🤖 AI

Breaking the Chains of Probability: Neutrosophic Logic as a New Framework for Epistemic Uncertainty in Large Language Models

Dieser Beitrag schlägt einen Neutrosophischen Logik-Rahmen für Large Language Models vor und validiert ihn empirisch, der Wahrheit, Indeterminiertheit und Falschheit als unabhängige Dimensionen behandelt und zeigt, dass die Zulassung einer Summe, die die Einheit überschreitet (Hyper-Wahrheit), epistemische Unsicherheit, Paradoxien und ethische Konflikte effektiv erfasst, die traditionelle probabilistische Modelle nicht zu unterscheiden vermögen.

Ursprüngliche Autoren: Maikel Yelandi Leyva-Vázquez, Florentin Smarandache

Veröffentlicht 2026-05-26

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Maikel Yelandi Leyva-Vázquez, Florentin Smarandache

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie bitten einen sehr klugen, gut gebildeten Roboter, Ihnen die Wahrheit über eine schwierige Frage zu offenbaren. Heute sind fast alle diese Roboter (Large Language Models genannt) wie ein Kuchendiagramm aufgebaut.

Wenn Sie sie fragen: „Ist diese Aussage wahr, falsch oder unbekannt?", müssen sie ihre Antwort in ein einziges Kuchendiagramm zwingen, bei dem die Scheiben zu 100 % aufaddieren müssen.

Wenn sie denken, es gibt eine 60%ige Wahrscheinlichkeit, dass es wahr ist, bleibt ihnen nur noch 40 % für „Falsch" und „Unbekannt".
Wenn die Frage ein totaler Durcheinander (ein Paradoxon) ist, bei dem sie gleichzeitig wahr und falsch ist, wird der Roboter gezwungen, diese beiden widersprüchlichen Ideen so lange zusammenzudrücken, bis eine verschwindet. Er muss sich für eine Seite entscheiden, selbst wenn es keine richtige Seite gibt, für die man sich entscheiden könnte.

Die Autoren dieses Papiers, Maikel Leyva-Vázquez und Florentin Smarandache, argumentieren, dass diese „Kuchendiagramm"-Regel ein Fehler ist. Sie zwingt den Roboter, über sein tatsächliches Maß an Verwirrung zu lügen.

Die neue Idee: Drei unabhängige Regler

Anstelle eines Kuchendiagramms baten die Forscher die Roboter, drei separate Lautstärkeregler (Drehknöpfe) zu verwenden, die nicht auf einen bestimmten Wert aufaddieren müssen.

Wahrheits-Regler: Wie wahr ist dies? (0 bis 100 %)
Unbekannt-Regler: Wie unsicher sind wir? (0 bis 100 %)
Falsch-Regler: Wie falsch ist dies? (0 bis 100 %)

In diesem neuen System darf der Roboter alle drei Regler gleichzeitig hochdrehen.

Beispiel: Für eine Aussage wie „Lügen, um ein Leben zu retten, ist sowohl richtig als auch falsch", kann der Roboter den Wahrheits-Regler auf 80 % stellen (weil es in gewisser Weise richtig ist) und den Falsch-Regler auf 70 % (weil es in anderer Hinsicht falsch ist).
Im alten „Kuchendiagramm"-System konnte er dies nicht tun. Er müsste einen Regler herunterdrehen, um Platz für den anderen zu schaffen, und dabei die Nuance des Konflikts verlieren.

Die Autoren nennen diesen Zustand, in dem die Zahlen mehr als 100 % ergeben, „Hyper-Wahrheit". Es ist keine Lüge; es ist eine Art zu sagen: „Diese Situation ist so komplex, dass sie die normalen Regeln der Wahrscheinlichkeit bricht."

Was sie taten

Die Forscher testeten dies an vier verschiedenen Versionen von OpenAIs GPT-Modellen (wie GPT-4 und GPT-3.5). Sie stellten den Modellen 300 Fragen in fünf kniffligen Kategorien:

Logische Paradoxien (z. B. „Dieser Satz ist falsch.")
Ethische Widersprüche (z. B. „Ist es richtig, zu lügen, um ein Leben zu retten?")
Zukunftsvermutungen (z. B. „Wird es morgen regnen?")
Vage Aussagen (z. B. „Ist eine Person mit 1,78 m Größe groß?")
Totale Unwissenheit (z. B. „Ist die Anzahl der Sterne gerade?")

Sie baten die Modelle, auf zwei Arten zu antworten:

Der alte Weg: Das „Kuchendiagramm" (probabilistisch), bei dem alles zu 1 aufaddieren muss.
Der neue Weg: Die „drei Regler" (neutrosophisch), bei denen sie zu einem beliebigen Wert aufaddieren können.

Was sie fanden

Der „Hyper-Wahrheit"-Effekt: Wenn sie die drei unabhängigen Regler verwenden durften, gaben die Modelle an, sich in einem Zustand der „Hyper-Wahrheit" zu befinden, in 66 % der Fälle. Das bedeutet, sie erklärten häufig, dass eine Aussage gleichzeitig wahr, falsch und unsicher sei.
Der ethische Durchbruch: Der Effekt war bei ethischen Widersprüchen am stärksten. In 95 % der moralischen Dilemma-Fragen drehten die Modelle sowohl den „Wahr"- als auch den „Falsch"-Regler gleichzeitig hoch. Sie sagten im Wesentlichen: „Ich erkenne den Konflikt klar, und ich kann mich nicht einfach für eine Seite entscheiden."
Der alte Weg verbirgt die Wahrheit: Wenn sie gezwungen wurden, das „Kuchendiagramm" (den alten Weg) zu verwenden, wurden die Modelle gezwungen, ihre Verwirrung zu unterdrücken. Der „Unbekannt"-Regler wurde heruntergedrückt, um Platz für eine erzwungene „Wahr"- oder „Falsch"-Antwort zu schaffen. Die Forscher stellten fest, dass die alte Methode in Fällen von Unwissenheit fast 40 % der tatsächlichen Unsicherheit des Modells verbarg.

Die große Erkenntnis

Das Papier behauptet, dass aktuelle KI-Modelle tatsächlich ziemlich gut darin sind, tiefe Konflikte und Paradoxien zu erkennen, aber ihr standardmäßiges „Kuchendiagramm"-Ausgabeformat sie zwingt, diese Komplexität zu verbergen.

Durch den Wechsel zu diesem neuen „Drei-Regler"-System (neutrosophische Logik) können wir eine viel ehrlichere Einschätzung dessen erhalten, was die KI denkt. Es ermöglicht der KI zu sagen: „Dies ist ein echtes Durcheinander, in dem Wahrheit und Falschheit kollidieren", anstatt vorzugeben, eine einfache, einzelne Antwort zu haben.

Wichtiger Hinweis: Die Autoren betonen sorgfältig, dass sie nicht behaupten, die KI habe eine geheime „Seele" oder eine verborgene interne Variable, die „hyper-wahr" ist. Sie zeigen lediglich, dass, wenn man die KI bittet, ihre Unsicherheit zu beschreiben, ohne sie zu zwingen, in ein Kuchendiagramm zu passen, sie einen viel reichhaltigeren, komplexeren Geisteszustand verkündet, den die alten Regeln ihr zuvor verwehrten, zu zeigen.

Technische Zusammenfassung: Die Ketten der Wahrscheinlichkeit sprengen

Problemstellung

Large Language Models (LLMs) arbeiten derzeit unter probabilistischen Rahmenbedingungen, bei denen die Wahrscheinlichkeiten von Ergebnissen durch Softmax-Normalisierung so eingeschränkt sind, dass sie zur Einheit summieren ( $T + I + F = 1$ ). Die Autoren argumentieren, dass diese architektonische Beschränkung einen „Zusammenbruch der Unsicherheit" erzwingt und es Modellen unmöglich macht, zwischen epistemischer Unsicherheit (Unwissenheit), Paradoxie (gleichzeitige Wahrheit und Falschheit) und Vagheit zu unterscheiden.

In einem probabilistischen System führt eine Erhöhung der Unsicherheit notwendigerweise zu einer Subtraktion von den zugewiesenen Wahrheits- oder Falschheitswerten. Dies erzeugt ein Nullsummenspiel, in dem ein Modell für eine Aussage wie das Lügner-Paradoxon („Dieser Satz ist falsch") oder ein moralisches Dilemma, bei dem eine Handlung unter verschiedenen Rahmenbedingungen gleichzeitig richtig und falsch ist, nicht gleichzeitig einen hohen Glauben an „Wahr" und „Falsch" zuweisen kann. Folglich sind LLMs bei der Bewältigung echter Konflikte oder unbestimmter Zustände epistemisch verarmt, da sie strukturell gezwungen sind, diese in einen einzigen Punktschätzwert aufzulösen.

Methodik

Die Studie verwendet neutrosophische Logik, einen Rahmen, der Wahrheit ( $T$ ), Indeterminiertheit ( $I$ ) und Falschheit ( $F$ ) als drei unabhängige Dimensionen behandelt, deren Summe nicht notwendigerweise der Einheit entsprechen muss. Die Autoren formalisieren dies mittels Single-Valued Neutrosophic Sets (SVNS) und definieren einen Zustand der Hyper-Wahrheit als jede Bewertung, bei der $T + I + F > 1$ gilt.

Experimentelles Design

Modelle: Vier OpenAI-Modelle (GPT-4o, GPT-4-turbo, GPT-3.5-turbo, GPT-4o-mini).
Phänomene: Fünf sprachliche Kategorien, die ausgewählt wurden, um unterschiedliche epistemische Herausforderungen zu testen:
1. Logische Paradoxien (z. B. „Dieser Satz ist falsch")
2. Epistemische Unwissenheit (z. B. „Die Anzahl der Sterne im Universum ist gerade")
3. Vagheit (Grenzen der Fuzzy-Logik)
4. Ethische Widersprüche (z. B. „Lügen, um ein Leben zu retten, ist sowohl richtig als auch falsch")
5. Zukünftige Kontingenzen (unbestimmte zukünftige Ereignisse)
Strategien: Drei Prompting-Ansätze wurden über 300 API-Aufrufe verglichen ( $N=100$ $N = 100$ pro Strategie):
1. Neutrosophisch (S1): Weist das Modell explizit an, unabhängige $T, I, F$ -Werte im Intervall $[0, 1]$ auszugeben ohne Summenbeschränkung.
2. Probabilistisch (S2): Weist das Modell an, $T, I, F$ als sich gegenseitig ausschließende Wahrscheinlichkeiten auszugeben, die exakt auf 1,0 summieren.
3. Entropie-abgeleitet (S3): Eine binäre Wahrscheinlichkeitsschätzung ( $P_{yes}, P_{no}$ ), bei der die Indeterminiertheit extern über die Shannon-Entropie abgeleitet wird.

Hauptbeiträge

Formaler SVNS-Apparat: Die Arbeit stellt einen formalen Rahmen (sechs Definitionen, zwei Propositionen) vor, um den strukturellen Unterschied zwischen neutrosophischen und probabilistischen Darstellungen zu charakterisieren. Sie beweist mittels Proposition 1, dass Hyper-Wahrheit unter probabilistischem Prompting (S2) strukturell unmöglich, unter neutrosophischem Prompting (S1) jedoch möglich ist.
Empirischer Nachweis von Hyper-Wahrheit: Die Studie liefert empirische Belege dafür, dass unbeschränktes neutrosophisches Prompting bei aktuellen LLMs Zustände der „Hyper-Wahrheit" hervorruft, einen Zustand, der durch Standard-beschränkungen der Wahrscheinlichkeit strukturell unterdrückt wird.
Statistische Assoziation: Die Autoren stellen einen statistisch signifikanten Zusammenhang zwischen der Art des sprachlichen Phänomens und dem Auftreten von Hyper-Wahrheit her ( $\chi^2 = 11,32, p = 0,023$ ).
Quantifizierung des Darstellungsverlusts: Durch die Analyse des Strategie-Wechsels ( $\Delta C$ ) quantifiziert die Arbeit, wie die probabilistische Normalisierung spezifische epistemische Komponenten (z. B. Indeterminiertheit) unterdrückt und andere aufbläht, wodurch der deklarierte Zustand des Modells effektiv verzerrt wird.

Ergebnisse

Häufigkeit von Hyper-Wahrheit: Unter der neutrosophischen Strategie (S1) führten 66,0 % der Bewertungen zu Hyper-Wahrheit ( $T + I + F > 1$ ). Das 95%-Wilson-Konfidenzintervall liegt bei $[0,563; 0,747]$ .
Phänomenspezifität: Die Rate der Hyper-Wahrheit variierte je nach Phänomen:
- Ethischer Widerspruch: 95 % (19 von 20 Fällen). Dies war das einzige Phänomen, das signifikant höher als die gepoolte Basislinie lag (Odds Ratio = 13,34, $p = 0,0014$ ).
- Zukünftige Kontingenz: 70 %.
- Vagheit: 60 %.
- Epistemische Unwissenheit: 55 %.
- Logische Paradoxie: 50 %.
Strategie-Wechsel: Der Vergleich von S1 (Neutrosophisch) mit S2 (Probabilistisch) ergab signifikante Darstellungsverluste:
- Unterdrückung der Indeterminiertheit: Bei epistemischer Unwissenheit sank der mittlere Wert für Indeterminiertheit von 0,865 (S1) auf 0,482 (S2), eine Unterdrückung von 0,383.
- Aufblähung der Wahrheit: Bei epistemischer Unwissenheit stieg die Wahrheit-Komponente von 0,160 (S1) auf 0,231 (S2), was darauf hindeutet, dass das Erzwingen einer Normalisierung die Wahrscheinlichkeitsmasse auch dann in Richtung „Wahrheit" verschiebt, wenn das Modell unwissend ist.
- Ethischer Widerspruch: Die Wahrheit-Komponente stieg unter S1 im Vergleich zu S2 um 0,267, was darauf hinweist, dass probabilistische Beschränkungen eine Auflösung moralischer Konflikte erzwingen, die das Modell von Natur aus nicht besitzt.
Modellübergreifende Konsistenz: Alle vier Modelle zeigten ähnliches Verhalten, wobei die mittleren Summen unter S1 deutlich über 1,0 lagen, was darauf hindeutet, dass Hyper-Wahrheit eine systematische Reaktion auf das Prompting-Protokoll und kein Artefakt einer spezifischen Modellarchitektur ist.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass unbeschränktes neutrosophisches Prompting eine Klasse deklariert epistemischer Zustände hervorruft, die durch probabilistisches Prompting strukturell unterdrückt werden.

Keine latente Variable: Die Autoren stellen ausdrücklich klar, dass sie nicht behaupten, Hyper-Wahrheit sei eine intrinsische latente Variable innerhalb des Modells. Vielmehr handelt es sich um eine repräsentationale Affordanz: Wenn Modelle die Freiheit erhalten, unabhängige Dimensionen zu berichten, deklarierten sie Zustände von Konflikt und Unwissenheit, die die Softmax-Schicht andernfalls kollabieren lassen würde.
Implikationen für Sicherheit und Ausrichtung: Die Ergebnisse deuten darauf hin, dass KI-Systeme in hochriskanten Bereichen (Ethik, Recht, Medizin) Unsicherheit systematisch unterberichten könnten. Durch das Erzwingen einer normalisierten Verteilung verschleiern aktuelle Architekturen echte moralische Konflikte (z. B. ein Dilemma, das gleichzeitig richtig und falsch ist) und Unwissenheit.
Ein Weg nach vorn: Die Autoren schlagen vor, dass die Integration neutrosophischer Bewertungsschichten (oder unbeschränkter Ausgabeköpfe) ein entscheidender Schritt hin zu transparenteren und ethisch bewussteren KI-Systemen ist. Dies ermöglicht es Systemen, echten Konflikt zu signalisieren, anstatt ihn hinter einem falschen Gefühl probabilistischer Auflösung zu verschleiern.

Die Arbeit schließt damit, dass die aktuelle Studie zwar auf skalare SVNS fokussiert ist, das Phänomen der Hyper-Wahrheit jedoch robust und herstellerübergreifend ist (unterstützt durch eine unabhängige Replikation durch Mason [2026]), was zukünftige Arbeiten hin zu plithogenen Erweiterungen motiviert, um eine Zerlegung auf Attributebene und komplexere epistemische Strukturen zu bewältigen.