ملخص تقني: كسر قيود الاحتمالية

بيان المشكلة

تعمل النماذج اللغوية الكبيرة (LLMs) حالياً ضمن أطر احتمالية مقيدة بـ "تطبيع سوفت ماكس" (Softmax normalization) حيث يجب أن يكون مجموع الاحتمالات مساوياً للواحد الصحيح ($T + I + F = 1$). ويجادل المؤلفون بأن هذا القيد المعماري يفرض "انهياراً لليقين"، مما يمنع النماذج من التمييز بين عدم اليقين الإبستيمي (الجهل)، والمفارقة (الحقيقة والكذب في آن واحد)، والغموض.

في النظام الاحتمالي، يؤدي زيادة عدم اليقين بالضرورة إلى طرح قيم الحقيقة أو الكذب المخصصة. وهذا يخلق لعبة صفرية حيث لا يمكن للنموذج أن يخصص إيماناً عالياً بكل من "الصواب" و"الخطأ" في آن واحد لعبارة مثل "مفارقة الكاذب" ("هذه الجملة كاذبة") أو معضلة أخلاقية تكون فيها الخطوة صحيحة وخاطئة في آن واحد بموجب أطر مختلفة. وبناءً على ذلك، تعاني النماذج اللغوية الكبيرة من فقر إبستيمي عند مواجهة صراعات حقيقية أو حالات غير محددة، لأنها مجبرة بنيوياً على حل هذه الحالات وتحويلها إلى تقدير نقطي واحد.

المنهجية

تستخدم الدراسة المنطق النيوتوسوفي (Neutrosophic Logic)، وهو إطار يعامل الحقيقة ($T$)، وعدم التحديد ($I$)، والكذب ($F$) كأبعاد ثلاثة مستقلة لا تتطلب أن يكون مجموعها مساوياً للواحد. وقد قام المؤلفون بصياغة ذلك باستخدام المجموعات النيوتوسوفية ذات القيم المفردة (SVNS) وعرفوا حالة "الحقيقة الفائقة" (hyper-truth) بأنها أي تقييم يكون فيه $T + I + F > 1$.

التصميم التجريبي

• النماذج: أربعة نماذج من OpenAI (GPT-4o, GPT-4-turbo, GPT-3.5-turbo, GPT-4o-mini).
• الظواهر: خمس فئات لغوية اختيرت لاختبار تحديات إبستيمية متميزة:
  1. المفارقات المنطقية (مثل: "هذه الجملة كاذبة").
  2. الجهل الإبستيمي (مثل: "عدد النجوم في الكون عدد زوجي").
  3. الغموض (حدود المنطق الضبابي).
  4. التناقضات الأخلاقية (مثل: "الكذب لإنقاذ حياة هو أمر صحيح وخاطئ في آن واحد").
  5. الاحتمالات المستقبلية (الأحداث المستقبلية غير المحددة).
• الاستراتيجيات: تمت مقارنة ثلاثة نهجين للتلقين عبر 300 استدعاء لواجهة برمجة التطبيقات (API) ($N=100$ لكل استراتيجية):
  1. النيوتوسوفي (S1): يوجه النموذج صراحةً لإخراج قيم مستقلة لـ $T, I, F$ على المدى $[0, 1]$ دون قيد المجموع.
  2. الاحتمالي (S2): يوجه النموذج لإخراج $T, I, F$ كقيم احتمالية متنافية مجموعها يساوي 1.0 تماماً.
  3. المشتق من الإنتروبيا (S3): تقدير احتمالي ثنائي ($P_{yes}, P_{no}$)، حيث يتم اشتقاق عدم التحديد خارجياً عبر إنتروبيا شانون.

المساهمات الرئيسية

1. جهاز SVNS الرسمي: تقدم الورقة إطاراً رسمياً (ستة تعريفات وفرضيتان) لتوصيف الفرق البنيوي بين التمثيلات النيوتوسوفية والاحتمالية. وقد أثبتت عبر الفرضية 1 أن "الحقيقة الفائقة" مستحيلة بنيوياً تحت التلقين الاحتمالي (S2) ولكنها ممكنة تحت التلقين النيوتوسوفي (S1).
2. الإثبات التجريبي للحقيقة الفائقة: تقدم الدراسة دليلاً تجريبياً على أن التلقين النيوتوسوفي غير المقيد يستحث حالات "الحقيقة الفائقة" في النماذج اللغوية الكبيرة الحالية، وهي حالة يتم قمعها بنيوياً بواسطة القيود الاحتمالية القياسية.
3. الارتباط الإحصائي: يثبت المؤلفون وجود ارتباط ذي دلالة إحصائية بين نوع الظاهرة اللغوية ومعدل حدوث الحقيقة الفائقة ($\chi^2 = 11.32, p = 0.023$).
4. تكميم الفقد التمثيلي: من خلال تحليل تحول الاستراتيجية ($\Delta C$)، تكمّم الورقة كيف يقوم التطبيع الاحتمالي بقمع مكونات إبستيمية محددة (مثل عدم التحديد) وتضخيم أخرى، مما يؤدي فعلياً إلى تمثيل خاطئ للحالة التي يعلنها النموذج.

النتائج

• معدل حدوث الحقيقة الفائقة: تحت الاستراتيجية النيوتوسوفية (S1)، أدت 66.0% من التقييمات إلى ظهور "حقيقة فائقة" ($T + I + F > 1$). وفاصل الثقة لـ Wilson بنسبة 95% هو $[0.563, 0.747]$.
• خصوصية الظاهرة: تباين معدل الحقيقة الفائقة حسب الظاهرة:
  • التناقض الأخلاقي: 95% (19/20 حالة). كانت هذه هي الظاهرة الوحيدة الأعلى بشكل ملحوظ من المتوسط العام (نسبة الأرجحية = 13.34, $p = 0.0014$).
  • الاحتمالات المستقبلية: 70%.
  • الغموض: 60%.
  • الجهل الإبستيمي: 55%.
  • المفارقة المنطقية: 50%.
• تحولات الاستراتيجية: كشفت مقارنة S1 (النيوتوسوفي) بـ S2 (الاحتمالي) عن خسائر تمثيلية كبيرة:
  • قمع عدم التحديد: بالنسبة للجهل الإبستيمي، انخفض متوسط عدم التحديد من 0.865 (S1) إلى 0-482 (S2)، أي انخفاض قدره 0.383.
  • تضخم الحقيقة: بالنسبة للجهل الإبستيمي، زاد مكون الحقيقة من 0.160 (S1) إلى 0.231 (S2)، مما يشير إلى أن فرض التطبيع يدفع الكتلة الاحتمالية نحو "الحقيقة" حتى عندما يكون النموذج جاهلاً.
  • التناقض الأخلاقي: زاد مكون الحقيقة بمقدار 0.267 في S1 مقارنة بـ S2، مما يشير إلى أن القيود الاحتمالية تفرض حلاً للصراع الأخلاقي لا يمتلكه النموذج بشكل طبيعي.
• الاتساق عبر النماذج: أظهرت جميع النماذج الأربعة سلوكيات متشابهة، حيث كانت المتوسطات أعلى بكثير من 1.0 تحت S1، مما يشير إلى أن الحقيقة الفائقة هي استجابة منهجية لبروتوكول التلقين وليست نتاج خصائص نموذج معين.

الأهمية والادعاءات

تدعي الورقة أن التلقين النيوتوسوفي غير المقيد يستحث فئة من الحالات الإبستيمية المعلنة التي يتم قمعها بنيوياً بواسطة التلقين الاحتمالي.

• ليست متغيراً كامناً: يصرح المؤلفون بوضوح أنهم لا يدعون أن الحقيقة الفائقة هي متغير كامن جوهري داخل النموذج. بل هي إمكانية تمثيلية (representational affordance): فعند منح النماذج الحرية للإبلاغ عن أبعاد مستقلة، تعلن عن حالات الصراع والجهل التي كان طبقة "سوفت ماكس" ستؤدي إلى انهيارها.
• الآثار على السلامة والمواءمة: تشير النتائج إلى أن أنظمة الذكاء الاصطناعي في المجالات عالية المخاطر (الأخلاق، القانون، الطب) قد تقلل بشكل منهجي من الإبلاغ عن عدم اليقين. فمن خلال فرض توزيع طبيعي، تخفي البنى الحالية صراعات أخلاقية حقيقية (مثل كون الأمر صحيحاً وخاطئاً في آن واحد) والجهل.
• مسار للمستقبل: يقترح المؤلفون أن دمج طبقات تقييم نيوتوسوفية (أو رؤوس مخرجات غير مقيدة) يعد خطوة حاسمة نحو ذكاء اصطناعي أكثر شفافية وإدراكاً للأخلاق. يسمح هذا للأنظمة بالإشارة إلى الصراع الحقيقي بدلاً من إخفائه خلف شعور زائف بالحل الاحتمالي.

تخلص الورقة إلى أنه بينما تركز هذه الدراسة الحالية على قيم SVNS القياسية، فإن ظاهرة الحقيقة الفائقة قوية وعابرة لمزودي الخدمة (مدعومة بإعادة إنتاج مستقلة من قبل Mason [2026])، مما يستوجب العمل المستقبلي نحو التوسعات البليتوغينية (plithogenic extensions) للتعامل مع تفكيك السمات وتراكيب إبستيمية أكثر تعقيداً.