Briser les chaînes de la probabilité : la logique neutrosophique comme nouveau cadre pour l'incertitude épistémique dans les grands modèles de langage

Résumé

Les grands modèles de langage (LLMs) sont principalement régis par des cadres probabilistes dans lesquels la somme des probabilités des résultats est contrainte à l'unité. Cette limitation architecturale, souvent imposée par les couches Softmax, entraîne un effondrement de l'incertitude qui rend difficile la différenciation entre incertitude épistémique, paradoxe et imprécision. Nous présentons une étude empirique de l'application de la logique neutrosophique, un cadre qui traite la Vérité (T), l'Indétermination (I) et la Fausseté (F) comme trois dimensions indépendantes, pour modéliser les états épistémiques dans les LLMs. Nous avons mené des expériences sur une famille de quatre modèles GPT d'OpenAI à travers cinq phénomènes linguistiques : paradoxes logiques, ignorance épistémique, imprécision, contradictions éthiques et contingences futures, selon trois stratégies d'amorçage : neutrosophique, probabiliste et dérivée de l'entropie. Nos résultats révèlent que l'approche neutrosophique, en autorisant T+I+F > 1, un état que nous appelons hyper-vérité, offre une représentation plus riche de l'état interne d'un modèle. Dans 35 % des évaluations, l'hyper-vérité est apparue spontanément, principalement dans les cas de contradiction éthique et de paradoxe logique. Nous démontrons que cette approche préserve les valeurs de vérité dans des contextes flous et offre une méthode robuste pour identifier et quantifier les conflits internes du modèle. Nous concluons que l'intégration de couches d'évaluation neutrosophiques constitue une étape cruciale vers des systèmes d'IA plus transparents, fiables et éthiquement conscients.

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.