To Use AI as Dice of Possibilities with Timing Computation

Riepilogo Tecnico: Utilizzare l'IA come Dadi delle Possibilità con Calcolo Temporale

Enunciato del Problema
Il documento sostiene che il paradigma di modellazione dominante "basato sui sostantivi" nell'IA — esemplificato dai Modelli Linguistici di Grande Dimensione (LLM) e dagli approcci standard di machine learning — limita fondamentalmente la rappresentazione del futuro. In questo paradigma, i modelli trattano gli oggetti come entità stabili e ben definite (token, caratteristiche, punti dati) e le relazioni come mappature funzionali ($f(x)=y$). Sebbene efficace per la previsione degli esiti, questo approccio fallisce nel rappresentare il futuro come una dimensione temporale aperta. Si basa su speculazioni riguardanti quali variabili includere, sostituendo spesso correlazioni dense con la causalità. Inoltre, i metodi esistenti di inferenza causale, pur utilizzando controfattuali, operano ancora sotto l'assunzione che le variabili rilevanti siano a chiusura definita e specificate esaustivamente in anticipo. Di conseguenza, i modelli attuali non possono rappresentare adeguatamente "futuri selezionabili" né eseguire un ragionamento controfattuale genuino riguardo a quando gli eventi potrebbero verificarsi, poiché trattano il tempismo come un input fisso e osservato piuttosto che come una variabile calcolabile.

Metodologia: Il Paradigma Basato sui Verbi
Gli autori propongono un paradigma "basato sui verbi" in cui l'obiettivo della modellazione si sposta da un singolo futuro determinato allo spazio completo dei futuri possibili. L'innovazione centrale è il Calcolo Temporale, definito come la capacità di trattare il tempo non semplicemente come una caratteristica di input apprendibile, ma come una dimensione calcolabile derivata dalla logica interna del modello.

I componenti metodologici chiave includono:

• Variabili di Possibilità: Gli autori ridefiniscono le variabili da $X \in \mathbb{R}^n$ a variabili di possibilità $X = (X, t) \in \mathbb{R}^{n+1}$, dove $t$ è una dimensione temporale calcolabile.
• Tempo Apprendibile vs. Tempo Calcolabile: Il documento distingue tra "tempo apprendibile" (estrazione di informazioni temporali dalla verità fondamentale) e "tempo calcolabile" (previsione delle distribuzioni temporali). I metodi esistenti mancano di quest'ultimo perché privi di una definizione formale della Distribuzione del Tempo Possibile.
• Implementazione con Reti Neurali: Il framework utilizza reti neurali addestrate tramite backpropagation. A differenza della modellazione in avanti dove $f(x)=y$ è pre-specificato, questo approccio ragiona all'indietro da un esito determinato ($y$) per recuperare il significato storico di eventi passati ($x$).
• Timeline Virtuale ($\tau$): Il modello costruisce uno spazio temporale latente in cui i timestamp di input sono trattati come verità fondamentale, ma un tempismo relativo virtuale $\tau(t)$ è definito da parametri addestrabili. Ciò permette al modello di generare molteplici istanziazioni indipendenti dello stesso evento, creando una distribuzione di tempi possibili piuttosto che una singola stima puntuale.
• Attenzione Temporale: La concentrazione della distribuzione temporale su una coorte di pazienti è misurata tramite curtosi (definita "attenzione temporale"). Gli eventi con maggiore attenzione temporale mostrano distribuzioni più concentrate, indicando una maggiore rilevanza temporale.

Contributi Chiave

1. Quadro Teorico: Il documento introduce un'ontologia basata sui verbi in cui i "verbi" (azioni/scelte) rappresentano possibilità a chiusura indefinita, e il "tempismo" è una variabile calcolabile essenziale per il ragionamento causale. Si postula che l'IA dovrebbe funzionare come "dadi delle possibilità" — facendo rotolare lo spazio dei futuri aperti alla vista — piuttosto che come un oracolo che fornisce risposte fisse.
2. Definizione Formale del Calcolo Temporale: Gli autori forniscono la prima definizione formale del calcolo temporale nel contesto delle reti neurali, distinguendolo dall'analisi di sopravvivenza standard o dalla previsione di serie temporali.
3. Scoperta Guidata dai Dati senza Conoscenza Previa: Il framework dimostra che traiettorie clinicamente significative e deduzioni temporali controfattuali possono essere ottenute puramente attraverso metodi guidati dai dati, senza richiedere conoscenze preliminari di dominio o insiemi di variabili pre-specificati.

Risultati
Il framework è stato applicato a dati longitudinali di Cartelle Cliniche Elettroniche (EHR) provenienti da 3.276 pazienti con cancro al seno per prevedere il tempismo di esordio di malattie cardiache indotte da cardiotossicità. Lo studio riporta due dimostrazioni empiriche principali:

1. Scoperta Automatica delle Traiettorie dei Pazienti:

   • Il modello ha identificato automaticamente traiettorie clinicamente significative dei pazienti senza regole predefinite.
   • Attenzione Temporale ($\kappa$): Gli eventi con dimensioni di coorte più grandi hanno mostrato costantemente un'attenzione temporale più elevata.
   • Convergenza delle Traiettorie: Il modello ha identificato che diversi percorsi intermedi potevano convergere in un evento terminale condiviso (ad esempio, una seconda radioterapia), indicando una rilevanza temporale equivalente.
   • Punti di Svolta Critici: Il modello ha rilevato eventi specifici (ad esempio, la somministrazione di diuretici) in cui il tasso positivo di cardiotossicità ha raggiunto un picco e poi è diminuito, in contrasto con le tendenze monotone di altri percorsi.
   • Efficienza: L'approccio ha valutato gli eventi simultaneamente senza vincoli di ordinamento logico, evitando la complessità di ricerca esponenziale dei metodi tradizionali basati su regole di associazione.

2. Deduzione Temporale Controfattuale:

   • Il modello ha eseguito un ragionamento controfattuale assumendo che i pazienti positivi (quelli che hanno sviluppato cardiotossicità) fossero rimasti negativi.
   • Spostamenti Temporali: Le distribuzioni risultanti hanno mostrato che per circa la metà della coorte, il tempismo relativo della terza terapia mirata (Target_3) si è spostato marcatamente verso valori più alti sotto l'assunzione controfattuale.
   • Implicazione Clinica: Ciò suggerisce che rimandare o cancellare la terza terapia mirata potrebbe ridurre sostanzialmente il rischio di esordio di cardiotossicità per questi specifici pazienti.

Significato e Affermazioni
Il documento afferma che questi risultati rappresentano le prime dimostrazioni di questo tipo nella letteratura sul machine learning sia per la scoperta automatica di traiettorie che per la deduzione temporale controfattuale utilizzando metodi puramente guidati dai dati.

Gli autori sostengono che questo lavoro affronta un divario fondamentale tra la "grammatica del pensiero" (che è orientata al futuro e focalizzata sulla scelta) e i paradigmi di modellazione attuali. Trattando il "factum" (il contenuto concettuale di uno scenario causale) come un'unità primitiva all'interno di uno spazio di possibilità, il paradigma basato sui verbi:

• Dissolve il problema di confondimento intrinseco nell'inferenza basata sui sostantivi assorbendo la struttura causale residua in uno spazio di possibilità aperto piuttosto che attribuirlo erroneamente a variabili osservate.
• Fornisce una base per una nuova classe di modelli generativi ("Modelli del Mondo") che sono strutturalmente allineati con le strutture concettuali umane, andando oltre le associazioni statistiche di token degli attuali LLM.

Il documento indirizza esplicitamente i lettori a un documento tecnico di accompagnamento (Li et al., 2026) per i dettagli implementativi, sostenendo che il lavoro attuale stabilisce la necessità concettuale ed empirica di passare dalla modellazione basata sui sostantivi a quella basata sui verbi.