Rompiendo las cadenas de la probabilidad: la lógica neutrosófica como un nuevo marco para la incertidumbre epistémica en grandes modelos de lenguaje

Resumen

Los modelos de lenguaje de gran escala (LLMs) están predominantemente gobernados por marcos probabilísticos en los que la suma de las probabilidades de los resultados está restringida a la unidad. Esta limitación arquitectónica, a menudo impuesta por las capas Softmax, conduce a un colapso de la incertidumbre que dificulta diferenciar entre incertidumbre epistémica, paradoja y vaguedad. Presentamos una investigación empírica sobre la aplicación de la Lógica Neutrosófica, un marco que trata la Verdad (T), la Indeterminación (I) y la Falsedad (F) como tres dimensiones independientes, para modelar estados epistémicos en LLMs. Realizamos experimentos en una familia de cuatro modelos GPT de OpenAI en cinco fenómenos lingüísticos: paradojas lógicas, ignorancia epistémica, vaguedad, contradicciones éticas y contingencias futuras, bajo tres estrategias de incitación: neutrosófica, probabilística y derivada de la entropía. Nuestros hallazgos revelan que el enfoque neutrosófico, al permitir T+I+F > 1, un estado que denominamos hiperverdad, proporciona una representación más rica del estado interno de un modelo. En el 35% de las evaluaciones, la hiperverdad emergió espontáneamente, predominantemente bajo contradicción ética y paradoja lógica. Demostramos que este enfoque preserva los valores de verdad en contextos difusos y ofrece un método robusto para identificar y cuantificar el conflicto interno del modelo. Concluimos que la integración de capas de evaluación neutrosófica es un paso crítico hacia sistemas de IA más transparentes, fiables y éticamente conscientes.

English

Large Language Models (LLMs) are predominantly governed by probabilistic frameworks in which the sum of outcome probabilities is constrained to unity. This architectural limitation, often imposed by Softmax layers, leads to a collapse of uncertainty that makes it difficult to differentiate between epistemic uncertainty, paradox, and vagueness. We present an empirical investigation of the application of Neutrosophic Logic, a framework that treats Truth (T), Indeterminacy (I), and Falsity (F) as three independent dimensions, to model epistemic states in LLMs. We conducted experiments on a family of four OpenAI GPT models across five linguistic phenomena: logical paradoxes, epistemic ignorance, vagueness, ethical contradictions, and future contingencies, under three prompting strategies: neutrosophic, probabilistic, and entropy-derived. Our findings reveal that the neutrosophic approach, by allowing T+I+F > 1, a state we term hyper-truth, provides a richer representation of a model's internal state. In 35% of evaluations, hyper-truth emerged spontaneously, predominantly under ethical contradiction and logical paradox. We demonstrate that this approach preserves truth values in fuzzy contexts and offers a robust method for identifying and quantifying internal model conflict. We conclude that the integration of neutrosophic evaluation layers is a critical step toward more transparent, reliable, and ethically aware AI systems.