Stel je voor dat je de toekomst probeert te voorspellen of een slimme keuze wilt maken, zoals beslissen of je een paraplu meeneemt of medicijnen neemt. Hiervoor heb je twee verschillende soorten informatie nodig. Ten eerste moet je weten hoe de wereld werkt: als het regent, wordt de grond nat. Dit is het domein van de causaliteit, waar wetenschappers grafieken gebruiken om pijlen te tekenen die laten zien hoe het ene het andere veroorzaakt. Een beroemde regel in dit vakgebied, de Causale Markov-voorwaarde, stelt dat als je de directe oorzaken van een gebeurtenis kent, je de verre geschiedenis niet nodig hebt om te voorspellen wat er hierna gebeurt; de onmiddellijke oorzaken "schermen af" van de rest van de geschiedenis.

Ten tweede moet je weten wat je wilt. Dit is het domein van waarde of nut. Dit is jouw persoonlijke scorekaart: nat worden is slecht (lage waarde), droog blijven is goed (hoge waarde). Traditioneel hebben wetenschappers deze twee werelden apart behandeld. De regels voor het voorspellen van regen zijn strikt en wiskundig, maar de regels voor wat jij leuk vindt, worden gezien als puur persoonlijk en chaotisch. Het oude gezegde luidt: "Over smaak valt niet te discussiëren." Als je een complex web van voorkeuren hebt, zegt de standaardvisie dat je "waardekaart" al die complexiteit moet vangen, hoe verstrengeld ook. Maar wat als je smaak niet zomaar willekeurig is? Wat als de dingen waar je waarde aan hecht, eigenlijk gevormd worden door hoe de wereld werkt?

Dit artikel, getiteld "A Causal Markov Condition for Value", stelt een gedurfde vraag: Kunnen we de strikte, logische regels van causaliteit toepassen op onze persoonlijke waarden? De auteur, Olav Benjamin Vassend, stelt een nieuwe regel voor, de waarde Causal Markov-voorwaarde (v-CMC). Zie dit als een brug tussen de "hoe"-kant van de wereld en de "waarom"-kant van onze keuzes. Het artikel betoogt dat als je gelooft dat een pil een hoofdpijn geneest, je geluk van het nemen ervan afhangt van het feit of je daadwerkelijk hoofdpijn hebt. Als je later ontdekt dat de pil niets doet (geen causaal effect heeft), dan zou je geluk niet langer afhankelijk moeten zijn van de hoofdpijn. Het artikel suggereert niet alleen dat dit een mooi idee is; het bouwt een volledig wiskundig kader om te bewijzen dat deze verbinding logisch, consistent en ongelooflijk nuttig is voor het vereenvoudigen van complexe beslissingen.

Het Verhaal van de Bovenstroomse Rivier

Om de belangrijkste ontdekking van het artikel te begrijpen, stel je een rivier voor. In de wereld van de waarschijnlijkheid (het voorspellen van de toekomst) stroomt informatie stroomafwaarts. Als je de bron kent (de oorzaak), kun je het waterpeil bij de dam voorspellen (het effect). De beroemde Causale Markov-voorwaarde vertelt ons dat zodra je het waterpeil direct bij de dam kent, je de regen die drie dagen geleden viel niet meer nodig hebt om het waterpeil over vijf minuten te voorspellen. De onmiddellijke oorzaak schermt het verre verleden af.

Het artikel draait deze rivier ondersteboven. Het betoogt dat in de wereld van waarde (waar we om geven), informatie stroomopwaarts stroomt. Als je bij de dam staat (het effect), hangt je geluk af van het waterpeil. Maar hier komt de twist: het artikel suggereert dat zodra je de onmiddellijke effecten van je actie kent, de verre oorzaken niet meer uitmaken voor je waardebepaling.

Laten we een Hoofdpijnpil als ons hoofdpersonage gebruiken.

• De Oude Visie: Je geluk van het nemen van een pil is een enorme, verstrengelde knoop. Het hangt af van of je hoofdpijn hebt, of je de dokter vertrouwt, of het buiten regent, en misschien zelfs van je lievelingskleur. Als je de pil leuk vindt, vind je hem om al deze redenen tegelijkertijd leuk.
• De Nieuwe Visie (v-CMC): Het artikel zegt: "Wacht eens even." Als de pil werkt, hangt je geluk af van het verdwijnen van de hoofdpijn. Als de pil niet werkt (geen causaal effect heeft), dan zou je geluk niet meer om de hoofdpijn moeten geven. Het artikel bewijst dat je "waardekaart" gestructureerd moet zijn als een causale kaart, maar dan in omgekeerde richting. De dingen die gebeuren na je actie (de kinderen in de grafiek) zijn de enige die ertoe doen voor je onmiddellijke tevredenheid. Al het andere (de niet-voorouders) wordt afgeschermd.

De Magie van Modulaire Lego

Het meest opwindende deel van dit artikel is hoe het een enorme hoofdpijn oplost voor besluitvormers: het updaten van je geest wanneer de wereld verandert.

Stel je voor dat je een gigantisch kasteel bouwt van Lego-stenen. In de oude manier van denken, als je zou merken dat één steen eigenlijk een andere kleur heeft, zou je misschien het hele kasteel moeten herbouwen omdat de kleuren allemaal door elkaar zaten in een grote, verwarrende hoop. Je kon niet zomaar één stuk vervangen zonder de hele structuur te breken.

De v-CMC verandert je waardesysteem in een reeks modulaire Lego-stenen. Omdat het artikel bewijst dat waarden kunnen worden opgedeeld in kleine, lokale stukjes (zo zoals "hoeveel ik houd van symptoombestrijding" versus "hoeveel ik houd van het vermijden van bijwerkingen"), kun je slechts één stukje vervangen als je begrip van de wereld verandert.

Hier is een praktijkvoorbeeld uit het artikel met betrekking tot antibiotica:

• Scenario: Een arts beslist of hij een patiënt antibiotica moet geven. De arts weet dat de antibiotica "Symptoombestrijding" en "Bijwerkingen" veroorzaken. Deze hebben op hun beurt invloed op "Verblijfsduur" en "Patiëntwelzijn".
• Het Probleem: De arts weet ook dat de patiënt een "Risicofactor" heeft (zoals een specifieke allergie). In de oude visie zou de arts kunnen denken: "Ik moet de waarde van de antibiotica berekenen op basis van de Risicofactor, de Symptoombestrijding, de Bijwerkingen, de Verblijfsduur en het Welzijn tegelijkertijd." Het is een enorme, verwarrende berekening.
• De v-CMC Oplossing: Het artikel zegt: "Nee, je hebt dat allemaal niet nodig." Zodra je de Symptoombestrijding en de Bijwerkingen kent (de directe kinderen van de antibiotica), is de Risicofactor irrelevant voor je onmiddellijke waardebepaling van de pil. De Risicofactor doet er alleen toe omdat hij de waarschijnlijkheid van de Bijwerking beïnvloedt. Maar zodra je weet dat de reactie heeft plaatsgevonden (of niet), valt de Risicofactor uit de waardevergelijking.

Dit maakt een Bellman-type recursie mogelijk, wat een chique manier is om te zeggen dat het artikel een afkorting heeft gevonden. Net zoals een personage in een videogame zijn score stap voor stap kan berekenen (huidige punten + toekomstige punten), laat het artikel zien dat je de totale waarde kunt berekenen door kleine, lokale bijdragen bij elkaar op te tellen. Je hoeft niet het hele universum te simuleren; je hoeft alleen de waarde van de onmiddellijke volgende stap te kennen.

Wat dit voor jou betekent

Het artikel zit niet alleen in een wiskundig boek; het biedt een nieuwe manier om Influence Diagrams (invloedsdiagrammen) te bouwen. Dit zijn kaarten die computers en mensen helpen beslissingen te nemen. De auteurs laten een algoritme zien dat automatisch deze kaarten kan bouwen op basis van de causale structuur van een probleem. Als je een AI bent die probeert te leren wat een mens leuk vindt (Inverse Reinforcement Learning), of een arts die een behandelplan wil bijwerken wanneer er nieuwe medische bewijzen komen, vertelt dit kader je precies welke delen van je "geluksvormule" moeten veranderen en welke delen hetzelfde kunnen blijven.

Als je bijvoorbeeld ontdekt dat een bepa� of de bijwerking die je dacht dat het had, niet wordt veroorzaakt door een bepaald medicijn, hoef je niet je hele levensvoorkeuren te heroverwegen. Je past alleen het kleine lokale blokje aan dat de link legt tussen het medicijn en die bijwerking. De rest van je waardesysteem blijft stabiel en intact.

De Kern van het Zaken

Het artikel bewijst dat causaliteit en waarde twee kanten van dezelfde munt zijn, maar dat ze in tegengestelde richtingen stromen. Terwijl waarschijnlijkheid stroomt van oorzaken naar effecten, stroomt waarde van effecten terug naar oorzaken. Door dit te accepteren, kunnen we complexe, chaotische menselijke voorkeuren afbreken in heldere, logische stukjes die gemakkelijk te begrijpen, bij te werken en over te dragen zijn.

De auteurs zijn zeer zelfverzekerd over hun wiskunde. Ze hebben niet alleen gegokt; ze hebben bewezen dat drie verschillende manieren om deze regel te formuleren (lokaal, globaal en decompositie) exact hetzelfde zijn. Ze hebben ook bewezen dat hun methode "sound and complete" is, wat betekent dat het elke mogelijke relatie van waarde die aan de regels voldoet vangt, en niets dat dat niet doet. Hoewel ze erkennen dat dit een theoretisch kader is en dat echte menselijke voorkeuren nog complexer kunnen zijn, hebben ze een solide, rigoureuze fundering gelegd voor een nieuw veld: Causal Value Theory. Het suggereert dat de volgende keer dat je een beslissing neemt, je niet zomaar een willekeurige impuls volgt, maar een verborgen causale kaart volgt die getekend, begrepen en verbeterd kan worden.