Разрывая оковы вероятности: нейтрософская логика как новая основа для эпистемической неопределенности в больших языковых моделях

Аннотация

Большие языковые модели (БЯМ) преимущественно управляются вероятностными рамками, в которых сумма вероятностей исходов ограничена единицей. Это архитектурное ограничение, часто накладываемое слоями Softmax, приводит к коллапсу неопределенности, что затрудняет различение эпистемической неопределенности, парадокса и нечеткости. Мы представляем эмпирическое исследование применения нейтрософской логики — подхода, рассматривающего Истину (И), Неопределенность (Н) и Ложь (Л) как три независимых измерения, — для моделирования эпистемических состояний в БЯМ. Мы провели эксперименты на семействе из четырех моделей OpenAI GPT в рамках пяти лингвистических явлений: логические парадоксы, эпистемическое незнание, нечеткость, этические противоречия и будущие контингенции, — при трех стратегиях подсказок: нейтрософской, вероятностной и энтропийной. Наши результаты показывают, что нейтрософский подход, допускающий И+Н+Л > 1 — состояние, которое мы называем гипер-истиной, — обеспечивает более богатое представление внутреннего состояния модели. В 35% оценок гипер-истина возникала спонтанно, преимущественно при этических противоречиях и логических парадоксах. Мы демонстрируем, что этот подход сохраняет истинностные значения в нечетких контекстах и предлагает надежный метод для выявления и количественной оценки внутреннего конфликта модели. Мы заключаем, что интеграция нейтрософских оценочных слоев является критическим шагом на пути к более прозрачным, надежным и этически осознанным системам искусственного интеллекта.

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.