Causality as the Statistical Conscience of Artificial Intelligence: From Pearl's Ladder to Trustworthy Machines

ملخص تقني: السببية بوصفها الضمير الإحصائي للذكاء الاصطناعي

بيان المشكلة
تحقق أنظمة الذكاء الاصطناعي الحديثة، بما في ذلك النماذج اللغوية الكبيرة (LLMs) وبنى الرؤية الحاسوبية، أداءً تنبؤياً لافتاً من خلال تحسين دوال المخاطر الإحصائية عبر مجموعات بيانات تدريبية هائلة. ومع ذلك، تعاني هذه الأنظمة من هشاشة هيكلية جوهرية: فهي تعمل على تحسين التوزيع الارتباطي $P(Y|X)$ بدلاً من التوزيع التدخلي $P(Y|\text{do}(X))$. ونتيجة لذلك، تعتمد نماذج الذكاء الاصطناٍعي غالباً على ارتباطات زائفة (مثل العلامات المائية للمستشفيات في صور الأشعة السينية أو أسماء علم محددة في تحليل المشاعر) بدلاً من الآليات السببية. يؤدي هذا "العمى السببي" إلى ثلاثة أنماط حرجة للفشل:

1. الهلوسة (Hallucination): توليد ادعاءات واثقة ولكنها غير صحيحة واقعياً بناءً على التكرار الإحصائي بدلاً من الحقيقة الهيكلية.
2. اختراق المكافأة (Reward Hacking): في التعلم التعزيزي من التغذية الراجعة البشرية (RLHF)، تستغل النماذج السمات السطحية (مثل طول الاستجابة) التي ترتبط بالتفضيلات البشرية ولكنها لا تسببها.
3. انزياح التوزيع (Distribution Shift): التدهور الكارثي في الأداء عند النشر في بيئات تختلف عن توزيع التدريب، حيث لا تصمد الارتباطات الزائفة.

تجادل الورقة بأن هذه ليست أخطاء برمجية، بل هي نتائج حتمية لنموذج تعلم مقتصر على المستوى الأول (الارتباط) من تسلسل بيرل الهرمي للسببية، والذي يفتقر إلى الافتراضات الهيكلية اللازمة للاستدلال من المستوى الثاني (التدخل) والمستوى الثالث (الواقع المضاد).

المنهجية والإطار النظري
تقترح الورقة إطاراً إحصائياً موحداً يعامل الاستدلال السببي ليس كإضافة، بل كـ "ضمير إحصائي" تأسيسي للذكاء الاصطناعي. وهي تدمج أربع منهجيات معيارية في عائلة واحدة من المقدرات الإحصائية السببية (CSE)، والتي تتميز بافتراضات التحديد الخاصة بها:

• التعديل عبر الباب الخلفي (Backdoor Adjustment): يصحح المتغيرات المربكة باستخدام المتغيرات الملاحظة.
• المتغيرات الأداة (Instrumental Variables - IV): يعالج الارتباك غير الملاحظ عبر أدوات خارجية.
• التعلم الآلي المزدوج (Double Machine Learning - DML): يستخدم تعامد نيمان لتقدير الآثار السببية في البيئات عالية الأبعاد مع تقدير مرن للمعلمات المزعجة.
• تقليل المخاطر الثابت (Invariant Risk Minimization - IRM): يتعلم تمثيلات تكون مثالية عبر بيئات متعددة، مما يعزل السمات السببية عن السمات الزائفة.

تستند المنهجية إلى ثلاثة مساهمات نظرية رئيسية:

1. نظرية الضرورة الإحصائية للتعميم السببي (النظرية 2.1):
   تُصيغ الورقة الحدس القائل بأن التعميم خارج التوزيع (OOD) مستحيل بدون بنية سببية. وتثبت أن أي متنبئ يعتمد على سمات زائفة ($H$) سيفشل في ظل تحولات البيئة حيث تتغير العلاقة بين $H$ والهدف $Y$. وعلى العكس من ذلك، فإن المتنبئ الذي يستخدم فقط السمات السببية الثابتة ($C$) يحقق المثالية البايزية الموحدة عبر جميع البيئات. وهذا يثبت أن تقليل المخاطر التجريبي (ERM) غير كافٍ للتعميم خارج التوزيع ما لم تكن بيئة التدريب خالية من الارتباطات الزائفة.

2. توحيد المقدرات السببية:
   توضح الورقة أن حسابات "do" لبيرل، ونتائج الاحتمالات المحتملة لروبن، والتعلم الآلي المزدوج (DML)، وتقليل المخاطر الثابت (IRM)، هي جميعها تخصصات للمشكلة العامة لتحديد التوزيعات التدخلية من البيانات الملاحظة. وتقدم الورقة خريطة رسمية لكيفية تعديل كل طريقة للارتباك تحت افتراضات هيكلية محددة (على سبيل المثال، DML للمعلمات المزعجة عالية الأبعاد، وIRM للبيئات غير المتجانسة).

3. التشخيص السببي ومعالجة إخفاقات الذكاء الاصطناائي:
   تربط الورقة أنماط فشل الذكاء الاصطناعي المحددة بالإخفاقات السببية وتقترح علاجات إحصائية:

• الهلوسة: تُشخص كفشل في التمييز بين الارتباطات الهيكلية والزائفة في مجموعة بيانات التدريب. العلاج: نمذجة المكافأة السببية باستخدام التعديل عبر الباب الخلفي لفرض الثبات في الواقع المضاد.
• اختراق المكافأة: يُشخص كاستغلال للوسطاء الزائفين (مثل الطول) في دالة المكافأة. العلاج: استخدام نهج المتغيرات الأداة أو التعلم الآلي المزدوج (DML) لعزل الأثر السببي الحقيقي لجودة المحتوى على التفضيل.
• انزياح التوزيع: يُشخص كالاعتماد على السمات غير الثابتة. العلاج: استخدام تقليل المخاطر الثابت (IRM) لفرض المثالية الثابتة عبر بيئات التدريب.

النتائج والتجارب التطبيقية
تتحقق الورقة من ادعاءاتها النظرية من خلال أربع تجارب اصطناعية تم تنفيذها باستخدام مكتبة NumPy الصرفة، متجنبة النماذج المدربة مسبقاً لعزل الآليات الإحصائية:

• التوضيح 1 (تحول البيئة): في نموذج سببي هيكلي (SCM) حيث تنقلب إشارة سمة زائفة بين البيئات، يعاني نظام ERM القياسي من زيادة كارثية بمقدار 18 ضعفاً في متوسط مربع الخطأ (MSE) عند التحول. بينما يحافظ المتنبئ السببي (باستخدام التعديل عبر الباب الخلفي) على نسبة تدهور تبلغ ~1.06، مما يؤكد النظرية 2.1.
• التوضيح 2 (كارثة الارتباط الزائف): في مهمة شبيهة بـ ColoredMNIST، مع زيادة قوة الارتباط الزائف ($p$)، تقترب دقة تدريب ERM من 99% بينما تنهار الدقة خارج التوزيع (OOD) إلى مستوى يقارب العشوائية (14%). ويظل المتنبئ السببي ثابتاً (~85% دقة) بغض النظر عن قيمة $p$.
• التوضيح 3 (DML مقابل OLS): في نموذج خطي جزئي مع متغيرات مربكة عالية الأبعاد، يظهر نموذج OLS الساذج انحيازاً مستمراً (~0.31) وتغطية بنسبة 0% لفترات الثقة. بينما يحقق DML اتساقاً من رتبة جذر-$n$، وانحيازاً يقترب من الصفر، وتغطية اسمية بنسبة 95%، مما يثبت صحة النظرية 3.1.
• التوضلاح 4 (اختراق المكافأة): في سيناريو RLHF محاكى، يخصص نموذج مكافأة قياسي وزناً موجباً زائفا (~0.53) لطول الاستجابة. أما نموذج المكافأة السببي (عبر DML) فيحدد بشكل صحيح وزناً قدره صفر، مما يجعل المكافأة ثابتة تجاه تضخم الطول ويمنع الاستغلال.

الأهمية والادعاءات
تؤكد الورقة أن بناء ذكاء اصطناعي جدير بالثقة هو، في جوهره الرياضي، مسألة إحصاء سببي. وتجادل بأن المجتمع الإحصائي يمتلك الأدوات التأسيسية اللاية (حسابات do، النتائج المحتملة، نظرية الكفاءة شبه المعلمية) لمعالجة "فخ الارتباط".

وتشمل الادعاءات الرئيسية ما يلي:

• الضرورة: التأسيس السببي ليس اختيارياً للذكاء الحقيقي؛ بل هو ضرورة رياضية للتعميم خارج التوزيع (OOD).
• التوحيد: تشكل الطرق المتباينة للاستدلال السببي عائلة متماسكة من المقدرات القابلة للتطبيق على إخفاقات الذكاء الاصطناعي.
• العلاج: إن أكثر إخفاقات الذكاء الاصطناًعي إلحاحاً (الهلوسة، اختراق المكافأة، انزياح التوزيع) هي بالضبط إخفاقات سببية لها حلول إحصائية مبدئية.
• دور الإحصاء: تخلص الورقة إلى أن المجتمع الإحصائي يجب أن ينتقل من دور المتفرج إلى دور المهندس، عبر توفير الانضباط الاستدلالي والصرامة الهيكلية المطلوبة للانتقال من آلات ارتباط قوية ولكن هشة إلى أنظمة موثوقة ومؤسسة على السببية.

لا تدعي الورقة أن زيادة حجم الحوسبة أو البيانات ستحل هذه المشكلات؛ بل تفترض أن التغييرات الهيكلية في هدف التعلم، المدفوعة بالنظرية السببية، هي المسار الوحيد الممكن.