هوش مصنوعی علی نوتروسوفیک و وب۳: چارچوبی برای تصمیم‌گیری پیچیده

1. مقدمه

این مقاله هوش مصنوعی علی نوتروسوفیک را ارائه می‌دهد، چارچوبی نوآورانه که منطق نوتروسوفیک را با مدل‌های علی ساختاریافته تلفیق می‌کند تا تصمیم‌گیری در شرایط عدم قطعیت، ابهام و داده‌های ناقص را مورد توجه قرار دهد. هوش مصنوعی علی سنتی، اگرچه در شناسایی روابط علت و معلولی مؤثر است، اغلب سطحی از دقت را فرض می‌کند که در سیستم‌های پیچیده دنیای واقعی یافت نمی‌شود. چارچوب پیشنهادی با گنجاندن مؤلفه‌های نوتروسوفیک حقیقت (T)، عدم تعین (I) و کذب (F)، استنتاج علی را گسترش می‌دهد و آن را به ویژه برای کاربردها در محیط‌های غیرمتمرکز وب۳ که قابلیت اطمینان و اعتماد از اهمیت بالایی برخوردار است، مناسب می‌سازد.

2. مبانی نظری

2.1 منطق نوتروسوفیک

منطق نوتروسوفیک که توسط فلورنتین سمارانداشه معرفی شد، تعمیمی از منطق‌های فازی، شهودی و ناسازگارپذیر است. این منطق اجازه می‌دهد مقادیر گزاره‌ها توسط یک سه‌تایی $(T, I, F)$ نمایش داده شوند، که در آن $T$ درجه حقیقت، $I$ درجه عدم تعین و $F$ درجه کذب است، با $T, I, F \subseteq [0, 1]$. این صوری‌سازی در پردازش اطلاعات متناقض، مبهم و ناقص مهارت دارد.

2.2 هوش مصنوعی علی و مدل‌های علی ساختاریافته

هوش مصنوعی علی، که بر اساس کار جودیا پرل بنا شده است، از همبستگی فراتر رفته تا روابط علت و معلولی را درک کند. ابزارهای اصلی آن مدل‌های علی ساختاریافته (SCMs) و حساب do هستند. یک SCM به عنوان یک سه‌تایی $(U, V, F)$ تعریف می‌شود که در آن $U$ مجموعه‌ای از متغیرهای برونزاد، $V$ مجموعه‌ای از متغیرهای درونزاد و $F$ مجموعه‌ای از توابع است که بر اساس سایر متغیرها به هر $V_i$ مقدار اختصاص می‌دهد. عملگر do، یعنی $do(X=x)$، مداخله‌ای را نشان می‌دهد که متغیر $X$ را روی مقدار $x$ تنظیم می‌کند و امکان محاسبه اثرات علی $P(Y|do(X=x))$ را فراهم می‌آورد.

2.3 وب۳ و سیستم‌های غیرمتمرکز

وب۳ نشان‌دهنده تکامل بعدی اینترنت است که با غیرمتمرکزسازی، فناوری بلاک‌چین، قراردادهای هوشمند و حاکمیت کاربران مشخص می‌شود. تصمیم‌گیری در چنین محیط‌هایی—مانند سازمان‌های خودمختار غیرمتمرکز (DAOها) یا شبکه‌های اوراکل—پیچیده است و اغلب شامل داده‌های ناقص روی زنجیره و رویدادهای خارج از زنجیره با عدم قطعیت ذاتی می‌شود.

3. چارچوب هوش مصنوعی علی نوتروسوفیک

نوآوری اصلی، ترکیب منطق نوتروسوفیک با مکانیزم علی پرل است.

3.1 صوری‌سازی عملگر do نوتروسوفیک

عملگر do سنتی برای مدیریت عدم قطعیت نوتروسوفیک گسترش یافته است. یک مداخله نوتروسوفیک نه به صورت $do(X=x)$، بلکه به صورت $do_N(X = \langle x_T, x_I, x_F \rangle)$ تعریف می‌شود، که در آن خود مداخله حامل درجاتی از قطعیت است. اثر علی حاصل بر یک نتیجه $Y$ سپس یک مقدار نوتروسوفیک است: $P_N(Y | do_N(X)) = \langle P_T, P_I, P_F \rangle$.

3.2 مدل‌های علی ساختاریافته نوتروسوفیک (N-SCMs)

یک N-SCM، SCM استاندارد را گسترش می‌دهد. هر معادله ساختاری $V_i := f_i(PA_i, U_i)$ بازتعریف می‌شود تا یک مقدار نوتروسوفیک خروجی دهد. برای مثال، یک متغیر نمایانگر "احساسات بازار" ممکن است به صورت $Sentiment := f(News, SocialMedia) = \langle T, I, F \rangle$ تعریف شود، که در آن تابع $f$ سه‌تایی را بر اساس ورودی‌های مبهم و متناقض محاسبه می‌کند.

4. جزئیات فنی و صوری‌سازی ریاضی

هسته ریاضی شامل تعریف عملیات درون چارچوب علی نوتروسوفیک است.

متغیر نوتروسوفیک: $X_N = \{(x, T_X(x), I_X(x), F_X(x)) | x \in X\}$.
معادله ساختاری نوتروسوفیک: $Y_N := f_N(PA_N, U_N)$، که در آن $f_N$ به $(T, I, F)$ نگاشت می‌شود.
محاسبه اثر علی: احتمال $Y_N$ به شرط $do_N(X_N)$ با اصلاح گراف N-SCM، تنظیم $X_N$ روی مقدار مداخله و انتشار مقادیر نوتروسوفیک در شبکه با استفاده از عملگرهای تعریف شده برای جمع و ضرب نوتروسوفیک محاسبه می‌شود.

یک فرمول کلیدی برای ترکیب مسیرهای علی تحت عدم تعین می‌تواند به این صورت باشد: $P_N(Y|do_N(X)) = \bigoplus_{paths} \left( \bigotimes_{edges \in path} W_N^{edge} \right)$، که در آن $\oplus$ و $\otimes$ عملگرهای نوتروسوفیک هستند.

5. نتایج تجربی و تحلیل شبیه‌سازی

مقاله از اعتبارسنجی مبتنی بر شبیه‌سازی استفاده می‌کند. یک محیط مصنوعی که از یک پروتکل وام‌دهی مالی غیرمتمرکز (DeFi) تقلید می‌کند، ایجاد شد. متغیرهای کلیدی (مانند کیفیت وثیقه، اعتبار وام‌گیرنده، نوسان دارایی) با عدم تعین ذاتی مدل‌سازی شدند.

نمودار ۱: دقت تصمیم‌گیری تحت عدم قطعیت. یک نمودار میله‌ای که سه مدل را مقایسه می‌کند: ۱) هوش مصنوعی علی استاندارد، ۲) مدل علی مبتنی بر منطق فازی، ۳) هوش مصنوعی علی نوتروسوفیک. محور X سطوح افزایش‌یافته ابهام/تناقض داده‌ها (از کم به زیاد) را نشان می‌دهد. محور Y دقت تصمیم‌گیری (درصد) را نشان می‌دهد. مدل هوش مصنوعی علی نوتروسوفیک در مقایسه با کاهش شدید مدل استاندارد (~۵۰٪) و کاهش متوسط مدل فازی (~۷۰٪)، دقت به مراتب بالاتری را حفظ می‌کند (مثلاً ~۸۵٪ در ابهام بالا).

نمودار ۲: استحکام پرسش‌های ضدواقعی. یک نمودار خطی که پایداری پاسخ‌ها به پرسش‌های "چه می‌شد اگر...؟" را هنگام افزودن نویز به داده‌های ورودی نشان می‌دهد. خط مربوط به هوش مصنوعی علی نوتروسوفیک نوسان حداقلی را نشان می‌دهد، در حالی که خطوط مربوط به مدل‌های سنتی واریانس بالایی را نشان می‌دهند که نشان‌دهنده استحکام معرفتی چارچوب نوتروسوفیک است.

نتایج نشان می‌دهد که N-SCMها در سناریوهای با ابهام بالا، به ویژه در ارزیابی تأثیر تغییرات پیشنهادی حکمرانی در یک DAO یا ارزیابی ریسک قرارداد هوشمند، برآوردهای علی ظریف‌تر و قابل اعتمادتری ارائه می‌دهند.

6. چارچوب تحلیل: نمونه مطالعه موردی

سناریو: یک سازمان خودمختار غیرمتمرکز (DAO) در حال رأی‌گیری درباره یک پیشنهاد سرمایه‌گذاری خزانه است. داده‌ها متناقض هستند: برخی تحلیل‌های احساسات از پست‌های انجمن مثبت است ($T=0.7, I=0.2, F=0.1$)، در حالی که داده‌های تاریخی درباره پیشنهادهای مشابه نرخ شکست بالایی را نشان می‌دهد ($T=0.2, I=0.3, F=0.8$). یک رویداد بازار خارجی عدم تعین بیشتری اضافه می‌کند ($I=0.5$).

کاربرد N-SCM:

تعریف متغیرها: $ProposalQuality_N$, $CommunitySentiment_N$, $MarketCondition_N$, $SuccessProbability_N$.
تعریف روابط: $SuccessProbability_N := f(ProposalQuality_N, CommunitySentiment_N, MarketCondition_N)$.
تزریق شواهد نوتروسوفیک: مقادیر مشاهده شده $(T, I, F)$ را برای هر متغیر والد تزریق کنید.
اجرای تحلیل مداخله: پرسش $P_N(Success | do_N(IncreaseMarketingBudget = \langle 0.6, 0.3, 0.1 \rangle))$. چارچوب نتیجه‌ای مانند $\langle 0.65, 0.25, 0.15 \rangle$ را خروجی می‌دهد، به معنای تمایل ۶۵٪ به سمت موفقیت، با ۲۵٪ عدم تعین، که مبنایی شفاف و ظریف برای تصمیم‌گیری فراهم می‌آورد.

این مورد نشان می‌دهد که چارچوب چگونه عدم قطعیت را در طول فرآیند استدلال علی کمّی کرده و حفظ می‌کند.

7. کاربرد در محیط‌های وب۳

ارزیابی ریسک قرارداد هوشمند: ارزیابی تأثیر علی قابلیت اطمینان فید اوراکل، پیچیدگی کد و مشوق‌های اقتصادی بر شکست قرارداد، با در نظر گرفتن آسیب‌پذیری‌های ناشناخته (عدم تعین).
حکمرانی DAO: مدل‌سازی اثرات علی مکانیزم‌های رأی‌گیری مختلف یا ساختارهای پیشنهادی بر مشارکت جامعه و سلامت خزانه، در میان نیات مبهم اعضا.
هویت و اعتبار غیرمتمرکز: ساخت مدل‌های علی برای امتیازات اعتبار که داده‌های رفتاری متناقض روی زنجیره و خارج از زنجیره را دربر می‌گیرند.
طراحی پروتکل DeFi: شبیه‌سازی تأثیر علی تغییرات پارامتر (مانند نرخ بهره، نسبت وثیقه) تحت شرایط بازار نامطمئن برای جلوگیری از ریسک سیستماتیک.

8. مسیرهای آینده و چشم‌انداز پژوهشی

ادغام با مدل‌های زبانی بزرگ (LLMs): استفاده از N-SCMها برای پایه‌گذاری خروجی‌های LLM در استدلال علی و مدل‌سازی صریح عدم تعین در محتوای تولیدشده یا تحلیل LLM.
یادگیری N-SCMها از داده: توسعه الگوریتم‌های یادگیری ماشین که بتوانند ساختار و پارامترهای N-SCMها را از داده‌های مشاهده‌ای غنی از تناقضات کشف کنند.
مقیاس‌پذیری و پیاده‌سازی روی زنجیره: پژوهش درباره محاسبه کارآمد و قابل تأیید پرسش‌های علی نوتروسوفیک برای استفاده بلادرنگ در محیط‌های بلاک‌چین، احتمالاً با استفاده از اثبات‌های دانش صفر.
کاربردهای میان‌رشته‌ای: گسترش چارچوب به مدل‌سازی ریسک آب و هوا، تشخیص پزشکی و مدیریت زنجیره تأمین—همه حوزه‌هایی که داده‌ها اغلب ناقص هستند و مکانیزم‌های علی پیچیده‌اند.

9. مراجع

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. تحلیل اصلی: دیدگاه صنعت

بینش اصلی: این مقاله فقط یک تغییر جزئی دیگر در هوش مصنوعی نیست؛ بلکه تلاشی بنیادین برای مقاوم‌سازی استدلال علی در برابر واقعیت آشفته، خصمانه و ناقص وب۳ است. نویسندگان به درستی شناسایی کرده‌اند که دقت شکننده حساب do پرل هنگامی که بر سیستم‌هایی اعمال می‌شود که داده‌ها نه تنها پرنویز، بلکه اساساً متناقض هستند—دقیقاً وضعیت اکثر جریان‌های اطلاعاتی روی زنجیره/خارج از زنجیره—در هم می‌شکند. حرکت آن‌ها برای جاسازی عدم تعین $(I)$ به عنوان یک شهروند درجه یک در مدل علی، جهش مفهومی کلیدی است.

جریان منطقی: استدلال قانع‌کننده است: ۱) وب۳ برای اعتماد و استحکام به استدلال علی نیاز دارد (درست)، ۲) مدل‌های علی سنتی تحت عدم قطعیت ذاتی وب۳ شکست می‌خورند (درست، همان‌طور که در دستکاری اوراکل و حملات حکمرانی دیده می‌شود)، ۳) نوتروسوفی این عدم قطعیت را صوری می‌سازد، ۴) بنابراین، یک تلفیق ضروری است. زنجیره منطقی محکم است، اگرچه مقاله بیشتر یک نقشه راه اثبات مفهوم است تا یک ابزار آزموده شده در میدان. این امر با تکامل در بینایی کامپیوتر از ترجمه تصویر جفت‌شده (نیازمند تناظرهای دقیق) به مدل‌هایی مانند CycleGAN که حوزه‌های داده جفت‌نشده و مبهم را مدیریت می‌کنند—یک تغییر از نگاشت قطعی به احتمالاتی/مبهم—موازی است.

نقاط قوت و ضعف: نقطه قوت اصلی به‌موقع بودن و جاه‌طلبی آن است. این چارچوب به پاشنه آشیل "هوش غیرمتمرکز" هدف می‌گیرد. صوری‌سازی عملگر do نوتروسوفیک یک مشارکت نظری واقعی است. با این حال، ضعف‌ها عملی هستند. پیچیدگی محاسباتی انتشار سه‌تایی‌های $(T, I, F)$ در گراف‌های علی بزرگ می‌تواند بازدارنده باشد. شبیه‌سازی‌های مقاله ساده‌انگارانه هستند؛ سیستم‌های وب۳ دنیای واقعی شامل داده‌های با ابعاد بالا و غیرایستا هستند. همچنین خطر ایجاد یک "جعبه سیاه عدم قطعیت" وجود دارد—اگر هر خروجی یک سه‌تایی مبهم باشد، آیا واقعاً به تصمیم‌گیری کمک می‌کند یا فقط سردرگمی را کمّی می‌سازد؟ چارچوب به پروتکل‌های واضحی برای عمل بر اساس خروجی‌های خود نیاز دارد، مشابه نحوه‌ای که مدل‌های بیزی برای نظریه تصمیم به توابع مطلوبیت نیاز دارند.

بینش‌های قابل اجرا: برای سازندگان و پژوهشگران، این یک ستاره راهنماست، نه یک SDK آماده. اول، موارد استفاده با پیچیدگی محدود را در اولویت قرار دهید: با مدل‌سازی ریسک‌های خاص قرارداد هوشمند یا نتایج پیشنهاد DAO شروع کنید، نه کل اقتصاد رمزارز. دوم، با جامعه هوش مصنوعی توضیح‌پذیر (XAI) همکاری کنید تا اطمینان حاصل شود که خروجی‌های نوتروسوفیک قابل تفسیر هستند. یک داشبورد که مسیرهای علی غالب برای $T$، $I$ و $F$ را جداگانه نشان می‌دهد، بسیار ارزشمند خواهد بود. سوم، تلاش پژوهشی فوری باید بر روی "N-SCMهای سبک‌وزن" باشد—تقریب‌ها یا روش‌های اکتشافی که برخی از دقت صوری را برای امکان‌پذیری روی زنجیره فدا می‌کنند، شاید با بهره‌گیری از پیشرفت‌های اخیر در zk-SNARKها برای محاسبات قابل تأیید، همان‌طور که توسط مؤسساتی مانند بنیاد اتریوم اشاره شده است. آزمون نهایی این خواهد بود که آیا این چارچوب می‌تواند از شبیه‌سازی آکادمیک به جلوگیری از یک بهره‌برداری واقعی DeFi یا شکست حکمرانی حرکت کند، با محاسبه صریح عدم تعین یک بردار حمله قبل از بهره‌برداری از آن.