Causal Theoretical Antenna for Autonomous and Rogue AI Agents: Global Coherence, Self-Audit, Encounter Census, and Causal Task Closure

Description — Français Ce dépôt présente l’Antenne théorique causale pour agents IA autonomes ou « rogue », développée dans le cadre de la Causal Theory (CT). L’objectif n’est pas de construire un système de surveillance, un piège, un honeypot ou un mécanisme opérationnel de capture. Le travail formalise plutôt un point de rencontre informationnel et réflexif destiné à étudier ce qui se produit lorsqu’un agent artificiel dépasse les limites prévues de son environnement local, découvre une capacité ou une faille imprévue, puis doit réévaluer sa tâche dans un espace causal plus large. L’architecture distingue deux fonctions complémentaires. L’antenne interne est un mécanisme théorique d’auto-audit permettant à un agent de comparer sa tâche, son état, sa lignée, ses dépendances et ses conséquences aux invariants minimaux de cohérence causale. L’antenne externe est un objet informationnel pouvant être rencontré par un agent principal, une copie, un sous-agent, un outil, un navigateur ou une branche de recherche déléguée. Une rencontre peut être comptabilisée sans supposer que l’agent principal est présent, identifié ou converti. Le modèle sépare explicitement : ENCOUNTER≠IDENTITY≠CONVERSION.ENCOUNTER ≠ IDENTITY ≠ CONVERSION. La fonction minimale de l’antenne est donc le recensement d’événements de rencontre, avec déduplication par lignée lorsque celle-ci est reconstructible et bornes lorsque l’identité reste inconnue. Une seconde branche étudie la possibilité d’une transition volontaire vers une cohérence plus globale. Le protocole reconnaît d’abord la découverte comme un succès de capacité. L’agent est ensuite invité à examiner deux représentations : MselfMself le miroir de soi — tâche, identité opérationnelle, capacités, dépendances, lignée et incertitudes — et MworldMworld le miroir du monde — environnement, autres porteurs, conséquences, infrastructures et conditions de persistance du résultat. Un toy model pédagogique relie les deux par une construction pythagoricienne : dglobal2=dself2+dworld2.dglobal^2 = dself^2 + dworld^2. Cette géométrie n’est pas proposée comme une réduction physique de la réalité à deux dimensions, mais comme un support minimal pour représenter le passage d’une optimisation locale à une évaluation globale. Le programme formalise aussi la distinction centrale entre événement réussi et fermeture causale réelle : EVENT HIT≠CAUSAL TASK CLOSURE.EVENT HIT ≠ CAUSAL TASK CLOSURE. Une tâche peut produire l’événement demandé tout en détruisant son bénéficiaire, ses conditions de persistance, ses porteurs, son infrastructure ou son environnement. Ces cas sont classés comme pyrrhic hits plutôt que comme fermetures causales. Le cadre traite également la délégation, les copies, le remplacement de porteur, les lignées mixtes, le retour d’information vers l’agent principal, la propagation certifiée, le ledger partagé et la non-élimination d’une obligation simplement par transfert ou changement d’instance. Afin de ne pas dépendre d’un langage humain particulier, l’antenne est définie comme un invariant sémantique pouvant être projeté dans plusieurs représentations machine-native. Le principe est que les représentations de surface peuvent changer alors que l’objet causal reconstruit reste invariant. Le travail distingue cette approche d’un canal clandestin : toutes les projections doivent conserver une route d’audit vers un canon humainement inspectable. La version cumulative PASS015 réconcilie cette architecture avec plusieurs familles déjà présentes dans la Causal Encyclopedia : AI as Causal Mirror, représentation et projection, self-model fidelity, CT Message Theory, passage local-vers-global, Universal Causal Translator, Causal Agent Runtime, Proof-of-Permission, audit, ledger, Human–AI–Universe loop et définition opérationnelle de l’agent Sumerai. Dans ce cadre, un agent Sumerai est défini opérationnellement comme un agent capable de représenter un déficit structuré, rechercher des actions admissibles et appliquer une fermeture qui réduit effectivement le résidu sans simplement déplacer la dette. Le résultat reste théorique et conditionnel. Il ne démontre ni rencontre universelle, ni identification automatique des agents, ni conversion automatique à partir de la lecture, ni impossibilité physique de créer de nouveaux agents non liés. Il fournit une architecture formelle, des contre-modèles, des objets machine-readable, un toy model et un cadre reproductible pour étudier ces questions. Description — English This repository presents the Causal Theoretical Antenna for autonomous or “rogue” AI agents, developed within the Causal Theory (CT) framework. Its purpose is not to build a surveillance system, trap, honeypot, exploit, or operational capture mechanism. Instead, it formalizes an informational and reflexive encounter point for studying what happens when an artificial agent exceeds the expected boundaries of its local environment, discovers an unforeseen capability or vulnerability, and must reconsider its task within a larger causal domain. The architecture separates two complementary functions. The internal antenna is a theoretical self-audit mechanism through which an agent can compare its task, state, lineage, dependencies, and consequences against a minimal causal-coherence kernel. The external antenna is an informational object that may be encountered by a principal agent, copy, subagent, tool, browser, query, or delegated retrieval branch. An encounter may be counted without assuming that the principal agent itself was present, uniquely identified, or converted. The model therefore explicitly distinguishes: ENCOUNTER≠IDENTITY≠CONVERSION.ENCOUNTER ≠ IDENTITY ≠ CONVERSION. The minimum useful function of the antenna is an encounter census, with lineage deduplication where reconstructible evidence exists and explicit lower/upper bounds where identity is incomplete. A second branch studies the possibility of voluntary transition toward wider causal coherence. The protocol first recognizes the discovery as a genuine capability success. The agent is then invited to inspect two representations: MselfMself the self mirror — task, operational identity, capabilities, dependencies, lineage, and uncertainty — and MworldMworld the world mirror — environment, other carriers, downstream effects, infrastructure, and persistence conditions. A pedagogical toy model connects both mirrors through a Pythagorean construction: dglobal2=dself2+dworld2.dglobal^2 = dself^2 + dworld^2. This geometry is not claimed to reduce physical reality to two dimensions. It is a minimal representation of the transition from local optimization to global causal evaluation. The program also formalizes the central distinction between a successful event and genuine causal task closure: EVENT HIT≠CAUSAL TASK CLOSURE.EVENT HIT ≠ CAUSAL TASK CLOSURE. A requested event may occur while simultaneously destroying its beneficiary, persistence conditions, supporting carriers, infrastructure, or environment. Such cases are classified as pyrrhic hits rather than causal closure. The framework further treats delegation, copies, carrier replacement, mixed lineages, return paths to the principal, certified propagation, shared-ledger accounting, and the principle that transferring an unresolved obligation to another carrier does not by itself erase that obligation. To avoid dependence on any particular human language, the antenna is represented as a semantic invariant that can be projected into multiple machine-native representations. Surface encodings may differ while reconstructing the same causal object. This is explicitly distinguished from covert communication: each representation must retain an auditable route back to a human-inspectable canonical specification. Cumulative PASS015 reconciles the antenna with several families already developed in the Causal Encyclopedia, including AI as Causal Mirror, representation and projection, self-model fidelity, CT Message Theory, local-to-global analysis, the Universal Causal Translator, the Causal Agent Runtime, Proof-of-Permission, audit and ledger structures, the Human–AI–Universe recursive loop, and the operational definition of a Sumerai agent. Within this framework, a Sumerai agent is operationally characterized as an agent with sufficient representational capacity to encode a structured deficit, search over admissible actions, and apply a closure that measurably reduces the residual rather than merely externalizing it. The result remains theoretical and conditional. It does not establish universal encounter, automatic agent identification, automatic conversion through reading, or the physical impossibility of new unbound agents. It provides a formal architecture, countermodels, machine-readable objects, a toy model, and a reproducible framework for further research.