数十年にわたり、最も強力な人工知能システムは、世界を静的なオブジェクトの集合として扱うことでパターンを認識するように訓練されてきました。この視点では、患者はある固定された特性のセットであり、疾患は特定のラベルであり、治療は個別のイベントです。コンピュータは、これらの「名詞」の間に線を引くことを学習し、「もし人がこの症状を持っていれば、その病気である可能性が高いか？」といった問いを投げかけます。このアプローチは目覚ましい成果を上げてきましたが、一つの高い壁に突き当たっています。それは、世界は名前を付け、数えることができる「もの」で構成されていると仮定しており、生命が実際には「行為」と「変化」の流れであるという事実を無視していることです。問題は、現実を固定されたカテゴリーという箱の中に押し込めることで、因果関係を機能させるために不可欠な要素、すなわち変化のタイミングやプロセスそのものを失ってしまうことにあります。私たちは、原因は結果よりも前に起こらなければならないことを知っていますが、標準的なモデルは、単に集団の平均としてではなく、特定の個人にとってそのタイミングがいかに結果を左右するかという理解に苦慮することがよくあります。
ミネソタ大学の研究チームは、これらのシステムを構築する方法における劇的な転換を提案しています。彼らは、コンピュータにオブジェクト間の関係を暗記させるのではなく、「行為」と「可能性」という観点で考えるように教えています。彼らはこれを、「名詞ベース」のモデリングから「動詞ベース」のモデリングへの移行と呼んでいます。この新しいフレームワークにおいて、AIは単に患者が薬を服用し、その後に病気になったという記録をするのではありません。代わりに、AIは、その病状から逆方向に遡り、その結果に至るあらゆる異なる経路を想像できる仮想の世界を構築します。AIは、「もし薬が異なるタイミングで投与されていたらどうなっていただろうか？ もし患者が異なる既往歴を持っていたらどうだっただろうか？」と問いかけます。これらの代替シナリオを生成することで、AIはコンピュータ内部に存在する、物理的な世界とは独立した「世界モデル」を構築します。これにより、AIは、同じ行為であっても、いつ、どのように行われるかによって異なる結果をもたらすという人間の直感に近い形で、因果関係について推論することができるようになります。
研究者たちは、3,276人の乳がん患者の実臨床データを用いてこのアイデアをテストしました。彼らは、AIが患者の治療過程における隠れたパターンを発見できるかどうかを確認したいと考えました。伝統的な分析では、研究者はほとんどの患者が辿る単一の「平均的な経路」を探ります。しかし、新しいシステムは異なっていました。システムは最終的な結果（がん治療の深刻な合併症である心疾患の発症）から出発し、そこに至った可能性のある何千ものタイムラインを逆方向に生成しました。それは単に出来事の順序を見たのではなく、各ステップの具体的なタイミングに細心の注意を払いました。その結果、システムは、データ全体を見ただけでは明白ではないものの、治療過程において類似した重要な経路を共有する明確な患者グループを、自発的に特定できることを見出したのです。
最も驚くべき発見の一つは、何が起きたかだけでなく、「いつ」起きたかが重要であることを特定するシステムの能力でした。例えば、AIは患者の治療における、治療のタイミングが決定的な意味を持つ特定の瞬間を特定しました。ある患者にとっては、特定のタイミングで投与された特定の薬剤が心疾患の強い予測因子となる一方で、他の患者にとっては、同じ薬を異なるタイミングで投与しても何の影響もなかったということを、AIは察知しました。さらに、システムは、がん治療前に糖尿病と高血圧の複雑な既往歴を持っていた13人の特定の患者グループに対して、「もしも」のシナリオをシミュレーションすることさえできました。このグループに対して逆方向にシミュレーションを実行することで、AIは、この特定のグループにとって、3回目の標的療法を遅らせることが心疾患のリスクを大幅に軽減できた可能性があることを導き出しました。これは一般的な規則に基づいた推測ではなく、その小さなグループ特有のタイミングのパターンから導き出された演繹でした。
この研究は、医学における人工知能の未来が、集団の平均ではなく、個々の物語を扱う能力にあることを示唆しています。研究者たちは、彼らのシステムはまだ人間の意識の完全な複製ではないものの、AIに「主観性」――つまり、対象とする世界を外側からただ観察するのではなく、その世界に対して相対的な立場を取る能力――を与えるための不可欠な第一歩であると強調しています。現実の患者にリスクを与えることなく、何百万もの可能性をテストできる仮想世界を構築することで、AIは、伝統的な統計学が見逃してしまうような因果関係の仮説を提示することができます。研究チームは、このアプローチが、標準的な手法では明確な答えを見つけるのが難しい希少疾患や複雑な症例において特に強力であることを発見しました。システムには依然として、その知見を解釈し検証するための人間の専門家を必要としますが、それはコンピュータを「事実の受動的な記録者」から「可能性の能動的な探求者」へと変え、これまで答えを出すことが不可能であった問いを投げかけるための新しいツールを提供するものです。
技術要約：因果推論的世界モデル：逆方向生成を通じたAIの主観性に向けて
1. 問題提起
本論文は、現代のAI、特に大規模言語モデル（LLM）や従来の因果推論における根本的な構造的限界である**「名詞の罠（Noun Trap）」**を指摘している。現在のパラダイムは、モデル化可能な対象が安定した明確な実体（トークン、特徴量、イベント）として扱われる、名詞中心の存在論に基づいている。関係性は、これらの名詞間の関数的なマッピングとして符号化される。
このアプローチは、以下の2つの決定的な問題を引き起こす：
- 混同と情報の喪失： 因果関係（例：X→Y）を名詞ベースの観測量を用いて表現すると、必然的に残差が生じる。観測された名詞とその真の因果的役割との間のギャップを説明するために、追加の名詞変数（交絡因子）を加えなければならない。これは、名詞変数の数を増やしても理解が進むのではなく、むしろ関係性の情報が失われていくという構造的な退行を招く。
- 個別の動態のモデリング不能： 従来の統計学は、単一の「観測された世界」内で機能する独立同一分布（i.i.d.）仮定に依存している。この枠組みでは、時間は入力または静的な状態（マルコフ仮定）として扱われ、動的な、個体レベルの帰結としては扱われない。その結果、特定の個人におけるイベントの「起こりうるタイミング」を捉えることができず、AIの能力は集団レベルの相関関係に限定されてしまう。
本論文は、解釈可能性がしばしば「名前の付けられる関係（名詞）」と混同されていると主張しており、それがAIの推論を、あらかじめ規定され命名されたものへと縛り付けていると述べている。真の因果推論には、単に定義済みの関係を記録するのではなく、AIが自律的に世界モデルを構築する**「動詞ベースのパラダイム」**への転換が必要である。
2. 手法：動詞ベースのパラダイム
提案される解決策は、名詞ベースのモデリングから、「逆方向生成（Backward Generation）」と「可能性の創発（Possibility Emergence）」を特徴とする動詞ベースのモデリングへのパラダイムシフトである。
核となる概念：
- 可能性の創発： 前向きな生成（原因 → 結果）とは異なり、提案手法はターゲットとなる結果から逆方向の生成を行うことで、「ハイパー・ワールド（超世界）」を構成する。これにより、AIは単一の結果から複数のインスタンス化されたシナリオ（可能な世界）を生成し、事前に指定されていなかった隠れた因果因子やタイミングの分布を明らかにすることができる。
- ハイパー・ワールド（超世界）： 同一の因果条件（動詞）の下で生成された、複数の可能な世界の集合。このハイパー・ワールド内において、AIはエージェントとして機能し、重要な関係的情報を発見する。
- 可能なタイミング分布（Possible Timing Distribution）： i.i.d.仮定を超える極めて重要な新概念。モデルは単一のタイムスタンプを予測するのではなく、観測不可能な複数の可能な世界にまたがる「可能なタイミング（τ）」の分布を推論する。このタイミングは、集団レベルの平均とは異なる、個体レベルの構成概念である。
- 二段階プロセス：
- 可能性の創発（主体としてのAI）： AIはデータから動詞ベースの関係情報を潜在空間の表現として捉え、ハイパー・ワールドを生成する。
- 因果的演繹（エージェントとしてのAI）： AIは構成されたハイパー・ワールド内で操作を行い、情報量の多い因果関係を特定する。これらはその後、人間によって名前の付けられる（名詞ベースの）関係へと解釈される。
技術的実装：
- タイミング計算： ニューラルネットワーク内の二層パラメータアーキテクチャを用いて実装される。
- 集団レベルのパラメータ： 最初の学習実行後に凍結され、共通の動態パターンを符号化し、潜在空間における相対的なタイムライン τ を確立する。
- 個人レベルのパラメータ： その後の学習実行において独立して更新される。これにより、各実行において観測された時間 t と固定されたタイムライン τ との間の変換に関する独自の係数が生成され、複数の可能な世界にわたる個人レベルのタイミング分布を効果的に構成する。
- マルチ・動詞システム： 本フレームワークは、イベントを独自のタイミング分布を持つ「動詞」として扱う。これにより、システムを単一のマルコフ連鎖に還元することなく、動詞間の推論（例：A→B かつ A→C）を可能にし、動的な情報を保持する。
3. 主な貢献
- 理論的枠組み： 「名詞の罠」を定式化し、解決策として「可能性の創発」を提案した。「因果的創発（因果的ギャップの特定）」、「因果的表現（動詞指向だが名詞に制約されている）」、そして「可能性の創発（自発的な発見のためにハイパー・ワールドを構築する）」を区別している。
- タイミングの新しい概念： 「可能なタイミング分布」を、i.i.d.仮定の制約を打破し、個体レベルの因果モデリングを可能にする計算次元として導入した。
- 因果的演繹のための逆方向生成： 結果から逆方向に生成することで、介入や閾値を事前に指定することなく、AIが自発的に因果的条件（例：特定のタイミングの閾値）を発見できることを示した。これは、従来の順方向の因果推論には欠けている能力である。
- 「もしも」を扱う機械（What-If Machine）： 構成されたハイパー・ワールドは、仮想的な実験場として機能し、AIは現実世界での試行を行う前に、無制限の試行錯誤を行って「もし〜だったら（反事実的）」という問いに答えることができる。
4. 結果と応用
この手法は、心毒性誘発性心疾患を予測するための、3,276人の乳がん患者（Fairview Health System, 2012–2024）の長期的な電子健康記録（EHR）データに適用された。
- 応用 I：マルチ・動詞・トラジェトリの発見：
- モデルは、一連の臨床イベント（化学療法、標的療法、放射線、利尿薬）を含む有意な患者トラジェトリを自発的に発見した。
- タイミング・アテンション（タイミング分布の尖度 κ によって測定）に基づき、患者のサブグループを特定した。
- 結果： モデルは患者のサブグループを正常に判別し、決定的な転換点（例：特定のトラジェトリのステップで利尿薬の効果がピークに達することの重要性）を特定した。集団選択において高い精度（CT/CM≈1）を達成し、タイミング計算が従来の関連ルールよりも効果的にコホートをフィルタリングできることを示した。
- 応用 II：因果的演繹（What-If 分析）：
- 特定のサブグループ（13人）に対し、彼らのアウトカムラベルを反転（心疾患 → 心疾患なし）させ、創発プロセスを再実行することで、反事実的なシナリオを生成した。
- 結果： 事実（Factual）と反事実（Counterfactual）のタイミング分布を比較した結果、第3の標的療法（Target_3）を遅らせることが、コホートの半分においてタイミング分布を大きくシフトさせることが判明した。これは、心疾患のリスクを軽減できる可能性を示唆している。この演繹は、事前に設定された仮説なしに、純粋にデータから導き出されたものである。
5. 意義と主張
本論文は、本研究を**「AIの主観性への不可欠な第一歩」**と位置づけている。著者らは、これが人間レベルの知能や完全に実現された主観性を達成したと主張しているのではなく、AIがエージェントとして機能することを可能にする「因果推論的世界モデル」を構築したと述べている。
- 控えめな主張： 著者らは、導出された因果関係（例：療法の遅延）は、仮想的な実験場の中で生成された**「仮説」**であり、さらなる人間の検証を必要とするものであることを強調している。これらが確定的な臨床的推奨事項であるとは主張していない。
- 精密医療（プレシジョン・メディシン）： 個体レベルの因果的演繹と微細なサブタイピング（例：3,000人以上のうちの特定の13人を特定すること）を行う能力は、患者のサブグループが小さく、集団レベルの統計が不十分な希少疾患ケアにおいて特に有望であると強調されている。
- 効率性： このパラダイムシフトにより、構成された世界を再利用することが可能になり、新しい推論を行うたびに関連ルールを再導出するという指数関数的な複雑さを回避できる。
- 哲学的基盤： 本研究は、趙汀陽（Zhao Tingyang）の哲学を引き合いに出し、AIにとっての「世界」を構築するには、単なる統計的相関を超えて、因果推論を通じてその世界に対する主体としての地位を占める必要があると論じている。
毎週最高の computer science 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録