Utafiti huu unapendekeza mfumo wa dhana wa utawala unaoeleza imani ya kijamii katika akili bandia si kupitia kauli za watu binafsi au taasisi za aina ya “tuaminini”, bali kupitia miundombinu ya uaminifu inayofanya matokeo yaweze kuthibitishwa, kurekodiwa na kukaguliwa kwa kujitegemea. Kanuni Iliyopanuliwa ya Kelvin iliyotengenezwa na Yusaku Fujii inaongeza masharti mawili mapya mbele ya mnyororo wa kawaida wa upimaji–uelewa–udhibiti: miundombinu ya uaminifu inahitajika kwa imani ya kijamii, na imani ya kijamii inahitajika kwa upimaji halali wa kijamii. Ili kutumia kanuni hii ya kinadharia katika utawala wa matokeo ya akili bandia, utafiti unazingatia kwa pamoja lugha ya kawaida ya uhalali wa matokeo iitwayo GLO (Guide to the Expression of Legitimacy of Output) na miundombinu ya uthibitishaji, kurekodi na ukaguzi iitwayo VRAIO (Verifiable Record of AI Output).

Katika mfumo huu, matokeo ya AI hayachukuliwi tu kama maandishi, picha au uamuzi, bali kama dai ambalo kufuata kwake sheria lazima kuthibitishwe kwa hoja. Kiwango cha kufuata sheria kwa kusudi na maudhui ya matokeo huonyeshwa kwa imani ya uhalali iitwayo \(L\); hata hivyo, \(L\) haiwezi kuchapishwa peke yake. Pia lazima kuwe na bajeti ya uhalali inayoonyesha ukweli unaounda thamani hiyo, vyanzo vya msingi, tathmini za uaminifu na mbinu ya uunganishaji. Recorder huru, Rule-Judgment AI ya kideterministi, miundombinu ya kumbukumbu inayostahimili kubadilishwa na ukaguzi wa spot usiotangazwa mapema vinalenga kufanya kauli hizi ziweze kuthibitishwa baadaye.

Mchango wa makala si kuwasilisha mfumo wa utawala wa AI wa kimataifa uliothibitishwa kwa majaribio. GLO na VRAIO ni pendekezo la usanifu wa kitaasisi na kiufundi ambalo linahitaji kufanywa kuwa halisi zaidi na kujaribiwa katika nyanja tofauti siku zijazo. Hasa, kanuni ya jumla ya kuunganisha \(L\), utekelezaji halisi wa Rule-Judgment AI, ushirikiano wa kimataifa wa mifumo, uhuru wa taasisi za ukaguzi, taratibu za safe-harbor na maelezo ya modeli ya fidia bado ni maeneo ya wazi ya utafiti na usanifu wa sera.

Kwa nini mfumo mzuri kitaalamu huenda usitoshe wenyewe kuzalisha imani ya kijamii?

Makala inaanzia kwenye programu za kidijitali za kufuatilia mawasiliano wakati wa COVID-19. Hata kama mifumo inayolinda faragha kitaalamu ilitengenezwa, kazi ya kijamii ya programu hiyo ilitegemea watumiaji kuisakinisha, kuitumia, kurekodi taarifa ya hali chanya na kubadilisha tabia zao kulingana na tahadhari zilizopokelewa. Ikiwa watu hawaamini mfumo, hata kama miundombinu ya kiufundi ya upimaji yenyewe inafanya kazi, kiungo cha kwanza cha mnyororo wa upimaji wa kijamii kinaweza kukosekana.

Katika upimaji wa kimwili, joto, wingi au mkondo wa umeme havipingi kupimwa. Katika upimaji wa kijamii, kitu kinachopimwa ni tabia ya binadamu. Watu wanaweza kuruhusu ukusanyaji wa data, kuukataa, kuukwepa mfumo au kupinga uamuzi unaotolewa na mfumo. Kwa hiyo, upimaji wa kijamii si suala la sensa na algoriti pekee; faragha, ridhaa, uhalali, uwajibikaji na imani kwa taasisi pia huwa masharti ya kufanya mfumo ufanye kazi.

Kanuni Iliyopanuliwa ya Kelvin ni Nini?

Kanuni Iliyopanuliwa ya Kelvin ni mnyororo wa dhana unaopanua mantiki ya “hakuna uelewa bila upimaji, na hakuna udhibiti bila uelewa” katika mkabala wa kawaida wa Kelvin ili itumike kwa upimaji wa kijamii na utawala wa akili bandia. Muundo uliopanuliwa unaopendekezwa na makala unaendelea kwa namna ya miundombinu ya uaminifu → imani ya kijamii → upimaji halali wa kijamii → uelewa wa kijamii → udhibiti wa kijamii.

Kiini cha mnyororo uliowekwa na chanzo kina mantiki ifuatayo:

Ikiwa hakuna miundombinu ya uaminifu, imani ya kijamii haiwezi kujengwa → ikiwa hakuna imani ya kijamii, upimaji halali wa kijamii hauwezi kujengwa → ikiwa hakuna upimaji wa kijamii, uelewa wa kijamii hauwezi kujengwa → ikiwa hakuna uelewa wa kijamii, udhibiti wa kijamii hauwezi kujengwa.

Hapa neno “udhibiti” halitumiki kwa maana ya udhibiti wa kijamii wa kiholela; ni kielelezo katika muktadha wa upimaji wa kijamii cha mpito kutoka upimaji kwenda maarifa na kutoka maarifa kwenda uwezo wa kuingilia/kufanya uamuzi katika mnyororo wa Kelvin. Makala yenyewe inauwekea mnyororo huu kikomo cha upimaji wa kijamii ulio halali, unaotegemea ridhaa na ushirikiano endelevu, hasa katika jamii za kidemokrasia.

Kwa nini upimaji halali wa kijamii unatenganishwa hasa?

Mwandishi hasemi kwamba kukusanya data kutoka kwa watu bila imani haiwezekani kitaalamu. Data za kijamii zinaweza kukusanywa chini ya kulazimishwa, ukusanyaji wa siri wa data au uangalizi uliopitiliza. Lakini muundo unaojadiliwa na makala si huo. Mfumo huu unahusu upimaji wa kijamii wa muda mrefu, endelevu na halali unaotegemea ushirikiano na ridhaa ya raia katika jamii ya kidemokrasia.

Kwa hiyo, Kanuni Iliyopanuliwa ya Kelvin haipaswi kusomwa kama “hakuna data yoyote inayoweza kupatikana bila imani”. Dai ni finyu zaidi: katika miundombinu ya kijamii ambayo kukubalika kihalali kwa watu kupimwa na kutathminiwa na AI kunahitajika, imani ni mojawapo ya masharti ya kitaasisi ya mfumo wa upimaji.

Tofauti Kati ya Imani na Uaminifu ni Nini?

Makala inatenganisha imani katika tabaka mbili. Tabaka la kwanza ni trustworthiness — uaminifu, yaani matokeo ya AI kuwa kwa kweli yanafuata sheria kwa namna ya kitu halisi na kinachoweza kuthibitishwa. Tabaka la pili ni trust — imani, yaani watu kukubali kuwa wahusika wanaojulikana au kutathminiwa na AI baada ya kuona kwamba sharti hili linaloweza kuthibitishwa linafanya kazi.

Tabaka la kwanza linajaribiwa kujengwa si kwa kauli za kijamii, bali kwa uwezo wa kuthibitisha, kurekodi, kustahimili kubadilishwa, ukaguzi huru na taratibu za adhabu zinazoongeza gharama ya kauli ya uongo. Katika tabaka la pili kuna kukubali kunakojengwa na watu kupitia uzoefu na maarifa kwamba miundombinu hii inafanya kazi kweli.

Makala pia inafanya tofauti muhimu ndani ya tabaka la pili. Watu wanaweza kuukubali mfumo kwa sababu wanaona kwa kweli kwamba unaweza kuthibitishwa; lakini pia wanaweza kuuzoea kwa sababu tu wameacha kuupinga. Mwandishi anafafanua namna inayopendelewa kwa uhalali wa kidemokrasia kama “kukubali kwa ufahamu kunakoungwa mkono na uzoefu”.

Uwezo wa jamii kubadilisha miundombinu ya uaminifu

Modeli ya imani si ya mwelekeo mmoja. Uangalizi wa raia, mjadala wa umma na pingamizi zinazojitokeza katika michakato ya kidemokrasia zinaweza kubadilisha maudhui ya Rules yatakayotumika na hivyo vigezo vya uthibitishaji katika tabaka la kwanza. Kwa hiyo, miundombinu ya uaminifu inachukuliwa si kama kifaa cha kiufundi kisichobadilika, bali kama mzunguko wa kitaasisi unaoweza kusasisha sheria zake kutokana na mrejesho wa jamii.

Utawala wa pembejeo, ndani ya modeli na matokeo

Utafiti unajadili mikabala iliyopo ya utawala wa AI katika makundi matatu mapana.

• Udhibiti wa pembejeo: jinsi data binafsi zinavyokusanywa, kuhifadhiwa na kutumiwa.
• Udhibiti wa muundo wa ndani: uwazi wa modeli, AI inayoelezeka, ukaguzi wa algoriti, model cards na datasheets.
• Udhibiti wa matokeo: vichujio vya maudhui, ukaguzi wa usalama na kuweka mipaka kwa matokeo hatari.

Kulingana na dai la makala, hakuna mojawapo ya tabaka hizi isiyohitajika; lakini hazitatui vya kutosha zikiwa pekee maswali mahsusi ya matokeo kama “iliruhusiwa kwa mujibu wa sheria gani, uthibitishaji gani ulifanywa, kumbukumbu gani iliundwa na nani anaweza kuikagua baadaye?”

Sehemu ya AI inayogusa jamii moja kwa moja mara nyingi si uzito wa modeli, bali maandishi, picha, pendekezo, tahadhari, msaada wa uamuzi au uainishaji unaotokea. Kwa hiyo, utafiti unapendekeza miundombinu tofauti ya utawala katika kiwango cha matokeo.

GLO ni Nini na Inalenga Kueleza Nini?

GLO — Guide to the Expression of Legitimacy of Output — ni lugha ya pamoja inayolenga kueleza kwa metadata iliyopangiliwa kiwango ambacho kusudi na maudhui ya matokeo ya AI yanalingana na sheria zilizowekwa mapema. GLO haijaribu kueleza uzito wa ndani wa modeli au njia kamili ya inference; inachukulia mgombea wa matokeo mwenyewe kama “dai” na kutaka kufuata kwa dai hili sheria kuthibitishwe kwa msingi wa ukweli.

Kwa upande huu, jukumu la GLO katika chanzo si kuwa sawa moja kwa moja na GUM ya sayansi ya upimaji katika AI. Mwandishi anaweka ulinganifu wa kimuundo kati yao: wakati GUM inatoa lugha ya pamoja ya kueleza kutokuwa na uhakika wa upimaji, GLO inalenga kuwa lugha ya pamoja ya kueleza uhalali wa matokeo ya AI.

Sehemu za metadata za GLO

Imani ya Uhalali L Inaeleza Nini?

Imani ya uhalali \(L\) inafafanuliwa katika makala kama thamani inayotokana na kufuata Rules zilizobainishwa kwa kusudi na maudhui ya mgombea wa matokeo kati ya \(0\) na \(1\). Katika uundaji wa msingi, bidhaa ya uhalali wa kusudi na uhalali wa maudhui ikizingatiwa kusudi hilo hutumiwa:

\[ L=L_{\mathrm{purpose}}\times L_{\mathrm{content}} \]

Hapa:

• \(L_{\mathrm{purpose}}\): kiwango cha imani kwamba kusudi la matokeo linafuata sheria,
• \(L_{\mathrm{content}}\): kiwango cha imani kwamba maudhui yanafuata sheria wakati kusudi lililotangazwa linazingatiwa.

Muundo wa bidhaa una matokeo mawili muhimu. Kwanza, ikiwa ama kusudi au maudhui hushuka hadi sifuri, \(L\) ya jumla pia hushuka hadi sifuri. Pili, ikiwa vipengele vyote viwili vinafasiriwa kama ulinganifu wa uwezekano, bidhaa hutoa muundo unaofanana na uwezekano wa kusudi na maudhui yote mawili kuwa halali kwa pamoja.

Hata hivyo, makala haitangazi kanuni ya bidhaa kuwa kiwango cha kimataifa kisichobadilika. Ikiwa \(L\) itachapishwa kama thamani moja au vipengele viwili tofauti, na kanuni ya uunganishaji katika hoja ngumu zaidi itakuwa ipi, ni matatizo ya usanifu yanayopaswa kubainishwa ndani ya Rules.

Kwa Nini Bajeti ya Uhalali Inahitaji Zaidi ya Thamani ya L?

Bajeti ya uhalali ni tabaka la hoja lililopangiliwa lililopendekezwa ili kuzuia \(L\) kusambaa peke yake na kufanya pamoja na thamani hiyo ukweli uliouunda, chanzo cha msingi cha kila ukweli, uaminifu wa ukweli na mbinu ya uunganishaji viweze kufuatiliwa.

Makala hapa inaweka mfanano wa kimuundo na bajeti ya kutokuwa na uhakika katika sayansi ya upimaji. Kama vile thamani ya upimaji inaweza kuwa na kutokuwa na uhakika pembeni yake na kutokuwa na uhakika kukawa na bajeti ya vipengele vinavyoiunda; matokeo ya AI yana \(L\) pembeni yake na \(L\) ina bajeti ya uhalali pembeni yake.

Kwa hiyo, \(L\) haimaanishi kwamba modeli au mwendeshaji anatoa alama isiyoelezwa kama “0,94 inaaminika”. Lazima iwezekane kuhesabu upya jinsi thamani ilivyotokana na ukweli gani.

Moja ya hoja zinazosisitizwa hasa na makala ni kwamba bajeti ya uhalali si lazima iwe wazi kwa kila mtu. Bajeti inaweza kuwa na taarifa nyeti kwa faragha. Sifa inayotafutwa si “ufichuzi wa umma”, bali kuwa inayopatikana na inayoweza kuthibitishwa na njia iliyoidhinishwa ya ukaguzi.

VRAIO ni Nini na Inafanyaje Kazi Pamoja na GLO?

VRAIO — Verifiable Record of AI Output — ni miundombinu ya utawala wa matokeo inayolenga kufanya tamko la GLO metadata liweze kuthibitishwa, kurekodiwa na kukaguliwa kitaasisi. GLO inapolenga swali “uhalali utatangazwa kwa lugha na muundo gani?”, VRAIO inalenga kujibu swali “ni miundombinu ipi itahakikisha kwamba tamko hili lilifanywa kweli, lililinganishwa na sheria na linaweza kukaguliwa baadaye?”

Vipengele vya msingi vya VRAIO

• Rules: hufafanua makusudi, malengo, masharti na makatazo yanayotumika.
• Mfumo wa AI: hutengeneza mgombea wa matokeo pamoja na tamko la GLO metadata.
• Outbound Firewall: ni tabaka la kutoka linalozuia mgombea wa matokeo kutoka moja kwa moja.
• Recorder: ni jukumu la mhusika huru wa tatu anayethibitisha ulinganifu rasmi kati ya GLO metadata na sheria.
• Valve: ni lango linaloruhusu matokeo kutoka wakati sharti la ulinganifu limetimizwa.
• Tamper-resistant ledger: hurekodi data kama kitambulisho cha matokeo, metadata, sheria zilizotumika, uamuzi, timestamp na output hash kwa namna inayostahimili kubadilishwa baadaye.
• Audit body / uangalizi wa raia: hutoa udhibiti huru wa kauli za mfumo kwa kutumia kumbukumbu na ukaguzi wa spot.

Mtiririko wa mchakato wa VRAIO

1. Sheria huwekwa kupitia taratibu za kijamii, kisheria na kidemokrasia.
2. Mfumo wa AI huunda mgombea wa matokeo na GLO metadata inayohusiana nao.
3. Recorder hulinganisha tamko na Rules; uamuzi na metadata huingizwa katika miundombinu ya kumbukumbu.
4. Ikiwa masharti yametimizwa, Valve hufunguka na matokeo hutumwa kwa mpokeaji.
5. Raia au vyombo vya ukaguzi vilivyoidhinishwa vinaweza baadaye kupitia kumbukumbu na kufanya ukaguzi wa spot.
6. Matokeo ya ukaguzi, inapohitajika, hurudishwa kama mrejesho kwa kusasisha Rules.

Kwa nini kila matokeo hayafanyiwi ukaguzi wa maudhui kila wakati?

Muundo wa msingi wa VRAIO si kufanya kila maudhui ya kila matokeo yasomwe kwa wakati halisi na mkaguzi wa kibinadamu. Nguvu ya kuzuia ya mfumo inategemea kufanya kazi kwa pamoja kwa kumbukumbu, hash, kuhesabu upya, ukaguzi wa nasibu/spot na uwezekano wa adhabu kali ikiwa tamko la uongo litagunduliwa.

Kulingana na hoja ya mwandishi, lengo ni kufanya deklaraseni ya uongo isiwe tabia yenye mantiki kiuchumi na kitaasisi. Kwa hiyo, kuzuia kwa wakati halisi kwa Valve si hatua pekee ya uhakika ya mfumo.

Rule-Judgment AI ni Nini?

Rule-Judgment AI ni kipengele huru na cha kideterministi cha uthibitishaji kinachopokea mgombea wa matokeo na ukweli/hoja zilizotangazwa chini ya GLO, huzitathmini kwa mujibu wa Rules zilizowekwa mapema, na kinakusudiwa kutoa matokeo sawa kwa pembejeo sawa. Makala inapendekeza kipengele hiki kiwe “sealed”, yaani licha ya kuwa na uwezo wa kusoma taarifa inayohitajika, kitoe nje tu uamuzi mdogo kama \(L\) na matokeo ya ulinganifu.

Kwa nini uthibitishaji wa sealed unatumiwa?

Bajeti ya uhalali inaweza kuwa na rekodi za matibabu, mamlaka ya utafutaji, picha binafsi au taarifa nyingine nyeti. Ikiwa uwezo wa kukaguliwa unahitaji data hizi zote kuwekwa wazi kwa umma, mgongano mkubwa na faragha hutokea.

Asimetri inayopendekezwa na makala ni hii: mthibitishaji anaweza kusoma taarifa nyingi kadiri zinavyohitajika; lakini anatoa nje tu taarifa ya chini kabisa ya uamuzi. Mwandishi anaunganisha kimuundo mkabala huu na madaraja ya teknolojia za kuongeza faragha kama zero-knowledge proofs, kompyuta salama na trusted execution environment.

Makosa ya Hesabu na Makosa ya Ukweli Yanatenganishwaje?

Utafiti unashughulikia kauli ya uongo katika tabaka mbili tofauti. Kosa la hesabu ni hali ambapo ukweli uliotolewa unahitaji \(L\) ya chini lakini mfumo wa AI unatangaza \(L\) ya juu. Kwa kuwa Rule-Judgment AI ya kideterministi inaweza kuhesabu \(L\) upya kwa ukweli huo huo, kutokulingana huku kunaweza kugunduliwa moja kwa moja. Kosa la ukweli ni pale ambapo ukweli wenyewe unaoingia kwenye hesabu si sahihi; kwa mfano, uamuzi wa mahakama ambao kwa kweli haupo unatangazwa kuwa “upo”. Aina hii ya pili ya kosa inahitaji ukaguzi wa msalaba dhidi ya rekodi za nje zilizoidhinishwa.

Kwa hiyo, jukumu la Rule-Judgment AI linawekewa mpaka na swali “je, \(L\) ilihesabiwa kwa usahihi kutokana na ukweli uliotolewa?” Jibu la swali “je, ukweli wenyewe ni sahihi?” huthibitishwa kutoka katika rekodi zilizoidhinishwa za mahakama, taasisi ya afya au mmiliki mwingine wa rekodi za msingi.

Kwa nini kuwa kideterministi ni muhimu?

Ikiwa pembejeo ileile inatoa matokeo tofauti kwa nyakati tofauti, inakuwa vigumu kuthibitisha tena kwa uhakika kama tamko la zamani lilihesabiwa kwa usahihi. Katika muundo wa kideterministi, data zilezile na Rules zilezile zinapaswa kutoa \(L\) ileile. Sifa hii ndiyo kiini cha ulinganifu ambao makala inaweka na kiwango cha marejeo kisichobadilika katika sayansi ya upimaji.

Kwa nini jukumu la LLM linawekewa mpaka?

Katika muundo wa Rule-Judgment AI wa makala, kazi ya kipengele cha aina ya LLM si kutoa uamuzi wa mwisho wa uhalali. LLM inaweza kutumika kubadilisha ukweli na hoja za lugha ya kawaida kuwa nafasi ya vigezo iliyopangiliwa inayofafanuliwa na Rules. Uamuzi wa mwisho wa ulinganifu unapaswa kutegemea kulinganisha kimekanika vigezo hivi vilivyopangiliwa na sheria.

Agreement gate inahakikisha nini?

Ikiwa \(L\) iliyotangazwa na mfumo wa AI na \(L\) iliyohesabiwa na Rule-Judgment AI zinalingana kwa kiasi kikubwa, matokeo yanaweza kuruhusiwa kutoka. Hata hivyo, makala inakubali wazi kwamba hii si “dhamana ya ukweli”. Mfumo wa AI na mthibitishaji wanaweza kushiriki upendeleo uleule au dhana ileile isiyo sahihi na bado wakalingana. Kwa hiyo, agreement gate ni kichujio cha awali; haichukui nafasi ya ukaguzi wa rekodi za nje na ukaguzi wa spot.

Mbinu na Matokeo ya Utafiti

Tabia ya kimethodolojia ya utafiti

Utafiti huu si makala ya kimajaribio ambayo kwa maana ya kawaida hujaribu modeli ya AI kwenye seti za data za mafunzo/test na kuripoti kipimo cha usahihi. Mbinu yake imejengwa juu ya kufafanua tatizo la kitaasisi kupitia dhana za imani, upimaji wa kijamii, utawala wa AI, uwajibikaji wa algoriti na sayansi ya upimaji katika fasihi, kupanua kanuni ya Kelvin hadi kwenye upimaji wa kijamii, kisha kuunda usanifu wa GLO/VRAIO kama mwelekeo wa suluhisho kwa tatizo hili.

Kwa hiyo, neno “matokeo” hapa halimaanishi matokeo ya utendaji wa majaribio. Matokeo ya utafiti ni mnyororo wa dhana uliojengwa na mwandishi na usanifu wa kitaasisi alioutoa kutokana nao.

Mpito wa kinadharia kati ya kanuni ya Kelvin na utawala wa AI

Chanzo kwanza kinashughulikia uhusiano kati ya upimaji, uelewa na udhibiti katika upimaji wa kimwili. Kisha kinatoa hoja kwamba katika eneo la upimaji wa kijamii, ambapo binadamu anaweza kuchukua msimamo dhidi ya kupimwa, ridhaa na imani ni masharti ya awali ya mnyororo huu.

Kutokana na hili vinatoka vipanuzi viwili:

1. Upimaji halali wa kijamii unahitaji imani ya kijamii.
2. Imani ya kijamii inahitaji miundombinu ya uaminifu.

Mnyororo wa mwisho:

Trust Infrastructure → Social Trust → Legitimate Social Measurement → Social Understanding → Social Control

unaundwa kwa namna hiyo.

Ulinganifu wa kimuundo kati ya GUM na GLO

Jedwali hili halitangazi kwamba kutokuwa na uhakika wa upimaji wa kimwili na uhalali wa AI ni kitu kilekile. Mwandishi anasema wazi kwamba miundo ya kinormative ya nyanja hizi mbili ni tofauti. Mfanano upo katika uhusiano kati ya lugha ya pamoja ya uelezaji na miundombinu ya kitaasisi ya uthibitishaji inayoiunga mkono.

Muundo wa habari wa tabaka tatu wa L

Ulinganifu wa GUM wa utafiti unapanuliwa katika kiwango cha individual-output hadi tabaka tatu:

1. Mgombea wa matokeo
2. Imani ya uhalali \(L\)
3. Bajeti ya uhalali

Kwa hiyo, \(L\) si data ya msingi wala matokeo yenyewe ya AI. Ni kiasi cha kiwango cha pili cha ulinganifu kinachohusu matokeo. Bajeti ya uhalali ni habari ya kiwango cha tatu inayoeleza kiasi hiki kinategemea ukweli gani na mantiki gani ya uunganishaji.

L katika matokeo changamano zaidi

Katika hali rahisi:

\[ L=L_{\mathrm{purpose}}\times L_{\mathrm{content}} \]

hutumiwa. Hata hivyo, katika hali changamano zaidi, kwa mfano pale ukweli mwingi unaunga mkono pendekezo la sera kwa muundo wa ngazi, makala inazungumzia grafu ya hoja. Katika majani ya grafu hiyo kunaweza kuwa na ukweli, na katika mzizi wake hitimisho.

Katika hali hii, jinsi uaminifu wa ukweli utakavyopelekwa kwenye \(L\) ya mwisho — iwe ni uunganishaji unaofanana na usambazaji wa variance au kanuni nyingine ambapo hoja dhaifu zaidi hutawala — halijatatuliwa kwa ujumla katika makala hii. Mwandishi anaacha hili kuwa mojawapo ya mada za utafiti wa baadaye.

Mfano wa matumizi: utafutaji wa mtoto aliyepotea katika eneo la umma linalofuatiliwa kikamilifu

Makala hutumia hali ya FMPS — Fully Monitored Public Space — ili kuonyesha kwa uhalisia zaidi mfumo uliopendekezwa. Inachunguza mfano wa kutafuta mtoto aliyepotea katika eneo la umma ambalo kamera nyingi zimeunganishwa na mfumo wa kati wa AI.

Mfano huu unafaa hasa kwa sababu thamani mbili ni za juu kwa wakati mmoja:

• kutokana na maisha na usalama wa mtoto, utafutaji una umuhimu mkubwa kijamii;
• kutokana na picha za kamera na njia za harakati za watu, hatari ya faragha pia ni kubwa.

Uhalali wa kusudi

Kusudi la utafutaji wa mtoto aliyepotea linaweza kuungwa mkono, kwa mfano, na ukweli kama kibali halali cha utafutaji, ombi la mzazi au ombi lililothibitishwa la chombo cha kutekeleza sheria. Ikiwa ukweli huu unaweza kuthibitishwa katika rekodi za msingi zilizoidhinishwa, \(L_{\mathrm{purpose}}\) inaweza kuwa ya juu.

Ikiwa hakuna ombi lililoidhinishwa au msingi wa kisheria, uhalalishaji wa kusudi hudhoofika.

Uhalali wa maudhui

Hata kama kusudi la utafutaji ni halali, upeo wa data ambayo mfumo unafikia au kuutoa nje si usio na kikomo. Njia ya harakati inayohitajika kufikia mahali alipo mtoto sasa na kutoa historia ya muda mrefu ya harakati ya watu wote waliokuwa eneo hilo kwa bahati si kitu kilekile.

Kulingana na mkabala wa makala, kadiri upeo wa maudhui unavyoanza kuzidi kusudi lililotangazwa, \(L_{\mathrm{content}}\) inapaswa kushuka. Hivyo, upunguzaji wa data na uwiano hubadilika kutoka kanuni za jumla na kuwa vigezo vya utawala vilivyounganishwa na kipengele cha maudhui cha \(L\).

Kulinda faragha na uwezo wa kukaguliwa kwa wakati mmoja

Katika hali ya mtoto aliyepotea, bajeti ya uhalali yenyewe pia ni nyeti: inaweza kuwa na njia ya harakati ya mtoto, upeo wa utafutaji na taarifa za mamlaka.

Mwelekeo wa suluhisho wa mwandishi si “kufichua kila kitu”. Inapendekezwa bajeti ihifadhiwe kwa namna inayoweza kufikiwa kwa ukaguzi lakini isiwe wazi kwa umma, na sealed Rule-Judgment AI irejeshe tu \(L\) pamoja na matokeo ya ulinganifu bila kuvuja maudhui nyeti.

Kugundua kosa katika hali hii

Ikiwa mfumo unatangaza \(L_{\mathrm{content}}\) ya juu wakati kutokana na ukweli uliotolewa inapaswa kuwa ya chini, kuhesabu upya kwa kideterministi kunaweza kugundua hili.

Ikiwa mfumo unatangaza amri ya utafutaji isiyokuwepo kweli kuwa “ipo”, kuhesabu upya peke yake hakutoshi; kuwepo au kutokuwepo kwa mamlaka iliyotangazwa lazima kukaguliwe kwa msalaba dhidi ya rekodi za mahakama au mamlaka husika.

Kwa nini mfano huu pia unaonyesha mpaka wa VRAIO?

Ukweli mwingi muhimu katika hali ya mtoto aliyepotea unaweza kuthibitishwa kutoka rekodi za nje zilizoidhinishwa. Kwa hiyo, mantiki ya VRAIO ya kugundua kauli ya uongo ni yenye nguvu kiasi katika mfano huu.

Kinyume chake, katika hukumu za thamani zilizo za kibinafsi kabisa, huenda kusiwe na rekodi iliyoidhinishwa katika ulimwengu wa nje inayoweza kuthibitishwa. Makala inakubali hili kuwa mojawapo ya mipaka muhimu ya matumizi ya mfumo.

Modeli ya motisha na uwajibikaji

Utafiti haujadili uthibitishaji wa kiufundi pekee, bali pia motisha za waendeshaji. Katika mantiki inayopendekezwa, mkabala wa safe-harbor unaoweza kutabirika unaweza kufikiriwa kwa upande wa wajibu wa udhibiti/adhabu kwa mwendeshaji anayetoa kauli kwa uaminifu na kwa mujibu wa sheria. Kinyume chake, ikiwa kauli ya uongo itagunduliwa, adhabu kali inapendekezwa.

Makala inatenganisha fidia kwa upande ulioathirika na wajibu wa jinai/udhibiti wa mwendeshaji. Hata kama mwendeshaji anapata ulinzi wa udhibiti kwa sababu ya kauli ya uaminifu, ikiwa madhara halisi yametokea, fidia ya mwathirika haiondolewi. Kwa kusudi hili, modeli za kitaasisi kama mfuko wa fidia unaofadhiliwa na michango ya waendeshaji zinajadiliwa.

Haya hayawasilishwi kama sheria za ulimwengu zinazotumika tayari. Mwandishi anaacha wazi kwa kazi za usanifu wa baadaye maelezo ya kisheria kama upeo wa exact safe-harbor, muundo wa mfuko na namna kosa lisilo na hatia litakavyotathminiwa.

Hitimisho kuu za dhana zinazoungwa mkono na utafiti

• Imani ya kijamii katika AI ina kipengele cha kitaasisi ambacho hakiwezi kuelezwa kwa ubora wa kiufundi au deklaraseni ya maadili pekee.
• Utawala wa matokeo unapaswa kushughulikia kando tabaka la mwisho ambalo mifumo ya AI hugusa jamii moja kwa moja.
• Uhalali wa kusudi na maudhui ya mgombea wa matokeo unaweza kuonyeshwa kwa metadata iliyopangiliwa.
• Uelezaji huu unapaswa kuungwa mkono na bajeti ya uhalali inayoweza kukaguliwa.
• Kuhesabu upya kwa kideterministi kunaweza kuimarisha kugundua kosa la hesabu.
• Kosa la ukweli linahitaji ukaguzi wa msalaba dhidi ya rekodi za nje zilizoidhinishwa.
• Muundo wa kumbukumbu, ukaguzi wa spot na adhabu unaweza kubadilisha motisha za deklaraseni ya uongo.

Madai ambayo utafiti hauungi mkono au bado haujaonyesha

• Haijaonyeshwa kwa majaribio kwamba VRAIO inafanya kazi kwa kiwango kikubwa katika ulimwengu halisi.
• GLO si kiwango cha sasa kinachokubalika kimataifa; ni mkabala wa lugha ya pamoja unaopendekezwa na makala.
• Hakuna kanuni moja ya ulimwengu ya uunganishaji ya \(L\) iliyothibitishwa kisayansi inayowasilishwa.
• Usalama, gharama na utendaji wa Rule-Judgment AI katika mazingira ya uzalishaji havijathibitishwa kwa majaribio.
• Agreement gate si dhamana ya usahihi au ukweli.
• Prover na verifier wanaoshiriki upendeleo uleule wanaweza kukosea pamoja.
• Katika maeneo ya kibinafsi yasiyo na ukweli unaoweza kuthibitishwa kutoka chanzo cha nje, kugundua kosa la ukweli ni vigumu zaidi.
• Ushirikiano wa kimataifa wa mifumo haujatatuliwa.
• Jinsi ya kuhakikisha uhuru wa vyombo vya ukaguzi ni tatizo la wazi la utekelezaji.
• Usanifu wa kina wa kisheria wa safe-harbor, mfuko wa fidia na michakato ya kosa lisilo na hatia haujakamilika.

Maana ya kisayansi na kitaasisi ya utafiti

Mchango mkuu wa makala ni kupendekeza mpito kutoka wazo la “tuiamini AI yenyewe” kwenda wazo la “tujenge miundombinu inayoweza baadaye kupima mchakato wa utawala wa matokeo ya AI”. Katika mkabala huu, imani si dhana ya kuanzia, bali inachukuliwa kuwa matokeo yanayoweza kutokea ya uaminifu unaoweza kuthibitishwa kujenga kukubalika kwa kijamii baada ya muda.

Hata hivyo, uwezekano wa kutekeleza mfumo huu unategemea kwa kiasi kikubwa Rules zitaamuliwa na nani na kupitia michakato gani, ikiwa Rule-Judgment AI inaweza kwa kweli kudumishwa kuwa ya kideterministi na huru, usahihi wa rekodi za nje za msingi, uhuru wa taasisi za ukaguzi na ikiwa viwango vya pamoja vinaweza kuanzishwa kati ya mifumo ya kimataifa.

Maelezo ya Chanzo na Mbinu

Kichwa asili: No Trust Without Trust Infrastructure: The Extended Kelvin Principle and Its Application to AI Output Governance

Mwandishi: Yusaku Fujii

Taasisi: School of Science and Technology, Gunma University, Kiryu 376-8515, Japan.

Jarida: AI, 2026, 7(6), 218.

DOI: 10.3390/ai7060218

Mchapishaji: MDPI.

Tarehe ya kuchapishwa: 14 Juni 2026.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wataalamu; mfumo wa dhana na kitaasisi wa utawala wa AI.

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Japan Society for the Promotion of Science, Grants-in-Aid for Scientific Research (JSPS KAKENHI), Grant No. 25K00735.

Kamati ya maadili: Imeripotiwa kuwa haitumiki.

Ridhaa iliyoarifiwa: Imeripotiwa kuwa haitumiki.

Upatikanaji wa data: Imeelezwa kuwa michango asili ya utafiti imo ndani ya makala na kwamba mwandishi anaweza kuwasiliana naye kwa taarifa za ziada.

Mgongano wa maslahi: Mwandishi ameripoti kutokuwepo kwa mgongano wa maslahi.

Kizuizi kikuu cha kimethodolojia: Utafiti haufanyi jaribio la kiwango cha majaribio la VRAIO/GLO. Uundaji wa mbinu ya jumla ya kuunganisha \(L\), utekelezaji halisi na tathmini ya mthibitishaji wa kideterministi, usanifu wa kisheria wa taratibu za safe-harbor na fidia, uundaji wa kidemokrasia wa Rules, ushirikiano wa kimataifa wa mifumo na uhuru wa vyombo vya ukaguzi vinaachwa kwa utafiti na kazi za usanifu wa kitaasisi za baadaye.

Matumizi ya vielelezo: Kielelezo 1 na Kielelezo 2 vya chanzo havipaswi kunakiliwa moja kwa moja. Kwa Verianla, mnyororo wa Kelvin Uliopanuliwa na usanifu wa VRAIO vinaweza kuandaliwa kama michoro miwili mipya ya kiufundi inayohifadhi mahusiano yale yale ya kisayansi lakini ikiwa na muundo, ikonografia na lugha ya kuona huru.