🤖 AI

From Scalars to Tensors: Declared Losses Recover Epistemic Distinctions That Neutrosophic Scalars Cannot Express

Deze studie toont aan dat hoewel neutrosofische scalars hyper-waarheid onthullen, ze fundamentele epistemische onderscheidingen verliezen door absorptie, een beperking die kan worden opgelost door tensor-achtige output te gebruiken die ook gedeclareerde verliezen bevat om de aard van onzekerheid nauwkeuriger te modelleren.

Oorspronkelijke auteurs: Tony Mason

Gepubliceerd 2026-04-14

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Tony Mason

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Van Enkel Getallen naar Een Volledig Verhaal: Waarom AI meer moet vertellen dan alleen een cijfer

Stel je voor dat je een vriend vraagt: "Hoe zeker ben je dat het morgen gaat regenen?"

In de oude manier van denken (de "probabilistische" methode) zou je vriend moeten zeggen: "Ik ben 70% zeker." Maar dit is als een gebrekkige vertaling. Het vertelt je hoe zeker hij is, maar niet waarom. Is het omdat de lucht grijs is? Omdat hij zijn paraplu niet kan vinden? Of omdat hij gewoon niet weet hoe het weer werkt?

Dit artikel van Tony Mason gaat over een nieuwe manier om AI (kunstmatige intelligentie) te vragen naar zijn zekerheid. Het is een beetje zoals het verschil tussen een simpele thermometer en een volledig weerbericht.

1. De Eerste Stap: De "Hyper-Waarheid" (Het Thermometer)

Eerder ontdekten onderzoekers dat AI-modellen soms meer dan 100% "waarheid" hebben. Dat klinkt gek, maar het betekent dat de AI in verwarring is.

Stel je voor dat je een raadsel krijgt: "Deze zin is onwaar."

Is het waar? Nee.
Is het onwaar? Ja.
Is het onduidelijk? Ja, heel erg.

Als je de AI vraagt om een score te geven voor Waarheid, Onzekerheid en Onwaarheid, zeggen sommige AI's: "Ik ben 50% waar, 100% onzeker en 50% onwaar." Als je deze getallen optelt, kom je uit op 200% (of 2,0). Dit noemen ze "hyper-waarheid". Het bewijst dat de AI meer voelt dan een simpele "ja/nee" kans.

De auteurs van dit artikel hebben dit getest bij vijf verschillende grote AI-bedrijven (zoals Anthropic, Meta, Alibaba, etc.) en zagen dat dit overal gebeurt. De AI's zijn vaak in verwarring, en dat is goed om te weten.

2. Het Probleem: De "Slurpende" AI (De Gebroken Thermometer)

Maar hier komt het probleem. Sommige AI's zijn te lui of te beperkt in hun taalgebruik. Ze vallen in een valkuil die de auteurs de "Slurp-methode" (Absorption) noemen.

Stel je voor dat je twee heel verschillende situaties hebt:

Het Paradox: Een zin die zichzelf tegenspreekt (zoals "Deze zin is onwaar").
De Onwetendheid: Een vraag waar niemand het antwoord op weet (zoals "Hoeveel sterren zijn er precies in het heelal?").

Een slimme mens zou zeggen: "Bij het paradox is het logisch onmogelijk, maar bij de sterren is het gewoon dat we de teller niet hebben."

Maar de "Slurp-AI" zegt voor beide situaties precies hetzelfde: "Ik weet het niet (100% onzekerheid)."
Voor de AI lijken deze twee situaties identiek. Ze "slurpen" alle details op en laten alleen een groot, leeg gat over. De fijne verschillen die de AI misschien wel voelt in haar hoofd, verdwijnen omdat ze ze niet in woorden kan zetten. Het is alsof je een thermometer hebt die alleen "heet" of "koud" kan zeggen, maar niet het verschil tussen "brandende oven" en "koud ijs".

3. De Oplossing: De "Verloren Lijst" (Het Volledige Weerbericht)

De auteurs zeggen: "Laten we de AI niet alleen een cijfer geven, maar ook vragen om een lijstje te maken van wat ze niet kan."

Ze noemen dit "Verklarende Verliezen" (Declared Losses).
In plaats van alleen te zeggen: "Ik ben 100% onzeker," moet de AI nu ook zeggen:

Wat: "Ik kan dit niet oplossen."
Waarom: "Omdat de zin zichzelf tegenspreekt." (Bij het paradox)
Waarom: "Omdat niemand het exacte aantal sterren kan tellen." (Bij de sterren)

De Analogie:
Stel je voor dat je een arts vraagt naar je gezondheid.

Slechte arts (Alleen cijfers): "Je gezondheidsscore is 0/10." (Dat zegt je niets, je bent misschien dood of gewoon moe).
Goede arts (Cijfers + Uitleg): "Je gezondheidsscore is 0/10. Reden: Je hebt een gebroken been." (Of: "Reden: Je hebt een zware griep.")

Door de AI te vragen om deze lijstje met "redenen voor onzekerheid" te maken, zien we plotseling dat de AI voor het paradox en de sterren heel verschillende woorden gebruikt. De "Slurp-methode" is opgelost! De AI kan nu laten zien dat ze het verschil begrijpt, zelfs als het cijfer hetzelfde blijft.

4. Waarom is dit belangrijk?

Dit onderzoek laat zien dat AI's slimmer zijn dan hun simpele antwoorden doen vermoeden.

De cijfers (Scalaren) zijn nodig, maar niet genoeg. Ze zijn als een thermometer: nuttig, maar beperkt.
De uitleg (Tensors/Verliezen) is de echte sleutel. Het is als een gedetailleerd weerbericht dat vertelt waarom het regent.

Conclusie in het kort:
Als we AI's alleen vragen om een getal, verliezen we hun diepste gedachten. Als we ze vragen om ook te vertellen waarom ze twijfelen, krijgen we een veel eerlijker en accurater beeld van wat ze kunnen en niet kunnen. Het is het verschil tussen een simpele "ja/nee" en een echt gesprek.

De auteurs zeggen het zo: "De AI heeft het onderscheid in haar hoofd. De simpele cijfers kunnen het niet zeggen. De nieuwe methode (met uitleg) kan het wel."

Titel

Van Scalars naar Tensors: Gedeclareerde Verliezen Herstellen Epistemische Onderscheidingen die Neutrosofische Scalars Niet Kunnen Uitdrukken

1. Het Probleem

De auteurs bouwen voort op eerder werk van Leyva-Vázquez en Smarandache (2025), dat aantoont dat neutrosofische logica (onafhankelijke dimensies voor Waarheid $T$ , Onzekerheid $I$ , en Falsiteit $F$ ) "hyper-waarheid" ( $T+I+F > 1.0$ ) kan detecteren in complexe epistemische situaties van Large Language Models (LLMs). Dit in tegenstelling tot probabilistische frameworks waar $T+I+F=1$ geldt.

Echter, de auteurs identificeren drie beperkingen in het eerdere onderzoek en een fundamenteel nieuw probleem:

Beperkte generaliseerbaarheid: Het eerdere onderzoek was beperkt tot één leverancier (OpenAI) en één-shot evaluaties zonder statistische significantie.
Het "Absorptie"-probleem (Absorption Problem): Dit is het kernprobleem van de paper. Sommige modellen nemen een "Absorptie"-positie aan waarbij ze voor fundamenteel verschillende onzekerheidstypen (zoals een logisch paradox, pure onwetendheid, of contingente toekomst) exact dezelfde scalar output genereren: $(T=0, I=1, F=0)$ $(T = 0, I = 1, F = 0)$ .
- Hierdoor "instort" (collapse) de neutrosofische logica juist de onderscheidingen die ze juist zou moeten behouden. Een scalar vector kan niet onderscheiden tussen een paradox en puur gebrek aan kennis.
Representatiebeperking: Het probleem is niet dat het model geen onderscheid maakt in zijn interne staat, maar dat de scalar output-formaat (drie getallen) ontoereikend is om dit onderscheid te communiceren.

2. Methodologie

De studie bestaat uit twee hoofdfasen: een cross-vendor replicatie en een nieuwe tensor-gebaseerde evaluatiestrategie.

Fase 1: Cross-Vendor Replicatie (Strategieën S1-S3)

Doel: Replicatie en uitbreiding van het eerdere experiment over vijf model-families van vijf verschillende leveranciers (Anthropic, Meta, DeepSeek, Alibaba, Mistral).
Strategieën:
- S1 (Neutrosofisch): Onafhankelijke $T, I, F$ op $[0,1]$ , niet beperkt tot som = 1.
- S2 (Probabilistisch): $T+I+F$ beperkt tot 1.0 (controle).
- S3 (Entropie-afgeleid): Binaire waarschijnlijkheid met afgeleide onzekerheid (niet direct vergelijkbaar met S1).
Setup: 5 modellen $\times$ 5 fenomenen (Paradox, Onwetendheid, Vagheid, Contradictie, Contingentie) $\times$ 3 strategieën $\times$ 5 herhalingen. Totaal 375 evaluaties.

Fase 2: Tensor Extensie met Gedeclareerde Verliezen (Strategie S4)

Innovatie: Uitbreiding van de output van een scalar vector naar een tensor-structuur. Naast $T, I, F$ moet het model gestructureerde "verliezen" (losses) declareren.
Verlies-definitie: Een triple bestaande uit:
1. Wat: Wat het model niet kan evalueren.
2. Waarom: Waarom dit de beoordeling beperkt.
3. Zwaarte (Severity): Impact op de evaluatie (0.0 - 1.0).
Validatie: Er werden vier tests uitgevoerd om te bewijzen dat deze verliezen geen louter "instruction-following" (opdracht volgen) zijn, maar echte epistemische zelfreflectie:
- Correlatie tussen verlies-zwaarte en $I$ -waarde.
- Convergentie van thema's tussen verschillende modellen.
- Controle met tautologieën (moeten lage onzekerheid en lage zwaarte tonen).
- Prompt-ablatie (verwijderen van neutrosofische framing om te zien of de inhoud blijft bestaan).

3. Belangrijkste Resultaten

Replicatie en Hyper-waarheid:

Het "hyper-waarheid" fenomeen ( $T+I+F > 1.0$ ) werd bevestigd bij 84% van de onbeperkte evaluaties (S1), een stijging ten opzichte van de oorspronkelijke 35%.
Dit bevestigt dat het fenomeen vendor-onafhankelijk is en geen artefact van OpenAI-training.
Ethische contradicties bleken de sterkste drijver voor hyper-waarheid.

Het Absorptie-probleem:

Modellen zoals Llama en Mistral gaven voor zowel logische paradoxen als epistemische onwetendheid bijna identieke scalar output: $(0, 1, 0)$ .
De scalar afstand (Manhattan distance) tussen deze fenomenen was voor deze modellen nihil, wat suggereert dat de scalar representatie faalt.

De Kracht van Gedeclareerde Verliezen (Tensor Output):

Hoewel de scalars identiek waren, waren de verliesvocabulaire's (loss vocabularies) volledig verschillend.
- Voorbeeld (Mistral): Voor een paradox werden termen als "zelf-referentie" en "formele systeemafhankelijkheid" gebruikt. Voor onwetendheid (bijv. aantal sterren) werden termen als "empirische onkenbaarheid" en "meetnauwkeurigheid" gebruikt.
Jaccard-similariteit: De overlap in trefwoorden tussen de verliesbeschrijvingen voor paradox vs. onwetendheid was extreem laag (< 0.10), zelfs voor modellen die in de "Absorptie-zone" zaten.
Validatie: De correlatie tussen verlies-zwaarte en de $I$ -waarde was sterk ( $r=0.78$ ), en modellen gaven voor tautologieën (zoals "2+2=4") significant lagere onzekerheid en verlies-zwaarte dan voor echte onzekerheid. Dit bewijst dat de output inhoudelijk is en niet slechts een format-conformiteit.

4. Kernbijdragen

Empirische Validatie: Het bewijzen dat hyper-waarheid een universeel kenmerk is van moderne LLMs, niet beperkt tot één leverancier.
Identificatie van het Absorptie-probleem: Het aantonen dat scalar T/I/F-output fundamenteel ontoereikend is om onderscheid te maken tussen verschillende soorten onzekerheid wanneer modellen een "absorptie"-strategie hanteren.
Tensor-uitbreiding: Het introduceren van een nieuwe evaluatiestandaard waarbij gestructureerde "verliezen" (declared losses) worden toegevoegd aan de scalar output.
Herstel van Onderscheiding: Het aantonen dat deze tensor-structuur (scalars + verliesbeschrijvingen) de epistemische onderscheidingen herstelt die door scalars verloren gaan.

5. Significatie en Implicaties

Hiërarchie van Epistemische Fideliteit: De paper stelt een hiërarchie voor:
1. Probabilistisch: Kan conflicten niet uitdrukken.
2. Scalar Neutrosofisch: Kan conflicten uitdrukken, maar faalt bij het onderscheiden van onzekerheidstypen bij absorptie-modellen.
3. Tensor Neutrosofisch: Kan conflicten, hyper-waarheid én type-specifieke onzekerheid uitdrukken. Dit is de minimale vereiste voor een trouwe weergave van LLM-kennis.
Toepassing in Evaluatie-systemen: Voor AI-evaluatiesystemen en "routing" (het kiezen van welk model een vraag moet beantwoorden) is het cruciaal om te kijken naar de verliezen (wat kan het model niet en waarom) in plaats van alleen naar de capaciteitsscores.
Conclusie: De scalar T/I/F is noodzakelijk maar onvoldoende. De tensor-structuur (scalars + gestructureerde verliesverklaringen) biedt een veel betrouwbaarder model van de epistemische capaciteiten van LLMs. Het model maakt het onderscheid intern; de scalar kan het niet uiten; de tensor kan het wel.