🤖 AI

To Use AI as Dice of Possibilities with Timing Computation

Dieser Artikel schlägt ein neuartiges verbbasiertes KI-Paradigma vor, das auf „zeitlicher Berechnung" und „Möglichkeit" basiert, um die Grenzen der substanzbasierten Modellierung zu überwinden, und belegt seine Wirksamkeit durch die datengestützte Entdeckung von Patient*innenverläufen und kontrafaktischen zeitlichen Schlussfolgerungen in elektronischen Gesundheitsakten von Brustkrebspatient*innen, ohne dass vorheriges Domänenwissen erforderlich ist.

Ursprüngliche Autoren: Jia Li, Vipin Kumar, Rui Zhang

Veröffentlicht 2026-05-06

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jia Li, Vipin Kumar, Rui Zhang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Kernproblem: Die „Substantiv"-Falle

Stellen Sie sich vor, Sie versuchen, einen Film zu beschreiben. Die derzeitige Funktionsweise von KI gleicht einem Wörterbuch. Sie betrachtet jeden Charakter, jedes Requisit und jede Kulisse als statisches „Substantiv" (eine Person, ein Auto, ein Krankenhaus). Sie zählt, wie oft diese Substantive gemeinsam auftreten, und rät basierend auf Statistiken, was als Nächstes passiert.

Die Autoren argumentieren, dass dies eine schlechte Methode ist, um die Zukunft zu verstehen.

Die Analogie: Denken Sie an einen Arzt, der zwei Patienten betrachtet.
- Patient A hat nur eine Runde Chemotherapie hinter sich.
- Patient B hat drei Runden hinter sich.
- Die alte KI (substantivbasiert): Sagt: „Patient A kommt in unserer Datenbank häufiger vor, also ist der Weg von Patient A der ‚Standard'." Sie behandelt die Anzahl der Runden als festes Etikett.
- Die reale Welt (verbbasiert): Ein Arzt weiß, dass Patient A an einer Kreuzung steht. Er könnte sich schnell erholen oder bald sterben. Patient B steht ebenfalls an einer Kreuzung, aber mit anderen Risiken. Die Zukunft ist kein einzelnes Etikett; es ist ein verzweigter Pfad aus Entscheidungen und Zeitpunkten.

Das Papier argumentiert, dass die aktuelle KI feststeckt, wenn es darum geht, die „Substantive" (die Datenpunkte) zu beschreiben, aber versagt, wenn es darum geht, die „Verben" (die Handlungen, die Entscheidungen und das Wann) zu verstehen.

Die Lösung: KI als „Würfelspiel der Möglichkeiten"

Die Autoren schlagen eine neue Methode vor, KI zu bauen, die Zeit nicht als feste Uhr, sondern als berechenbare Variable behandelt.

Die Metapher: Stellen Sie sich vor, Sie würfeln mit einem Paar Würfeln.
- Alte KI: Sagt Ihnen: „Basierend auf der Geschichte ist die wahrscheinlichste Augenzahl eine 7." Sie gibt Ihnen eine feste Antwort.
- Neue KI (das „Würfelspiel der Möglichkeiten"): Anstatt Ihnen eine Antwort zu geben, würfelt sie tausende Male, um Ihnen das gesamte Spektrum möglicher Zukünfte zu zeigen. Sie sagt nicht nur „was passieren wird", sondern zeigt Ihnen „was passieren könnte, wenn wir den Zeitpunkt eines Ereignisses ändern".

Dies ermöglicht es der KI, als Werkzeug für Schlussfolgerungen zu fungieren, anstatt nur zu vorhersagen. Es hilft Ärzten zu fragen: „Wenn wir diese Behandlung um zwei Wochen verschieben, wie verändert sich dann der gesamte Zeitstrahl der Möglichkeiten?"

Wie es funktioniert: Der „Virtuelle Zeitstrahl"

Das Papier stellt einen spezifischen technischen Trick vor, der Zeitberechnung (Timing Computation) genannt wird.

Zeitlernbar vs. Zeitberechenbar:
- Aktuelle KI kann aus Zeit lernen (z. B. „Patienten werden normalerweise 3 Tage nach der Operation krank"). Dies ist lediglich das Ablesen der Uhr.
- Diese neue KI kann Zeit berechnen. Sie erstellt einen virtuellen Zeitstrahl, in dem das „Wann" eines Ereignisses eine Variable ist, die sie anpassen und testen kann.
Die „Kurtosis" (Zeit-Aufmerksamkeit):
- Die Autoren verwenden ein statistisches Maß namens „Kurtosis" (was sich zwar fancy anhört, aber einfach bedeutet „wie stark die Daten gebündelt sind").
- Die Analogie: Stellen Sie sich eine Menschenmenge vor, die auf einen Bus wartet.
  - Wenn alle genau um 8:00 Uhr ankommen, ist die Menge sehr „gebündelt". Dies ist eine hohe Zeit-Aufmerksamkeit. Es bedeutet, dass dieser Moment für alle ein kritischer, entscheidender Moment ist.
  - Wenn die Leute zufällig zwischen 7:00 und 9:00 Uhr ankommen, ist die Menge verteilt. Dies ist eine geringe Aufmerksamkeit.
- Die KI nutzt dies, um automatisch die „kritischen Momente" im Lebenslauf eines Patienten zu finden, ohne ihr zu sagen, wonach sie suchen soll.

Was sie tatsächlich getan haben (Die Ergebnisse)

Das Team testete dies an 3.276 Brustkrebspatienten unter Verwendung ihrer echten medizinischen Aufzeichnungen (EHR). Sie verwendeten keine vorbestehenden medizinischen Regeln oder menschliches Wissen, um die KI zu leiten. Die KI erkannte alles allein aus den Daten.

Sie zeigten zwei Hauptdinge:

1. Versteckte Pfade finden (Trajektorien-Entdeckung)
Die KI gruppierte Patienten automatisch in verschiedene „Geschichten" basierend auf ihrer Behandlungsgeschichte.

Beispiel: Sie fand eine Gruppe, bei der Patienten ein spezifisches Herzmedikament (Diuretika) einnahmen und ihr Risiko für Herzschäden vorübergehend anstieg, bevor es abfiel.
Warum es wichtig ist: Die KI sah ein Muster, das Menschen verpassen könnten, weil sie nicht nach einer spezifischen „Ursache" suchte. Sie sah einfach das Timing der Ereignisse und erkannte, welche am wichtigsten waren.

2. Die „Was-wäre-wenn"-Maschine (Kontextuelle Zeitberechnung)
Dies ist der mächtigste Teil. Die KI kann ein „Paralleluniversum" für einen Patienten simulieren.

Das Szenario: Ein Patient hat Diabetes, Bluthochdruck und hat gerade seine dritte Runde Chemotherapie beendet. Er hat ein hohes Risiko für Herzschäden.
Die Simulation: Die KI fragt: „Was wäre, wenn dieser Patient nicht diese dritte Runde Chemotherapie erhalten hätte?"
Das Ergebnis: Die KI berechnete einen neuen Zeitstrahl. Sie zeigte, dass bei etwa der Hälfte der Patienten das Verschieben oder Auslassen dieser spezifischen Behandlung das Risiko für Herzschäden weit in die Zukunft verschoben hätte (oder es ganz verhindert hätte).
Der Haken: Dies war keine Vermutung basierend auf einer Formel; es war eine Berechnung basierend auf dem „Möglichkeitsraum" der Daten.

Das große Ganze: Ein „Weltmodell"

Schließlich schlagen die Autoren vor, dass dies ein Schritt hin zu einem Weltmodell ist.

Aktuelle KI (wie Chatbots) ist wie eine riesige Bibliothek von Sätzen (Substantive).
Dieser neue Ansatz versucht, ein Modell davon zu bauen, wie die Welt tatsächlich funktioniert (Verben).
Sie argumentieren, dass wir, um Ursache und Wirkung wirklich zu verstehen, aufhören müssen, Ereignisse als statische Etiketten zu behandeln, und anfangen müssen, sie als dynamische Handlungen zu betrachten, die sich im Laufe der Zeit entfalten.

Zusammenfassung

Alter Weg: KI zählt Substantive und rät die wahrscheinlichste Zukunft.
Neuer Weg: KI würfelt das „Würfelspiel der Möglichkeiten", um alle potenziellen Zukünfte zu kartieren und behandelt Zeit als flexible Variable, die man manipulieren kann.
Beweis: An über 3.000 Krebspatienten fand die KI neue, kritische Behandlungsmuster und simulierte „Was-wäre-wenn"-Szenarien bezüglich der Verschiebung von Behandlungen, alles ohne zu wissen, wonach sie suchen sollte.

Hinweis: Das Papier stellt ausdrücklich fest, dass dies die ersten Demonstrationen dieser spezifischen Fähigkeiten in der Literatur des maschinellen Lernens sind. Es wird nicht behauptet, dass die KI derzeit zur Behandlung von Patienten in Krankenhäusern eingesetzt wird, sondern dass sie diese komplexen Zeitstrahlen erfolgreich in einem Forschungsumfeld modelliert hat.

Technisches Fazit: KI als Würfel der Möglichkeiten mit Zeitberechnung nutzen

Problemstellung
Die Arbeit argumentiert, dass das vorherrschende „substantivbasierte" Modellierungsparadigma in der KI – exemplarisch vertreten durch Large Language Models (LLMs) und Standardansätze des maschinellen Lernens – die Darstellung der Zukunft grundlegend einschränkt. In diesem Paradigma behandeln Modelle Objekte als stabile, wohldefinierte Entitäten (Tokens, Merkmale, Datenpunkte) und Beziehungen als funktionale Abbildungen ( $f(x)=y$ ). Obwohl dieser Ansatz für die Vorhersage von Ergebnissen effektiv ist, versagt er darin, die Zukunft als offene zeitliche Dimension darzustellen. Er stützt sich auf Spekulationen darüber, welche Variablen einzubeziehen sind, und ersetzt oft dichte Korrelationen durch Kausalität. Darüber hinaus operieren bestehende Methoden der kausalen Inferenz, obwohl sie kontrafaktische Szenarien nutzen, weiterhin unter der Annahme, dass relevante Variablen abgeschlossen und vorab vollständig spezifiziert sind. Folglich können aktuelle Modelle „wählbare Zukünfte" nicht angemessen repräsentieren oder echte kontrafaktische Schlussfolgerungen darüber treffen, wann Ereignisse eintreten könnten, da sie den Zeitpunkt als festen, beobachteten Eingabewert und nicht als berechenbare Variable behandeln.

Methodik: Das verbbasierte Paradigma
Die Autoren schlagen ein „verbbasiertes" Paradigma vor, bei dem das Modellierungsziel von einer einzelnen, determinierten Zukunft auf den vollständigen Raum möglicher Zukünfte verschoben wird. Die Kerninnovation ist die Zeitberechnung (Timing Computation), definiert als die Fähigkeit, Zeit nicht nur als lernbares Eingabemerkmal, sondern als eine aus der internen Logik des Modells abgeleitete berechenbare Dimension zu behandeln.

Zu den wesentlichen methodischen Komponenten gehören:

Möglichkeitsvariablen: Die Autoren definieren Variablen neu von $X \in \mathbb{R}^n$ zu Möglichkeitsvariablen $X = (X, t) \in \mathbb{R}^{n+1}$ , wobei $t$ eine berechenbare Zeitdimension ist.
Lernbare Zeit vs. Berechenbare Zeit: Die Arbeit unterscheidet zwischen „lernbarer Zeit" (Extraktion zeitlicher Informationen aus der Ground Truth) und „berechenbarer Zeit" (Vorhersage von Zeitverteilungen). Bestehende Methoden verfügen nicht über Letzteres, da ihnen eine formale Definition der Verteilung möglicher Zeitpunkte fehlt.
Implementierung durch neuronale Netze: Das Framework nutzt neuronale Netze, die durch Backpropagation trainiert werden. Im Gegensatz zum Vorwärtsmodellieren, bei dem $f(x)=y$ vorab spezifiziert ist, schließt dieser Ansatz rückwärts von einem bestimmten Ergebnis ( $y$ ) auf die historische Bedeutung vergangener Ereignisse ( $x$ ).
Virtueller Zeitstrahl ( $\tau$ ): Das Modell konstruiert einen latenten zeitlichen Raum, in dem Eingabezeitstempel als Ground Truth behandelt werden, ein virtueller relativer Zeitpunkt $\tau(t)$ jedoch durch trainierbare Parameter definiert wird. Dies ermöglicht dem Modell, mehrere unabhängige Instanzen desselben Ereignisses zu generieren und so eine Verteilung möglicher Zeitpunkte anstelle einer einzigen Punktschätzung zu erstellen.
Zeit-Attention: Die Konzentration der Zeitverteilung über eine Patientenkohorte hinweg wird mittels Kurtosis gemessen (als „Zeit-Attention" bezeichnet). Ereignisse mit höherer Zeit-Attention weisen konzentriertere Verteilungen auf, was auf eine größere zeitliche Signifikanz hindeutet.

Hauptbeiträge

Theoretischer Rahmen: Die Arbeit führt eine verbbasierte Ontologie ein, in der „Verben" (Handlungen/Wahlen) offene Möglichkeiten repräsentieren und „Zeit" eine berechenbare Variable ist, die für das kausale Schließen unerlässlich ist. Sie postuliert, dass KI als „Würfel der Möglichkeiten" fungieren sollte – der Raum offener Zukünfte ins Blickfeld rollend – und nicht als Orakel, das feste Antworten liefert.
Formale Definition der Zeitberechnung: Die Autoren liefern die erste formale Definition der Zeitberechnung im Kontext neuronaler Netze und unterscheiden sie von der Standard-Überlebenszeitanalyse oder der Zeitreihenvorhersage.
Datengetriebene Entdeckung ohne Vorwissen: Das Framework zeigt, dass klinisch signifikante Verläufe und kontrafaktische Zeitableitungen rein durch datengetriebene Methoden erreicht werden können, ohne dass Vorwissen aus dem Fachgebiet oder vorab spezifizierte Variablensätze erforderlich sind.

Ergebnisse
Das Framework wurde auf longitudinale Daten aus elektronischen Patientenakten (EHR) von 3.276 Brustkrebspatientinnen angewendet, um den Zeitpunkt des Beginns einer kardiotoxizitätsinduzierten Herzerkrankung vorherzusagen. Die Studie berichtet zwei primäre empirische Demonstrationen:

Automatische Entdeckung von Patientenverläufen:
- Das Modell identifizierte automatisch klinisch signifikante Patientenverläufe ohne vordefinierte Regeln.
- Zeit-Attention ( $\kappa$ ): Ereignisse mit größeren Kohortengrößen zeigten konsistent eine höhere Zeit-Attention.
- Konvergenz der Verläufe: Das Modell identifizierte, dass verschiedene intermediäre Pfade in einem gemeinsamen terminalen Ereignis (z. B. eine zweite Strahlentherapie) zusammenlaufen können, was auf eine äquivalente zeitliche Signifikanz hindeutet.
- Kritische Wendepunkte: Das Modell detektierte spezifische Ereignisse (z. B. Verabreichung von Diuretika), bei denen die positive Rate der Kardiotoxizität ihren Höhepunkt erreichte und anschließend abfiel, im Gegensatz zu monotonen Trends in anderen Pfaden.
- Effizienz: Der Ansatz bewertete Ereignisse gleichzeitig ohne logische Ordnungsbeschränkungen und vermied so die exponentielle Suchkomplexität traditioneller, auf Assoziationsregeln basierender Methoden.
Kontrafaktische Zeitableitung:
- Das Modell führte kontrafaktisches Schließen durch, indem es annahm, dass positive Patientinnen (die eine Kardiotoxizität entwickelten) negativ geblieben wären.
- Zeitverschiebungen: Die resultierenden Verteilungen zeigten, dass sich für etwa die Hälfte der Kohorte der relative Zeitpunkt der dritten zielgerichteten Therapie (Target_3) unter der kontrafaktischen Annahme deutlich zu größeren Werten verschob.
- Klinische Implikation: Dies legt nahe, dass das Verschieben oder Absagen der dritten zielgerichteten Therapie das Risiko des Beginns einer Kardiotoxizität für diese spezifischen Patientinnen erheblich reduzieren könnte.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass diese Ergebnisse die ersten derartigen Demonstrationen in der Literatur des maschinellen Lernens sowohl für die automatische Entdeckung von Verläufen als auch für die kontrafaktische Zeitableitung unter Verwendung rein datengetriebener Methoden darstellen.

Die Autoren argumentieren, dass diese Arbeit eine fundamentale Lücke zwischen der „Grammatik des Denkens" (die zukunftsgerichtet und wahlorientiert ist) und aktuellen Modellierungsparadigmen schließt. Indem das „Factum" (der konzeptionelle Inhalt eines kausalen Szenarios) als primitive Einheit innerhalb eines Möglichkeitsraums behandelt wird, löst das verbbasierte Paradigma:

Das Verwirrungsproblem, das der substantivbasierten Inferenz inhärent ist, indem es die restliche kausale Struktur in einen offenen Möglichkeitsraum absorbiert, anstatt sie fälschlicherweise beobachteten Variablen zuzuschreiben.
Es bietet eine Grundlage für eine neue Klasse generativer Modelle („Weltmodelle"), die strukturell mit menschlichen Konzeptstrukturen übereinstimmen und über die statistischen Token-Assoziationen aktueller LLMs hinausgehen.

Die Arbeit verweist die Leser ausdrücklich auf ein begleitendes technisches Papier (Li et al., 2026) für Implementierungsdetails und betont, dass die vorliegende Arbeit die konzeptionelle und empirische Notwendigkeit des Übergangs von einer substantivbasierten zu einer verbbasierten Modellierung etabliert.