🤖 AI

To Use AI as Dice of Possibilities with Timing Computation

本論文は、名詞ベースのモデリングの限界を克服するために「タイミング計算」と「可能性」を中心とした新たな動詞ベースの AI パラダイムを提案し、事前のドメイン知識を必要とせずに乳がんの電子健康記録から患者の経過をデータ駆動で発見し、反事実的なタイミング推論を行うことでその有効性を実証する。

原著者： Jia Li, Vipin Kumar, Rui Zhang

公開日 2026-05-06

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Jia Li, Vipin Kumar, Rui Zhang

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

以下は、この論文を平易な言葉と創造的な比喩を用いて解説したものです。

核心的な問題：「名詞」の罠

あなたが映画を描写しようとしていると想像してください。現在の AI の仕組みは辞書のようです。それは登場人物、小道具、舞台設定をすべて静的な「名詞」（人物、車、病院）として捉えます。そして、これらの名詞がどの程度頻繁に一緒に現れるかを数え、統計に基づいて次に何が起こるかを推測します。

著者たちは、未来を理解する上でこの方法は不適切だと主張します。

比喩: 医師が二人の患者を見ている場面を想像してください。
- 患者 A は化学療法を 1 回しか受けていません。
- 患者 B は 3 回受けています。
- 従来の AI（名詞ベース）: 「患者 A は当社のデータベースでより一般的であるため、患者 A の経過が『標準的』なものだ」と言います。それは回数を固定されたラベルとして扱います。
- 現実世界（動詞ベース）: 医師は、患者 A が分岐点にいることを知っています。彼らは急速に回復する可能性もあれば、すぐに亡くなる可能性もあります。患者 B もまた分岐点にいますが、リスクは異なります。未来は単一のラベルではなく、選択とタイミングによる分岐する道筋なのです。

この論文は、現在の AI はデータポイントである「名詞」の記述にはとどまっているが、行動、選択、そして「いつ」という要素である「動詞」を理解できていないと主張しています。

解決策：「可能性のサイコロ」としての AI

著者たちは、時間を固定された時計ではなく、計算可能な変数として扱う新しい AI の構築方法を提案しています。

比喩: 一組のサイコロを振ると想像してください。
- 従来の AI: 「過去のデータに基づくと、最も出やすい目は 7 です」と言い、一つの固定された答えを提示します。
- 新しい AI（「可能性のサイコロ」）: 一つの答えを出す代わりに、サイコロを数千回振って、未来の全スペクトルを示します。単に「何が起きるか」を言うだけでなく、「もし出来事のタイミングを変えたら、何が起きうるか」を示します。

これにより、AI は単に予測するだけでなく、推論を行うツールとして機能できるようになります。医師は「もしこの治療を 2 週間遅らせたら、可能性のタイムライン全体がどのように変化するか？」と問いかけることができるようになります。

仕組み：「仮想タイムライン」

この論文は、**タイミング計算（Timing Computation）**と呼ばれる特定の技術的工夫を導入しています。

学習可能なタイミング vs 計算可能なタイミング:
- 現在の AI は時間から学習できます（例：「患者は通常、手術後 3 日で発症する」）。これは単に時計を読み取っているに過ぎません。
- この新しい AI は時間を計算できます。それは「いつ」という要素を調整してテストできる変数とする仮想タイムラインを作成します。
「尖度（Kurtosis）」（タイミングへの注目）:
- 著者たちは「尖度」という統計的指標を使用します（難しそうですが、単に「データがどの程度集まっているか」を意味します）。
- 比喩: バスを待つ人々の群れを想像してください。
  - もし全員が正確に 8:00 に到着すれば、群れは非常に「集まっています」。これは高いタイミングへの注目です。これは、この出来事が全員にとって決定的な重要な瞬間であることを意味します。
  - もし人々が 7:00 から 9:00 の間にランダムに到着すれば、群れは広がっています。これは注目が低い状態です。
- AI はこれを用いて、何を検索すべきか指示されずに、患者の経過における「決定的な瞬間」を自動的に発見します。

実際に行われたこと（結果）

チームは、3,276 人の乳がん患者の実際の医療記録（EHR）を用いてこれをテストしました。彼らは AI を導くために、既存の医療規則や人間の知識を一切使用しませんでした。AI はデータのみからすべてを導き出しました。

彼らは以下の 2 つの主要なことを実証しました。

1. 隠れた経路の発見（軌道の発見）
AI は、治療履歴に基づいて患者を自動的に異なる「ストーリーライン」にグループ化しました。

例: 特定の心臓薬（利尿薬）を服用した患者グループを見つけ、その心臓損傷のリスクが一時的に急上昇した後、低下するというパターンを発見しました。
重要性: AI は特定の「原因」を探していたわけではなく、出来事のタイミングを見て、どのものが最も重要かを把握したため、人間が見逃す可能性のあるパターンを捉えました。

2. 「もしも」マシン（反事実的タイミング）
これが最も強力な部分です。AI は患者のための「並行宇宙」をシミュレートできます。

シナリオ: 糖尿病と高血圧があり、ちょうど 3 回目の化学療法を終えた患者がいます。心臓損傷のリスクは高い状態です。
シミュレーション: AI は、「もしこの患者がその 3 回目の化学療法を受けなかったらどうなるか？」と問いかけます。
結果: AI は新しいタイムラインを計算しました。約半数の患者にとって、その特定の治療を遅らせたり見送ったりすれば、心臓損傷のリスクがはるかに先の未来へ押しやられる（あるいは完全に防がれる）ことを示しました。
注意点: これは数式に基づく推測ではなく、データの「可能性空間」に基づいた計算でした。

全体像：「世界モデル」

最後に、著者たちはこれが世界モデルへの一歩であると示唆しています。

現在の AI（チャットボットなど）は、文（名詞）の巨大な図書館のようです。
この新しいアプローチは、世界が実際にどのように機能するか（動詞）をモデル化しようとしています。
彼らは、因果関係を真に理解するためには、出来事を静的なラベルとして扱うのをやめ、時間とともに展開する動的な行動として扱う必要があると主張しています。

まとめ

従来の方法: AI は名詞を数え、最も可能性の高い未来を推測する。
新しい方法: AI は「可能性のサイコロ」を振って、すべての潜在的な未来をマッピングし、時間を操作可能な柔軟な変数として扱う。
証明: 3,000 人以上のがん患者において、AI は新しい重要な治療パターンを発見し、治療を遅らせることに関する「もしも」のシナリオをシミュレートしました。これらはすべて、何を検索すべきか指示されることなく行われました。

注記：この論文は、これらの特定の能力が機械学習の文献で初めて実証されたことを明確に述べています。これは、AI が現在病院で患者の治療に使用されていると主張するものではなく、研究環境においてこれらの複雑なタイムラインが正常にモデル化されたことを示すものです。

技術的概要：タイミング計算を用いた可能性のサイコロとしての AI の活用

問題提起
本論文は、大規模言語モデル（LLM）や標準的な機械学習アプローチを代表例とする、AI における支配的な「名詞ベース」のモデリングパラダイムが、未来の表現を根本的に制約していると主張する。このパラダイムにおいて、モデルは物体を安定した明確な実体（トークン、特徴量、データポイント）として、また関係を機能的な写像（ $f(x)=y$ ）として扱う。結果の予測には有効であるが、このアプローチは未来を開放的な時間的次元として表現することに失敗する。それは、どの変数を含めるかに関する推測に依存し、しばしば因果関係の代わりに密な相関関係を置換する。さらに、既存の因果推論手法は、反事実的推論を利用しつつも、関連する変数が閉じており事前に網羅的に指定されているという仮定の下で動作する。その結果、現在のモデルは「選択可能な未来」を適切に表現したり、いつ事象が発生する可能性があるかについての真の反事実的推論を行ったりすることができない。なぜなら、それらはタイミングを計算可能な変数ではなく、固定された観測入力として扱うからである。

方法論：動詞ベースのパラダイム
著者は、モデル化の対象を単一の決定された未来から、可能な未来の完全な空間へと移行させる「動詞ベース」のパラダイムを提案する。中核的な革新は、タイミング計算であり、これは時間を単に学習可能な入力特徴としてではなく、モデルの内部論理から導出される計算可能な次元として扱う能力と定義される。

主要な方法論的構成要素は以下の通りである：

可能性変数：著者は変数を $X \in \mathbb{R}^n$ から、 $t$ が計算可能なタイミング次元である可能性変数 $X = (X, t) \in \mathbb{R}^{n+1}$ に再定義する。
タイミング学習可能対タイミング計算可能：論文は、「タイミング学習可能」（ground truth から時間的情報を抽出する）と「タイミング計算可能」（タイミング分布を予測する）を区別する。既存の手法は、可能なタイミングの分布の形式的定義を欠いているため、後者を欠いている。
ニューラルネットワークの実装：この枠組みは、逆伝播によって訓練されたニューラルネットワークを利用する。 $f(x)=y$ が事前に指定される前方モデリングとは異なり、このアプローチは決定された結果（ $y$ ）から後方へ推論し、過去の出来事の歴史的意義（ $x$ ）を回復する。
仮想タイムライン（ $\tau$ ）：モデルは、入力タイムスタンプを ground truth として扱うが、学習可能なパラメータによって定義される仮想相対タイミング $\tau(t)$ を定義する、潜在的時間空間を構築する。これにより、モデルは同じ出来事の複数の独立したインスタンスを生成し、単一点推定ではなく、可能なタイミングの分布を生成することができる。
タイミング注意：患者コホート全体におけるタイミング分布の集中度は、尖度（「タイミング注意」と呼ばれる）を介して測定される。より高いタイミング注意を示す事象は、より集中度の高い分布を示し、より大きな時間的意義を示す。

主要な貢献

理論的枠組み：本論文は、「動詞」（行為/選択）が開放的な可能性を表し、「タイミング」が因果推論に不可欠な計算可能な変数であるという、動詞ベースの存在論を導入する。AI は固定された答えを提示する予言者としてではなく、開放的な未来の空間を視覚的に展開する「可能性のサイコロ」として機能すべきであると提唱する。
タイミング計算の形式的定義：著者は、標準的な生存分析や時系列予測とは区別される、ニューラルネットワークの文脈におけるタイミング計算の最初の形式的定義を提供する。
事前知識を必要としないデータ駆動型発見：この枠組みは、臨床的に有意な軌道と反事実的タイミング推論が、事前のドメイン知識や事前に指定された変数セットを必要とせず、純粋にデータ駆動型の方法によって達成可能であることを実証する。

結果
この枠組みは、心毒性誘発性心疾患の発症タイミングを予測するために、3,276 名の乳がん患者からの縦断的電子健康記録（EHR）データに適用された。研究は、2 つの主要な実証的デモンストレーションを報告する：

患者軌道の自動発見：
- モデルは、事前定義されたルールなしに、臨床的に有意な患者軌道を自動的に特定した。
- タイミング注意（ $\kappa$ ）：より大きなコホートサイズを持つ事象は、一貫して高いタイミング注意を示した。
- 軌道の収束：モデルは、異なる中間経路が共有された終端事象（例：2 回目の放射線療法）で合流し得ることを特定し、同等の時間的意義を示した。
- 重要な転換点：モデルは、心毒性の陽性率がピークに達しその後減少する特定の事象（例：利尿薬の投与）を検出し、他の経路における単調な傾向と対比させた。
- 効率性：このアプローチは、論理的な順序制約なしに事象を同時に評価し、従来の関連ルールベースの手法の指数関数的な探索複雑性を回避した。
反事実的タイミング推論：
- モデルは、陽性患者（心毒性を発症した患者）が陰性のままだったと仮定することで、反事実的推論を行った。
- タイミングのシフト：得られた分布は、コホートの約半数において、第 3 の標的療法（Target_3）の相対的タイミングが、反事実的仮定の下でより大きな値へと著しくシフトしたことを示した。
- 臨床的含意：これは、これらの特定の患者に対して第 3 の標的療法の延期または中止が、心毒性発症のリスクを大幅に低減し得ることを示唆する。

意義と主張
本論文は、これらの結果が、純粋にデータ駆動型の方法を用いた自動軌道発見および反事実的タイミング推論の両方において、機械学習文献において初めての実証を表すと主張する。

著者は、この研究が、「思考の文法」（未来指向であり選択指向である）と現在のモデリングパラダイムの間の根本的なギャップに対処していると論じる。「事実（factum）」（因果シナリオの概念的コンテンツ）を可能性空間内の原始単位として扱うことで、動詞ベースのパラダイムは以下のことを可能にする：

残存する因果構造を、観測変数に誤って帰属させるのではなく、開放的な可能性空間に吸収させることで、名詞ベースの推論に内在する交絡問題を解消する。
現在の LLM の統計的トークン連想を超えて、人間の概念的構造と構造的に整合する新しいクラスの生成モデル（「ワールドモデル」）の基盤を提供する。

本論文は読者に対し、実装の詳細については付随する技術論文（Li et al., 2026）を参照するよう明示的に指示し、現在の研究が名詞ベースから動詞ベースへのモデリングの転換の概念的および実証的必要性を確立していることを維持している。