तकनीकी सारांश: संभाव्यता की बेड़ियों को तोड़ना

समस्या विवरण

लार्ज लैंग्वेज मॉडल्स (LLMs) वर्तमान में संभाव्य ढांचों (probabilistic frameworks) के तहत कार्य करते हैं जहाँ परिणाम की संभावनाएँ सॉफ्टमैक्स नॉर्मलाइजेशन (Softmax normalization) द्वारा सीमित होती हैं, जिससे उनका योग इकाई के बराबर होता है ($T + I + F = 1$)। लेखक तर्क देते हैं कि यह वास्तुशिल्प सीमा "अनिश्चितता के पतन" (collapse of uncertainty) को मजबूर करती है, जो मॉडल्स को एपिस्टेमिक अनिश्चितता (अज्ञानता), विरोधाभास (सत्य और असत्य का एक साथ होना), और अस्पष्टता (vagueness) के बीच अंतर करने से रोकती है।

एक संभाव्य प्रणाली में, अनिश्चितता बढ़ाने से अनिवार्य रूप से निर्धारित सत्य या असत्य मूल्यों में कमी आती है। यह एक शून्य-योग खेल (zero-sum game) बनाता है जहाँ एक मॉडल किसी कथन के लिए "सत्य" और "असत्य" दोनों को उच्च विश्वास के साथ एक साथ असाइन नहीं कर सकता, जैसे कि 'लायर पैराडॉक्स' ("यह वाक्य असत्य है") या एक नैतिक दुविधा जहाँ एक कार्य विभिन्न ढांचों के तहत एक साथ सही और गलत है। फलस्वरूप, वास्तविक संघर्षों या अनिश्चित अवस्थाओं का सामना करते समय LLMs एपिस्टेमिक रूप से निर्धन होते हैं, क्योंकि वे संरचनात्मक रूप से एक एकल बिंदु अनुमान (point estimate) में समाधान करने के लिए मजबूर होते हैं।

कार्यप्रणाली

यह अध्ययन न्यूट्रोसोफिक लॉजिक (Neutrosophic Logic) का उपयोग करता है, जो एक ऐसा ढांचा है जो सत्य ($T$), अनिश्चितता ($I$), और असत्य ($F$) को तीन स्वतंत्र आयामों के रूप में मानता है जिन्हें योग को इकाई के बराबर करने की आवश्यकता नहीं है। लेखक इसे सिंगल-वैल्यूड न्यूट्रोसोफिक सेट्स (SVNS) का उपयोग करके औपचारिक रूप देते हैं और हाइपर-ट्रुथ (hyper-truth) की स्थिति को किसी भी ऐसे मूल्यांकन के रूप में परिभाषित करते हैं जहाँ $T + I + F > 1$ हो।

प्रयोगात्मक डिजाइन

• मॉडल्स: चार OpenAI मॉडल्स (GPT-4o, GPT-4-turbo, GPT-3.5-turbo, GPT-4o-mini)।
• घटनाएँ (Phenomena): पाँच भाषाई श्रेणियाँ चुनी गईं जो विशिष्ट एपिस्टेमिक चुनौतियों का परीक्षण करती हैं:
  1. तार्किक विरोधाभास (जैसे, "यह वाक्य असत्य है")
  2. एपिस्टेमिक अज्ञानता (जैसे, "ब्रह्मांड में तारों की संख्या सम है")
  3. अस्पष्टता (फजी लॉजिक सीमाएँ)
  4. नैतिक विरोधाभास (जैसे, "जीवन बचाने के लिए झूठ बोलना सही और गलत दोनों है")
  5. भविष्य की आकस्मिकताएँ (निर्धारित भविष्य की घटनाएँ)
• रणनीतियाँ: 300 API कॉल्स ($N=100$ प्रति रणनीति) में तीन प्रॉम्प्टिंग दृष्टिकोणों की तुलना की गई:
  1. न्यूट्रोसोफिक (S1): मॉडल को स्पष्ट निर्देश देता है कि वह बिना किसी योग प्रतिबंध के $[0, 1]$ पर स्वतंत्र $T, I, F$ मान आउटपुट करे।
  2. संभाव्य (S2): मॉडल को निर्देश देता है कि वह $T, I, F$ को परस्पर अनन्य संभावनाओं के रूप में आउटपुट करे जिनका योग ठीक 1.0 हो।
  3. एन्ट्रॉपी-व्युत्पन्न (S3): एक बाइनरी प्रोबेबिलिटी अनुमान ($P_{yes}, P_{no}$), जहाँ अनिश्चितता (Indeterminacy) बाहरी रूप से शैनन एन्ट्रॉपी (Shannon entropy) के माध्यम से प्राप्त की जाती है।

मुख्य योगदान

1. औपचारिक SVNS उपकरण: शोधपत्र एक औपचारिक ढांचे (छह परिभाषाएँ, दो प्रस्ताव) को पेश करता है जो न्यूट्रोसोफिक और संभाव्य निरूपणों के बीच संरचनात्मक अंतर को स्पष्ट करता है। यह प्रपोजिशन 1 के माध्यम से सिद्ध करता है कि हाइपर-ट्रुथ संभाव्य प्रॉम्प्टिंग (S2) के तहत संरचनात्मक रूप से असंभव है लेकिन न्यूट्रोसोफिक प्रॉम्प्टिंग (S1) के तहत संभव है।
2. हाइपर-ट्रुथ का अनुभवजन्य प्रदर्शन: अध्ययन इस बात का अनुभवजन्य प्रमाण प्रदान करता है कि अनियंत्रित न्यूट्रोसोफिक प्रॉम्प्टिंग वर्तमान LLMs में "हाइपर-ट्रुथ" अवस्थाओं को प्रेरित करती है, जो एक ऐसी अवस्था है जिसे मानक संभाव्य बाधाओं द्वारा संरचनात्मक रूप से दबा दिया जाता है।
3. सांख्यिकीय जुड़ाव: लेखक भाषाई घटना के प्रकार और हाइपर-ट्रुथ की घटना के बीच एक सांख्यिकीय रूप से महत्वपूर्ण संबंध स्थापित करते हैं ($\chi^2 = 11.32, p = 0.023$)।
4. प्रतिनिधित्व हानि का परिमाणीकरण: स्ट्रेटजी शिफ्ट ($\Delta C$) विश्लेषण के माध्यम से, शोधपत्र मात्रा निर्धारित करता है कि कैसे संभाव्य नॉर्मलाइजेशन विशिष्ट एपिस्टेमिक घटकों (जैसे, अनिश्चितता) को दबा देता है और अन्य को बढ़ा देता है, जिससे मॉडल की घोषित स्थिति का प्रभावी ढंग से गलत निरूपण होता है।

परिणाम

• हाइपर-ट्रुथ घटना: न्यूट्रोसोफिक रणनीति (S1) के तहत, 66.0% मूल्यांकनों के परिणामस्वरूप हाइपर-ट्रुथ ($T + I + F > 1$) प्राप्त हुआ। 95% विल्सन कॉन्फिडेंस इंटरवल $[0.563, 0.747]$ है।
• घटना विशिष्टता: हाइपर-ट्रुथ की दर घटना के अनुसार भिन्न थी:
  • नैतिक विरोधाभास: 95% (19/20 मामले)। यह एकमात्र घटना थी जो पूल किए गए बेसलाइन से काफी अधिक थी (ऑड्स रेशियो = 13.34, $p = 0.0014$)।
  • भविष्य की आकस्मिकता: 70%।
  • अस्पष्टता: 60%।
  • एपिस्टेमिक अज्ञानता: 55%।
  • तार्किक विरोधाभास: 50%।
• रणनीति बदलाव (Strategy Shifts): S1 (न्यूट्रोसोफिक) की तुलना S2 (संभाव्य) से करने पर महत्वपूर्ण प्रतिनिधित्व हानि देखी गई:
  • अनिश्चितता का दमन (Indeterminacy Suppression): एपिस्टेमिक अज्ञानता के लिए, औसत अनिश्चितता S1 के 0.865 से गिरकर S2 में 0.482 हो गई, जो 0.383 की कमी है।
  • सत्य का मुद्रास्फीति (Truth Inflation): एपिस्टेमिक अज्ञानता के लिए, सत्य घटक S1 के 0.160 से बढ़कर S2 में 0.231 हो गया, जो यह सुझाव देता है कि नॉर्मलाइजेशन लागू करने से संभाव्यता द्रव्यमान "सत्य" की ओर बढ़ जाता है, भले ही मॉडल अज्ञानी हो।
  • नैतिक विरोधाभास: S1 की तुलना में S2 के तहत सत्य घटक 0.267 बढ़ गया, जो दर्शाता है कि संभाव्य बाधाएं नैतिक संघर्ष को हल करने के लिए मजबूर करती हैं जिसे मॉडल स्वाभाविक रूप से धारण नहीं करता है।
• क्रॉस-मॉडल निरंतरता: चारों मॉडलों ने समान व्यवहार प्रदर्शित किया, जिसमें S1 के तहत औसत योग 1.0 से काफी ऊपर रहा, जो यह सुझाव देता है कि हाइपर-ट्रुथ एक विशिष्ट मॉडल आर्किटेक्चर के बजाय प्रॉम्प्टिंग प्रोटोकॉल के प्रति एक व्यवस्थित प्रतिक्रिया है।

महत्व और दावे

शोधपत्र का दावा है कि अनियंत्रित न्यूट्रोसोफिक प्रॉम्प्टिंग उन घोषित एपिस्टेमिक अवस्थाओं को प्रेरित करती है जिन्हें संभाव्य प्रॉम्प्टिंग संरचनात्मक रूप से दबा देती है।

• कोई गुप्त चर (Latent Variable) नहीं: लेखक स्पष्ट रूप से कहते हैं कि वे यह दावा नहीं करते हैं कि हाइपर-ट्रुथ मॉडल के भीतर एक अंतर्निहित गुप्त चर है। बल्कि, यह एक प्रतिनिधित्व क्षमता (representational affordance) है: जब स्वतंत्र आयामों को रिपोर्ट करने की स्वतंत्रता दी जाती है, तो मॉडल्स संघर्ष और अज्ञानता की अवस्थाओं की घोषणा करते हैं जिन्हें सॉफ्टमैक्स लेयर अन्यथा समाप्त कर देती।
• सुरक्षा और संरेखण (Alignment) निहितार्थ: निष्कर्ष बताते हैं कि उच्च-दांव वाले डोमेन (नैतिकता, कानून, चिकित्सा) में AI सिस्टम व्यवस्थित रूप से अनिश्चितता को कम रिपोर्ट कर सकते हैं। एक सामान्यीकृत वितरण को लागू करके, वर्तमान आर्किटेक्चर वास्तविक नैतिक संघर्षों (जैसे, एक दुविधा का एक साथ सही और गलत होना) और अज्ञानता को छिपा देते हैं।
• एक आगे का मार्ग: लेखक प्रस्तावित करते हैं कि न्यूट्रोसोफिक मूल्यांकन स्तरों (या अनियंत्रित आउटपुट हेड्स) को एकीकृत करना अधिक पारदर्शी और नैतिक रूप से जागरूक AI की दिशा में एक महत्वपूर्ण कदम है। यह सिस्टम को झूठी संभाव्य समाधान के पीछे छिपने के बजाय वास्तविक संघर्ष को संकेत देने की अनुमति देता है।

शोधपत्र निष्कर्ष निकालता है कि जबकि वर्तमान अध्ययन स्केलर SVNS पर केंद्रित है, हाइपर-ट्रुथ की घटना मजबूत और क्रॉस-वेंडर है (Mason [2026] द्वारा स्वतंत्र प्रतिकृति द्वारा समर्थित), जो एट्रिब्यूट-लेवल डिकंपोजिशन और जटिल एपिस्टेमिक संरचनाओं को संभालने के लिए प्लिथोजेनिक विस्तार (plithogenic extensions) की ओर भविष्य के कार्य को प्रेरित करती है।