Causal-Reasoning World Models: Toward AI’s Subjectivity through Backward Generation
Dieses Paper schlägt einen Paradigmenwechsel von nomenbasiertem zu verbbasiertem kausalem Denken in der KI vor, indem es ein Framework der „möglichen Zeitverteilung“ einführt, das agentenhaftes Weltmodellieren und kontrafaktische Deduktion auf individueller Ebene ermöglicht, wie am Beispiel von Verläufen bei Brustkrebspatientinnen demonstriert wird, und damit das theoretische Fundament für KI-Subjektivität legt.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Seit Jahrzehnten werden die leistungsfähigsten Systeme der künstlichen Intelligenz darauf trainiert, Muster zu erkennen, indem sie die Welt als eine Sammlung statischer Objekte betrachten. In dieser Sichtweise ist ein Patient ein Satz fester Merkmale, eine Krankheit ein spezifisches Label und eine Behandlung ein distinktes Ereignis. Der Computer lernt, Linien zwischen diesen Substantiven zu ziehen, und stellt Fragen wie: „Wenn eine Person dieses Symptom hat, ist es wahrscheinlich, dass sie diese Krankheit hat?“ Dieser Ansatz hat beeindruckende Ergebnisse geliefert, stößt aber an eine harte Decke. Er setzt voraus, dass die Welt aus Dingen besteht, die benannt und gezählt werden können, und ignoriert dabei die Tatsache, dass das Leben eigentlich ein Fluss von Handlungen und Veränderungen ist. Das Problem besteht darin, dass wir die Realität in einen Kasten aus festen Kategorien zwängen, verlieren wir genau das, was Ursache und Wirkung antreibt: das Timing und den Prozess der Veränderung selbst. Wir wissen, dass eine Ursache vor einer Wirkung eintreten muss, aber Standardmodelle haben oft Schwierigkeiten zu verstehen, wie dieses Timing das Ergebnis für ein spezifisches Individuum prägt, statt nur für eine große Gruppe im Durchschnitt.
Ein Forschungsteam der University of Minnesota schlägt einen radikalen Wandel in der Art und Weise vor, wie wir diese Systeme aufbauen. Anstatt den Computer zu bitten, Beziehungen zwischen Objekten auswendig zu lernen, bringen sie ihm bei, in Begriffen von Handlungen und Möglichkeiten zu denken. Sie nennen dies den Übergang von der „substantivbasierten“ zur „verbasierten“ Modellierung. In diesem neuen Rahmenwerk registriert die KI nicht bloß, dass ein Patient ein Medikament eingenommen hat und danach krank wurde. Stattdessen konstruiert sie eine virtuelle Welt, in der sie rückwärts von der Krankheit ausgehen kann, um sich all die verschiedenen Wege vorzustellen, die zu diesem Ergebnis hätten führen können. Sie fragt: „Was wäre, wenn das Medikament zu einem anderen Zeitpunkt eingenommen worden wäre? Was wäre, wenn der Patient eine andere Vorgeschichte gehabt hätte?“ Durch das Generieren dieser alternativen Szenarien baut die KI ein „Weltmodell“ auf, das innerhalb des Computers existiert, unabhängig von der physischen Welt. Dies ermöglicht es ihr, über Ursache und Wirkung auf eine Weise zu schlussfolgern, die der menschlichen Intuition ähnelt, bei der wir verstehen, dass dieselbe Handlung je nach Zeitpunkt und Art des Vorgehens zu unterschiedlichen Ergebnissen führen kann.
Die Forscher testeten diese Idee anhand realer Krankenakten von 3.276 Brustkrebspatientinnen. Sie wollten sehen, ob die KI verborgene Muster darin entdecken konnte, wie diese Patientinnen durch ihre Behandlungswege navigierten. In der traditionellen Analyse würden Forscher nach einem einzigen, durchschnittlichen Pfad suchen, den die meisten Patientinnen verfolgen. Aber das neue System arbeitete anders. Es begann mit dem Endergebnis – der Entwicklung einer Herzerkrankung, einer schwerwiegenden Komplikation der Krebsbehandlung – und arbeitete sich rückwärts durch, um tausende mögliche Zeitlinien zu generieren, die zu diesem Zustand hätten führen können. Es betrachtete nicht nur die Reihenfolge der Ereignisse; es achtete akribisch auf das spezifische Timing jedes einzelnen Schritts. Das System stellte fest, dass es spontan distinkte Gruppen von Patientinnen identifizieren konnte, die ähnliche, signifikante Pfade durch ihre Behandlung teilten, obwohl diese Pfade bei der Betrachtung der Daten als Ganzes nicht offensichtlich waren.
Eines der bemerkenswertesten Ergebnisse war die Fähigkeit des Systems, die Bedeutung dessen zu erkennen, wann Dinge passierten, nicht nur was passierte. Zum Beispiel identifizierte die KI spezifische Momente in der Behandlung einer Patientin, in denen das Timing einer Therapie entscheidend wurde. Sie bemerkte, dass für einige Patientinnen die Verabreichung eines bestimmten Medikaments zu einem bestimmten Zeitpunkt im Zeitverlauf ein starker Prädiktor für Herzprobleme war, während dasselbe Medikament zu einem anderen Zeitpunkt für andere keine Bedeutung hatte. Das System konnte sogar ein „Was-wäre-wenn“-Szenario für eine spezifische Gruppe von dreizehn Patientinnen simulieren, die eine komplexe Vorgeschichte mit Diabetes und Bluthochdruck vor ihrer Krebsbehandlung hatten. Durch das Rückwärtslaufen der Simulation schlussfolgerte die KI, dass für diese spezifische Gruppe das Verzögern einer dritten Runde einer gezielten Therapie das Risiko, eine Herzerkrankung zu entwickeln, signifikant hätte senken können. Dies war keine Vermutung basierend auf einer allgemeinen Regel, sondern eine Deduktion, die aus den einzigartigen Zeitmustern dieser kleinen Gruppe abgeleitet wurde.
Diese Arbeit legt nahe, dass die Zukunft der künstlichen Intelligenz in der Medizin in ihrer Fähigkeit liegt, individuelle Geschichten zu verarbeiten, anstatt nur Populationsdurchschnitte. Die Forscher betonen, dass ihr System noch kein perfektes Abbild des menschlichen Bewusstseins ist, aber ein notwendiger erster Schritt ist, um der KI eine Form von „Subjektivität“ zu verleihen – die Fähigkeit, eine Position relativ zu der Welt einzunehmen, die sie untersucht, anstatt sie nur von außen zu beobachten. Indem sie diese virtuellen Welten konstruiert, in denen sie Millionen von Möglichkeiten testen kann, ohne echte Patientinnen zu gefährden, kann die KI Hypothesen über Ursache und Wirkung aufstellen, die die traditionelle Statistik übersehen könnte. Das Team fand heraus, dass dieser Ansatz besonders leistungsfähig für seltene Krankheiten oder komplexe Fälle ist, in denen Patientengruppen zu klein sind, damit Standardmethoden klare Antworten finden können. Während das System weiterhin menschliche Experten benötigt, um seine Erkenntnisse zu interpretieren und zu validieren, bietet es ein neues Werkzeug, um Fragen zu stellen, die zuvor unbeantwortbar waren, und verwandelt den Computer von einem passiven Aufzeichner von Fakten in einen aktiven Entdecker von Möglichkeiten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.