كل أنظمة الذكاء الاصطناعي أخطأت في السؤال الضريبي نفسه — ولم يلاحظ أحد حتى راجعنا النص التشريعي
كانت ليلة ثلاثاء، وكنت أحدق في ثلاث علامات تبويب في المتصفح — ChatGPT وClaude وGemini — وجميعها تخبرني بالشيء نفسه. وكانت النماذج الثلاثة جميعها مخطئة.
كان السؤال بسيطًا بما فيه الكفاية: بموجب قانون التوفيق الشامل للموازنة (OBBBA) الجديد، هل يمكن لدافع الضرائب خصم الفائدة على قرض سيارة شخصية؟ أجاب كل نموذج بنعم. وشرح كل نموذج الحكم بشكل صحيح — التواريخ، ومتطلبات المركبة، وحتى حدود الدخل. ووضع كل نموذج الخصم في القسم الخاطئ من قانون الضرائب، مما يعني أن النصيحة المالية اللاحقة كانت عديمة الفائدة تمامًا.
لم تكن الإجابة غير دقيقة قليلًا. ولم تكن من قبيل "حسنًا، الأمر يعتمد على التفسير". بل كانت خاطئة فحسب. من نوع الخطأ الذي، إذا اتبعه محاسب قانوني معتمد (CPA)، فإنه سيؤدي إلى تدقيق من مصلحة الضرائب الأمريكية (IRS). من نوع الخطأ الذي قد يكلف المتقاعد آلاف الدولارات كرسوم إضافية غير متوقعة على أقساط Medicare. والجزء المرعب؟ إذا لم تكن تعرف الإجابة مسبقًا، فلن تكتشف الخطأ أبدًا. فقد بدا الذكاء الاصطناعي مثاليًا تمامًا.
غيرت تلك اللحظة طريقة تفكيري في الذكاء الاصطناعي في مجال الامتثال. ليس لأنني فوجئت بأن النموذج اللغوي قد هلوس — فنحن جميعًا نعلم أنها تفعل ذلك. بل ما صدمني هو أن النماذج الثلاثة هلchannelوست جميعها بالطريقة نفسها تمامًا، وللسبب نفسه تمامًا. لقد تعلمت الإجابة الخاطئة من الإنترنت، وكان الإنترنت خاطئًا بشكل موحد لدرجة أنه لم يتبق أي مؤشر يسمح للنماذج بتصحيح نفسها ذاتيًا.
بدأنا نطلق على هذه الظاهرة اسم خطأ الإجماع. وبمجرد أن فهمناها، لم يعد بإمكاننا تجاهلها.
ما هو خطأ الإجماع، ولماذا يجب أن تهتم به؟
معظم الأشخاص الذين يتعاملون مع الذكاء الاصطناعي على دراية بالهلوسات — اللحظات التي يخترع فيها النموذج استشهادًا، أو يلفق إحصائية، أو يصرّح بثقة بشيء غير صحيح. هذه الحالات مخيفة، لكنها أيضًا عشوائية نوعًا ما. وغالبًا ما يمكنك اكتشافها لأنها تبدو غير منطقية، أو لأن بحثًا سريعًا على Google يكشف التلفيق.
أما خطأ الإجماع فمختلف. إنه ما يحدث عندما يعطيك الذكاء الاصطناعي إجابة خاطئة ليس لأنه يفتقر إلى البيانات، بل لأن البيانات التي تدرب عليها غير صحيحة بشكل ساحق وواثق. فالنموذج لا يخمن في الظلام. إنه يعكس رأي الأغلبية على الإنترنت إليك — ويصادف أن رأي الأغلبية باطل قانونيًا.
عندما يكون الإنترنت نفسه مخطئًا، فإن كل ذكاء اصطناعي مدرب عليه يرث الوهم نفسه. خطأ الإجماع ليس خللًا برمجيًا عابرًا — بل هو سمة أصيلة في كيفية تعلم النماذج اللغوية.
فكر في المعادلة الحسابية للحظة. إذا كانت 90% من المقالات على الويب حول حكم ضريبي معين تصفه بشكل غير صحيح — باستخدام لغة مبسطة، أو الخلط بين قسمين مختلفين من القانون، أو مجرد نسخ أخطاء بعضها البعض — فإن الأوزان الداخلية للنموذج تتقارب نحو الإجابة الخاطئة بثقة عالية. وحتى لو كان النص التشريعي الفعلي موجودًا في بيانات التدريب، فإنه يظهر مرة أو مرتين بلغة قانونية مكثفة، بينما يظهر التفسير غير الصحيح آلاف المرات في نصوص سهلة ومحسّنة لمحركات البحث (SEO).
يقوم النموذج بما صُمم للقيام به: التنبؤ بالرمز التالي الأكثر احتمالًا. والرمز الأكثر احتمالًا هو الرمز الخاطئ.
خصم قرض السيارة الذي أربك ثلاثة نماذج ذكاء اصطناعي
دعني أشرح لك هذه الحالة المحددة بالتفصيل، لأن التفاصيل مهمة.
أنشأ قانون OBBBA فئة جديدة تسمى "فائدة قرض مركبة الركاب المؤهلة" — وهو خصم مؤقت للفائدة المدفوعة على قروض مركبات الركاب الجديدة المجمعة في الولايات المتحدة، والمتاحة للسنوات الضريبية من 2025 حتى 2028. حتى الآن، كل شيء على ما يرام. وقد أصاب كل ذكاء اصطناعي في هذا الجزء.
وهنا بالتحديد ينهار كل شيء. لقد أُضيف الخصم إلى IRC Section 63، الذي يحكم الدخل الخاضع للضريبة. ولم يُضف إلى IRC Section 62، الذي يحكم إجمالي الدخل المعدّل (AGI). وفي قانون الضرائب، هذا التمييز هو كل شيء.
خصم Section 62 — "فوق الخط" — يقلل من إجمالي دخلك المعدّل (AGI). وإجمالي دخلك المعدّل يحدد أهليتك لعشرات المزايا الأخرى: خطط سداد قروض الطلاب، والحدود الدنيا لخصم النفقات الطبية، وفرض الضرائب على مزايا الضمان الاجتماعي (Social Security)، ورسوم Medicare الإضافية على الأقساط. خفّض إجمالي دخلك المعدّل، وستفتح سلسلة متتالية من التوفيرات اللاحقة.
أما خصم Section 63 — "تحت الخط" — فيقلل من دخلك الخاضع للضريبة. ولا يزال يوفّر لك المال في فاتورتك الضريبية الفيدرالية، لكنه لا يفعل أي شيء لإجمالي دخلك المعدّل (AGI). ولا تتأثر أي من تلك المزايا اللاحقة.
أخبرت كل النماذج اللغوية الكبيرة الرائدة المستخدمين بأن هذا الخصم سيخفض إجمالي الدخل المعدّل لديهم. كل نموذج دون استثناء. لأن هذا ما كانت تقوله منظومة المحتوى المالي. فالمقالات التوضيحية واسعة الانتشار والمقالات المحسّنة لمحركات البحث نشرت عناوين مثل "أصبحت فوائد قروض السيارات قابلة للخصم الآن!" دون تحديد أين ينطبق ذلك في الحساب الضريبي. يبدو أن التمييز بين Section 62 وSection 63 ممل للغاية بالنسبة لصنّاع المحتوى الذين يركزون على جذب النقرات.
ولكن بالنسبة لدافع الضرائب الذي يتبع هذه النصيحة؟ فإن العواقب حقيقية.
فالمتقاعد الذي يبلّغ بالخطأ عن إجمالي دخل معدّل أقل قد يواجه رسوم Medicare IRMAA الإضافية غير المتوقعة. والمقترض المشترك في خطة سداد قروض الطلاب المرتبطة بالدخل قد يفقد أهليته لدفعات أقل. ودافع الضرائب في ولاية مثل أريزونا، التي تربط ضريبة الدخل فيها بإجمالي الدخل المعدّل الفيدرالي، قد يواجه تدقيقًا من الولاية. لقد كتبت عن السلسلة الكاملة للعواقب المالية في النسخة التفاعلية من بحثنا — فالآثار المتتالية أسوأ مما يفترضه معظم الناس.
لماذا لم يحل RAG هذه المشكلة؟
يمكنني بالفعل سماع هذا الاعتراض: "فقط استخدم RAG. استرجع النص التشريعي الفعلي، وحُلت المشكلة."
لقد حاولنا. ولم يحلها.
التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation) — وهي التقنية التي تُغذّي بها المستندات ذات الصلة في نافذة سياق النموذج جنبًا إلى جنب مع سؤال المستخدم — هي إجابة الصناعة الحالية على الهلوسات. وفي العديد من حالات الاستخدام، تفيد هذه التقنية. ولكن بالنسبة للاستدلال القانوني، فإن لديها ثلاثة نقاط ضعف بنيوية ظهرت على الفور في اختباراتنا.
أولًا، لا تُقرأ التشريعات الضريبية مثل الروايات. فقانون OBBBA لا يقول "هذا خصم تحت الخط". بل يقول "يُعدل القسم 163(h) بإدراج الفقرة الجديدة التالية بعد الفقرة (3)...". يتعين على النموذج إعادة بناء الحالة المنطقية لقانون الضرائب من سلسلة من التعديلات. وعندما يقول الجزء المسترجع "يُسمح بالخصم" ولكنه لا يذكر صراحة موضعه في مسار الحساب، يملأ النموذج الفجوة بانحياز تدريبه — أي منشورات المدونات.
ثانيًا، يعثر البحث المتجهي على ما هو مشابه، وليس على ما هو ذو صلة بحكم الإغفال. فالاستعلام عن خصومات قروض السيارات يسترجع فقرات عن خصومات قروض السيارات. ولا يسترجع الفقرة في Section 62 التي تعرّف إجمالي الدخل المعدّل (AGI) — لأن تلك الفقرة لا تذكر قروض السيارات. بل هي ببساطة تستبعدها بعدم إدراجها في القائمة. وفي القانون، غياب شيء من القائمة له دلالة قانونية. أما في البحث المتجهي بالتشابه، فالغياب غير مرئي.
ثالثًا — وهذا هو الأمر الذي يحرمني من النوم — يحل RAG مشكلة الاسترجاع، وليس مشكلة الاستدلال. يمكنك وضع النص التشريعي الصحيح أمام النموذج، وسيظل يفسره بشكل خاطئ إذا كانت أوزانه الداخلية منحرفة بملايين من أمثلة التدريب الخاطئة. ويصبح بمثابة قارئ متحيز، يرى ما يتوقع رؤيته بدلًا مما يقوله النص الفعلي.
يضع RAG المستند الصحيح أمام الذكاء الاصطناعي. لكن القارئ المتحيز ومعه الكتاب الصحيح لا يزال يصل إلى النتيجة الخاطئة.
بعد أسابيع من اختبار استراتيجيات استرجاع مختلفة وأحجام مقاطع وتكوينات توجيه متباينة، خاض فريقي نقاشًا أوضح كل شيء. أراد أحد مهندسينا الاستمرار في تحسين مسار RAG — تضمينات أفضل، وتقطيع أكثر دقة، وتوجيهات صريحة بـ "استخدام النص المسترجع فقط". فنظرت إليه مستشارتنا القانونية وقالت: "أنت تحاول صنع نظارات أفضل لشخص لا يعرف كيف يجري العمليات الحسابية". وكانت محقة. لم تكن المشكلة فيما يستطيع النموذج رؤيته. بل كانت المشكلة فيما يستطيع النموذج الاستدلال بشأنه.
ماذا يحدث عندما يقرأ الذكاء الاصطناعي القانون بشكل خاطئ؟
تتضمن حالة قانون OBBBA أيضًا قواعد الإلغاء التدريجي (phase-out) التي تفاقم المشكلة. الخصم محدد بسقف قدره 10,000 دولار سنويًا ويُخفض بمقدار 200 دولار لكل 1,000 دولار يتجاوز بها دخل دافع الضرائب 100,000 دولار (لمقدمي الإقرارات الفردية) أو 200,000 دولار (لمقدمي الإقرارات المشتركة). وعند 150,000 دولار أو 250,000 دولار على التوالي، يتلاشى الخصم تمامًا.
عندما اختبرنا ذلك مع دافع ضرائب افتراضي يكسب 125,000 دولار، عانت النماذج. وتجاهل بعضها الإلغاء التدريجي تمامًا. بينما طبق البعض الآخر منحنى تخفيض مستعارًا من الائتمان الضريبي للأطفال (Child Tax Credit) — وهو حكم مختلف تمامًا بحسابات رياضية مغايرة. كانت النماذج تطابق الأنماط مع هياكل مألوفة بدلًا من حساب القاعدة الفعلية.
هذه هي مشكلة "الهلوسة الحسابية" المتراكبة فوق خطأ الإجماع. فالنموذج لا يخطئ في الإطار القانوني فحسب — بل يخطئ في الحسابات الرياضية أيضًا. وحين تضغط هذه النماذج للنشر الفعال عبر التكميم (quantization)، تتدهور قدرات الاستدلال بشكل أسرع من القدرات اللغوية. فيبدو النموذج أكثر ثقة بينما يصبح أقل دقة. وهذا مزيج خطير في أي مجال. أما في الامتثال الضريبي، فهو التزام قانوني ينطوي على مسؤولية جسيمة.
وهناك بُعد آخر يغفله معظم الناس تمامًا. لقد أنشأ قانون OBBBA أيضًا Section 6050AA، الذي يفرض متطلبات إبلاغ جديدة على المقرضين. إذ يتعين على أي شركة تتلقى 600 دولار أو أكثر كفوائد على قرض مركبة مؤهلة تقديم إقرار معلوماتي إلى مصلحة الضرائب الأمريكية (IRS). وحين سألنا النماذج عما يتعين على البنوك والاتحادات الائتمانية فعله بشأن القانون الجديد، ركزت بشكل شبه حصري على خصم المقترض — لأن هذا ما كتبت عنه منظومة المحتوى. ولم تكد التزامات الامتثال الخاصة بالمقرض تُذكر. وبالنسبة لشركة تكنولوجيا مالية تستخدم الذكاء الاصطناعي لتلخيص التغييرات التنظيمية، فإن هذا الإغفال قد يعني عدم امتثال منهجي وغرامات بموجب IRC Sections 6721 and 6722.
المعمارية التي تعمل بالفعل
بعد إخفاق خصم قرض السيارة، أمضيت شهرًا وأنا مقتنع بأن النهج الكامل لاستخدام النماذج اللغوية في الامتثال كان معيبًا بشكل جذري. ثم بنينا شيئًا غير رأيي — ليس بشأن النماذج اللغوية الكبيرة ذاتها، بل بشأن كيفية استخدامها.
وكانت الرؤية بسيطة بمجرد أن أدركناها: توقف عن مطالبة الذكاء الاصطناعي بالاستدلال في القانون. دعه يفعل ما يجيده — فهم اللغة — وسلّم الاستدلال لشيء قادر بالفعل على معالجة المنطق.
هذه هي الفكرة الأساسية وراء الذكاء الاصطناعي العصبي-الرمزي (Neuro-Symbolic AI): بنية هجينة تجمع بين الطلاقة اللغوية للشبكات العصبية والصرامة الحتمية لأنظمة المنطق الرمزي. لقد بنينا ما نطلق عليه محرك الضرائب الحتمي (Deterministic Tax Engine)، وهو يعمل في ثلاث مراحل.
المرحلة الأولى هي محلل القصد. هذا هو المكان الذي يعيش فيه النموذج اللغوي الكبير، ليفعل ما تبرع فيه النماذج اللغوية. يرفع المستخدم فاتورة، أو يكتب سؤالًا، أو يربط موجزًا مصرفيًا. فتستخرج الطبقة العصبية كيانات منظمة: نوع المركبة، تاريخ الشراء، مبلغ القرض، موقع التجميع، دخل دافع الضرائب. ولا تقرر أي شيء بشأن المعاملة الضريبية. إنها فقط تترجم الواقع البشري الفوضوي إلى بيانات نظيفة.
المرحلة الثانية هي مرساة الحقيقة. هنا تتولى الطبقة الرمزية زمام الأمور. نحن نرمز قانون الضرائب — ليس كنص يُقرأ، بل كمنطق قابل للتنفيذ باستخدام لغات متخصصة مثل Catala (التي طوّرها معهد INRIA لإدارة الضرائب الحكومية الفرنسية) وPROLEG (نظام استدلال قانوني قائم على Prolog). يصبح النص القانوني برنامجًا. وتستعلم مرساة الحقيقة عن الرسم البياني المعرفي (Knowledge Graph)، وتطبق القواعد المرمزة، وتتحقق من الحقائق الناقصة، وتحسب النتيجة الحتمية. فإذا جُمعت المركبة في المكسيك، يُرفض الخصم. وإذا تجاوز الدخل عتبة الإلغاء التدريجي، يُحسب التخفيض بدقة السنت. بلا احتمالات. وبلا تخمين.
المرحلة الثالثة هي مولّد الاستجابة. وهي طبقة عصبية أخرى، لكنها مقيدة. تتلقى مخرجات محلل المنطق — "الخصم: مرفوض. السبب: تجاوز الإلغاء التدريجي عند مستوى دخل 135,000 دولار" — وتترجمها إلى لغة بشرية واضحة وقابلة للقراءة. فالنموذج اللغوي الكبير يجعل الإجابة قابلة للقراءة. ولديه صفر من الحرية لجعل الإجابة مختلفة.
نحن لا نطلب من الذكاء الاصطناعي تخمين القانون. نحن نعلمه أن يحسب القانون. فالطبقة العصبية تتولى اللغة. والطبقة الرمزية تتولى الحقيقة. ولا تحاول أي منهما القيام بعمل الأخرى.
هذا الفصل هو ما يقضي على خطأ الإجماع. قد "تعرف" الطبقة العصبية من تدريبها أن المواقع المالية الشهيرة تقول إن فائدة قروض السيارات تخفض إجمالي الدخل المعدّل (AGI). لكن لا يُطلب منها أبدًا اتخاذ هذا القرار. يُطلب منها فقط استخراج تفاصيل المركبة. فالقرار يعيش في الطبقة الرمزية، التي لا تملك أي وصول إلى Reddit — بل فقط إلى النص التشريعي المرمز.
وللاطلاع على المعمارية التقنية الكاملة والتحليل الرسمي، بما في ذلك كيفية تعامل Catala مع منطق الاستثناءات الافتراضية وكيف يتحقق Answer Set Programming من الاتساق عبر إقرار ضريبي كامل، نشرنا ورقة بحثية مفصلة.
لماذا يهم هذا الأمر بما يتجاوز خصمًا ضريبيًا واحدًا؟
سأكون صادقًا بشأن أمر ما. عندما بدأت لأول مرة في شرح خطأ الإجماع للناس، كانت الاستجابة الأكثر شيوعًا هي: "حسنًا، ولكن هذه حالة حافة واحدة. في معظم الأوقات، يصيب الذكاء الاصطناعي الهدف."
هذا الرد يسيء فهم طبيعة المشكلة. فخصم قرض السيارة في قانون OBBBA ليس حالة خاصة. إنه نموذجي. ففي كل مرة يقر فيها الكونغرس حكمًا جديدًا، تولّد منظومة المحتوى آلاف التفسيرات المبسطة والخاطئة أحيانًا قبل أن تصدر مصلحة الضرائب (IRS) توجيهاتها حتى. وفي كل مرة تفصل فيها ولاية معاملتها الضريبية عن المعاملة الفيدرالية، يتأخر الإنترنت عن مواكبة ذلك. وفي كل مرة يغير فيها حكم قضائي تفسير نص قانوني قائم، يستمر التفسير القديم في بيانات التدريب لسنوات.
خطأ الإجماع ليس حالة حافة نادرة. بل هو الحالة الافتراضية لأي مجال من مجالات القانون المعقدة أو الحديثة التغيير أو التي يسيء فهمها الكتّاب غير المتخصصين. وهذا ينطبق على: معظم قوانين الضرائب.
والدلالة الأوسع تتعلق بما نتوقعه من الذكاء الاصطناعي في المجالات عالية المخاطر. النموذج الحالي — منح النموذج اللغوي مزيدًا من السياق، ومطالبات أفضل، ونوافذ أكبر — هو تحسين تدريجي على بنية غير متوافقة جوهريًا. أنت تطلب من محرك مطابقة الأنماط القيام باستدلال رسمي. وفي بعض الأحيان يحالفه الحظ. وفي الامتثال الضريبي، مصطلح "أحيانًا" ليس جيدًا بما فيه الكفاية.
من الصندوق الأسود إلى الصندوق الزجاجي
وهناك أمر إضافي بالغ الأهمية لكل من جلس في أي وقت في مواجهة مدقق ضرائب: قابلية التتبع.
عندما يخبر نموذج لغوي قياسي دافع الضرائب "نعم، يمكنك خصم ذلك"، ثم تختلف مصلحة الضرائب الأمريكية (IRS) لاحقًا، فما هو مسار التدقيق؟ لقد توقع النموذج أن "نعم" هي الرمز التالي الأكثر احتمالًا بالنظر إلى السياق. وهذه ليست إجابة يمكنك تقديمها لموظف تحصيل الضرائب.
في محركنا العصبي-الرمزي، ينتج عن كل قرار مسار رسم بياني:
Deduction_Allowed = True لأن Loan_Date يقع ضمن نافذة 2025–2028 (تم التحقق)، وVehicle_Type هو Passenger (تم التحقق)، وAssembly_Location هو US (تم التحقق)، وIncome أقل من عتبة الإلغاء التدريجي (تم التحقق)، وRule_Reference هو IRC § 163(h)(4).
كل عقدة في تلك السلسلة قابلة للتدقيق. ويمكن تتبع كل حقيقة إلى وثيقة مصدرية. ويمكن تتبع كل قاعدة إلى قسم محدد من قانون الضرائب. وإذا تغير شيء ما — حكم جديد من مصلحة الضرائب، أو حكم معدل — فإنك تقوم بتحديث الرسم البياني المعرفي ومحلل المنطق، ويتم تمييز كل قرار متأثر تلقائيًا للمراجعة.
هذا يحوّل الذكاء الاصطناعي من شيء عليك أن تثق به بناءً على الإيمان إلى شيء يمكنك التحقق منه عند الطلب. يسألني الناس دائمًا عما إذا كان هذا النهج أبطأ أو أكثر تكلفة من مجرد استخدام نموذج لغوي كبير. الإجابة الصادقة: الترميز الأولي للنص التشريعي يتطلب عملًا حقيقيًا. ولكن بمجرد ترميزه، فإن تشغيل القرار يكون فوريًا تقريبًا، وتقترب تكلفة فحص 100% من المعاملات من تكلفة فحص 1%. وهذا ليس تحسنًا هامشيًا على عمليات التدقيق التقليدية القائمة على أخذ العينات. بل هو فئة مختلفة تمامًا من الضمان.
السؤال الذي لم يطرحه أحد بعد
إليك أكثر ما يزعجني. يتسابق قطاع الخدمات المالية لنشر مساعدي الذكاء الاصطناعي، ومعدّي الضرائب بالذكاء الاصطناعي، ومراقبي الامتثال بالذكاء الاصطناعي. تقول المواد التسويقية "مدعوم بالذكاء الاصطناعي". وتقول الملاحظات الدقيقة "ليست نصيحة ضريبية". وفي المنتصف، يحصل ملايين الأشخاص على إجابات تبدو موثوقة، وتستشهد بتشريعات حقيقية، وتشير إلى تواريخ ومبالغ فعلية بالدولار — وتضع الخصم في القسم الخاطئ من قانون الضرائب.
فنحن لسنا في عالم يكون فيه الذكاء الاصطناعي مخطئًا بشكل واضح يستطيع البشر ملاحظته بسهولة. نحن في عالم يخطئ فيه الذكاء الاصطناعي بشكل خفي وبطرق تتطلب خبرة تخصصية عميقة لاكتشافها. وذلك أخطر من الفشل الواضح، لأنه يقوّض غريزة التحقق والتدقيق.
السؤال ليس ما إذا كان ينبغي استخدام الذكاء الاصطناعي في الامتثال الضريبي. ينبغي استخدامه بالتأكيد — فقد تجاوز تعقيد القانون قدرة البشر على تطبيقه بشكل متسق. السؤال هو ما إذا كنا على استعداد لبناء أنظمة ذكاء اصطناعي تحترم طبيعة المجال الذي تعمل فيه. فقانون الضرائب حتمي. وله إجابات صحيحة وإجابات خاطئة، يحددها النص التشريعي، وليس الرأي الشائع. والبنية التي تعامل الحقيقة القانونية كتوزيع احتمالي ستكون دائمًا عرضة لخطأ الإجماع، بغض النظر عن حجم النموذج أو مدى ذكاء المطالبة التوجيهية.
في قانون الضرائب، لا تعد الشعبية بديلًا للحقيقة. والإجابة المكررة عشرة آلاف مرة على الإنترنت ليست أكثر صحة من النص التشريعي الذي يناقضها مرة واحدة.
لقد بنينا Veriprajna لأنني أعتقد أن عصر "ثق، ولكن تحقق" قد انتهى بالفعل بالنسبة للذكاء الاصطناعي في الامتثال. والأنظمة التي تكتسب ثقة المؤسسات ستكون تلك التي تتحقق أولًا وتتحدث ثانيًا — تلك التي يكون فيها المنطق قابلًا للتدقيق، والرياضيات حتمية، وثقة الذكاء الاصطناعي مدعومة بشيء أكثر متانة من احتمالية الرموز.
النص التشريعي لا يكترث بما يعتقده الإنترنت. ولا ينبغي للذكاء الاصطناعي الخاص بك أن يفعل ذلك أيضًا.
