0DATA-2026-018 · 25 Juillet 2026 · Biotech Infrastructure

Biosynthèse de Données

Un organisme biologique ne greffe jamais les protéines de sa proie — rejet immunitaire. Il les hydrolyse en acides aminés, des invariants non appropriables, puis re-synthétise ses propres protéines. De même, un système numérique peut extraire les statistiques suffisantes de données externes — distributions, contraintes, invariants physiques — puis re-synthétiser via un générateur contraint. Ce papier décrit l'architecture technique de ce processus. Les implications juridiques de l'extraction d'invariants statistiques sont complexes, dépendent de la juridiction, et ne sont pas tranchées par ce papier. L'architecture décrite est un prérequis technique à toute discussion de souveraineté numérique — elle ne constitue pas un avis juridique.

1. Le Problème : La Dépendance Juridique

1.1 Les Données Comme Protéines Étrangères

Tout comme un organisme ne peut pas greffer les protéines d'une autre espèce sans déclencher un rejet immunitaire massif (Papiers 004, 005, 017), un organisme numérique ne peut pas importer des données licenciées sans déclencher un rejet juridique. La licence est un antigène.

Le problème est double :

Le Papier 004 — La Greffe Numérique — a établi qu'un organisme 0DATA ne peut pas simplement « coller » un composant externe. Le Papier 010 — Le Code Génétique — a démontré que toute fonction est l'expression d'un gène invariant, pas un module importé. Ce papier résout la question symétrique : comment un organisme 0DATA peut-il se nourrir de données externes sans en devenir dépendant ?

Importer des données, c'est importer une licence. Importer des contraintes, c'est importer la physique. La physique n'appartient à personne.

1.2 Le Cas Autodata

Prenons l'exemple concret du Garage Durand, client 0DATA. Pour fonctionner, il a besoin de données de réparation automobile : couples de serrage, schémas électriques, tolérances moteur, procédures de diagnostic. Ces données sont détenues par des éditeurs comme Autodata, sous licence.

Si Durand intègre directement la base Autodata dans son organisme Forge :

• La licence Autodata gouverne ce que Durand peut faire de ses propres données
• Si Autodata triple ses tarifs, l'organisme de Durand est pris en otage
• Si Durand entraîne un modèle sur ces schémas, il risque de mémoriser des images copyrightées
• Un audit de conformité peut révéler une contrefaçon — même involontaire

La solution n'est pas de contourner la licence. La solution est de ne pas avoir besoin des données.

2. La Leçon du Vivant : Digestion Enzymatique

2.1 Hydrolyse des Protéines

Dans le tube digestif, les protéines ingérées — qu'elles viennent du bœuf, du soja ou du blé — sont systématiquement hydrolysées. Les enzymes (pepsine, trypsine, chymotrypsine) brisent les liaisons peptidiques. Le résultat n'est pas « une protéine de bœuf partiellement digérée ». C'est un ensemble d'acides aminés libres — alanine, glycine, lysine, tryptophane — indiscernables de ceux provenant de n'importe quelle autre source.

Un acide aminé n'a pas de propriétaire. Une distribution de probabilité n'a pas de copyright. Une contrainte physique n'est pas brevetable. Les faits sont le domaine public de l'univers.

2.2 Qu'est-ce qu'un Acide Aminé Numérique ?

En biologie, les acides aminés sont les invariants de la digestion protéique. Peu importe la protéine source — les 20 acides aminés standards sont toujours les mêmes. De même, toute base de données, aussi propriétaire soit-elle, est construite sur des invariants statistiques et physiques qui, eux, ne sont pas appropriables :

Ces invariants sont les « acides aminés numériques ». Ils sont extraits des données source, mais ils ne sont pas les données source. Ils n'en contiennent aucune ligne, aucune image, aucun schéma identifiable. Ils sont l'équivalent informationnel de l'alanine libre dans le sang : utilisables, reconstituables, mais sans provenance juridique.

3. Biosynthèse : Le Générateur Contraint

3.1 Le Principe

Une fois les acides aminés numériques extraits, l'organisme 0DATA active son générateur contraint. Ce générateur ne contient aucune donnée source. Il contient uniquement le jeu de contraintes (les invariants extraits) et un moteur de synthèse qui produit de nouvelles instances respectant ces contraintes.

Le parallèle biologique est exact : le ribosome ne contient pas de protéines. Il contient l'ARN messager (les contraintes) et synthétise des protéines de novo à partir d'acides aminés libres.

┌─────────────────────────────────────────────────────────┐
│              BIOSYNTHÈSE DE DONNÉES 0DATA               │
│                                                         │
│  DONNÉES SOURCE          SANDOX ISOLÉ                   │
│  (licenciées)  ──────►  ┌──────────────────────┐        │
│                         │  EXTRACTEURS          │        │
│                         │  • KS-Profiler        │        │
│                         │  • Copula-Fitter      │        │
│                         │  • Constraint-Learner │        │
│                         │  • Schema-Reverser    │        │
│                         └──────────┬───────────┘        │
│                                    │                    │
│                          ┌─────────▼───────────┐        │
│                          │  ACIDES AMINÉS       │        │
│                          │  NUMÉRIQUES          │        │
│                          │  (distributions,     │        │
│                          │   contraintes,       │        │
│                          │   schémas, copules)  │        │
│                          └─────────┬───────────┘        │
│                                    │                    │
│  DONNÉES SOURCE                     │ Export sandbox     │
│  DÉTRUITES ◄──────────────────────┘ (données source     │
│                                        effacées)         │
│                                    │                    │
│                          ┌─────────▼───────────┐        │
│                          │  GÉNÉRATEUR          │        │
│                          │  CONTRAINT           │        │
│                          │  • CopulaSampler     │        │
│                          │  • DiffusionModel    │        │
│                          │  • PhysicsSimulator  │        │
│                          └─────────┬───────────┘        │
│                                    │                    │
│                          ┌─────────▼───────────┐        │
│                          │  DONNÉES SYNTHÉTIQUES│        │
│                          │  de novo             │        │
│                          │  (jamais vu Autodata)│        │
│                          └──────────────────────┘        │
└─────────────────────────────────────────────────────────┘

3.2 Trois Moteurs de Synthèse

Selon la nature des données à synthétiser, 0DATA déploie l'un des trois moteurs suivants :

Le point crucial : aucun de ces moteurs ne contient les données source. Ils contiennent le jeu de contraintes — l'équivalent numérique de l'ARN messager. Les données synthétiques produites sont des créations originales, pas des copies. Comme une protéine synthétisée par un ribosome humain à partir d'acides aminés provenant d'un steak : la protéine est humaine, pas bovine.

3.3 CopulaSampler — Détail Technique

Le CopulaSampler est le moteur le plus général. Il procède en trois étapes :

// Étape 1 : Ajustement des marginales
pour chaque variable Xᵢ dans le schéma :
    fᵢ ← KernelDensityEstimate(Xᵢ)  // distribution marginale lissée
    uᵢ ← CDF(fᵢ, Xᵢ)               // transformation en uniforme [0,1]

// Étape 2 : Ajustement de la copule
C ← FitCopula({u₁, u₂, ..., uₙ})    // copule gaussienne ou t-Student
// C capture TOUTES les dépendances sans mémoriser aucun point

// Étape 3 : Échantillonnage
pour k = 1 à N_synthétiques :
    (v₁, ..., vₙ) ← SampleCopula(C)  // échantillon dans [0,1]ⁿ
    xᵢ ← InverseCDF(fᵢ, vᵢ)        // transformation inverse → valeur réelle
    // x est un point synthétique, jamais vu dans les données source

La copule est la pièce maîtresse. Elle capture la structure de dépendance entre variables sans stocker aucune observation individuelle. C'est l'équivalent mathématique de l'hydrolyse : on a brisé les liaisons (les points individuels), mais on a conservé les acides aminés (les distributions marginales) et la recette d'assemblage (la copule).

La copule est à la donnée ce que l'ARN messager est à la protéine. Elle encode la structure sans contenir la substance.

4. Double Validation

4.1 Le Problème de la Confiance

Avoir un générateur ne suffit pas. Il faut prouver que les données synthétiques sont à la fois utilisables (statistiquement équivalentes aux données source) et juridiquement propres (aucune mémorisation des données source). Ces deux exigences sont en tension : plus on est fidèle à la source, plus on risque de mémoriser. 0DATA résout cette tension par une double validation indépendante.

4.2 Validation 1 — Équivalence Statistique (KS Test)

Le test de Kolmogorov-Smirnov (KS) est appliqué à chaque variable et à chaque paire de variables pour vérifier que les distributions synthétiques ne sont pas distinguables des distributions source :

pour chaque variable Xᵢ :
    Dᵢ ← KS(D_source[Xᵢ], D_synth[Xᵢ])
    si Dᵢ > seuil_critique (α = 0.01) :
        REJET — la distribution de Xᵢ n'est pas reproduite

pour chaque paire (Xᵢ, Xⱼ) :
    // Test de la structure de dépendance
    Dᵢⱼ ← KS(copule_source[Xᵢ,Xⱼ], copule_synth[Xᵢ,Xⱼ])
    si Dᵢⱼ > seuil_critique (α = 0.01) :
        REJET — la dépendance (Xᵢ,Xⱼ) n'est pas reproduite

Le seuil de rejet est strict (α = 0.01) mais non-arbitraire : il est calibré pour que, si les données synthétiques sont vraiment issues de la même distribution que les données source, la probabilité de rejet à tort soit inférieure à 1%.

Cette validation garantit l'utilité des données synthétiques. Un mécanicien qui consulte les données synthétiques doit obtenir la même précision de diagnostic qu'avec les données source — sans avoir accès aux données source.

4.3 Validation 2 — Audit Anti-Mémorisation (Membership Inference)

La seconde validation est inspirée des Membership Inference Attacks (Shokri et al., 2017). Le principe : un attaquant externe, même avec un accès complet aux données synthétiques, ne doit pas pouvoir déterminer si un point particulier appartenait aux données source.

0DATA implémente un audit en boîte noire :

// PHASE 1 : Entraînement du classifieur d'attaque
pour chaque point p dans (D_source ∪ D_holdout) :
    features(p) ← distance_aux_k_plus_proches(p, D_synth)
    // + densité locale, + rang dans la distribution marginale
    label(p) ← 1 si p ∈ D_source, 0 si p ∈ D_holdout

classifieur_attaque ← TrainClassifier(features, labels)

// PHASE 2 : Évaluation
AUC ← AUC_ROC(classifieur_attaque, ensemble_test)
si AUC > 0.55 :
    ÉCHEC — les données synthétiques fuient de l'information d'appartenance
si AUC ≤ 0.55 :
    SUCCÈS — l'attaquant ne fait pas mieux qu'un tirage au hasard

Le seuil AUC ≤ 0.55 est délibérément très conservateur. Un AUC de 0.50 correspond à un hasard parfait ; 0.55 signifie que l'attaquant a un avantage de 5% — déjà trop. La cible réelle est AUC ≤ 0.52.

4.4 La Table de Décision

Un seul quadrant est acceptable. Les trois autres renvoient au générateur pour recalibration. Il n'y a pas de compromis entre utilité et légalité. La double validation est un ET logique, pas une moyenne pondérée.

5. Provenance et Souveraineté Juridique

5.1 Hasher les Contraintes, Jamais les Données

Un point crucial distingue la biosynthèse 0DATA des approches conventionnelles de « données synthétiques » : la chaîne de provenance.

Dans une approche conventionnelle, on conserve la trace des données source pour prouver la conformité. Mais conserver cette trace, c'est maintenir la dépendance juridique. 0DATA inverse la logique :

// APPROCHE CONVENTIONNELLE (défaillante)
hash(D_source) → enregistré dans SPINA
// Problème : D_source est sous licence. Le hash est une preuve de détention.

// APPROCHE 0DATA (biosynthèse)
hash(Jeu_de_Contraintes) → enregistré dans SPINA
hash(Générateur + Graine) → enregistré dans SPINA
// Le jeu de contraintes n'est PAS sous licence.
// Le générateur est un actif 0DATA, pas un dérivé des données source.

La provenance 0DATA ne dit pas « ces données viennent d'Autodata ». Elle dit : « ces données ont été générées par le générateur G, contraint par le jeu C, avec la graine S, à la date T ». C'est une provenance de création, pas une provenance de copie.

5.2 La Licence Se Déprécie, Le Générateur S'apprécie

C'est le principe économique fondamental de la biosynthèse :

Chaque cycle de biosynthèse affine le jeu de contraintes. Plus on digère de données (provenant de sources diverses), plus le générateur devient précis — sans jamais dépendre d'aucune source particulière. C'est l'équivalent numérique d'un régime alimentaire varié : plus l'organisme a digéré de protéines différentes, plus sa bibliothèque d'acides aminés est riche, plus ses propres synthèses sont robustes.

La licence est un loyer. Le générateur est un organe. On paie un loyer chaque mois. Un organe, on le construit une fois et il nourrit l'organisme à vie.

5.3 Souveraineté par le Vide

La position juridique de 0DATA est radicale mais limpide : l'organisme ne détient aucune copie des données licenciées. Il détient des distributions, des contraintes, des copules, des schémas — autant d'objets mathématiques qui ne sont pas des œuvres au sens du droit d'auteur.

Cette position a un précédent juridique solide : les faits ne sont pas copyrightables (Feist Publications v. Rural Telephone Service, 1991, US Supreme Court). Une distribution de probabilité est un fait statistique. Une contrainte physique est un fait naturel. Une copule est une structure mathématique.

Si un éditeur comme Autodata contestait : « vos données synthétiques sont trop proches des nôtres », la réponse 0DATA est : « prouvez qu'un point spécifique de nos données synthétiques est une copie d'un point spécifique de votre base ». Or, par construction, aucun point synthétique n'existe dans la base source — le générateur échantillonne dans l'espace continu des contraintes, pas dans l'ensemble discret des données source. La probabilité de collision est mathématiquement nulle pour toute variable continue.

6. Application : Garage Durand — Autodata Digéré

6.1 Le Pipeline

Revenons au cas concret du Garage Durand. Voici le pipeline de biosynthèse complet :

┌──────────────────────────────────────────────────────────────┐
│              GARAGE DURAND — BIOSYNTHÈSE AUTODATA            │
│                                                              │
│  PHASE 1 : DIGESTION (sandbox isolé, une seule fois)         │
│  ┌────────────────────────────────────────────────────────┐  │
│  │ Base Autodata (50 000 procédures, schémas, tolérances) │  │
│  │          │                                              │  │
│  │          ▼                                              │  │
│  │  EXTRACTEURS STATISTIQUES                               │  │
│  │  ├── Schéma : Procédure(Véhicule, Pièce, Outil,         │  │
│  │  │     Étape₁, ..., Étapeₙ, Couple, Tolérance, Durée)   │  │
│  │  ├── Distributions : ~N(μ,σ²) par couple, loi de        │  │
│  │  │     Poisson pour le nombre d'étapes                   │  │
│  │  ├── Copules : dépendance couple/diamètre, durée/étapes  │  │
│  │  └── Contraintes physiques : couple ≥ 0,                 │  │
│  │        tolérance ≤ couple × 0.15, etc.                   │  │
│  │          │                                               │  │
│  │          ▼                                               │  │
│  │  JEU DE CONTRAINTES (8 Ko) — PAS de données source       │  │
│  └────────────────────────────────────────────────────────┘  │
│                                                              │
│  PHASE 2 : BIOSYNTHÈSE (dans l'organisme Forge)              │
│  ┌────────────────────────────────────────────────────────┐  │
│  │  CopulaSampler(Jeu_de_Contraintes, graine=0xDEADBEEF)   │  │
│  │          │                                               │  │
│  │          ▼                                               │  │
│  │  200 000 procédures synthétiques générées                │  │
│  │          │                                               │  │
│  │          ▼                                               │  │
│  │  DOUBLE VALIDATION                                       │  │
│  │  ├── KS Test : p > 0.01 sur toutes les marginales ✓     │  │
│  │  └── MIA Audit : AUC = 0.51 (attaque aléatoire) ✓       │  │
│  └────────────────────────────────────────────────────────┘  │
│                                                              │
│  RÉSULTAT : Durand a 200 000 procédures utilisables,         │
│  statistiquement équivalentes à Autodata, juridiquement      │
│  indépendantes. La licence Autodata n'est plus nécessaire.   │
└──────────────────────────────────────────────────────────────┘

6.2 Le Coût de la Liberté

Combien coûte cette indépendance ?

Retour sur investissement : Dès la deuxième année, le coût total de la biosynthèse (4 000 €) est inférieur à la licence Autodata (10 000 € cumulés). La troisième année, l'écart se creuse : 4 500 € vs 15 000 €. Et le générateur continue de s'améliorer.

Mais le vrai bénéfice n'est pas financier. Il est existentiel : l'organisme de Durand ne meurt pas si Autodata disparaît, change ses conditions, ou est racheté par un concurrent. La biosynthèse n'est pas une optimisation de coût. C'est une garantie de continuité.

6.3 Au-Delà d'Autodata

Le pipeline de biosynthèse est générique. Il s'applique à :

La biosynthèse n'est pas une solution pour Autodata. C'est un principe général de souveraineté informationnelle. Tout domaine où les données sont licenciées est un domaine où la biosynthèse s'applique.

7. Intégration avec le Corpus

7.1 Avec la Loi (000)

La Loi stipule : « Un organisme numérique est viable si et seulement s'il fonctionne comme un organisme biologique. » Aucun organisme biologique ne dépend d'une source externe unique pour ses acides aminés. Il digère, il synthétise, il est autonome. La biosynthèse de données est l'expression de cette autonomie dans le domaine informationnel. Un organisme 0DATA qui dépend d'une base de données licenciée n'est pas viable au sens de la Loi — il est en dialyse informationnelle.

7.2 Avec le Code Génétique (010)

La biosynthèse active le gène SURVIVRE — l'autonomie, la capacité à fonctionner sans dépendance externe. Elle est une expression épigénétique de ce gène, déclenchée lorsque l'organisme rencontre des données externes nécessaires à sa fonction. Elle ne crée pas un cinquième gène.

7.3 Avec la Greffe Numérique (004)

Le Papier 004 a établi que la greffe d'un composant externe exige une compatibilité immunitaire. La biosynthèse résout le problème en amont : plutôt que de greffer les données (rejet juridique), on les digère d'abord en invariants, puis on synthétise des données natives à l'organisme. Pas de rejet parce qu'il n'y a pas de greffe.

7.4 Avec SPINA (008)

SPINA enregistre le hash du jeu de contraintes et le hash du générateur + graine pour chaque cycle de biosynthèse. Cela constitue la preuve de provenance sans jamais exposer les données source. Si un litige survient, SPINA peut démontrer que les données de Durand ont été générées par le pipeline contraint — pas copiées d'Autodata.

8. Limites et Extensions

8.1 Ce Que la Biosynthèse Ne Peut Pas Faire

La biosynthèse a des limites qu'il faut énoncer clairement :

• Textes exacts : elle ne peut pas reproduire une formulation textuelle précise (une procédure légale, un article de loi). Les acides aminés d'un texte sont des n-grammes, et la synthèse produit des paraphrases, pas des citations.
• Images photoréalistes : le DiffusionModel contraint peut générer des schémas techniques mais pas des photographies de pièces spécifiques sans risque de mémorisation résiduelle.
• Données à très faible cardinalité : si la base source contient moins de ~100 exemples, la distinction entre « distribution apprise » et « points mémorisés » devient floue.
• Séries temporelles non stationnaires : la biosynthèse capture des distributions stationnaires. Elle ne peut pas reproduire une tendance évolutive qu'elle n'a pas modélisée comme contrainte.

Ces limites ne sont pas des échecs. Elles définissent le domaine de validité de la biosynthèse : données structurées ou semi-structurées, cardinalité suffisante (>1000 exemples), distributions stationnaires ou cycliques.

8.2 Extensions Futures

Le Papier 018 ouvre trois axes de recherche :

1. Biosynthèse différentiellement privée : intégrer le cadre de Dwork (2006) pour garantir une privacy formelle (ε-differential privacy) en plus de la validation empirique MIA. Le générateur devient un mécanisme ε-DP par conception.
2. Digestion multi-source : combiner les acides aminés extraits de plusieurs bases concurrentes (Autodata + Haynes + Revue Technique) pour produire un jeu de contraintes plus riche que chaque source individuelle — sans jamais violer aucune licence.
3. Biosynthèse continue : le générateur se met à jour en continu à mesure que de nouvelles contraintes sont extraites, sans jamais revenir aux données source. L'organisme apprend sans se souvenir.

9. Conclusion

La biosynthèse de données est le composant entre la souveraineté numérique proclamée et la dépendance réelle aux données licenciées. Elle ne propose pas de contourner les licences. Elle propose de ne plus en avoir besoin.

Le parallèle biologique est complet et sans écart :

• La digestion (hydrolyse enzymatique) → l'extraction statistique en sandbox isolé
• Les acides aminés (invariants non copyrightables) → les distributions, contraintes, copules
• La biosynthèse ribosomale → le générateur contraint (CopulaSampler, DiffusionModel, PhysicsSimulator)
• Le contrôle qualité du repliement protéique → la double validation KS + MIA
• L'autonomie métabolique → la souveraineté juridique

Le Garage Durand n'a pas besoin de posséder Autodata. Il a besoin de réparer des voitures. La biosynthèse lui donne les données pour le faire. La question de l'indépendance juridique vis-à-vis de la licence source relève du droit applicable.

Architecture technique, pas avis juridique. Ce papier documente comment extraire des invariants et re-synthétiser. La question de savoir si ces invariants sont juridiquement « propres » dépend du droit applicable. L'architecture rend la question pertinente — elle n'y répond pas.

Le Papier 000 — La Loi — a posé le principe. Le Papier 004 — La Greffe — a défini la transplantation. Le Papier 010 — Le Code Génétique — a figé l'ADN. Le Papier 018 — La Biosynthèse — ferme le cycle métabolique. Un organisme 0DATA sait désormais se nourrir sans se compromettre, digérer sans mémoriser, synthétiser sans copier.

C'est la différence entre un organisme libre et un organisme sous perfusion. Le premier survit à l'extinction de sa source de données. Le second s'éteint avec elle.