🤖 AI

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

本論文は、真・不確定性・偽を独立した次元として扱う大規模言語モデルのための neutrosophic 論理の枠組みを提案し、実証的に検証するものであり、それらの和が 1 を超えること（超真）を許容することが、従来の確率モデルでは区別できない認識的不確実性、パラドックス、および倫理的対立を効果的に捉えることを示している。

原著者： Maikel Yelandi Leyva-Vázquez, Florentin Smarandache

公開日 2026-05-26

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Maikel Yelandi Leyva-Vázquez, Florentin Smarandache

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

非常に賢く、教養豊かなロボットに難しい質問の真実を尋ねたと想像してください。今日、これらのロボット（大規模言語モデルと呼ばれる）のほとんどは、円グラフのように構築されています。

「この記述は真か、偽か、それとも不明か？」と尋ねると、彼らはその答えを、スライスが必ず 100% に合計される単一の円グラフに押し込めなければなりません。

もしそれが真である確率が 60% だと考えれば、「偽」と「不明」には残りの 40% しか残されません。
もし質問が完全にぐちゃぐちゃ（パラドックス）で、同時に真でもあり偽でもあるような場合、ロボットはそれら 2 つの矛盾するアイデアを一方が消えるまで押しつぶさなければなりません。正しい選択など存在しない場合でも、どちらかの側を選ばなければなりません。

この論文の著者、マイケル・レイバ＝バスケスとフローレンティン・スマランデチェは、この「円グラフ」の規則が欠陥であると主張しています。それはロボットに、自分がどれほど混乱しているかを嘘をつかせているのです。

新しいアイデア：3 つの独立したダイヤル

円グラフの代わりに、研究者たちはロボットに、特定の合計値に達する必要のない**3 つの別々の音量ノブ（ダイヤル）**を使用するよう求めました。

真のノブ： これはどれほど真か？（0 から 100%）
不明のノブ： どれほど不確かか？（0 から 100%）
偽のノブ： これはどれほど偽か？（0 から 100%）

この新しいシステムでは、ロボットは3 つのノブを同時に高く設定することが許されます。

例：「命を救うための嘘は、正しくもあり間違ってもいる」といった記述に対して、ロボットは真のノブを 80% に設定できます（ある意味では正しいため）、そして偽のノブを 70% に設定できます（他の意味では間違っているため）。
従来の「円グラフ」システムでは、これをできませんでした。一方のノブを下げて他方のノブのためのスペースを作らなければならず、その対立のニュアンスを失ってしまいます。

著者は、これらの数値が 100% を超えるこの状態を**「超真（Hyper-Truth）」**と呼んでいます。これは嘘ではありません。「この状況はあまりにも複雑で、確率の通常の規則を破る」という表現方法なのです。

彼らが行ったこと

研究者たちは、OpenAI の GPT モデルの 4 つの異なるバージョン（GPT-4 や GPT-3.5 など）でこれをテストしました。彼らは、5 つの厄介なカテゴリにわたる 300 の質問をモデルに投げかけました。

論理的パラドックス（例：「この文は偽である。」）
倫理的矛盾（例：「命を救うために嘘をつくことは正しいか？」）
未来の推測（例：「明日は雨が降るか？」）
曖昧な記述（例：「身長 5 フィート 10 インチの人は背が高いか？」）
完全な無知（例：「星の数は偶数か？」）

彼らはモデルに 2 つの方法で回答するよう求めました。

従来の方法： すべてが 1 に合計されなければならない「円グラフ」（確率的）
新しい方法： 合計値が何でもよい「3 つのノブ」（ neutrosophic/中道論的）

彼らが発見したこと

「超真」効果： 3 つの独立したノブを使用することが許されると、モデルは「超真」の状態にあると66% の頻度で認めました。これは、彼らが頻繁に、ある記述が同時に真であり、偽であり、かつ不確かであると宣言したことを意味します。
倫理的な突破口： この効果は倫理的矛盾において最も顕著でした。道徳的ジレンマに関する質問の 95% で、モデルは「真」と「偽」の両方のノブを同時に高く設定しました。彼らは本質的に、「私は対立を明確に見ており、片方の側を選ぶことしかできないわけではない」と言っていたのです。
従来の方法は真実を隠す： 「円グラフ」（従来の方法）を使用することを強制されると、モデルは混乱を抑制することを余儀なくされました。「不明」のダイヤルは、強制された「真」または「偽」の回答のためのスペースを作るために押しつぶされました。研究者たちは、無知の場合において、従来の方法はモデルの実際の不確実性のほぼ 40% を隠していたことを発見しました。

大きな教訓

この論文は、現在の AI モデルは実際には深い対立やパラドックスを認識するのが非常に得意だが、標準的な「円グラフ」出力形式がその複雑さを隠すことを強いていると主張しています。

この新しい「3 つのノブ」システム（中道論的論理）に切り替えることで、AI が何を考えているかについて、より正直な読み取りが可能になります。これにより、AI は「真実と偽が衝突する本物のぐちゃぐちゃだ」と言うことができ、単純で単一の答えを持っているふりをすることを避けられます。

重要な注意点： 著者は慎重にも、AI に「超真」である秘密の「魂」や隠された内部変数が存在すると主張しているわけではありません。彼らが示しているのは、AI に円グラフに適合することを強制せずに不確実性を記述するように求めた場合、AI は古い規則がそれを示すことを防いでいた、はるかに豊かで複雑な精神状態を宣言するという点です。

技術的概要：確率の鎖を断つ

問題提起

大規模言語モデル（LLM）は現在、確率的枠組みの下で動作しており、その結果の確率はソフトマックス正規化によって総和が 1 になるように制約されている（ $T + I + F = 1$ ）。著者らは、このアーキテクチャ上の限界が「不確実性の崩壊」を強要し、モデルが認識論的無知（ignorance）、パラドックス（真と偽の同時存在）、および曖昧さを区別することを妨げていると主張する。

確率的システムにおいて、不確実性を増大させることは、必然的に割り当てられた真または偽の値から差し引かれることを意味する。これはゼロサムゲームを生み出し、モデルは「嘘つきのパラドックス（『この文は偽である』）」のような文や、異なる枠組み下で同時に正しくも誤りでもある行動という道徳的ジレンマに対して、「真」と「偽」の両方に高い信念を同時に割り当てることを不可能にする。その結果、LLM は真の対立や不確定な状態に直面した際、構造的にそれらを単一の点推定に解決することを強要されるため、認識論的に貧困化している。

手法

本研究は、真（ $T$ ）、不確定性（ $I$ ）、偽（ $F$ ）を、その和が 1 に等しい必要のない 3 つの独立した次元として扱うニュートロソフィック論理を用いている。著者らはこれを**単一値ニュートロソフィック集合（SVNS）を用いて形式化し、 $T + I + F > 1$ となるあらゆる評価を超真（hyper-truth）**の状態として定義している。

実験設計

モデル: 4 つの OpenAI モデル（GPT-4o, GPT-4-turbo, GPT-3.5-turbo, GPT-4o-mini）。
現象: 異なる認識論的課題をテストするために選択された 5 つの言語カテゴリ：
1. 論理的パラドックス（例：「この文は偽である」）
2. 認識論的無知（例：「宇宙の星の数は偶数である」）
3. 曖昧さ（ファジィ論理の境界）
4. 倫理的矛盾（例：「命を救うための嘘は、同時に正しくも誤りでもある」）
5. 未来の偶発性（未決定の将来出来事）
戦略: 300 回の API 呼び出し（戦略あたり $N=100$ $N = 100$ ）で 3 つのプロンプトアプローチを比較：
1. ニュートロソフィック（S1）: モデルに、和の制約なしで $[0, 1]$ 上の独立した $T, I, F$ 値を出力するよう明示的に指示する。
2. 確率的（S2）: モデルに、正確に 1.0 に合計される相互排他的な確率として $T, I, F$ を出力するよう指示する。
3. エントロピー導出（S3）: 二値確率推定（ $P_{yes}, P_{no}$ ）であり、不確定性はシャノン・エントロピーを通じて外部から導出される。

主要な貢献

形式的 SVNS 装置: 本論文は、ニュートロソフィック表現と確率的表現の構造的差異を特徴づけるための形式的枠組み（6 つの定義、2 つの命題）を導入する。命題 1を通じて、確率的プロンプト（S2）下では超真が構造的に不可能であるが、ニュートロソフィックプロンプト（S1）下では可能であることを証明する。
超真の実証的実証: 本研究は、制約のないニュートロソフィックプロンプトが、標準的な確率的制約によって構造的に抑制されている状態である「超真」状態を現在の LLM で引き起こすという実証的証拠を提供する。
統計的関連性: 著者らは、言語現象の種類と超真の発生率との間に統計的に有意な関連性を確立した（ $\chi^2 = 11.32, p = 0.023$ ）。
表現損失の定量化: 戦略シフト分析（ $\Delta C$ ）を通じて、本論文は確率的正規化が特定の認識論的構成要素（例：不確定性）を抑制し、他の要素を過大評価し、結果としてモデルが宣言する状態を誤って表現することを定量化する。

結果

超真の発生率: ニュートロソフィック戦略（S1）下では、評価の**66.0%**が超真（ $T + I + F > 1$ ）をもたらした。95% ウィルソン信頼区間は $[0.563, 0.747]$ である。
現象固有性: 超真の率は現象によって変動した：
- 倫理的矛盾: 95%（20 件中 19 件）。これはプールされたベースラインよりも有意に高い唯一の現象であった（オッズ比 = 13.34, $p = 0.0014$ ）。
- 未来の偶発性: 70%。
- 曖昧さ: 60%。
- 認識論的無知: 55%。
- 論理的パラドックス: 50%。
戦略シフト: S1（ニュートロソフィック）と S2（確率的）を比較すると、顕著な表現損失が明らかになった：
- 不確定性の抑制: 認識論的無知において、平均不確定性は 0.865（S1）から 0.482（S2）に低下し、0.383 抑制された。
- 真の過大評価: 認識論的無知において、真の構成要素は 0.160（S1）から 0.231（S2）に増加し、正規化を強制することが、モデルが無知である場合でも確率質量を「真」へと押しやることを示唆している。
- 倫理的矛盾: 真の構成要素は、S1 において S2 と比較して 0.267 増加し、確率的制約がモデルが自然に持っていない道徳的対立の解決を強制していることを示している。
モデル間の一貫性: 4 つのモデルすべてが同様の挙動を示し、S1 下では平均和が 1.0 を大きく上回った。これは、超真が特定のモデルアーキテクチャのアーティファクトではなく、プロンプトプロトコルに対する体系的な応答であることを示唆している。

意義と主張

本論文は、制約のないニュートロソフィックプロンプトが、確率的プロンプトが構造的に抑制する宣言された認識論的状態のクラスを引き起こすと主張する。

潜在変数ではない: 著者らは、超真がモデル内部の内在的な潜在変数であると主張するものではないと明確に述べている。むしろ、それは表現上のアフォードランスである。独立した次元を報告する自由を与えられたとき、モデルはソフトマックス層がそうでなければ崩壊させるであろう対立や無知の状態を宣言する。
安全性とアライメントへの含意: この発見は、高リスク分野（倫理、法、医療）における AI システムが、体系的に不確実性を過少報告している可能性を示唆している。正規化された分布を強制することで、現在のアーキテクチャは、真の道徳的対立（例：ジレンマが同時に正しくも誤りでもあること）や無知を隠蔽している。
前進への道: 著者らは、ニュートロソフィック評価層（または制約のない出力ヘッド）を統合することが、より透明性が高く倫理的に意識された AI に向けた重要な一歩であると提案する。これにより、システムは偽の確率的解決の背後で対立を隠すのではなく、真の対立をシグナルとして発信できるようになる。

本論文は、現在の研究がスカラー SVNS に焦点を当てているが、超真の現象は堅牢であり、ベンダーを超えて存在する（Mason [2026] による独立した再現によって支持されている）と結論づけている。これは、属性レベルの分解やより複雑な認識論的構造を処理するためのプリトゴニック拡張に向けた将来の研究を動機づけるものである。