الذكاء الاصطناعي السببي النيوتروسوفي وWeb3: إطار عمل لاتخاذ القرارات المعقدة

1. المقدمة

يقدم هذا البحث الذكاء الاصطناعي السببي النيوتروسوفي، وهو إطار عمل جديد يدمج المنطق النيوتروسوفي مع النماذج السببية الهيكلية لمعالجة اتخاذ القرار في ظل ظروف عدم اليقين والغموض وعدم اكتمال البيانات. بينما يكون الذكاء الاصطناعي السببي التقليدي فعالاً في تحديد علاقات السبب والنتيجة، فإنه غالباً ما يفترض مستوى من الدقة غير موجود في الأنظمة الواقعية المعقدة. يمتد الإطار المقترح للاستدلال السببي من خلال دمج المكونات النيوتروسوفية للحقيقة (T)، وعدم التحديد (I)، والخطأ (F)، مما يجعله مناسباً بشكل خاص للتطبيقات في بيئات Web3 اللامركزية حيث تكون الموثوقية والثقة في غاية الأهمية.

2. الأسس النظرية

2.1 المنطق النيوتروسوفي

المنطق النيوتروسوفي، الذي قدمه فلورنتين سمارانداشي، هو تعميم للمنطق الضبابي والحدسي وغير المتناقض. يسمح بتمثيل قيم القضايا بثلاثية $(T, I, F)$، حيث $T$ هي درجة الحقيقة، و$I$ هي درجة عدم التحديد، و$F$ هي درجة الخطأ، مع $T, I, F \subseteq [0, 1]$. هذه الصيغة مناسبة للتعامل مع المعلومات المتناقضة والغامضة وغير المكتملة.

2.2 الذكاء الاصطناعي السببي والنماذج السببية الهيكلية

يتجاوز الذكاء الاصطناعي السببي، المستند إلى أعمال جوديا بيرل، الارتباط لفهم علاقات السبب والنتيجة. الأدوات الأساسية هي النماذج السببية الهيكلية (SCMs) وحساب التدخل (do-calculus). يُعرّف النموذج السببي الهيكلي على أنه ثلاثي $(U, V, F)$ حيث $U$ هي مجموعة المتغيرات الخارجية، و$V$ هي مجموعة المتغيرات الداخلية، و$F$ هي مجموعة الدوال التي تعيّن قيماً لكل $V_i$ بناءً على متغيرات أخرى. يمثل عامل التدخل $do(X=x)$ تدخلاً يضبط المتغير $X$ إلى القيمة $x$، مما يسمح بحساب التأثيرات السببية $P(Y|do(X=x))$.

2.3 Web3 والأنظمة اللامركزية

يمثل Web3 التطور القادم للإنترنت، ويتميز باللامركزية وتقنية البلوكشين والعقود الذكية وسيادة المستخدم. إن اتخاذ القرار في مثل هذه البيئات - مثل المنظمات المستقلة اللامركزية (DAOs) أو شبكات أوراكل - معقد، وغالباً ما يتضمن بيانات غير مكتملة على السلسلة وأحداثاً خارج السلسلة مع عدم يقين متأصل.

3. إطار عمل الذكاء الاصطناعي السببي النيوتروسوفي

يكمن الابتكار الأساسي في دمج المنطق النيوتروسوفي مع آليات بيرل السببية.

3.1 إضفاء الطابع الرسمي على عامل التدخل النيوتروسوفي (do-Operator)

تم توسيع عامل التدخل التقليدي للتعامل مع عدم اليقين النيوتروسوفي. يُعرّف التدخل النيوتروسوفي ليس كـ $do(X=x)$ بل كـ $do_N(X = \langle x_T, x_I, x_F \rangle)$، حيث يحمل التدخل نفسه درجات من اليقين. يكون التأثير السببي الناتج على النتيجة $Y$ بعد ذلك قيمة نيوتروسوفية: $P_N(Y | do_N(X)) = \langle P_T, P_I, P_F \rangle$.

3.2 النماذج السببية الهيكلية النيوتروسوفية (N-SCMs)

يمتد النموذج السببي الهيكلي النيوتروسوفي (N-SCM) من النموذج القياسي. يتم إعادة تعريف كل معادلة هيكلية $V_i := f_i(PA_i, U_i)$ لإخراج قيمة نيوتروسوفية. على سبيل المثال، قد يُعرّف متغير يمثل "مشاعر السوق" على أنه $Sentiment := f(News, SocialMedia) = \langle T, I, F \rangle$، حيث تحسب الدالة $f$ الثلاثية بناءً على مدخلات غامضة ومتناقضة.

4. التفاصيل التقنية والصياغة الرياضية

يتضمن جوهر الرياضيات تعريف العمليات داخل الإطار السببي النيوتروسوفي.

المتغير النيوتروسوفي: $X_N = \{(x, T_X(x), I_X(x), F_X(x)) | x \in X\}$.
المعادلة الهيكلية النيوتروسوفية: $Y_N := f_N(PA_N, U_N)$، حيث $f_N$ تُرسم إلى $(T, I, F)$.
حساب التأثير السببي: يتم حساب احتمالية $Y_N$ عند $do_N(X_N)$ عن طريق تعديل رسم النموذج السببي الهيكلي النيوتروسوفي (N-SCM)، وضبط $X_N$ إلى قيمة التدخل، ونشر القيم النيوتروسوفية عبر الشبكة باستخدام عوامل التشغيل المحددة للجمع والضرب النيوتروسوفي.

قد تكون الصيغة الرئيسية لدمج المسارات السببية تحت عدم التحديد: $P_N(Y|do_N(X)) = \bigoplus_{paths} \left( \bigotimes_{edges \in path} W_N^{edge} \right)$، حيث $\oplus$ و$\otimes$ هما عاملان نيوتروسوفيان.

5. النتائج التجريبية وتحليل المحاكاة

يستخدم البحث التحقق القائم على المحاكاة. تم إنشاء بيئة اصطناعية تحاكي بروتوكول إقراض التمويل اللامركزي (DeFi). تم نمذجة المتغيرات الرئيسية (مثل جودة الضمان، وسمعة المقترض، وتقلب الأصول) مع عدم تحديد متأصل.

الرسم البياني 1: دقة اتخاذ القرار في ظل عدم اليقين. رسم بياني شريطي يقارن ثلاثة نماذج: 1) الذكاء الاصطناعي السببي القياسي، 2) النموذج السببي القائم على المنطق الضبابي، 3) الذكاء الاصطناعي السببي النيوتروسوفي. يمثل المحور X مستويات متزايدة من الغموض/التناقض في البيانات (منخفض إلى مرتفع). يظهر المحور Y دقة اتخاذ القرار (٪). يحافظ نموذج الذكاء الاصطناعي السببي النيوتروسوفي على دقة أعلى بكثير (على سبيل المثال، ~85٪ عند الغموض العالي) مقارنة بالانخفاض الحاد للنموذج القياسي (~50٪) والانخفاض المعتدل للنموذج الضبابي (~70٪).

الرسم البياني 2: متانة الاستفسارات الافتراضية (Counterfactual). رسم بياني خطي يظهر استقرار إجابات استفسارات "ماذا كان سيحدث لو...؟" مع إضافة ضوضاء إلى بيانات الإدخال. يظهر الخط الخاص بالذكاء الاصطناعي السببي النيوتروسوفي تقلباً ضئيلاً، بينما تظهر الخطوط الخاصة بالنماذج التقليدية تبايناً عالياً، مما يوضح المتانة المعرفية للإطار النيوتروسوفي.

تظهر النتائج أن النماذج السببية الهيكلية النيوتروسوفية (N-SCMs) توفر تقديرات سببية أكثر دقة وموثوقية في سيناريوهات الغموض العالي، خاصة في تقييم تأثير التغييرات المقترحة في الحوكمة داخل منظمة مستقلة لامركزية (DAO) أو تقييم مخاطر العقد الذكي.

6. إطار التحليل: مثال دراسة حالة

السيناريو: تتصويت منظمة مستقلة لامركزية (DAO) على اقتراح استثمار من الخزينة. البيانات متناقضة: بعض تحليلات المشاعر للمنشورات في المنتدى إيجابية ($T=0.7, I=0.2, F=0.1$)، بينما تظهر البيانات التاريخية حول مقترحات مماثلة معدلات فشل عالية ($T=0.2, I=0.3, F=0.8$). يضيف حدث سوقي خارجي مزيداً من عدم التحديد ($I=0.5$).

تطبيق النموذج السببي الهيكلي النيوتروسوفي (N-SCM):

تحديد المتغيرات: $ProposalQuality_N$, $CommunitySentiment_N$, $MarketCondition_N$, $SuccessProbability_N$.
تحديد العلاقات: $SuccessProbability_N := f(ProposalQuality_N, CommunitySentiment_N, MarketCondition_N)$.
إدخال الأدلة النيوتروسوفية: حقن القيم المرصودة $(T, I, F)$ لكل متغير أصل.
تشغيل تحليل التدخل: الاستعلام عن $P_N(Success | do_N(IncreaseMarketingBudget = \langle 0.6, 0.3, 0.1 \rangle))$. يخرج الإطار بنتيجة مثل $\langle 0.65, 0.25, 0.15 \rangle$، مما يعني ميلاً بنسبة 65٪ نحو النجاح، مع 25٪ عدم تحديد، مما يوفر أساساً شفافاً ودقيقاً لاتخاذ القرار.

تظهر هذه الحالة كيف يقوم الإطار بتحديد وقياس عدم اليقين والاحتفاظ به طوال عملية الاستدلال السببي.

7. التطبيق في بيئات Web3

تقييم مخاطر العقود الذكية: تقييم التأثير السببي لموثوقية بيانات أوراكل، وتعقيد الكود، والحوافز الاقتصادية على فشل العقد، مع الأخذ في الاعتبار الثغرات غير المعروفة (عدم التحديد).
حوكمة المنظمات المستقلة اللامركزية (DAOs): نمذجة التأثيرات السببية لآليات التصويت المختلفة أو هياكل المقترحات على مشاركة المجتمع وصحة الخزينة، وسط نوايا غامضة للأعضاء.
الهوية والسمعة اللامركزية: بناء نماذج سببية لدرجات السمعة التي تتضمن بيانات سلوك متناقضة على السلسلة وخارجها.
تصميم بروتوكولات التمويل اللامركزي (DeFi): محاكاة التأثير السببي لتغييرات المعاملات (مثل أسعار الفائدة، ونسب الضمان) في ظل ظروف سوق غير مؤكدة لمنع المخاطر النظامية.

8. الاتجاهات المستقبلية وآفاق البحث

التكامل مع نماذج اللغة الكبيرة (LLMs): استخدام النماذج السببية الهيكلية النيوتروسوفية (N-SCMs) لترسيخ مخرجات نماذج اللغة الكبيرة في الاستدلال السببي ونمذجة عدم التحديد في المحتوى أو التحليل الذي تولده نماذج اللغة الكبيرة بشكل صريح.
تعلم النماذج السببية الهيكلية النيوتروسوفية (N-SCMs) من البيانات: تطوير خوارزميات تعلم الآلة التي يمكنها اكتشاف بنية ومعاملات النماذج السببية الهيكلية النيوتروسوفية من البيانات الرصدية الغنية بالتناقضات.
القدرة على التوسع والتنفيذ على السلسلة: البحث في الحساب الفعال والقابل للتحقق من الاستفسارات السببية النيوتروسوفية للاستخدام في الوقت الفعلي في بيئات البلوكشين، ربما باستخدام براهين المعرفة الصفرية (zero-knowledge proofs).
التطبيقات متعددة التخصصات: توسيع الإطار لتشمل نمذجة مخاطر المناخ، وتشخيصات الرعاية الصحية، وإدارة سلسلة التوريد - وهي جميع المجالات التي تكون فيها البيانات غالباً غير مكتملة وآليات السببية معقدة.

9. المراجع

Smarandache, F. (1998). Neutrosophy: Neutrosophic Probability, Set, and Logic. American Research Press.
Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.
Buterin, V. (2014). A Next-Generation Smart Contract and Decentralized Application Platform. Ethereum White Paper.
Schölkopf, B., et al. (2021). Toward Causal Representation Learning. Proceedings of the IEEE.
Peters, J., Janzing, D., & Schölkopf, B. (2017). Elements of Causal Inference: Foundations and Learning Algorithms. MIT Press.
Zhu, J., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (CycleGAN as an example of handling unpaired/ambiguous data domains).
MIT Technology Review. (2023). What is Web3? Retrieved from MIT Tech Review website.
Barbosa, R. P., Smarandache, F., Leyva Vázquez, M. Y., & Monge, J. B. (2025). Neutrosophy, Causal AI, and Web3: combo for complex decision-making. Neutrosophic Sets and Systems, 84.

10. التحليل الأصلي: منظور صناعي

الفكرة الأساسية: هذا البحث ليس مجرد تعديل تدريجي آخر للذكاء الاصطناعي؛ إنه محاولة تأسيسية لتقوية الاستدلال السببي للواقع الفوضوي والعدائي وغير المكتمل لـ Web3. يحدد المؤلفون بشكل صحيح أن الدقة الهشة لحساب التدخل (do-calculus) لبيرل تتحطم عند تطبيقها على أنظمة لا تكون البيانات فيها مجرد ضوضاء بل متناقضة بشكل أساسي - وهي بالضبط حالة معظم تدفقات المعلومات على السلسلة وخارجها. إن خطوتهم لتضمين عدم التحديد $(I)$ كمواطن من الدرجة الأولى في النموذج السببي هي القفزة المفاهيمية الرئيسية.

التدفق المنطقي: الحجة مقنعة: 1) يحتاج Web3 إلى استدلال سببي للثقة والمتانة (صحيح)، 2) تفشل النماذج السببية التقليدية تحت عدم اليقين المتأصل في Web3 (صحيح، كما يظهر في التلاعب بأوراكل وهجمات الحوكمة)، 3) يضفي النيوتروسوفي الطابع الرسمي على هذا عدم اليقين، 4) لذلك، فإن الدمج ضروري. سلسلة المنطق صلبة، على الرغم أن البحث هو أكثر من مخطط لإثبات المفهوم وليس أداة مجربة ميدانياً. إنه يوازي التطور في رؤية الكمبيوتر من ترجمة الصور المقترنة (التي تتطلب مراسلات دقيقة) إلى نماذج مثل CycleGAN التي تتعامل مع مجالات البيانات غير المقترنة والغامضة - وهو تحول من التعيين الحتمي إلى التعيين الاحتمالي/الغامض.

نقاط القوة والضعف: القوة الرئيسية هي توقيته وطموحه. يستهدف نقطة الضعف في "الذكاء اللامركزي". إن إضفاء الطابع الرسمي على عامل التدخل النيوتروسوفي (do-operator) هو مساهمة نظرية حقيقية. ومع ذلك، فإن العيوب عملية. يمكن أن يكون التعقيد الحسابي لنشر ثلاثيات $(T, I, F)$ عبر الرسوم البيانية السببية الكبيرة مانعاً. محاكاة البحث مبسطة؛ تتضمن أنظمة Web3 الواقعية بيانات عالية الأبعاد وغير ثابتة. هناك أيضاً خطر إنشاء "صندوق أسود من عدم اليقين" - إذا كان كل ناتج عبارة عن ثلاثية غامضة، فهل يساعد بالفعل في اتخاذ القرار أم يحدد فقط الارتباك؟ يحتاج الإطار إلى بروتوكولات واضحة للعمل على مخرجاته، على غرار كيفية احتياج النماذج البايزية إلى دوال المنفعة لنظرية القرار.

رؤى قابلة للتنفيذ: بالنسبة للبناة والباحثين، هذا هو النجم الشمالي، وليس مجموعة أدوات تطوير برمجيات جاهزة. أولاً، رتب أولويات حالات الاستخدام ذات التعقيد المحدود: ابدأ بنمذجة مخاطر عقود ذكية محددة أو نتائج مقترحات منظمات مستقلة لامركزية (DAOs)، وليس الاقتصاد المشفر بأكمله. ثانياً، تعاون مع مجتمع الذكاء الاصطناعي القابل للتفسير (XAI) لضمان أن تكون المخرجات النيوتروسوفية قابلة للتفسير. ستكون لوحة التحكم التي تظهر المسارات السببية المهيمنة لـ $T$، و$I$، و$F$ بشكل منفصل لا تقدر بثمن. ثالثاً، يجب أن يكون عدو البحث الفوري على النماذج السببية الهيكلية النيوتروسوفية "الخفيفة الوزن" - تقريبيات أو طرق استدلالية تضحي ببعض الدقة الرسمية من أجل الجدوى على السلسلة، ربما بالاستفادة من التطورات الحديثة في براهين المعرفة الصفرية المختصرة غير التفاعلية (zk-SNARKs) للحساب القابل للتحقق، كما أشارت إليه مؤسسات مثل مؤسسة إيثريوم. سيكون الاختبار النهائي هو ما إذا كان هذا الإطار يمكن أن ينتقل من المحاكاة الأكاديمية إلى منع استغلال حقيقي في التمويل اللامركزي (DeFi) أو فشل في الحوكمة من خلال جعل عدم تحديد ناقل الهجوم قابلاً للحساب بشكل صريح قبل استغلاله.