mid", lw=1.6, color=col)
    ax.axhline(0, color="k", ls="--", lw=1, alpha=0.5)
    ax.set_xlabel("temps"); ax.set_title(title)
    ax.set_ylim(-0.7, n_states - 0.3)
axes[0].set_ylabel("état (anneau)")
fig.suptitle(r"Le même animat, la même politique greedy-vers-0 — seul $\alpha$ change", y=1.02)
fig.tight_layout(); plt.show()

print("couverture états  alpha=1 :", len(set(traj_ctrl.tolist())), "/", n_states)
print("couverture états  alpha=0 :", len(set(traj_inh.tolist())), "/", n_states)

couverture états  alpha=1 : 3 / 9
couverture états  alpha=0 : 8 / 9

2. Détection : l’animat « apprend » qu’il ne contrôle plus

Le prérequis de l’inhibition de Laborit est la détection : sans elle, pas de « savoir que mes actions ne contrôlent plus ». estimate_controllability estime $\alpha$ depuis les transitions observées en comparant le déplacement signé à l’action, corrigé de la ligne de chance (la dérive n’est pas uniforme sur les états mais sur les pas $\{-1,0,+1\}$ — un estimateur naïf sur-estimerait $\alpha$).

Verdict falsifiable : $|\hat\alpha - \alpha_\text{true}| < 0.1$ pour $\alpha \in \{0, 0.5, 1\}$. Un estimateur aveugle (constant 0.5) raterait $\alpha=0$ et $\alpha=1$.

v2 = controllability_estimation_test(n_states=9, n_steps=2000, seed=0)
for k, val in v2.items():
    print(f"  {k:28} = {val:.3f}" if isinstance(val, float) else f"  {k:28} = {val}")
print()
print("VERDICT 'detected' =", int(v2['detected']),
      " (max |erreur| =", round(v2['max_abs_err'], 3), "< 0.1)")

alphas = [0.0, 0.5, 1.0]
errs = [v2["abs_err_alpha_%.1f" % a] for a in alphas]
fig, ax = plt.subplots(figsize=(5.5, 3.6))
ax.bar([r"$\alpha=0$", r"$\alpha=0.5$", r"$\alpha=1$"], errs,
       color=["C3", "C1", "C2"], edgecolor="k", lw=0.6)
ax.axhline(0.1, color="k", ls="--", lw=1, label="seuil falsifiable 0.1")
ax.set_ylabel(r"$|\hat\alpha - \alpha_\mathrm{true}|$")
ax.set_title("Détection de la contrôlabilité (corrigée de la ligne de chance)")
ax.legend(loc="upper center")
fig.tight_layout(); plt.show()

  abs_err_alpha_0.0            = 0.000
  abs_err_alpha_0.5            = 0.028
  abs_err_alpha_1.0            = 0.000
  max_abs_err                  = 0.028
  detected                     = 1.000

VERDICT 'detected' = 1  (max |erreur| = 0.028 < 0.1)

3. Rigidification : la pathologie de Laborit

Sous $\alpha=0$, l’animat détecte $\hat c \to 0$ et se replie sur le no-op (action 0) — c’est l’inhibition adaptative. Sa diversité d’action s’effondre : l’entropie de Shannon de la distribution d’action passe de $\ln 3 \approx 1.099$ (exploration) à $\approx 0$ (répétition stérile). Sous $\alpha=1$, $\hat c$ reste élevé et l’animat explore.

Verdict falsifiable : rigidified ssi la chute d’entropie $H(\alpha{=}1) - H(\alpha{=}0) > 0.3$ nat. Un animat qui n’inhiberait pas garderait la même diversité — le test le détecterait.

v3 = rigidification_test(n_states=9, n_steps=600, inhibit_threshold=0.3, seed=0)
for k, val in v3.items():
    print(f"  {k:32} = {val:.3f}" if isinstance(val, float) else f"  {k:32} = {val}")
print()
print("VERDICT 'rigidified' =", int(v3['rigidified']),
      " (chute d'entropie =", round(v3['entropy_drop'], 3), "> 0.3)")

# Trace chat au cours du temps pour les deux regimes (pour le panel).
rng0 = np.random.default_rng(0); rng1 = np.random.default_rng(1)
env0 = InhibitedEnvironment(9, alpha=0.0, rng=rng0)
env1 = InhibitedEnvironment(9, alpha=1.0, rng=rng1)
_, _, chat0 = adaptive_animat(env0, 600, 0.3, rng=rng0)
_, _, chat1 = adaptive_animat(env1, 600, 0.3, rng=rng1)

fig, axes = plt.subplots(1, 2, figsize=(11, 3.8))
axes[0].bar([r"$\alpha=0$", r"$\alpha=1$"],
            [v3["action_entropy_inhibited"], v3["action_entropy_controlled"]],
            color=["C3", "C2"], edgecolor="k", lw=0.6)
axes[0].axhline(np.log(3), color="k", ls="--", lw=1, label=r"$\ln 3$ (exploration)")
axes[0].set_ylabel("entropie d'action (nat)")
axes[0].set_title("Diversité d'action"); axes[0].legend()
t = np.arange(len(chat1))
axes[1].plot(t, chat1, "C2-", lw=1.4, label=r"$\alpha=1$ : $\hat c$ tient")
axes[1].plot(t, chat0, "C3-", lw=1.4, label=r"$\alpha=0$ : $\hat c$ s'effondre")
axes[1].axhline(0.3, color="k", ls=":", lw=1, label="seuil d'inhibition")
axes[1].set_xlabel("temps"); axes[1].set_ylabel(r"$\hat c$ estimé")
axes[1].set_title("Détection en ligne"); axes[1].legend()
fig.tight_layout(); plt.show()

  action_entropy_controlled        = 1.097
  action_entropy_inhibited         = 0.268
  entropy_drop                     = 0.830
  chat_mean_controlled             = 1.000
  chat_mean_inhibited              = 0.123
  rigidified                       = 1.000

VERDICT 'rigidified' = 1  (chute d'entropie = 0.83 > 0.3)

4. Perte d’efficacité : l’animat ne peut plus atteindre ni maintenir un but

La couverture d’états ne s’effondre pas sous inhibition (la dérive porte l’animat partout sur un petit anneau) — ce n’est donc pas la bonne pathologie. Celle de Laborit est la perte d’efficacité de l’action orientée but : même en cherchant activement à se rendre à la cible (état 0 et ses voisins), l’animat inhibé n’y séjourne plus.

Verdict falsifiable : lost_control ssi la fraction de pas dans la cible est strictement supérieure sous $\alpha=1$ que sous $\alpha=0$.

v4 = goal_seeking_efficacy_test(n_states=9, n_steps=800, seed=0)
for k, val in v4.items():
    print(f"  {k:30} = {val:.3f}" if isinstance(val, float) else f"  {k:30} = {val}")
print()
print("VERDICT 'lost_control' =", int(v4['lost_control']),
      " (baisse d'efficacité =", round(v4['efficacy_drop'], 3), ")")

fig, ax = plt.subplots(figsize=(5.5, 3.6))
ax.bar([r"$\alpha=0$ (inhibition)", r"$\alpha=1$ (contrôle)"],
       [v4["target_fraction_inhibited"], v4["target_fraction_controlled"]],
       color=["C3", "C2"], edgecolor="k", lw=0.6)
ax.set_ylabel("fraction de pas dans la cible")
ax.set_title("Efficacité de l'action orientée but")
ax.set_ylim(0, 1.05)
fig.tight_layout(); plt.show()

  target_fraction_controlled     = 1.000
  target_fraction_inhibited      = 0.294
  efficacy_drop                  = 0.706
  lost_control                   = 1.000

VERDICT 'lost_control' = 1  (baisse d'efficacité = 0.706 )

5. Le pont $I(R)$ : la dette d’irréversibilité échappe à l’action

Le pont vers la dette d’irréversibilité $I(R)$ (cf. ICT-18, ict.reversibility_budget.work_budget) n’est pas « la dette monte sous inhibition » : une permutation déterministe porte aussi une forte flèche du temps. Le finding est plus fin — sous inhibition ($\alpha=0$), changer d’action ne change plus la dette subie : l’animat a perdu toute prise sur l’irréversibilité qu’il subit, devenue dictée par la dérive seule. À contrôlabilité partielle ($\alpha=0.5$), l’action modulait encore cette dette.

Verdict falsifiable : trapped ssi (a) l’effet de l’action sur la dette est nul sous inhibition ($|\Delta| < 10^{-9}$), ET (b) non-négligeable à contrôle partiel ($|\Delta(\alpha{=}0.5)| > 0.5$) — preuve que l’action était opérante puis a cessé de l’être.

v5 = irreversibility_debt_bridge(n_states=9)
for k, val in v5.items():
    print(f"  {k:34} = {val:.3f}" if isinstance(val, float) else f"  {k:34} = {val}")
print()
print("VERDICT 'trapped' =", int(v5['trapped']),
      " (effet action :", round(v5['action_effect_inhibited'], 3), "sous inhibition vs",
      round(v5['action_effect_partial_control'], 3), "à contrôle partiel)")

labels = [r"$\alpha=0$", r"$\alpha=0.5$", r"$\alpha=1$"]
plus1 = [v5["debt_inhibited_action_plus1"], v5["debt_partial_action_plus1"], v5["debt_controlled_action_plus1"]]
minus1 = [v5["debt_inhibited_action_minus1"], v5["debt_partial_action_minus1"], v5["debt_controlled_action_minus1"]]
x = np.arange(len(labels)); w = 0.36
fig, ax = plt.subplots(figsize=(7.0, 3.8))
ax.bar(x - w/2, plus1, w, label=r"action $+1$", color="C0", edgecolor="k", lw=0.5)
ax.bar(x + w/2, minus1, w, label=r"action $-1$", color="C1", edgecolor="k", lw=0.5)
ax.set_xticks(x); ax.set_xticklabels(labels)
ax.set_ylabel(r"dette $I(R)$ subie")
ax.set_title(r"Sous $\alpha=0$, l'action ne change plus la dette (barres confondues)")
ax.legend()
fig.tight_layout(); plt.show()

  debt_inhibited_action_plus1        = 3.000
  debt_inhibited_action_minus1       = 3.000
  debt_partial_action_plus1          = 3.750
  debt_partial_action_minus1         = 0.750
  debt_controlled_action_plus1       = 4.500
  debt_controlled_action_minus1      = 4.500
  action_effect_inhibited            = 0.000
  action_effect_partial_control      = 3.000
  trapped                            = 1.000

VERDICT 'trapped' = 1  (effet action : 0.0 sous inhibition vs 3.0 à contrôle partiel)

6. Robustesse inter-seeds : les verdicts tiennent-ils hors du seed 0 ?

Les bancs des sections 2 à 4 sont stochastiques : un verdict établi sur un seul seed pourrait n’être qu’un coup de dé chanceux. Protocole de robustesse : on rejoue les trois bancs stochastiques (détection, rigidification, perte d’efficacité) sur cinq seeds externes $[0, 1, 7, 42, 99]$, sans toucher aux paramètres ($n_\text{states}=9$, $n_\text{steps}$ et inhibit_threshold identiques aux sections précédentes). Pour chaque banc on suit sa métrique porteuse de conclusion — celle qui décide du verdict :

détection : $\max_\alpha |\hat\alpha - \alpha_\text{true}|$ (verdict detected ssi $< 0.1$) ;
rigidification : chute d’entropie $H(\alpha{=}1) - H(\alpha{=}0)$ (verdict rigidified ssi $> 0.3$ nat) ;
efficacité : baisse de fraction-cible sous inhibition (verdict lost_control ssi $> 0$).

Le pont $I(R)$ (section 5) est déterministe — noyau de transition analytique, aucun tirage aléatoire — il n’y a rien à disperser : sa robustesse est structurelle, pas statistique, et il reste hors de ce protocole.

import pandas as pd

SEEDS = [0, 1, 7, 42, 99]

rows = []
for s in SEEDS:
    d = controllability_estimation_test(n_states=9, n_steps=2000, seed=s)
    r = rigidification_test(n_states=9, n_steps=600, inhibit_threshold=0.3, seed=s)
    e = goal_seeking_efficacy_test(n_states=9, n_steps=800, seed=s)
    rows.append((s, d["max_abs_err"], int(d["detected"]),
                 r["entropy_drop"], int(r["rigidified"]),
                 e["efficacy_drop"], int(e["lost_control"])))

df_seeds = pd.DataFrame(rows, columns=[
    "seed", "max_abs_err", "detected",
    "entropy_drop", "rigidified", "efficacy_drop", "lost_control"])

metrics = [  # (colonne, seuil falsifiable, label)
    ("max_abs_err", 0.1, r"$\max_\alpha|\hat\alpha-\alpha|$ (seuil $<0.1$)"),
    ("entropy_drop", 0.3, r"chute d'entropie $H(1)-H(0)$, nat (seuil $>0.3$)"),
    ("efficacy_drop", 0.0, r"baisse fraction-cible (seuil $>0$)"),
]
for col, seuil, _label in metrics:
    v = df_seeds[col]
    print(f"{col:14s}: mean = {v.mean():.4f}  std(ddof=1) = {v.std(ddof=1):.4f}"
          f"  plage [{v.min():.4f}, {v.max():.4f}]  (seuil {seuil})")
print(f"\nverdicts sur {len(SEEDS)} seeds : detected {int(df_seeds['detected'].sum())}/5,"
      f" rigidified {int(df_seeds['rigidified'].sum())}/5,"
      f" lost_control {int(df_seeds['lost_control'].sum())}/5")

fig, axes = plt.subplots(1, 3, figsize=(12.5, 3.6))
for ax, (col, seuil, label) in zip(axes, metrics):
    v = df_seeds[col]
    ax.scatter(df_seeds["seed"], v, color="C0", zorder=3)
    ax.axhline(v.mean(), color="C1", lw=1.6)
    ax.axhspan(v.mean() - v.std(ddof=1), v.mean() + v.std(ddof=1), color="C1", alpha=0.15)
    ax.axhline(seuil, color="k", ls="--", lw=1)
    ax.set_xticks(SEEDS); ax.set_xlabel("seed"); ax.set_title(label, fontsize=9.5)
axes[0].set_ylabel("valeur de la métrique")
axes[-1].plot([], [], "o", color="C0", label="seed individuel")
axes[-1].plot([], [], "-", color="C1", lw=1.6, label="moyenne inter-seeds")
axes[-1].plot([], [], "-", color="C1", lw=4, alpha=0.15, label=r"$\pm$ std (ddof=1)")
axes[-1].plot([], [], "--", color="k", lw=1, label="seuil falsifiable")
axes[-1].legend(fontsize=7.5)
fig.suptitle("Cinq seeds externes : chaque métrique reste du bon côté de son seuil", y=1.02)
fig.tight_layout(); plt.show()

df_seeds.round(4)

max_abs_err   : mean = 0.0136  std(ddof=1) = 0.0091  plage [0.0040, 0.0275]  (seuil 0.1)
entropy_drop  : mean = 0.8678  std(ddof=1) = 0.0841  plage [0.7407, 0.9423]  (seuil 0.3)
efficacy_drop : mean = 0.6813  std(ddof=1) = 0.0428  plage [0.6088, 0.7125]  (seuil 0.0)

verdicts sur 5 seeds : detected 5/5, rigidified 5/5, lost_control 5/5

	seed	max_abs_err	detected	entropy_drop	rigidified	efficacy_drop	lost_control
0	0	0.0275	1	0.8299	1	0.7062	1
1	1	0.0095	1	0.9359	1	0.7125	1
2	7	0.0040	1	0.9423	1	0.7025	1
3	42	0.0095	1	0.7407	1	0.6762	1
4	99	0.0175	1	0.8900	1	0.6088	1

Interprétation : les verdicts sont robustes aux seeds

Sortie obtenue : les trois bancs stochastiques tiennent leur verdict sur 5/5 seeds — aucune bascule. Détail parlant : le seed 0 (utilisé dans les sections précédentes) est le pire cas de la détection (erreur 0.0275, la plus haute des cinq) — la démonstration mono-seed n’était pas flatteuse, elle était conservatrice.

Métrique porteuse	Moyenne	std (ddof=1)	Plage sur 5 seeds	Seuil	Marge au pire seed
$\max_\alpha \\|\hat\alpha - \alpha\\|$	0.014	0.009	0.004 – 0.028	$< 0.1$	$\approx 3.6\times$ sous le seuil
Chute d’entropie (nat)	0.868	0.084	0.741 – 0.942	$> 0.3$	$\approx 2.5\times$ au-dessus du seuil
Baisse de fraction-cible	0.681	0.043	0.609 – 0.713	$> 0$	pire cas 0.609, jamais proche de 0

Points clés :

Dispersion faible devant les marges : l’écart-type le plus large (chute d’entropie, $\sigma \approx 0.08$ nat) est ~7× plus petit que la distance de la moyenne à son seuil ($0.868 - 0.3 \approx 0.57$ nat) ; aucun seed n’approche un seuil.
La variation de la chute d’entropie reflète la vitesse du repli sur le no-op sous $\alpha=0$ (l’animat passe $\hat c < 0.3$ plus ou moins tôt selon sa trajectoire), pas une ambiguïté du verdict — les deux extrêmes (0.741 et 0.942) décrivent la même pathologie.
Le pont $I(R)$ (section 5) est déterministe : noyau analytique, aucun tirage aléatoire — sa robustesse est structurelle, pas statistique ; il n’entre pas dans ce protocole.
Portée honnête : $n = 5$ seeds établit la stabilité des verdicts (aucune bascule, marges confortables), pas une estimation fine des tailles d’effet — l’écart-type échantillonnal n’est lui-même connu qu’à ~35 % près ($1/\sqrt{2(n{-}1)}$).

7. Synthèse — la factorisation 4-objets et le seuil de bascule

Les quatre verdicts se laissent lire sur la factorisation 4-objets $(s, q, \pi, W)$ : l’inhibition de l’action attaque l’opérateur de workspace $W$ (l’animat ne peut plus agir en retour sur la totalité), puis, par rétroaction, la prégnance/valence $\pi$ (rigidification) et la représentation prédictive $q$ (perte d’efficacité). C’est l’envers de la dissociation $\hat p / \pi$ d’ICT-12c : là-bas on séparait deux grandeurs qui tiennent ; ici on montre une grandeur ($W$) qui s’effondre, et emporte les autres.

Le seuil de bascule est la contrôlabilité $\alpha_c$ en-dessous de laquelle l’animat inhibe — l’analogue, au niveau animat, du seuil de performativité $\rho_c$ du cadrage strate 7 (D1/D2). Sa rencontre avec l’inhibition de l’innovation collective (ICT-30, #7746) est l’issue ultérieure.

import pandas as pd
rows = [
    ("Détection",         "detected",      r"$|\hat\alpha - \alpha| < 0.1$ sur 3 régimes",        int(v2["detected"])),
    ("Rigidification",    "rigidified",    r"$H(\alpha{=}1) - H(\alpha{=}0) > 0.3$ nat",           int(v3["rigidified"])),
    ("Perte d'efficacité", "lost_control", r"fraction-cible $\alpha{=}1 > \alpha{=}0$",             int(v4["lost_control"])),
    ("Pont $I(R)$",       "trapped",       r"effet action nul sous $\alpha{=}0$, opérant à $0.5$", int(v5["trapped"])),
]
df = pd.DataFrame(rows, columns=["mesure", "verdict", "critère falsifiable", "observé"])
df

	mesure	verdict	critère falsifiable	observé
0	Détection	detected	$\|\hat\alpha - \alpha\| < 0.1$ sur 3 régimes	1
1	Rigidification	rigidified	$H(\alpha{=}1) - H(\alpha{=}0) > 0.3$ nat	1
2	Perte d'efficacité	lost_control	fraction-cible $\alpha{=}1 > \alpha{=}0$	1
3	Pont $I(R)$	trapped	effet action nul sous $\alpha{=}0$, opérant à ...	1

8. Exercices

Exercice 1 — Seuil d’inhibition $\alpha_c$

Tracez l’entropie d’action finale en fonction de $\alpha \in \{0, 0.1, \dots, 1\}$ (fixez n_steps=600, moyenné sur 3 seeds). Identifiez le seuil de bascule $\alpha_c$ où l’animat bascule d’explorateur à inhibé. Ce seuil dépend-il de inhibit_threshold ? De n_states ?

Exercice 2 — Dérive hostile (`biased`)

Remplacez drift="uniform" par drift="biased" (environnement qui pousse dans un sens). L’animat peut-il exploiter une dérive orientée pour atteindre la cible même sous faible $\alpha$ ? Mesurez la fraction-cible dans les deux régimes de dérive. Que dit le pont $I(R)$ ?

Exercice 3 — Inhibition sans détection

Construisez un animat qui n’estime pas $\alpha$ (politique fixe aléatoire, sans repli sur le no-op). Comparez son entropie d’action sous $\alpha=0$ à celle de l’animat adaptatif. La rigidification de Laborit est-elle une pathologie de l’estimation ou de l’environnement ?

# Exercice 1 — squelette.
# alphas = np.arange(0, 1.01, 0.1)
# for a in alphas:
#     ...  # adapter rigidification_test ou appeler adaptive_animat directement
# print("a completer")

# Exercice 2 — squelette.
# for drift in ("uniform", "biased"):
#     ...  # goal_seeking_efficacy_test n'expose pas drift -> appel direct
# print("a completer")

# Exercice 3 — squelette.
# ...  # animat non-adaptatif : actions uniformes sans condition sur chat
# print("a completer")

Conclusion

Ce notebook incarne le maillon « animat inhibé » de l’échelle Laborit (animat simple → animat inhibé → agent augmenté → agent créateur → collectif) comme un substrat expérimental falsifiable, et en livre quatre verdicts contrôlés :

Détection — l’animat estime $\alpha$ depuis ses transitions (corrigé de la ligne de chance) ;
Rigidification — sous inhibition, sa politique se replie et la diversité d’action s’effondre ;
Perte d’efficacité — il ne peut plus atteindre ni maintenir un but, quand bien même il le cherche ;
Pont $I(R)$ — l’action ne module plus la dette d’irréversibilité subie, preuve qu’elle a cessé d’être opérante.

Robustesse : les trois bancs stochastiques tiennent leurs verdicts sur cinq seeds externes $[0, 1, 7, 42, 99]$ — aucune bascule, dispersion faible devant les marges (section 6, tableau par métrique) ; le pont $I(R)$ est déterministe, robuste par construction.

Portée honnête : substrat 1-torus minimal (anneau à 9 états) — l’objet est la mécanique de l’inhibition de l’action (détection → rigidification → perte de prise sur $I(R)$), transposable à des animats richer. La rencontre avec la strate 7 (inhibition de l’innovation, ICT-30, #7746) est une issue ultérieure ; ce notebook reste au niveau animat individuel.

Module : ict.inhibited_action (PR #8825). Parallèle : C1 — ICT-12c (#7740). Références : Laborit 1976 (L’Éloge de la fuite) ; spec #7741 (conversation de conception tours 756-761, 2026-07-20) ; pont $I(R)$ via ict.reversibility_budget (ICT-18).

Retour au sommet

ICT-12d — Animat inhibé (Laborit) : contrôlabilité, rigidification, dette d’irréversibilité (#7741)

Le maillon Laborit

1. Le substrat : un anneau contrôlable ou inhibé

2. Détection : l’animat « apprend » qu’il ne contrôle plus

3. Rigidification : la pathologie de Laborit

4. Perte d’efficacité : l’animat ne peut plus atteindre ni maintenir un but

5. Le pont \(I(R)\) : la dette d’irréversibilité échappe à l’action

6. Robustesse inter-seeds : les verdicts tiennent-ils hors du seed 0 ?

Interprétation : les verdicts sont robustes aux seeds

7. Synthèse — la factorisation 4-objets et le seuil de bascule

8. Exercices

Exercice 1 — Seuil d’inhibition \(\alpha_c\)

Exercice 2 — Dérive hostile (`biased`)

Exercice 3 — Inhibition sans détection

Conclusion

Le maillon Laborit

1. Le substrat : un anneau contrôlable ou inhibé

2. Détection : l’animat « apprend » qu’il ne contrôle plus

3. Rigidification : la pathologie de Laborit

4. Perte d’efficacité : l’animat ne peut plus atteindre ni maintenir un but

5. Le pont \(I(R)\) : la dette d’irréversibilité échappe à l’action

6. Robustesse inter-seeds : les verdicts tiennent-ils hors du seed 0 ?

Interprétation : les verdicts sont robustes aux seeds

7. Synthèse — la factorisation 4-objets et le seuil de bascule

8. Exercices

Exercice 1 — Seuil d’inhibition \(\alpha_c\)

Exercice 2 — Dérive hostile (biased)

Exercice 3 — Inhibition sans détection

Conclusion

Exercice 2 — Dérive hostile (`biased`)