Nötrosofik Nedensel Yapay Zeka ve Web3: Karmaşık Karar Verme için Bir Çerçeve

1. Giriş

Bu makale, belirsizlik, muğlaklık ve eksik veri koşulları altında karar vermeyi ele almak için nötrosofik mantık ile yapısal nedensel modelleri bütünleştiren yeni bir çerçeve olan Nötrosofik Nedensel Yapay Zeka'yı sunmaktadır. Geleneksel Nedensel Yapay Zeka, neden-sonuç ilişkilerini belirlemede etkili olsa da, genellikle karmaşık gerçek dünya sistemlerinde bulunmayan bir kesinlik düzeyi varsayar. Önerilen çerçeve, doğruluk (T), belirsizlik (I) ve yanlışlık (F) nötrosofik bileşenlerini dahil ederek nedensel çıkarımı genişletir ve bu da onu güvenilirlik ve güvenin çok önemli olduğu merkeziyetsiz Web3 ortamlarındaki uygulamalar için özellikle uygun kılar.

2. Teorik Temeller

2.1 Nötrosofik Mantık

Florentin Smarandache tarafından ortaya atılan nötrosofik mantık, bulanık, sezgisel ve paradoks karşıtı mantıkların bir genellemesidir. Önerme değerlerinin bir üçlü $(T, I, F)$ ile temsil edilmesine olanak tanır; burada $T$ doğruluk derecesi, $I$ belirsizlik derecesi ve $F$ yanlışlık derecesidir ve $T, I, F \subseteq [0, 1]$'dir. Bu biçimcilik, çelişkili, muğlak ve eksik bilgileri ele almakta ustadır.

2.2 Nedensel Yapay Zeka ve Yapısal Nedensel Modeller

Judea Pearl'ün çalışmalarına dayanan Nedensel Yapay Zeka, korelasyonun ötesine geçerek neden-sonuç ilişkilerini anlamayı hedefler. Temel araçlar Yapısal Nedensel Modeller (YNM'ler) ve do-hesabı'dır. Bir YNM, $U$ dışsal değişkenler kümesi, $V$ içsel değişkenler kümesi ve $F$, diğer değişkenlere dayanarak her $V_i$'ye değer atayan bir fonksiyonlar kümesi olarak tanımlanan bir üçlü $(U, V, F)$'dir. Do-operatörü, $do(X=x)$, $X$ değişkenini $x$ değerine ayarlayan bir müdahaleyi temsil eder ve $P(Y|do(X=x))$ nedensel etkilerinin hesaplanmasına olanak tanır.

2.3 Web3 ve Merkeziyetsiz Sistemler

Web3, merkeziyetsizlik, blok zinciri teknolojisi, akıllı sözleşmeler ve kullanıcı egemenliği ile karakterize edilen internetin bir sonraki evrimini temsil eder. Merkeziyetsiz otonom organizasyonlar (DAO'lar) veya oracle ağları gibi bu tür ortamlarda karar verme karmaşıktır ve genellikle eksik zincir üstü veriler ve doğası gereği belirsizlik içeren zincir dışı olaylar içerir.

3. Nötrosofik Nedensel Yapay Zeka Çerçevesi

Çekirdek yenilik, nötrosofik mantık ile Pearl'ün nedensel mekanizmasının sentezidir.

3.1 Nötrosofik Do-Operatörünün Biçimselleştirilmesi

Geleneksel do-operatörü, nötrosofik belirsizliği ele alacak şekilde genişletilmiştir. Bir Nötrosofik Müdahale, $do(X=x)$ olarak değil, müdahalenin kendisinin kesinlik dereceleri taşıdığı $do_N(X = \langle x_T, x_I, x_F \rangle)$ olarak tanımlanır. Bir sonuç $Y$ üzerindeki ortaya çıkan nedensel etki daha sonra bir nötrosofik değerdir: $P_N(Y | do_N(X)) = \langle P_T, P_I, P_F \rangle$.

3.2 Nötrosofik Yapısal Nedensel Modeller (N-YNM'ler)

Bir N-YNM, standart YNM'yi genişletir. Her yapısal denklem $V_i := f_i(PA_i, U_i)$, bir nötrosofik değer çıktısı verecek şekilde yeniden tanımlanır. Örneğin, "piyasa algısı"nı temsil eden bir değişken, $f$ fonksiyonunun muğlak ve çelişkili girdilere dayanarak üçlüyü hesapladığı $Sentiment := f(News, SocialMedia) = \langle T, I, F \rangle$ olarak tanımlanabilir.

4. Teknik Detaylar ve Matematiksel Biçimcilik

Matematiksel çekirdek, nötrosofik nedensel çerçeve içinde işlemler tanımlamayı içerir.

Nötrosofik Değişken: $X_N = \{(x, T_X(x), I_X(x), F_X(x)) | x \in X\}$.
Nötrosofik Yapısal Denklem: $Y_N := f_N(PA_N, U_N)$, burada $f_N$, $(T, I, F)$'ye eşlenir.
Nedensel Etki Hesaplaması: $do_N(X_N)$ verildiğinde $Y_N$'nin olasılığı, N-YNM grafiğini değiştirerek, $X_N$'yi müdahale değerine ayarlayarak ve nötrosofik toplama ve çarpma için tanımlanmış operatörler kullanılarak nötrosofik değerleri ağ üzerinde yayarak hesaplanır.

Belirsizlik altında nedensel yolları birleştirmek için kilit bir formül şöyle olabilir: $P_N(Y|do_N(X)) = \bigoplus_{paths} \left( \bigotimes_{edges \in path} W_N^{edge} \right)$, burada $\oplus$ ve $\otimes$ nötrosofik operatörlerdir.

5. Deneysel Sonuçlar ve Simülasyon Analizi

Makale, simülasyon tabanlı doğrulama kullanmaktadır. Merkeziyetsiz finans (DeFi) borç verme protokolünü taklit eden sentetik bir ortam oluşturulmuştur. Temel değişkenler (ör. teminat kalitesi, borç alan itibarı, varlık oynaklığı) doğal belirsizlikle modellenmiştir.

Grafik 1: Belirsizlik Altında Karar Doğruluğu. Üç modeli karşılaştıran bir çubuk grafik: 1) Standart Nedensel Yapay Zeka, 2) Bulanık Mantık Tabanlı Nedensel Model, 3) Nötrosofik Nedensel Yapay Zeka. X ekseni, artan veri muğlaklığı/çelişkisi düzeylerini (Düşük'ten Yüksek'e) temsil eder. Y ekseni karar doğruluğunu (%) gösterir. Nötrosofik Nedensel Yapay Zeka modeli, Standart modelin (~%50) keskin düşüşüne ve Bulanık modelin (~%70) orta düzeydeki düşüşüne kıyasla, önemli ölçüde daha yüksek doğruluk (ör. yüksek muğlaklıkta ~%85) sergilemektedir.

Grafik 2: Karşıolgusal Sorguların Sağlamlığı. Girdi verilerine gürültü eklendikçe "Eğer ... olsaydı ne olurdu?" sorgularına verilen yanıtların kararlılığını gösteren bir çizgi grafik. Nötrosofik Nedensel Yapay Zeka çizgisi minimum dalgalanma gösterirken, geleneksel modellerin çizgileri yüksek varyans sergiler; bu da nötrosofik çerçevenin epistemik sağlamlığını göstermektedir.

Sonuçlar, N-YNM'lerin yüksek muğlaklık senaryolarında, özellikle bir DAO'da önerilen yönetişim değişikliklerinin etkisini değerlendirmede veya akıllı sözleşme riskini değerlendirmede daha nüanslı ve güvenilir nedensel tahminler sağladığını göstermektedir.

6. Analiz Çerçevesi: Vaka Çalışması Örneği

Senaryo: Bir Merkeziyetsiz Otonom Organizasyon (DAO), bir hazine yatırım teklifi üzerinde oy kullanmaktadır. Veriler çelişkilidir: forum gönderilerinin bazı duygu analizleri olumludur ($T=0.7, I=0.2, F=0.1$), benzer tekliflere ilişkin geçmiş veriler ise yüksek başarısızlık oranları göstermektedir ($T=0.2, I=0.3, F=0.8$). Harici bir piyasa olayı daha fazla belirsizlik eklemektedir ($I=0.5$).

N-YNM Uygulaması:

Değişkenleri Tanımla: $ProposalQuality_N$, $CommunitySentiment_N$, $MarketCondition_N$, $SuccessProbability_N$.
İlişkileri Tanımla: $SuccessProbability_N := f(ProposalQuality_N, CommunitySentiment_N, MarketCondition_N)$.
Nötrosofik Kanıtları Gir: Her ana değişken için gözlemlenen $(T, I, F)$ değerlerini enjekte et.
Müdahale Analizini Çalıştır: $P_N(Success | do_N(IncreaseMarketingBudget = \langle 0.6, 0.3, 0.1 \rangle))$ sorgusunu yap. Çerçeve, $\langle 0.65, 0.25, 0.15 \rangle$ gibi bir sonuç çıktılar; bu, %65 başarı eğilimi, %25 belirsizlik anlamına gelir ve karar verme için şeffaf ve nüanslı bir temel sağlar.

Bu vaka, çerçevenin nedensel akıl yürütme süreci boyunca belirsizliği nasıl nicelendirdiğini ve koruduğunu göstermektedir.

7. Web3 Ortamlarında Uygulama

Akıllı Sözleşme Risk Değerlendirmesi: Oracle besleme güvenilirliği, kod karmaşıklığı ve ekonomik teşviklerin sözleşme başarısızlığı üzerindeki nedensel etkisini, bilinmeyen güvenlik açıklarını (belirsizlik) hesaba katarak değerlendirmek.
DAO Yönetişimi: Muğlak üye niyetleri arasında, farklı oylama mekanizmalarının veya teklif yapılarının topluluk katılımı ve hazine sağlığı üzerindeki nedensel etkilerini modellemek.
Merkeziyetsiz Kimlik ve İtibar: Çelişkili zincir üstü ve zincir dışı davranış verilerini içeren itibar puanları için nedensel modeller oluşturmak.
DeFi Protokol Tasarımı: Belirsiz piyasa koşulları altında parametre değişikliklerinin (ör. faiz oranları, teminat oranları) nedensel etkisini simüle ederek sistemsel riski önlemek.

8. Gelecek Yönelimler ve Araştırma Görünümü

Büyük Dil Modelleri (LLM'ler) ile Entegrasyon: N-YNM'leri, LLM çıktılarını nedensel akıl yürütmeye dayandırmak ve LLM tarafından üretilen içerik veya analizdeki belirsizliği açıkça modellemek için kullanmak.
Veriden N-YNM Öğrenme: Çelişkilerle dolu gözlemsel verilerden N-YNM'lerin yapısını ve parametrelerini keşfedebilen makine öğrenimi algoritmaları geliştirmek.
Ölçeklenebilirlik ve Zincir Üstü Uygulama: Blok zinciri ortamlarında gerçek zamanlı kullanım için nötrosofik nedensel sorguların verimli, doğrulanabilir hesaplaması üzerine araştırma, potansiyel olarak sıfır bilgi ispatları kullanarak.
Disiplinler Arası Uygulamalar: Çerçeveyi, verilerin genellikle eksik olduğu ve nedensel mekanizmaların karmaşık olduğu iklim riski modellemesi, sağlık teşhisi ve tedarik zinciri yönetimi gibi alanlara genişletmek.

9. Kaynaklar

Smarandache, F. (1998). Nötrosofi: Nötrosofik Olasılık, Küme ve Mantık. American Research Press.
Pearl, J. (2009). Nedensellik: Modeller, Akıl Yürütme ve Çıkarım (2. baskı). Cambridge University Press.
Buterin, V. (2014). Yeni Nesil Akıllı Sözleşme ve Merkeziyetsiz Uygulama Platformu. Ethereum Beyaz Kitap.
Schölkopf, B., vd. (2021). Nedensel Temsil Öğrenmeye Doğru. IEEE Bildirileri.
Peters, J., Janzing, D., & Schölkopf, B. (2017). Nedensel Çıkarımın Unsurları: Temeller ve Öğrenme Algoritmaları. MIT Press.
Zhu, J., vd. (2017). Eşleştirilmemiş Görüntüden Görüntüye Çeviri için Döngü-Tutarlı Çekişmeli Ağlar Kullanımı. IEEE Uluslararası Bilgisayarlı Görü Konferansı (ICCV) Bildirileri. (Eşleştirilmemiş/muğlak veri alanlarını ele almanın bir örneği olarak CycleGAN).
MIT Technology Review. (2023). Web3 Nedir? MIT Tech Review web sitesinden alındı.
Barbosa, R. P., Smarandache, F., Leyva Vázquez, M. Y., & Monge, J. B. (2025). Nötrosofi, Nedensel Yapay Zeka ve Web3: Karmaşık karar verme için kombinasyon. Nötrosofik Kümeler ve Sistemler, 84.

10. Özgün Analiz: Sektör Perspektifi

Temel İçgörü: Bu makale, sadece bir başka artımlı Yapay Zeka ayarı değil; Web3'ün dağınık, çekişmeli ve eksik gerçekliği için nedensel akıl yürütmeyi güçlendirmeye yönelik temel bir girişimdir. Yazarlar, Pearl'ün do-hesabının kırılgan kesinliğinin, verilerin sadece gürültülü değil aynı zamanda temelde çelişkili olduğu sistemlere uygulandığında paramparça olduğunu doğru bir şekilde tespit ediyor - ki bu tam da çoğu zincir üstü/zincir dışı bilgi akışının durumudur. Belirsizliği $(I)$ nedensel modelde birinci sınıf bir vatandaş olarak gömmeye yönelik hamleleri, kilit kavramsal sıçramadır.

Mantıksal Akış: Argüman ikna edicidir: 1) Web3, güven ve sağlamlık için nedensel akıl yürütmeye ihtiyaç duyar (doğru), 2) Geleneksel nedensel modeller, Web3'ün doğal belirsizliği altında başarısız olur (doğru, oracle manipülasyonu ve yönetişim saldırılarında görüldüğü gibi), 3) Nötrosofi bu belirsizliği biçimselleştirir, 4) Bu nedenle, bir sentez gereklidir. Mantık zinciri sağlamdır, ancak makale sahada test edilmiş bir araçtan ziyade daha çok bir kavram kanıtı şeması niteliğindedir. Bilgisayarlı görüdeki, eşleştirilmiş görüntü çevirisinden (kesin yazışmalar gerektiren) CycleGAN gibi eşleştirilmemiş, muğlak veri alanlarını ele alan modellere evrime paralellik gösterir - bu, deterministikten olasılıksal/muğlak eşlemeye bir kayıştır.

Güçlü ve Zayıf Yönler: Başlıca gücü, zamanlaması ve hırsıdır. "Merkeziyetsiz zeka"nın Aşil topuğunu hedeflemektedir. Nötrosofik bir do-operatörünün biçimselleştirilmesi, gerçek bir teorik katkıdır. Ancak, zayıf yönler pratiktir. Büyük nedensel grafikler boyunca $(T, I, F)$ üçlülerini yaymanın hesaplama karmaşıklığı engelleyici olabilir. Makalenin simülasyonları basitleştirilmiştir; gerçek dünya Web3 sistemleri yüksek boyutlu, durağan olmayan veriler içerir. Ayrıca bir "belirsizlik kara kutusu" yaratma riski vardır - eğer her çıktı muğlak bir üçlü ise, bu gerçekten karar vermeye yardımcı olur mu yoksa sadece kafa karışıklığını mı nicelendirir? Çerçevenin, Bayes modellerinin karar teorisi için fayda fonksiyonları gerektirdiği gibi, çıktıları üzerinde hareket etmek için net protokollere ihtiyacı vardır.

Harekete Geçirilebilir İçgörüler: Geliştiriciler ve araştırmacılar için bu, hazır bir SDK değil, bir kutup yıldızıdır. İlk olarak, sınırlı karmaşıklığa sahip kullanım durumlarına öncelik verin: tüm kripto-ekonomiyi değil, belirli akıllı sözleşme risklerini veya DAO teklif sonuçlarını modellemekle başlayın. İkinci olarak, açıklanabilir Yapay Zeka (XAI) topluluğu ile işbirliği yapın nötrosofik çıktıların yorumlanabilir olduğundan emin olmak için. $T$, $I$ ve $F$ için baskın nedensel yolları ayrı ayrı gösteren bir kontrol paneli çok değerli olacaktır. Üçüncüsü, acil araştırma hamlesi "hafif" N-YNM'ler üzerine olmalıdır - bazı biçimsel titizlikten feragat ederek zincir üstü uygulanabilirlik için yaklaşımlar veya sezgisel yöntemler, belki de Ethereum Vakfı gibi kurumların ima ettiği gibi, doğrulanabilir hesaplama için zk-SNARK'lardaki son gelişmelerden yararlanarak. Nihai test, bu çerçevenin, bir saldırı vektörünün belirsizliğini, sömürülmeden önce açıkça hesaplanabilir kılarak, akademik simülasyondan gerçek dünya bir DeFi sömürüsünü veya yönetişim başarısızlığını önlemeye geçip geçemeyeceği olacaktır.