تحطيم قيود الاحتمالية: المنطق النيوتروسوفي كإطار جديد لفهم عدم اليقين المعرفي في نماذج اللغات الضخمة

في عالم الذكاء الاصطناعي الذي يتطور بسرعة، فرضت نماذج اللغات الضخمة (Large Language Models - LLMs) هيمنة تعتمد بشكل كبير على الأطر الاحتمالية التقليدية، حيث تتقيد مجموع احتمالات النتائج بوحدة واحدة. لكن هذه القيود المعمارية، والتي غالباً ما تتجلى من خلال طبقات Softmax، تؤدي إلى انهيار في مفهوم عدم اليقين، مما يجعل من الصعب التمييز بين عدم اليقين المعرفي، والتناقض، والغموض.

في سعيهم إلى تقديم طبقة جديدة من الفهم، استعرض الباحثون تطبيق المنطق النيوتروسوفي، الذي يعامل الحقيقة (T)، وعدم الحسم (I)، والزيف (F) كأبعاد مستقلة ثلاثة. وذلك لتوصيف حالات المعرفة في نماذج اللغات الضخمة. أجرى الباحثون تجارب على مجموعة من أربعة نماذج GPT من OpenAI، مُعتمدين على خمس ظواهر لغوية: التناقضات المنطقية، الجهل المعرفي، الغموض، التناقضات الأخلاقية، والاحتمالات المستقبلية، تحت ثلاث استراتيجيات تحفيزية: النيوتروسوفية، الاحتمالية، والمشتقة من الإنتروبيا.

أظهرت النتائج أن الاقتراب عبر المنطق النيوتروسوفي، الذي يسمح بجعل T+I+F > 1 - والذي أطلقنا عليه اسم "الحقيقة المفرطة" - يوفر تمثيلاً أغنى للحالة الداخلية للنموذج. في 35% من التقييمات، ظهرت الحقيقة المفرطة بشكل عفوي، ولا سيما في حالات التناقض الأخلاقي والتناقضات المنطقية.

نستنتج أن دمج طبقات التقييم النيوتروسوفي يمثل خطوة حاسمة نحو أنظمة ذكاء اصطناعي أكثر شفافية وموثوقية وأخلاقية. حيث أن هذه الطريقة تساهم في الحفاظ على قيم الحقيقة في سياقات ضبابية وتوفر أسلوباً قوياً لتحديد الكيانات المتضاربة داخلياً في النموذج.