La métrique est le mécanisme, pas la résolution

Chaque système d'imagerie est vendu sur des proxys. Mégapixels. Rapport signal sur bruit. Mires de résolution. Un objectif annoncé comme « net » et un capteur annoncé comme « propre » sont vissés ensemble, et l'acheteur est censé inférer que la combinaison distinguera les objets qui l'intéressent vraiment. Elle le fait rarement, proprement, parce que les proxys n'ont jamais été la propriété. La propriété est : la mesure peut-elle distinguer les objets ? Le mécanisme qui la garantit est : mesurer combien la mesure réduit l'incertitude sur l'objet, et maximiser cela directement.

Un billet du BAIR Blog de janvier 2026, « Information-Driven Design of Imaging Systems » (Berkeley AI Research, 2026, récupéré le 2026-08-23, https://bair.berkeley.edu/blog/2026/01/10/information-driven-imaging/), rapporte un résultat NeurIPS 2025 qui fait exactement cela. Les auteurs remplacent la résolution, le SNR et l'entraînement end-to-end du décodeur par une seule quantité : l'information mutuelle entre l'objet et la mesure. Ils montrent qu'elle prédit la performance en aval sur quatre domaines d'imagerie, et introduisent une méthode — Information-Driven Encoder Analysis Learning (IDEAL) — qui optimise le matériel d'imagerie par ascension de gradient sur l'estimation d'information seule, sans décodeur dans la boucle. Le résultat égale l'optimisation end-to-end de l'état de l'art en utilisant moins de mémoire, moins de calcul et aucune conception de décodeur spécifique à la tâche.

C'est une histoire de Theorem 3. ✅ Une propriété est garantie exactement quand son mécanisme est implémenté et mesurant. La propriété est distinguer les objets ; le mécanisme est estimer l'information mutuelle à partir de mesures avec une physique de bruit connue, et optimiser contre cette estimation. Le reste de ce billet détaille les six formes de mécanisme que l'article instancie, puis trace les parallèles partiels avec la façon dont l'architecture d'Everythink traite la mesure, la validation et la souveraineté. Le résultat sur les systèmes d'imagerie est un travail de grade Production du BAIR ; les parallèles d'Everythink sont Partial ⚠️ — même forme d'argument, domaine différent, nos affirmations ne sont pas le résultat du BAIR.

Mécanisme 1 : L'information mutuelle est la métrique unificatrice (portante)

La résolution mesure la finesse du plus petit trait que l'optique peut résoudre. Le SNR mesure l'écart du signal au-dessus du bruit. La sensibilité spectrale mesure quelles longueurs d'onde le capteur capture. Chacun est un proxy pour un axe de qualité, et chacun est aveugle aux compromis entre axes. Une image floue et bruitée qui préserve les traits nécessaires pour distinguer les objets peut contenir plus d'information qu'une image nette et propre qui perd ces traits — le billet du BAIR le dit directement. L'information mutuelle fait s'effondrer résolution, bruit, échantillonnage et sensibilité spectrale en un seul nombre : combien la mesure réduit l'incertitude sur l'objet qui l'a produite.

✅ Le mécanisme est implémenté et mesurant : la métrique est définie comme I(X ; Y) = H(Y) − H(Y|X), estimée à partir de mesures, et reportée comme un seul nombre comparable entre systèmes. Deux systèmes avec la même information mutuelle sont équivalents dans leur capacité à distinguer les objets, même si leurs mesures se présentent complètement différemment. L'article valide cette affirmation sur quatre domaines d'imagerie — photographie couleur, radioastronomie, imagerie sans lentille et microscopie — et dans chaque domaine, plus d'information signifiait une meilleure performance en aval. C'est la forme Theorem 3 : la propriété est opérationnalisée comme une seule quantité, la quantité est mesurée, et la mesure prédit la propriété.

Mécanisme 2 : Physique de bruit connue, on n'apprend que l'inconnu

Estimer l'information mutuelle entre variables de grande dimension est notoirement difficile. Les besoins en échantillons croissent exponentiellement avec la dimensionnalité, et les estimations naïves souffrent d'un biais et d'une variance élevés. Les auteurs du BAIR évitent le pire en décomposant le problème. L'information mutuelle se décompose comme I(X ; Y) = H(Y) − H(Y|X). Le premier terme, H(Y), mesure la variation totale des mesures due aux différences d'objet et au bruit. Le second, H(Y|X), mesure la variation due au seul bruit.

Le mouvement décisif : les systèmes d'imagerie ont un bruit bien caractérisé. Le bruit de grenaille photonique suit une distribution de Poisson. Le bruit de lecture électronique est gaussien. Cette physique connue signifie que H(Y|X) peut être calculé analytiquement, ne laissant que H(Y) à apprendre des données — ajusté avec un processus gaussien stationnaire, une gaussienne complète, ou un PixelCNN autorégressif, selon le compromis efficacité-précision souhaité par le concepteur. ✅ Le mécanisme est implémenté et mesurant : le modèle de bruit est un fait physique vérifié, pas une supposition apprise, donc la moitié du problème d'estimation est résolue par la physique et seule la distribution des mesures est apprise. C'est la séparation portante. C'est ce qui rend l'estimateur traitable sur de vraies données d'imagerie plutôt que sur un canal jouet.

Mécanisme 3 : Propriété de sécurité de borne supérieure

L'estimateur fournit une borne supérieure sur l'information vraie. Toute erreur de modélisation ne peut que surestimer, jamais sous-estimer. C'est une propriété de sécurité, pas une affirmation de performance. Un concepteur qui optimise contre la borne supérieure optimise contre une estimation optimiste de la capacité d'information du système ; la capacité vraie est au plus égale, et le décodeur en aval performera au plus aussi bien que la borne prédit.

✅ Le mécanisme est implémenté et mesurant : la borne est démontrable par la construction de l'estimateur (un modèle appris de H(Y) ne peut que faillir à capturer toute la structure de la distribution des mesures, ce qui ne peut que gonfler l'estimation d'entropie, ce qui ne peut que gonfler l'estimation d'information mutuelle). Le concepteur n'est jamais surpris par un système qui performe mieux que la borne l'avait prédit — le mode d'échec est conservateur, le cas optimiste est borné. C'est le type de mécanisme qu'une analyse Theorem 3 cherche : non pas « ça marche », mais « la façon dont ça peut échouer est caractérisée ».

Mécanisme 4 : Optimiser l'encodeur, pas le décodeur

L'approche standard de conception d'imagerie computationnelle, l'optimisation end-to-end, entraîne conjointement le matériel d'imagerie et un décodeur neuronal. Cela exige de rétropropager à travers tout le décodeur, ce qui crée des contraintes de mémoire, des difficultés d'optimisation et un couplage dur entre la conception du matériel et l'architecture de décodeur choisie pour l'entraînement. IDEAL évite tout cela. Il optimise l'encodeur seul — les paramètres du système d'imagerie — par ascension de gradient sur l'estimation d'information, sans décodeur dans la boucle.

✅ Le mécanisme est implémenté et mesurant : l'encodeur est optimisé contre un objectif agnostique au décodeur, donc le matériel résultant n'est pas marié à un seul consommateur en aval. L'article a testé cela sur la conception de filtres couleur : partant d'un arrangement de filtres aléatoire, IDEAL a progressivement amélioré la conception et le résultat final a égalé l'optimisation end-to-end tant en contenu d'information qu'en qualité de reconstruction, évitant la complexité du décodeur pendant l'entraînement. L'encodeur est évaluable en ses propres termes, par son contenu d'information, sans s'engager envers un décodeur.

Mécanisme 5 : Validé sur quatre domaines

Une métrique qui prédit la performance en aval dans un domaine d'imagerie pourrait être un artefact de ce domaine. Les auteurs du BAIR testent l'estimateur sur quatre : photographie couleur (comparant les arrangements de filtres Bayer, aléatoire et appris), radioastronomie (sélection de sites de télescopes parmi des configurations où la valeur de chaque site dépend de tous les autres), imagerie sans lentille (comparant lentille, réseau de microlentilles et diffuseur à divers niveaux de bruit) et microscopie (microscopes à réseau LED prédisant la précision d'expression de protéines à partir d'images cellulaires). Dans les quatre, des estimations d'information plus élevées ont constamment produit de meilleurs résultats sur la tâche en aval.

✅ Le mécanisme est implémenté et mesurant : le même estimateur, la même décomposition, la même propriété de borne supérieure, appliqués à quatre systèmes d'imagerie physiquement distincts, ont prédit la performance en aval dans chaque cas. La métrique n'est pas un truc de photographie couleur ni un truc de radioastronomie ; c'est une propriété de la mesure elle-même. La preuve de généralisation est la différence entre un mécanisme qui tient dans un laboratoire et un mécanisme qui tient.

Mécanisme 6 : Prédit la performance en aval sans la tâche en aval

L'implication la plus profonde est que l'estimation d'information prédit la performance du décodeur sans exiger que le décodeur soit entraîné. En radioastronomie, cela signifie la sélection de sites de télescopes sans reconstruction d'image coûteuse. En microscopie, cela signifie évaluer des conceptions d'éclairage sans expériences coûteuses de marquage de protéines. En photographie couleur, cela signifie classer des conceptions de filtres sans lancer de démosaïçage neuronal.

✅ Le mécanisme est implémenté et mesurant : la propriété (performance de la tâche en aval) est garantie par une quantité mesurée (information mutuelle) qui n'exige pas que la tâche en aval soit instanciée. C'est le gain Theorem 3. Il n'est pas nécessaire de construire le décodeur pour savoir si l'encodeur est bon. On mesure le contenu d'information des mesures, et cette mesure est la garantie.

Parallèles trans-domaine (Partial ⚠️)

Le résultat du BAIR est un mécanisme Production ✅ en imagerie computationnelle. Les parallèles ci-dessous sont Partial ⚠️ — même forme d'argument, appliquée au domaine d'Everythink, non validée au standard de l'article du BAIR.

Site unique de normalisation. ⚠️ L'Oracle d'Everythink normalise les probabilités de scénarios en exactement un endroit — la fusion d'ensemble — de sorte que les consommateurs peuvent se fier à sum(probabilité) ≈ 1.0, scénarios triés décroissant, entropie en nats. C'est la même forme que l'information mutuelle fait s'effondrer résolution, bruit et échantillonnage en un nombre : une propriété auparavant dispersée entre proxys est garantie par une seule quantité mesurée. La normalisation unique de l'Oracle n'est pas l'information mutuelle, mais c'est le même geste architectural — unifier la propriété en un mécanisme mesuré.

Valider à la frontière. ⚠️ Everythink analyse les types filaire avec Zod à la frontière réseau ; une charge utile erronée surgit comme un ApiError typé, jamais comme un crash. C'est la même forme qu'IDEAL optimisant l'encodeur seul : valider l'entrée là où elle entre, ne pas coupler la validation à chaque consommateur en aval. L'analogue d'imagerie est « évaluer l'encodeur par son contenu d'information, pas par la sortie du décodeur » ; l'analogue d'Everythink est « valider la charge utile à l'API, pas à chaque site d'appel ».

Trait, pas adaptateur. ⚠️ Les dépôts AppState d'Everythink sont Arc, donc les tests substituent des mocks et la vérification dépend du trait, pas de l'adaptateur Pg* concret. C'est la même forme qu'IDEAL optimisant de façon agnostique au décodeur : la propriété est garantie par le trait (le contrat d'interface), pas par une implémentation. L'analogue d'imagerie est « l'encodeur est évaluable indépendamment du décodeur » ; l'analogue d'Everythink est « le dépôt est évaluable indépendamment de l'adaptateur Postgres ».

Souveraineté par construction. ⚠️ Le texte en clair de l'Eye Key ne touche jamais le disque — seul le HMAC et l'empreinte vont à Postgres, et le texte en clair est montré une fois, en mémoire. C'est la même forme que la propriété de borne supérieure de l'estimateur du BAIR : le mode d'échec est caractérisé par construction. Le mode d'échec de l'Eye Key est « le texte en clair est parti, le HMAC reste » — un échec conservateur, pas une fuite. Le mode d'échec de l'estimateur est « la borne est lâche, la capacité vraie est au plus celle-là » — également un échec conservateur. Les deux sont des mécanismes dont la sécurité réside dans la façon dont ils peuvent échouer.

Identité déterministe. ⚠️ Les identifiants GeoSignal du World Monitor sont des uuidv5 déterministes (source, id_natif), donc la réingestion met à jour au lieu de dupliquer. C'est la même forme que la décomposition de physique de bruit du BAIR : une composante connue et déterministe du problème (l'identité de la source, la distribution de bruit) est calculée analytiquement plutôt qu'apprise, et seule la composante incertaine (le delta de signal, la distribution des mesures) est apprise des données. Physique connue, identité déterministe — les deux font s'effondrer le problème d'apprentissage sur ce qui est véritablement inconnu.

Reproductibilité versionnée. ⚠️ Les Sisters d'Everythink sont des personnalités typées chargées depuis TOML à l'exécution, et la version de prompt dans le TOML est estampillée sur chaque exécution pour la reproductibilité. C'est la même forme que la propriété de borne supérieure de l'estimateur du BAIR : une garantie attachée à la sortie, non affirmée séparément. L'estampille des Sisters est « cette prévision a été produite avec la version de prompt X » ; la borne de l'estimateur est « cette mesure a au plus l'information Y ». Les deux rendent la garantie inspectable sur l'artefact.

Limites de portée

Le résultat du BAIR est civil/défensif au sens large — les systèmes d'imagerie incluent l'imagerie médicale (IRM, microscopie) et les capteurs de véhicules autonomes, où le coût d'une mauvaise mesure est un préjudice. Les parallèles d'Everythink sont commerciaux/industriels : l'Oracle est un moteur de prévision pour la décision commerciale et industrielle, pas un dispositif médical, et l'Eye Key est un mécanisme de souveraineté d'API pour développeurs, pas un contrôle de sécurité clinique. Les parallèles trans-domaine sont des affirmations de forme architecturale, pas des affirmations de performance — le site unique de normalisation d'Everythink n'est pas validé au standard quatre domaines du BAIR, et le motif de port basé sur trait n'est pas validé comme estimateur d'information. Les 21 papers qui sous-tendent les garanties de prévision d'Everythink sont un corpus séparé ; le paper NeurIPS 2025 du BAIR est un paper, dans un domaine, avec un mécanisme. Aucun résultat de token, wallet ou crédit de communauté n'est promis ici — ceux-ci restent Roadmap 🔵, pré-revenu, soumis à révision Howey.

Questions fréquentes

L'information mutuelle est-elle une idée nouvelle ? Non. Le billet du BAIR nomme deux tentatives antérieures : traiter les systèmes d'imagerie comme des canaux de communication sans contrainte (ce qui ignorait les limites physiques et produisait des estimations sauvagement inexactes), et exiger des modèles explicites des objets imagés (ce qui limitait la généralité). La contribution est d'estimer l'information directement à partir de mesures avec une physique de bruit connue, évitant les deux modes d'échec antérieurs.

IDEAL remplace-t-il l'optimisation end-to-end ? Dans le test de conception de filtres couleur, IDEAL a égalé l'optimisation end-to-end tant en contenu d'information qu'en qualité de reconstruction tout en utilisant moins de mémoire, moins de calcul et aucune conception de décodeur spécifique à la tâche. L'article n'affirme pas qu'IDEAL domine end-to-end dans chaque contexte ; il affirme que la voie d'optimisation de l'encodeur est compétitive et meilleur marché. C'est une affirmation de substitution dans le domaine testé, pas une affirmation universelle.

Pourquoi la borne supérieure compte-t-elle ? Un estimateur conservateur est sûr pour optimiser contre. Si l'estimateur pouvait sous-estimer, un concepteur qui optimise contre lui pourrait laisser de la performance sur la table et ne jamais le savoir. Si l'estimateur ne peut que surestimer, le concepteur sait que la capacité vraie est au plus la borne, et le décodeur en aval performera au plus aussi bien que la borne prédit. Le mode d'échec est caractérisé, non caché.

En quoi cela diffère-t-il de simplement entraîner un décodeur et mesurer la précision ? Entraîner un décodeur conflate la qualité du matériel d'imagerie avec celle de l'algorithme. Un bon décodeur peut compenser un mauvais capteur, et un mauvais décodeur peut saboter un bon capteur. La métrique d'information isole le matériel : elle mesure le contenu d'information de l'encodeur directement, sans que la qualité du décodeur ne contamine l'évaluation.

Qu'est-ce que cela signifie pour Everythink ? Forme architecturale, pas performance. Le site unique de normalisation de l'Oracle, les ports basés sur trait, la souveraineté de l'Eye Key par construction et le motif Zod-à-la-frontière sont tous la même forme d'argument que le mécanisme du BAIR : unifier la propriété en un mécanisme mesuré, valider à la frontière, caractériser le mode d'échec. Le paper du BAIR est la version Production ✅ de cette forme en imagerie computationnelle ; les parallèles d'Everythink sont des versions Partial ⚠️ en architecture de prévision et d'outils pour développeurs.

Sources

• Berkeley AI Research (BAIR) Blog, « Information-Driven Design of Imaging Systems », 10 janvier 2026. URL : https://bair.berkeley.edu/blog/2026/01/10/information-driven-imaging/. Récupéré le 2026-08-23. Éditeur : Berkeley AI Research (UC Berkeley). Le billet rapporte le paper NeurIPS 2025 « Information-Driven Encoder Analysis Learning (IDEAL) » et le cadre d'estimation d'information validé sur photographie couleur, radioastronomie, imagerie sans lentille et microscopie.

The Honest Architect dit : mesure la propriété directement, caractérise comment la mesure peut échouer, et optimise contre la mesure. Les proxys sont ce que tu vends ; les mécanismes sont ce que tu construis.