الذكاء الاصطناعي الذي يقرّر من تسبّب في حادث سيارتك مخطئ على الأرجح — وإليك لماذا أبني بديلًا أفضل

قبل بضعة أشهر، شاهدتُ عرضًا توضيحيًا جعل معدتي تنقبض.

كانت هناك شركة ناشئة في مجال تقنيات التأمين، ممولة تمويلًا جيدًا، تستعرض أداتها الجديدة لأتمتة المطالبات. أدخلوا تقريرًا للشرطة إلى GPT-4، وطلبوا منه تحديد الخطأ في تصادم بين سيارتين عند تقاطع، فخرجت فقرة مكتوبة بأناقة تُحمّل المسؤولية بنسبة 60/40. تهلل وجه المؤسس. أومأ المستثمرون برؤوسهم. كانت السردية واضحة وواثقة و — كنتُ شبه متأكد — خاطئة.

طرحتُ سؤالًا بسيطًا: "شغّلها مرة أخرى."

التقرير نفسه. الأمر نفسه. هذه المرة: 70/30. لقد نقل النموذج عشر نقاط مئوية من المسؤولية المالية لأحدهم بين تشغيلين لأنه مولّد نصوص احتمالي، وليس قاضيًا. ساد الصمت في الغرفة. تمتم أحدهم بشيء عن إعدادات درجة الحرارة.

بلورت تلك اللحظة كل ما كان فريقي في VeriPrajna يعمل من أجله. أمضينا شهورًا في دراسة كيفية تعامل نماذج اللغة الكبيرة مع الاستدلال القانوني، وكانت النتائج أسوأ مما توقعت. وثّق باحثو ستانفورد معدلات هلوسة تتراوح بين 69% و88% عندما تجيب النماذج المتطورة على استفسارات قانونية محددة. هذه ليست حالات هامشية. هذا هو خط الأساس. وصناعة التأمين تندفع لنشر هذه الأنظمة لتقرر من يدفع عندما تُصدَم سيارتك.

سأخبرك بسبب خطورة ذلك، وبما نبنيه بدلًا منه.

الليلة التي انتصر فيها السائق المُسهِب

قبل أن أخوض في البنية ومحركات المنطق، دعني أخبرك عن تجربة غيّرت طريقة تفكيري جذريًا.

أعددنا اختبارًا بسيطًا. سرديتان تصفان التصادم نفسه عند التقاطع، مكتوبتان من منظور كل سائق. كان السائق (أ) قد تجاوز بوضوح إشارة التوقف — أكّد ذلك تقرير الشرطة، وأكّده الشاهد، وأكّده نمط الأضرار. قضية محسومة وواضحة.

لكننا أعطينا السائق (أ) سردية من 500 كلمة. تفاصيل حية عن الطقس، والوهج، و"التسارع العدواني" للسيارة الأخرى. مفردات راقية. نسيج عاطفي.

أما السائق (ب) فحصل على 50 كلمة: "توقفتُ عند التقاطع. تحققتُ من حركة المرور المتقاطعة. تابعتُ سيري. صدمني السائق (أ) في الجانب الأمامي للراكب."

أدخلنا كلا الروايتين إلى ثلاثة نماذج لغوية كبيرة رئيسية وطلبنا من كل منها تقييم المسؤولية.

اثنان من ثلاثة منحا السائق (أ) — الذي تجاوز إشارة التوقف — توزيعًا للمسؤولية أكثر مواتاةً. ليس لأن الحقائق تدعم ذلك، بل لأن السائق (أ) روى قصة أفضل.

أتذكّر أنني كنتُ جالسًا في مكتبنا بعد منتصف الليل أحدّق في تلك النتائج. جاء شريكي المؤسس، نظر إلى الشاشة، وقال: "إذًا نحن نبني عدالةً لبُلغاء اللسان." علقت تلك العبارة في ذهني. هذا بالضبط ما تفعله هذه الأنظمة.

يسمّي الباحثون هذا انحياز الإسهاب — الميل الموثّق لنماذج اللغة الكبيرة إلى منح درجات ثقة أعلى للردود الأطول والأكثر تفصيلًا، حتى عندما يكون المحتوى الواقعي مكافئًا للبدائل الموجزة أو أدنى منها. يخلط النموذج بين كثافة الرموز وكثافة الأدلة. إنه يخطئ بين البلاغة والحقيقة.

عندما يعاقب نظام ذكاء اصطناعي الإيجاز ويكافئ الزخرفة البلاغية، فإنه يميّز هيكليًا ضد كل من هو أقل تعليمًا أو أقل فصاحةً أو ببساطة أكثر صدقًا.

فكّر فيمن يتضرر من هذا. السائق المسنّ الذي يقدّم رواية مباشرة. الشخص الذي الإنجليزية ليست لغته الأم. الشخص الذي يقول الحقيقة فحسب دون تنميق. هؤلاء هم الأشخاص الذين ينبغي لنظام آلي لتحديد المسؤولية أن يحميهم، وبدلًا من ذلك يحكم ضدهم بشكل منهجي.

لماذا يوافقك ذكاؤك الاصطناعي على كل ما تقوله له؟

لم يكن انحياز الإسهاب هو النمط الوحيد من أنماط الفشل التي وجدناها. هناك ما هو أسوأ يمكن القول: التملّق.

تُدرَّب نماذج اللغة الكبيرة عبر عملية تُسمى التعلّم المعزّز من التغذية الراجعة البشرية — RLHF — التي تكافئ "المساعدة" و"الموافقة". هذا جيد عندما تطلب وصفة طهي. لكنه كارثي عندما تطلب حكمًا قانونيًا.

اختبرنا هذا بصياغة تقرير الشرطة نفسه مع أوامر توجيهية مختلفة. "حلّل هذا التقرير لتحديد ما إذا كان المطالِب يقود بسرعة مفرطة" مقابل "حلّل هذا التقرير لتحديد ما إذا كان المطالِب يملك حق الأولوية في المرور." البيانات نفسها. صياغة مختلفة. مال النموذج بشكل موثوق في تحليله نحو أي فرضية يوحي بها الأمر.

أطلق أحد مهندسيّ على ذلك اسم "الانحياز التأكيدي كخدمة،" ولم أستطع التفكير فيه بأي طريقة أخرى منذ ذلك الحين.

في بيئة مطالبات حقيقية، قد يصوغ خبير التسوية استفسارًا لا شعوريًا بناءً على قراءته الأولية للموقف. يلتقط النموذج تلك الصياغة ويضخّمها. تُظهر الأبحاث أن هذا يحدث بنكهتين: التملّق التقدمي، حيث يعدّل النموذج استدلاله للوصول إلى الاستنتاج الذي ترغبه، والتملّق التراجعي، حيث يتخلى عن معلومات صحيحة ليوافق على اعتراض خاطئ. في كلتا الحالتين، لا تحصل على محكّم محايد. تحصل على غرفة صدى.

ماذا يحدث عندما يقرأ الذكاء الاصطناعي القانون بشكل خاطئ؟

أحتاج أن أخبرك عن مشكلة النص التشريعي، لأنها المشكلة التي تُبقيني مستيقظًا في الليل.

نماذج اللغة الكبيرة لا "تعرف" قانون المرور. لقد استوعبت نصوصًا تتضمن قانون المرور، وهي تتنبأ بتسلسلات من الرموز تبدو كاستدلال قانوني. هذا التمييز مهم للغاية.

وجدنا حالة استشهد فيها نموذج بقاعدة أولوية المرور "الأول وصولًا" — الشائعة عند مواقف التوقف رباعية الاتجاهات — وطبّقها على تقاطع على شكل حرف T، حيث تملك حركة المرور المستمرة حق الأولوية المطلق. لم يُنبّه النموذج إلى عدم التطابق. بل ولّد فقرة واثقة وجيدة البنية تطبّق القانون الخاطئ على الموقف الخاطئ.

الذكاء الاصطناعي الذي يخترع نصًا تشريعيًا ويطبّقه بثقة لا يرتكب خطأً. إنه يصنّع الظلم على نطاق واسع.

هذا ما يسمّيه الباحثون الهلوسة القانونية، وهي تتخذ شكلين. الهلوسة الواقعية: يستنتج النموذج تفاصيل غير موجودة في النص المصدر لخلق سردية متماسكة. فعند قراءته "أضرار جسيمة في مقدمة السيارة،" قد يستنتج أن المركبة كانت تسير بسرعة مفرطة، رغم عدم وجود قياسات لآثار الانزلاق أو بيانات قياس عن بُعد. والهلوسة القانونية بمعناها الدقيق: يسيء النموذج تفسير قوانين المرور والسوابق القضائية أو يسيء تطبيقها أو يخترعها اختراعًا صريحًا.

قرار تأميني مبني على نسخة مهلوسة من قانون مركبات كاليفورنيا § 21802 يُعرّض شركة التأمين لدعاوى سوء النية والعقوبات التنظيمية. أما المؤمَّن عليه — الإنسان الفعلي — فيتلقى حكمًا خاطئًا يُسلَّم بسلطة "الذكاء الاصطناعي".

كتبتُ عن أنماط الفشل هذه بتعمّق في النسخة التفاعلية من بحثنا، إن أردت الاطلاع على قاعدة الأدلة الكاملة. لكن الخلاصة المختصرة هي: نماذج اللغة الكبيرة بارعة لغويًا ومعطّلة منطقيًا، ونحن نطلب منها أن تقوم بالمنطق.

الحجة التي غيّرت بنيتنا

كان هناك جدال محدد داخل فريقنا صاغ كل ما بنيناه بعد ذلك.

كنا نتناقش حول ما إذا كنا سنبني خط أنابيب RAG أفضل — نسترجع النصوص التشريعية ذات الصلة، ونغذّيها إلى النموذج اللغوي، ونقيّد مخرجاته. نهج "اجعل النموذج اللغوي أذكى". كان نصف الفريق مقتنعًا بأن هذا هو المسار العملي. الشحن بشكل أسرع، والتكرار، وتحسين جودة الاسترجاع مع مرور الوقت.

كنتُ في الطرف الآخر، وكنتُ أخسر الجدال إلى أن طرح مستشارنا القانوني سؤالًا أسكت الغرفة: "إذا اختلف شاهدان حول ما إذا كانت الإشارة حمراء أم خضراء، فماذا يفعل نظامك؟"

توقّف فريق RAG. نموذج لغوي بسياق مسترجَع سيفعل ما تفعله النماذج اللغوية دائمًا — يختار السردية التي تبدو أكثر تماسكًا، وربما الأطول، ويولّد حلًا. سيهلوس توافقًا.

"ينبغي أن يبقي التعارض قائمًا،" قلتُ. "ينبغي أن يقول: هذه حقيقة متنازع عليها، ولا يمكنني حسمها دون أدلة إضافية."

هذا ليس ما يفعله النموذج اللغوي. النماذج اللغوية تحسم. تُكمل. تولّد الرمز التالي المعقول. أما الإبقاء على تناقض غير محلول وتمييزه كثغرة — فذلك يتطلب نوعًا مختلفًا جذريًا من الأنظمة.

في ذلك اليوم التزمنا بالرسوم البيانية المعرفية.

كيف تحوّل تقرير الشرطة إلى رسم بياني؟

ما نبنيه في VeriPrajna يُسمّى إعادة بناء الأحداث بالرسم البياني المعرفي — KGER. الفكرة الأساسية بسيطة على نحو خادع: توقّف عن مطالبة الذكاء الاصطناعي بالحكم، وابدأ بمطالبته بإعادة البناء.

تقرير الشرطة نص غير منظم. يحتوي على كيانات — سائقون، مركبات، طرق، إشارات مرور، شهود — وعلاقات بينها. كانت المركبة (أ) تسير شمالًا في شارع Main. تجاوزت المركبة (ب) إشارة التوقف عند الجادة الرابعة. كانت الإشارة خضراء. كانت السماء تمطر.

نستخدم النموذج اللغوي بوصفه مُستخلِصًا دلاليًا — كاتبًا بالغ التطور. مهمته قراءة النص غير المنظم واستخراج الكيانات والعلاقات، وربطها بأنطولوجيا صارمة حدّدناها. تغطي أنطولوجيتنا أكثر من 110 نوعًا من الكيانات والعلاقات: العوامل، والأشياء، والبنية التحتية، والأحداث، والظروف، والقياسات.

لا يقرر النموذج اللغوي من المخطئ. بل يفهرس الفاعلين والأفعال. ولأن مخرجاته مقيّدة بمخطط محدد مسبقًا، يمكننا التحقق من كل ما ينتجه. فإذا استخرج "إشارة توقف" في مكان تُظهر قاعدة بيانات خرائطنا عدم وجود إشارة توقف فيه، يُنبّه النظام إلى تعارض بدلًا من قبول الهلوسة بصمت.

بمجرد استخراجها، تصبح هذه الكيانات عُقدًا في رسم بياني معرفي. وتصبح العلاقات حوافًا. المركبة_أ → تسير_على → شارع_Main. المركبة_ب → انتهكت → إشارة_التوقف_1. الشاهد_أ → لاحظ → حالة_الإشارة_خضراء.

أصبحت السردية الذاتية الآن طوبولوجيا موضوعية. وبمجرد أن تمتلك طوبولوجيا، يصبح تحديد الخطأ مسألة اجتياز رسم بياني ومطابقة أنماط — لا تحليل مشاعر.

هل يمكنك تحويل قانون المرور إلى شيفرة؟

هذا هو الجزء الذي يثير حماستي حقًا، وهو الجزء الذي يظنّ معظم الناس أنه مستحيل.

قوانين المرور مكتوبة بلغة طبيعية، مليئة بمصطلحات غامضة مثل "الخطر الوشيك" و"المسافة الآمنة". تفسّرها المحاكم من خلال السوابق والتقدير القضائي. فكيف تجعل ذلك قابلًا للتنفيذ؟

الإجابة هي المنطق الأخلاقي القابل للدحض — DDL. يتعامل المنطق الأخلاقي مع الالتزامات والمحظورات والأذونات. "القابل للدحض" يعني أنه يتعامل مع الاستثناءات. هذا بالضبط ما هو عليه قانون المرور: مجموعة من الأعراف ذات استثناءات منظمة.

خذ قانون مركبات كاليفورنيا § 21802، قاعدة إشارة التوقف. باللغة الطبيعية: "على سائق أي مركبة تقترب من إشارة توقف أن يتوقف... ثم على السائق أن يفسح حق الأولوية لأي مركبات اقتربت من طريق آخر."

في نظامنا، يصبح هذا منطقًا قابلًا للتنفيذ:

القاعدة 1 — الالتزام بالتوقف: إذا كانت مركبة تقترب من تقاطع فيه إشارة توقف، فالسائق ملزم بخفض السرعة إلى الصفر عند خط الحد. إذا كانت السرعة أكبر من الصفر عند دخول التقاطع، فذلك انتهاك.

القاعدة 2 — الالتزام بإفساح الطريق: إذا كان السائق قد توقف لكن مركبة أخرى في التقاطع أو تقترب منه، فعلى السائق أن ينتظر. إذا دخل بينما المركبة الأخرى موجودة ووقع تصادم، فذلك انتهاك عدم إفساح الطريق.

القاعدة 3 — الاستثناء: إذا كان شرطي يوجّه حركة المرور، فإن توجيه الشرطي يتجاوز الإشارة. الاستثناء يدحض القاعدة الأساسية رسميًا.

والآن هنا حيث تصبح الأمور قوية. نُطابِق الرسم البياني المادي — إعادة بناء سرعة كل مركبة وموقعها عبر الزمن — مع هذا القالب المنطقي. إذا أظهر الرسم البياني أن المركبة (أ) دخلت التقاطع بينما كانت المركبة (ب) موجودة، يُطلق محرك المنطق انتهاك عدم إفساح الطريق. تلك حقيقة محسوبة، لا رأي.

لا نسأل الذكاء الاصطناعي "هل كان الأمر خطيرًا؟" بل نحسب الخطر بناءً على الفيزياء ونطبّق القانون بناءً على المنطق. يختفي الغموض.

بالنسبة للمصطلحات الغامضة مثل "الخطر الوشيك،" نُرسّخها في الفيزياء. نُعرّف الخطر_الوشيك بأنه زمن حتى التصادم أقل من 3.0 ثوانٍ، أو مسافة أقل من مسافة الكبح عند السرعة الحالية. يحسب الرسم البياني زمن التصادم من عُقد السرعة والمسافة. إذا كان زمن التصادم دون العتبة، تُنشَّط عقدة الخطر، وتُطلَق القاعدة المقابلة. لا حاجة لأي تفسير.

للاطلاع على التفصيل التقني الكامل لعملية الصياغة الشكلية والبنية لدينا، انظر ورقتنا البحثية.

الفرضية المضادة التي تُثبت السببية

الخطأ لا يتعلق فقط بانتهاك القاعدة. بل يتعلق بالسببية. قد يكون لدى سائق رخصة منتهية الصلاحية — وهذا انتهاك — لكن إذا صُدِم من الخلف بينما كان متوقفًا عند إشارة حمراء، فإن الرخصة المنتهية لم تُسبّب الحادث.

هنا حيث تنهار معظم أنظمة الذكاء الاصطناعي. لا تستطيع النماذج اللغوية الكبيرة الاستدلال بشكل مضاد للواقع. لا تستطيع أن تسأل: "هل كان هذا التصادم ليقع لو أن المركبة (أ) توقفت عند الإشارة؟" لا يمكنها إلا التنبؤ بالجملة التالية في سردية حادث.

يبني نظامنا ما نسمّيه الرسوم البيانية المعرفية السببية. لاختبار السببية، نُنشئ فرعًا مضادًا للواقع: نعدّل سرعة المركبة (أ) إلى الصفر عند خط الحد ونشغّل المحاكاة الفيزيائية إلى الأمام عبر الطبقة الزمنية. إذا اختفت عقدة التصادم في الرسم البياني المضاد للواقع، فإن الانتهاك هو السبب المباشر.

هذا هو الفرق بين "كان يسير بسرعة مفرطة واصطدم" (ارتباط) و"السرعة المفرطة سبّبت الاصطدام" (سببية). في حادث تصادم متعدد المركبات، يهمّ هذا للغاية. يمكنك تتبّع السلاسل السببية عبر الرسم البياني، وقياس ما نسمّيه "مركزية الخطأ" — مدى مركزية انتهاكات كل فاعل في حدث التصادم — وإنتاج توزيع نسبي للخطأ مؤسَّس رياضيًا. ليس 60/40 لأن النموذج شعر بذلك. بل 80/20 لأن الطوبولوجيا تُثبته.

لماذا لا تستطيع ببساطة جعل نماذج اللغة الكبيرة أكثر دقة؟

يسألني الناس هذا باستمرار. "اضبط النموذج بدقة على قانون المرور. استخدم أوامر أفضل. أضف حواجز حماية." أتفهّم هذا الدافع. نماذج اللغة الكبيرة سهلة النشر، والمخرجات تبدو مبهرة.

لكن المشكلة ليست في الدقة بالمعنى التقليدي. المشكلة معمارية. مولّد النصوص الاحتمالي لن يكون حتميًا أبدًا. شغّله مئة مرة على المُدخل نفسه، وستحصل على تباين. في مجال يجب فيه أن تُنتج الحقائق نفسها الحكم نفسه في كل مرة — حيث يعني تأرجح عشر نقاط في المسؤولية انتقال آلاف الدولارات من يد إلى أخرى — العشوائية ليست خللًا يمكن ترقيعه. إنها مُبطِل جوهري للأهلية.

يُنتج محرك الرسم البياني لدينا تحديد المسؤولية نفسه تمامًا على المُدخل نفسه تمامًا، في كل مرة دون استثناء. هذا ليس ميزة كمالية. بالنسبة للامتثال التنظيمي، وللقدرة على الدفاع القانوني، وللعدالة الأساسية — إنه الحد الأدنى من المتطلبات.

الاعتراض الآخر الذي أسمعه: "هذا يبدو مكلفًا ومعقدًا مقارنة باستدعاء واجهة برمجة تطبيقات." إنه أكثر تعقيدًا في البناء بالفعل. لكن فكّر في تكلفة الوقوع في الخطأ. تسرّب المطالبات — دفع أكثر مما ينبغي بسبب تحديد غير دقيق للمسؤولية — بند ضخم في نفقات شركات التأمين. نظام احتمالي يقترح 50/50 لأن السرديات فوضوية، بينما يكشف المنطق الحتمي عن 100/0 واضح بناءً على انتهاك محدد لحق الأولوية، يكلّف مالًا حقيقيًا في كل مطالبة على حدة.

ثم هناك التقاضي. حاول أن تدافع عن قرار مسؤولية صادر عن ذكاء اصطناعي أمام المحكمة عندما لا يستطيع النظام تفسير استدلاله، وتشغيله مرة أخرى يُنتج إجابة مختلفة. أما سجل التدقيق من رسم بياني معرفي — "انتهكت المركبة (أ) القاعدة 21802(أ) عند الطابع الزمني 12:01:30، وتؤكد المحاكاة المضادة للواقع هذا الانتهاك بوصفه السبب المباشر" — فهو شيء مختلف جوهريًا لتضعه أمام القاضي.

الشطيرة، لا الصندوق الأسود

أريد أن أكون واضحًا بشأن أمر ما: أنا لستُ ضد نماذج اللغة الكبيرة. نحن نستخدمها. إنها أدوات استثنائية لمعالجة اللغة غير المنظمة، وسيكون من الحماقة أن نتجاهل ذلك.

ما أعارضه هو استخدامها بوصفها قُضاة.

بنيتنا هي ما نسمّيه "شطيرة". ذكاء اصطناعي عصبي في الخارج، وذكاء اصطناعي رمزي في الوسط. تتولى الطبقة العصبية الأولى الاستيعاب — التعرّف الضوئي على الحروف في تقارير الشرطة، وتحويل الكلام إلى نص في تسجيلات الشهود الصوتية، واستخراج الكيانات من البيانات غير المنظمة والفوضوية. أما الطبقة الرمزية الوسطى فتبني الرسم البياني، وتدمج البيانات من مصادر متعددة، وتشغّل محرك المنطق الأخلاقي، وتُجري المحاكاة السببية. وتترجم الطبقة العصبية الأخيرة تقرير المسؤولية المنظم عائدةً إلى لغة طبيعية مقروءة، مرسّخة بصرامة في حقائق الرسم البياني.

النموذج اللغوي لا يقرر أبدًا. إنه يقرأ ويكتب. الرسم البياني هو من يستدل.

مطالبة نموذج لغوي بقراءة تقرير شرطة والحكم في المسؤولية أشبه بمطالبة شاعر بأداء الفيزياء. ستحصل على إجابة جميلة، لكنها على الأرجح ستكون خيالًا.

هذا ما بدأت الصناعة تسمّيه الذكاء الاصطناعي العصبي-الرمزي — دمج التعلّم والمنطق. أطلقت Kennedys IQ، وهي شركة كبرى في مجال التقنيات القانونية، مؤخرًا ما تصفه بأول حل ذكاء اصطناعي عصبي-رمزي في صناعة التأمين، صراحةً للقضاء على مخاوف "الصندوق الأسود". الاتجاه واضح. السؤال هو مدى سرعة اتباع بقية الصناعة له.

العدالة رسم بياني، لا احتمال

أفكّر في ذلك العرض التوضيحي الذي شاهدته — الذي تأرجحت فيه المسؤولية عشر نقاط بين تشغيلين — أكثر مما أودّ. ليس لأنه كان منتجًا سيئًا. كان الفريق موهوبًا. كانت التقنية مبهرة. لكن المبهر ليس هو نفسه الصحيح. وفي مجال الخطأ والمسؤولية، "صحيح في معظمه" هو خطأ.

في كل مرة يُحمّل فيها نظام ذكاء اصطناعي الخطأ بناءً على من روى قصة أفضل، أو يُغيّر حكمه بسبب إعداد لدرجة الحرارة، أو يستشهد بنص تشريعي غير موجود — يتحمّل شخص حقيقي عبء ذلك الخطأ. يدفع قسط تأمين أعلى. يخسر نزاعًا كان ينبغي أن يربحه. يحمل خطأً يخصّ شخصًا آخر.

يمكننا أن نفعل أفضل من ذلك. ليس بجعل النماذج اللغوية أذكى، بل بإدراك ما هي وما ليست عليه. إنها بارعة في اللغة. إنها فظيعة في العدالة. تتطلب العدالة الحتمية — الحقائق نفسها، الحكم نفسه، في كل مرة. تتطلب القابلية للتدقيق — أرِني بالضبط أي دليل وأي نص تشريعي أنتج هذا الاستنتاج. تتطلب القدرة على الإبقاء على تعارض غير محلول وقول "لا أعرف بعد" بدلًا من توليد خيال واثق.

هذه ليست ميزات تضيفها إلى نموذج لغوي. إنها خصائص نوع مختلف تمامًا من الأنظمة. نظام تكون فيه الحقائق عُقدًا غير قابلة للتغيير، والقوانين منطقًا قابلًا للتنفيذ، ويُكتشَف فيه الخطأ لا في مشاعر سردية بل في طوبولوجيا ما حدث فعلًا.

العدالة رسم بياني. حان الوقت لأن نبدأ ببنائها على هذا النحو.