AI Kausal Neutrosof dan Web3: Satu Kerangka Kerja untuk Pembuatan Keputusan Kompleks

1. Pengenalan

Kertas kerja ini membentangkan AI Kausal Neutrosof, satu kerangka kerja novel yang menggabungkan logik neutrosof dengan model kausal struktur untuk menangani pembuatan keputusan dalam keadaan ketidakpastian, kekaburan, dan data tidak lengkap. AI Kausal tradisional, walaupun berkesan dalam mengenal pasti hubungan sebab-akibat, selalunya menganggap tahap ketepatan yang tidak wujud dalam sistem dunia nyata yang kompleks. Kerangka kerja yang dicadangkan ini melanjutkan inferens kausal dengan menggabungkan komponen neutrosof kebenaran (T), ketakpastian (I), dan kepalsuan (F), menjadikannya amat sesuai untuk aplikasi dalam persekitaran Web3 terpencar di mana kebolehpercayaan dan kepercayaan adalah terpenting.

2. Asas Teori

2.1 Logik Neutrosof

Logik neutrosof, diperkenalkan oleh Florentin Smarandache, adalah generalisasi logik kabur, intuisionis, dan parakonsisten. Ia membenarkan nilai proposisi diwakili oleh tiga kali ganda $(T, I, F)$, di mana $T$ ialah darjah kebenaran, $I$ ialah darjah ketakpastian, dan $F$ ialah darjah kepalsuan, dengan $T, I, F \subseteq [0, 1]$. Formalisme ini mahir mengendalikan maklumat yang bercanggah, kabur, dan tidak lengkap.

2.2 AI Kausal dan Model Kausal Struktur

AI Kausal, berasaskan kerja Judea Pearl, melangkaui korelasi untuk memahami hubungan sebab-akibat. Alatan teras ialah Model Kausal Struktur (SCM) dan kalkulus-do. SCM ditakrifkan sebagai tiga kali ganda $(U, V, F)$ di mana $U$ ialah set pembolehubah eksogenus, $V$ ialah set pembolehubah endogenus, dan $F$ ialah set fungsi yang memberikan nilai kepada setiap $V_i$ berdasarkan pembolehubah lain. Pengendali-do, $do(X=x)$, mewakili intervensi yang menetapkan pembolehubah $X$ kepada nilai $x$, membolehkan pengiraan kesan kausal $P(Y|do(X=x))$.

2.3 Web3 dan Sistem Terpencar

Web3 mewakili evolusi seterusnya internet, dicirikan oleh pemencaran, teknologi blockchain, kontrak pintar, dan kedaulatan pengguna. Pembuatan keputusan dalam persekitaran sedemikian—seperti organisasi autonomi terpencar (DAO) atau rangkaian oracle—adalah kompleks, selalunya melibatkan data atas-rantai yang tidak lengkap dan peristiwa luar-rantai dengan ketidakpastian semula jadi.

3. Kerangka Kerja AI Kausal Neutrosof

Inovasi teras adalah sintesis logik neutrosof dengan mesin kausal Pearl.

3.1 Memformalkan Pengendali-do Neutrosof

Pengendali-do tradisional dilanjutkan untuk mengendalikan ketidakpastian neutrosof. Intervensi Neutrosof ditakrifkan bukan sebagai $do(X=x)$ tetapi sebagai $do_N(X = \langle x_T, x_I, x_F \rangle)$, di mana intervensi itu sendiri membawa darjah kepastian. Kesan kausal yang terhasil pada hasil $Y$ kemudiannya adalah nilai neutrosof: $P_N(Y | do_N(X)) = \langle P_T, P_I, P_F \rangle$.

3.2 Model Kausal Struktur Neutrosof (N-SCM)

Satu N-SCM melanjutkan SCM piawai. Setiap persamaan struktur $V_i := f_i(PA_i, U_i)$ ditakrifkan semula untuk mengeluarkan nilai neutrosof. Sebagai contoh, pembolehubah yang mewakili "sentimen pasaran" mungkin ditakrifkan sebagai $Sentimen := f(Berita, MediaSosial) = \langle T, I, F \rangle$, di mana fungsi $f$ mengira tiga kali ganda berdasarkan input yang kabur dan bercanggah.

4. Butiran Teknikal dan Formalisme Matematik

Teras matematik melibatkan takrifan operasi dalam kerangka kerja kausal neutrosof.

Pembolehubah Neutrosof: $X_N = \{(x, T_X(x), I_X(x), F_X(x)) | x \in X\}$.
Persamaan Struktur Neutrosof: $Y_N := f_N(PA_N, U_N)$, di mana $f_N$ memetakan kepada $(T, I, F)$.
Pengiraan Kesan Kausal: Kebarangkalian $Y_N$ diberi $do_N(X_N)$ dikira dengan mengubah suai graf N-SCM, menetapkan $X_N$ kepada nilai intervensi, dan menyebarkan nilai neutrosof melalui rangkaian menggunakan pengendali yang ditakrifkan untuk penambahan dan pendaraban neutrosof.

Satu formula utama untuk menggabungkan laluan kausal di bawah ketakpastian mungkin: $P_N(Y|do_N(X)) = \bigoplus_{laluan} \left( \bigotimes_{tepi \in laluan} W_N^{tepi} \right)$, di mana $\oplus$ dan $\otimes$ adalah pengendali neutrosof.

5. Keputusan Eksperimen dan Analisis Simulasi

Kertas kerja ini menggunakan pengesahan berasaskan simulasi. Satu persekitaran sintetik meniru protokol pinjaman kewangan terpencar (DeFi) dicipta. Pembolehubah utama (cth., kualiti cagaran, reputasi peminjam, turun naik aset) dimodelkan dengan ketakpastian semula jadi.

Carta 1: Ketepatan Keputusan di Bawah Ketidakpastian. Carta bar membandingkan tiga model: 1) AI Kausal Piawai, 2) Model Kausal Berasaskan Logik Kabur, 3) AI Kausal Neutrosof. Paksi-X mewakili tahap peningkatan kekaburan/percanggahan data (Rendah ke Tinggi). Paksi-Y menunjukkan ketepatan keputusan (%). Model AI Kausal Neutrosof mengekalkan ketepatan yang jauh lebih tinggi (cth., ~85% pada kekaburan tinggi) berbanding penurunan curam model Piawai (~50%) dan penurunan sederhana model Kabur (~70%).

Carta 2: Kekukuhan Pertanyaan Kontrafaktual. Graf garis menunjukkan kestabilan jawapan kepada pertanyaan "Apa yang akan berlaku jika...?" apabila hingar ditambah kepada data input. Garis untuk AI Kausal Neutrosof menunjukkan turun naik minima, manakala garis untuk model tradisional menunjukkan varians tinggi, menunjukkan kekukuhan epistemik kerangka kerja neutrosof.

Keputusan menunjukkan bahawa N-SCM memberikan anggaran kausal yang lebih bernuansa dan boleh dipercayai dalam senario kekaburan tinggi, terutamanya dalam menilai kesan perubahan tadbir urus yang dicadangkan dalam DAO atau menilai risiko kontrak pintar.

6. Kerangka Analisis: Contoh Kajian Kes

Senario: Satu Organisasi Autonomi Terpencar (DAO) sedang mengundi cadangan pelaburan perbendaharaan. Data bercanggah: beberapa analisis sentimen catatan forum adalah positif ($T=0.7, I=0.2, F=0.1$), manakala data sejarah mengenai cadangan serupa menunjukkan kadar kegagalan tinggi ($T=0.2, I=0.3, F=0.8$). Satu peristiwa pasaran luaran menambah ketakpastian lanjut ($I=0.5$).

Aplikasi N-SCM:

Takrif Pembolehubah: $KualitiCadangan_N$, $SentimenKomuniti_N$, $KeadaanPasaran_N$, $KebarangkalianKejayaan_N$.
Takrif Hubungan: $KebarangkalianKejayaan_N := f(KualitiCadangan_N, SentimenKomuniti_N, KeadaanPasaran_N)$.
Input Bukti Neutrosof: Suntik nilai $(T, I, F)$ yang diperhatikan untuk setiap pembolehubah induk.
Jalankan Analisis Intervensi: Tanya $P_N(Kejayaan | do_N(TambahanBajetPemasaran = \langle 0.6, 0.3, 0.1 \rangle))$. Kerangka kerja mengeluarkan keputusan seperti $\langle 0.65, 0.25, 0.15 \rangle$, bermaksud 65% kecenderungan ke arah kejayaan, dengan 25% ketakpastian, memberikan asas yang telus dan bernuansa untuk pembuatan keputusan.

Kajian kes ini menunjukkan bagaimana kerangka kerja mengkuantifikasi dan mengekalkan ketidakpastian sepanjang proses penaakulan kausal.

7. Aplikasi dalam Persekitaran Web3

Penilaian Risiko Kontrak Pintar: Menilai kesan kausal kebolehpercayaan suapan oracle, kerumitan kod, dan insentif ekonomi terhadap kegagalan kontrak, mengambil kira kelemahan tidak diketahui (ketakpastian).
Tadbir Urus DAO: Memodelkan kesan kausal mekanisme undian berbeza atau struktur cadangan terhadap penglibatan komuniti dan kesihatan perbendaharaan, di tengah-tengah niat ahli yang kabur.
Identiti & Reputasi Terpencar: Membina model kausal untuk skor reputasi yang menggabungkan data tingkah laku atas-rantai dan luar-rantai yang bercanggah.
Reka Bentuk Protokol DeFi: Mensimulasikan kesan kausal perubahan parameter (cth., kadar faedah, nisbah cagaran) di bawah keadaan pasaran tidak pasti untuk mencegah risiko sistemik.

8. Hala Tuju Masa Depan dan Pandangan Penyelidikan

Integrasi dengan Model Bahasa Besar (LLM): Menggunakan N-SCM untuk membumikan output LLM dalam penaakulan kausal dan memodelkan ketakpastian dalam kandungan atau analisis yang dijana LLM secara eksplisit.
Mempelajari N-SCM daripada Data: Membangunkan algoritma pembelajaran mesin yang boleh menemui struktur dan parameter N-SCM daripada data pemerhatian yang kaya dengan percanggahan.
Kebolehskalaan dan Pelaksanaan Atas-Rantai: Penyelidikan ke dalam pengiraan pertanyaan kausal neutrosof yang cekap dan boleh disahkan untuk kegunaan masa nyata dalam persekitaran blockchain, berpotensi menggunakan bukti pengetahuan-sifar.
Aplikasi Rentas Disiplin: Melanjutkan kerangka kerja kepada pemodelan risiko iklim, diagnostik penjagaan kesihatan, dan pengurusan rantaian bekalan—semua domain di mana data selalunya tidak lengkap dan mekanisme kausal adalah kompleks.

9. Rujukan

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 sebagai contoh mengendalikan domain data tidak berpasangan/kabur).
MIT Technology Review. (2023). What is Web3? Diambil daripada laman web MIT Tech Review.
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. Analisis Asal: Perspektif Industri

Pandangan Teras: Kertas kerja ini bukan sekadar satu lagi penambahbaikan AI inkremental; ia adalah percubaan asas untuk mengukuhkan penaakulan kausal untuk realiti Web3 yang kucar-kacir, bersifat permusuhan, dan tidak lengkap. Penulis dengan betul mengenal pasti bahawa ketepatan rapuh kalkulus-do Pearl akan hancur apabila digunakan pada sistem di mana data bukan sahaja bising tetapi asasnya bercanggah—tepatnya keadaan kebanyakan aliran maklumat atas-rantai/luar-rantai. Langkah mereka untuk menanamkan ketakpastian $(I)$ sebagai warganegara kelas pertama dalam model kausal adalah lompatan konseptual utama.

Aliran Logik: Hujahnya menarik: 1) Web3 memerlukan penaakulan kausal untuk kepercayaan dan kekukuhan (benar), 2) Model kausal tradisional gagal di bawah ketidakpastian semula jadi Web3 (benar, seperti yang dilihat dalam manipulasi oracle dan serangan tadbir urus), 3) Neutrosof memformalkan ketidakpastian ini, 4) Oleh itu, sintesis adalah perlu. Rantaian logik adalah kukuh, walaupun kertas kerja ini lebih kepada cetak biru bukti-konsep daripada alat yang diuji di lapangan. Ia selari dengan evolusi dalam penglihatan komputer daripada terjemahan imej berpasangan (memerlukan korespondensi tepat) kepada model seperti CycleGAN yang mengendalikan domain data tidak berpasangan dan kabur—satu anjakan daripada pemetaan deterministik kepada probabilistik/kabur.

Kekuatan & Kelemahan: Kekuatan utama adalah ketepatan masa dan cita-citanya. Ia menyasarkan tumit Achilles "kecerdasan terpencar." Pemformalan pengendali-do neutrosof adalah sumbangan teori yang tulen. Walau bagaimanapun, kelemahan adalah praktikal. Kerumitan pengkomputeran menyebarkan tiga kali ganda $(T, I, F)$ melalui graf kausal besar boleh menjadi menghalang. Simulasi kertas kerja adalah ringkas; sistem Web3 dunia nyata melibatkan data berdimensi tinggi dan tidak pegun. Terdapat juga risiko mencipta "kotak hitam ketidakpastian"—jika setiap output adalah tiga kali ganda kabur, adakah ia sebenarnya membantu pembuatan keputusan atau hanya mengkuantifikasi kekeliruan? Kerangka kerja memerlukan protokol jelas untuk bertindak berdasarkan outputnya, sama seperti bagaimana model Bayesian memerlukan fungsi utiliti untuk teori keputusan.

Pandangan Boleh Tindak: Untuk pembina dan penyelidik, ini adalah bintang utara, bukan SDK siap sedia. Pertama, utamakan kes penggunaan dengan kerumitan terbatas: mulakan dengan memodelkan risiko kontrak pintar khusus atau hasil cadangan DAO, bukan keseluruhan ekonomi kripto. Kedua, bekerjasama dengan komuniti AI yang boleh dijelaskan (XAI) untuk memastikan output neutrosof boleh ditafsirkan. Papan pemuka yang menunjukkan laluan kausal dominan untuk $T$, $I$, dan $F$ secara berasingan akan sangat berharga. Ketiga, pecutan penyelidikan segera harus pada "N-SCM ringan"—anggaran atau kaedah heuristik yang mengorbankan sedikit ketegasan formal untuk kebolehlaksanaan atas-rantai, mungkin memanfaatkan kemajuan terkini dalam zk-SNARK untuk pengiraan boleh disahkan, seperti yang diisyaratkan oleh institusi seperti Yayasan Ethereum. Ujian muktamad akan sama ada kerangka kerja ini boleh bergerak daripada simulasi akademik kepada mencegah eksploitasi DeFi dunia nyata atau kegagalan tadbir urus dengan menjadikan ketakpastian vektor serangan boleh dikira secara eksplisit sebelum ia dieksploitasi.