To Use AI as Dice of Possibilities with Timing Computation

Resumen Técnico: Utilizar la IA como Dados de Posibilidades con Computación de Temporización

Enunciado del Problema
El artículo argumenta que el paradigma de modelado dominante "basado en sustantivos" en la IA —ejemplificado por los Modelos de Lenguaje Grande (LLM) y los enfoques estándar de aprendizaje automático— limita fundamentalmente la representación del futuro. En este paradigma, los modelos tratan los objetos como entidades estables y bien definidas (tokens, características, puntos de datos) y las relaciones como mapeos funcionales ($f(x)=y$). Aunque efectivo para la predicción de resultados, este enfoque falla al representar el futuro como una dimensión temporal abierta. Se basa en especulaciones sobre qué variables incluir, a menudo sustituyendo correlaciones densas por causalidad. Además, los métodos existentes de inferencia causal, aunque utilizan contrafactuales, aún operan bajo la suposición de que las variables relevantes son cerradas y están exhaustivamente especificadas de antemano. En consecuencia, los modelos actuales no pueden representar adecuadamente "futuros elegibles" ni realizar un razonamiento contrafactual genuino sobre cuándo podrían ocurrir los eventos, ya que tratan la temporización como una entrada fija y observada en lugar de una variable computable.

Metodología: El Paradigma Basado en Verbos
Los autores proponen un paradigma "basado en verbos" donde el objetivo del modelado cambia de un único futuro determinado al espacio completo de futuros posibles. La innovación central es la Computación de Temporización, definida como la capacidad de tratar el tiempo no meramente como una característica de entrada aprendible, sino como una dimensión computable derivada de la lógica interna del modelo.

Los componentes metodológicos clave incluyen:

• Variables de Posibilidad: Los autores redefinen las variables de $X \in \mathbb{R}^n$ a variables de posibilidad $X = (X, t) \in \mathbb{R}^{n+1}$, donde $t$ es una dimensión de temporización computable.
• Temporización Aprendible vs. Temporización Computable: El artículo distingue entre "temporización aprendible" (extraer información temporal de la verdad fundamental) y "temporización computable" (predecir distribuciones de temporización). Los métodos existentes carecen de esta última porque carecen de una definición formal de la Distribución de Temporizaciones Posibles.
• Implementación de Redes Neuronales: El marco utiliza redes neuronales entrenadas mediante retropropagación. A diferencia del modelado directo donde $f(x)=y$ está preespecificado, este enfoque razona hacia atrás desde un resultado determinado ($y$) para recuperar el significado histórico de eventos pasados ($x$).
• Línea de Tiempo Virtual ($\tau$): El modelo construye un espacio temporal latente donde las marcas de tiempo de entrada se tratan como verdad fundamental, pero una temporización relativa virtual $\tau(t)$ se define mediante parámetros entrenables. Esto permite al modelo generar múltiples instanciaciones independientes del mismo evento, creando una distribución de temporizaciones posibles en lugar de una única estimación puntual.
• Atención de Temporización: La concentración de la distribución de temporización a través de una cohorte de pacientes se mide mediante la curtosis (denominada "atención de temporización"). Los eventos con mayor atención de temporización exhiben distribuciones más concentradas, lo que indica una mayor significancia temporal.

Contribuciones Clave

1. Marco Teórico: El artículo introduce una ontología basada en verbos donde los "verbos" (acciones/elecciones) representan posibilidades abiertas, y la "temporización" es una variable computable esencial para el razonamiento causal. Postula que la IA debería funcionar como "dados de posibilidades" —lanzar a la vista el espacio de futuros abiertos— en lugar de actuar como un oráculo que entrega respuestas fijas.
2. Definición Formal de la Computación de Temporización: Los autores proporcionan la primera definición formal de la computación de temporización en un contexto de red neuronal, distinguiéndola del análisis de supervivencia estándar o la predicción de series temporales.
3. Descubrimiento Basado en Datos sin Conocimiento Previo: El marco demuestra que las trayectorias clínicamente significativas y las deducciones de temporización contrafactual pueden lograrse puramente mediante métodos basados en datos, sin requerir conocimiento previo del dominio ni conjuntos de variables preespecificados.

Resultados
El marco se aplicó a datos longitudinales de Registros Electrónicos de Salud (EHR) de 3.276 pacientes con cáncer de mama para predecir la temporización de inicio de la enfermedad cardíaca inducida por cardiotoxicidad. El estudio reporta dos demostraciones empíricas principales:

1. Descubrimiento Automático de Trayectorias de Pacientes:

   • El modelo identificó automáticamente trayectorias clínicamente significativas de pacientes sin reglas predefinidas.
   • Atención de Temporización ($\kappa$): Los eventos con tamaños de cohorte más grandes mostraron consistentemente una mayor atención de temporización.
   • Convergencia de Trayectorias: El modelo identificó que diferentes vías intermedias podían converger en un evento terminal compartido (por ejemplo, una segunda radioterapia), indicando una significancia temporal equivalente.
   • Puntos de Inflexión Críticos: El modelo detectó eventos específicos (por ejemplo, la administración de diuréticos) donde la tasa positiva de cardiotoxicidad alcanzó un pico y luego disminuyó, contrastando con tendencias monótonas en otras vías.
   • Eficiencia: El enfoque evaluó eventos concurrentemente sin restricciones de orden lógico, evitando la complejidad de búsqueda exponencial de los métodos tradicionales basados en reglas de asociación.

2. Deducción de Temporización Contrafactual:

   • El modelo realizó razonamiento contrafactual asumiendo que los pacientes positivos (aquellos que desarrollaron cardiotoxicidad) permanecieron negativos.
   • Desplazamientos de Temporización: Las distribuciones resultantes mostraron que para aproximadamente la mitad de la cohorte, la temporización relativa de la tercera terapia dirigida (Target_3) se desplazó marcadamente hacia valores mayores bajo la suposición contrafactual.
   • Implicación Clínica: Esto sugiere que posponer o cancelar la tercera terapia dirigida podría reducir sustancialmente el riesgo de inicio de cardiotoxicidad para estos pacientes específicos.

Significancia y Afirmaciones
El artículo afirma que estos resultados representan las primeras demostraciones de este tipo en la literatura de aprendizaje automático tanto para el descubrimiento automático de trayectorias como para la deducción de temporización contrafactual utilizando métodos puramente basados en datos.

Los autores argumentan que este trabajo aborda una brecha fundamental entre la "gramática del pensamiento" (que está dirigida al futuro y orientada a la elección) y los paradigmas de modelado actuales. Al tratar el "factum" (el contenido conceptual de un escenario causal) como una unidad primitiva dentro de un espacio de posibilidades, el paradigma basado en verbos:

• Disuelve el problema de confusión inherente a la inferencia basada en sustantivos al absorber la estructura causal residual en un espacio de posibilidades abierto en lugar de atribuirlo erróneamente a variables observadas.
• Proporciona una base para una nueva clase de modelos generativos ("Modelos del Mundo") que están estructuralmente alineados con las estructuras conceptuales humanas, avanzando más allá de las asociaciones estadísticas de tokens de los LLM actuales.

El artículo dirige explícitamente a los lectores a un artículo técnico complementario (Li et al., 2026) para obtener detalles de implementación, manteniendo que el trabajo actual establece la necesidad conceptual y empírica de cambiar del modelado basado en sustantivos al modelado basado en verbos.