To Use AI as Dice of Possibilities with Timing Computation

ملخص تقني: استخدام الذكاء الاصطنافي كـ "نرد الاحتمالات" مع حساب التوقيت

بيان المشكلة
تجادل الورقة البحثية بأن النموذج السائد القائم على "الأسماء" في الذكاء الاصطناعي — والذي تمثله النماذج اللغوية الكبيرة (LLMs) ومناهج تعلم الآلة القياسية — يقيد بشكل جوهري تمثيل المستقبل. في هذا النموذج، تتعامل النماذج مع الأشياء ككيانات مستقرة ومحددة جيدًا (رموز، سمات، نقاط بيانات) وتتعامل مع العلاقات كخرائط وظيفية ($f(x)=y$). وبينما يعد هذا النهج فعالًا للتنبؤ بالنتائج، فإنه يفشل في تمثيل المستقبل كبُعد زمني مفتوح. فهو يعتمد على التكهن بشأن المتغيرات التي يجب تضمينها، وغالبًا ما يستبدل السببية بالارتباطات الكثيفة. علاوة على ذلك، فإن أساليب الاستدلال السببي الحالية، رغم استخدامها للواقعات المضادة (counterfactuals)، لا تزال تعمل تحت افتراض أن المتغيرات ذات الصلة مغلقة ومنتهية ومحددة مسبقًا بشكل استقصائي. وبناءً على ذلك، لا تستطيع النماذج الحالية تمثيل "المستقبلات القابلة للاختيار" بشكل كافٍ أو إجراء استدلال حقيقي حول الواقعات المضادة فيما يتعلق بـ متى قد تقع الأحداث، لأنها تعامل التوقيت كمدخل ثابت مرصود وليس كمتغير قابل للحساب.

المنهجية: نموذج "الأفعال"
يقترح المؤلفون نموذجًا قائمًا على "الأفعال" حيث ينتقل هدف النمذجة من مستقبل واحد محدد إلى فضاء كامل من المستقبلات الممكنة. الابتكار الجوهري هو حساب التوقيت (Timing Computation)، والمعرّف بأنه القدرة على معاملة الوقت ليس مجرد ميزة زمنية قابلة للتعلم، بل كبُعد قابل للحساب مشتق من المنطق الداخلي للنموذج.

تشمل المكونات المنهجية الرئيسية ما يلي:

• متغيرات الاحتمالية: يعيد المؤلفون تعريف المتغيرات من $X \in \mathbb{R}^n$ إلى متغيرات احتمالية $X = (X, t) \in \mathbb{R}^{n+1}$، حيث $t$ هو بُعد توقيت قابل للحساب.
• التوقيت القابل للتعلم مقابل التوقيت القابل للحساب: تميز الورقة بين "التوقيت القابل للتعلم" (استخراج المعلومات الزمنية من الحقيقة الأرضية) و"التوقيت القابل للحساب" (التنبؤ بتوزيعات التوقيت). تفتقر الأساليب الحالية إلى النوع الأخير لأنها تفتقر إلى تعريف رسمي لـ توزيع التوقيت المحتمل.
• تنفيذ الشبكة العصبية: يستخدم الإطار الشبكات العصبية المدربة عبر الانتشار العكسي (backpropagation). وخلافًا للنمذجة الأمامية حيث تكون $f(x)=y$ محددة مسبقًا، يقوم هذا النهج بالاستدلال عكسيًا من نتيجة محددة ($y$) لاستعادة الأهمية التاريخية للأحداث الماضية ($x$).
• الخط الزمني الافتراضي ($\tau$): يبني النموذج فضاءً زمنيًا كامنًا حيث تُعامل الطوابع الزمنية للمدخلات كحقيقة أرضية، ولكن يتم تعريف توقيت نسبي افتراضي $\tau(t)$ بواسطة معاملات قابلة للتدريب. يسمح هذا للنموذج بتوليد تجليات متعددة ومستقلة لنفس الحدث، مما يخلق توزيعًا للتوقيتات المحتملة بدلاً من تقدير نقطي واحد.
• انتباه التوقيت (Timing Attention): يتم قياس تركيز توزيع التوقيت عبر مجموعة المرضى عبر "التفرطح" (kurtosis) (المسمى "انتباه التوقيت"). الأحداث ذات انتباه التوقيت الأعلى تظهر توزيعات أكثر تركيزًا، مما يشير إلى أهمية زمنية أكبر.

المساهمات الرئيسية

1. الإطار النظري: تقدم الورقة أنطولوجيا قائمة على الأفعال حيث تمثل "الأفعال" (الأفعال/الاختيارات) احتمالات مفتوحة النهاية، ويكون "التوقيت" متغيرًا قابلًا للحساب وضروريًا للاستدلال السببي. وهي تفترض أن الذكاء الاصطناعي يجب أن يعمل كـ "نرد للاحتمالات" — أي دحر فضاء المستقبلات المفتوحة لتظهر أمامنا — وليس كعراف يقدم إجابات ثابتة.
2. التعريف الرسمي لحساب التوقيت: يقدم المؤلفون أول تعريف رسمي لحساب التوقيت في سياق الشبكة العصبية، مع تمييزه عن تحليل البقاء القياسي أو التنبؤ بالسلاسل الزمنية.
3. الاكتشاف القائم على البيانات دون معرفة مسبقة: يوضح الإطار أنه يمكن تحقيق مسارات سريرية هامة واستنتاجات توقيت واقعية مضادة من خلال طرق تعتمد على البيانات فقط، دون الحاجة إلى معرفة مسبقة بالمجال أو مجموعات متغيرات محددة مسبقًا.

النتائج
طُبق الإطار على بيانات السجلات الصحية الإلكترونية (EHR) الطولية لـ 3,276 مريضة بسرطان الثدي للتنبؤ بتوقيت ظهور أمراض القلب الناجمة عن السمية القلبية. سجلت الدراسة عرضين تجريبيين رئيسيين:

1. الاكتشاف التلقائي لمسارات المرضى:

   • حدد النموذج تلقائيًا مسارات المرضى ذات الأهمية السريرية دون قواعد محددة مسبقًا.
   • انتباه التوقيت ($\kappa$): أظهرت الأحداث ذات أحجام المجموعات الأكبر باستمرار انتباه توقيت أعلى.
   • تقارب المسارات: حدد النموذج أن المسارات الوسيطة المختلفة يمكن أن تندمج عند حدث نهائي مشترك (مثل العلاج الإشعاعي الثاني)، مما يشير إلى أهمية زمنية متكافئة.
     واكتشف النموذج نقاط تحول حرجة (مثل إعطاء مدرات البول) حيث بلغت معدلات الإيجابية للسمية القلبية ذروتها ثم انخفضت، مما يتناقض مع الاتجاهات الرتيبة في المسارات الأخرى.
   • الكفاءة: قام النهج بتقييم الأحداث بشكل متزامن دون قيود ترتيب منطقي، متجنبًا التعقيد الأسي للبحث في طرق القواعد الترابطية التقليدية.

2. استنتاج التوقيت الواقعي المضاد (Counterfactual Timing Deduction):

   • أجرى النموذج استدلالًا واقعيًا مضادًا بافتراض أن المرضى الإيجابيين (أولئك الذين أصيبوا بالسمية القلبية) ظلوا سلبيين.
   • تحولات التوقيت: أظهرت التوزيعات الناتجة أنه بالنسبة لنصف المجموعة تقريبًا، تحول التوقيت النسبي للعلاج المستهدف الثالث (Target_3) بشكل ملحوظ نحو قيم أكبر تحت الافتراض الواقعي المضاد.
   • الآثار السريرية: يشير هذا إلى أن تأجيل أو إلغاء العلاج المستهدف الثالث يمكن أن يقلل بشكل كبير من خطر ظهور السمية القلبية لهؤلاء المرضى تحديدًا.

الأهمية والادعاءات
تزعم الورقة أن هذه النتائج تمثل أولى هذه العروض في أدبيات تعلم الآلة لكل من اكتشاف المسارات التلقائي واستنتاج التوقيت الواقعي المضاد باستخدام طرق تعتمد على البيانات فقط.

يجادل المؤلفون بأن هذا العمل يعالج فجوة أساسية بين "قواعد التفكير" (وهي موجهة نحو المستقبل وموجهة نحو الاختيار) ونماذج النمذجة الحالية. ومن خلال معاملة "الواقعة" (المحتوى المفاهيمي لسيناريو سببي) كوحدة أولية داخل فضاء الاحتمالات، فإن نموذج الأفعال:

• يحل مشكلة الارتباك المتأصلة في الاستدلال القائم على الأسماء من خلال استيعاب البنية السببية المتبقية في فضاء احتمالات مفتوح بدلاً من نسبتها خطأً إلى المتغيرات المرصودة.
• يوفر أساسًا لفئة جديدة من النماذج التوليدية ("نماذج العالم") التي تتوافق بنيويًا مع الهياكل المفاهيمية البشرية، متجاوزةً مجرد الارتباطات الإحصائية للرموز في النماذج اللغوية الكبيرة الحالية.

توجه الورقة القراء صراحةً إلى ورقة تقنية مصاحبة (Li et al., 2026) للحصول على تفاصيل التنفيذ، مؤكدة أن العمل الحالي يضع الضرورة المفاهيمية والتجريبية للتحول من النمذجة القائمة على الأسماء إلى النمذجة القائمة على الأفعال.