Causal-Reasoning World Models: Toward AI’s Subjectivity through Backward Generation
Dit artikel stelt een paradigmaverschuiving voor van zelfstandig naamwoord-gebaseerd naar werkwoord-gebaseerd causaal redeneren in AI, waarbij een "mogelijke tijdsverdelingskader" wordt geïntroduceerd dat agent-achtige wereldmodellering en deductie op individueel niveau van contrafeitelijkheden mogelijk maakt, zoals gedemonstreerd door trajecten van borstkankerpatiënten, waarmee de theoretische grondslag voor AI-subjectiviteit wordt gelegd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Decennialang zijn de krachtigste kunstmatige intelligentiesystemen getraind om patronen te herkennen door de wereld te behandelen als een verzameling statische objecten. In dit beeld is een patiënt een set vaste kenmerken, een ziekte een specifieke label, en een behandeling een afzonderlijke gebeurtenis. De computer leert lijnen te trekken tussen deze zelfstandige naamwoorden, waarbij vragen worden gesteld als: "Als een persoon dit symptoom heeft, is het dan waarschijnlijk dat zij die ziekte hebben?" Deze benadering heeft indrukwekkende resultaten opgeleverd, maar loopt tegen een hard plafond aan. Het gaat ervan uit dat de wereld bestaat uit dingen die benoemd en geteld kunnen worden, waarbij het feit wordt genegeerd dat het leven eigenlijk een stroom van acties en veranderingen is. Het probleem is dat door de werkelijkheid in een doos van vaste categorieën te dwingen, we precies datgene verliezen wat oorzaak en gevolg laat werken: de timing en het proces van verandering zelf. We weten dat een oorzaak vóór een gevolg moet plaatsvinden, maar standaardmodellen worstelen vaak met het begrijpen van hoe die timing de uitkomst vormgeeft voor een specifiek individu, in plaats van alleen voor een grote groep mensen gemiddeld.
Een team van onderzoekers aan de Universiteit van Minnesota stelt een radicale verschuiving voor in de manier waarop we deze systemen bouwen. In plaats van de computer te vragen om relaties tussen objecten te memoriseren, leren ze de computer te denken in termen van acties en mogelijkheden. Ze noemen dit een beweging van "zelfstandig naamwoord-gebaseerde" modellering naar "werkwoord-gebaseerde" modellering. In dit nieuwe kader registreert de AI niet alleen dat een patiënt een medicijn heeft ingenomen en daarna ziek is geworden. In plaats daarvan construeert het een virtuele wereld waarin het achteruit kan draaien vanaf de ziekte om zich alle verschillende manieren voor te stellen waarop die uitkomst had kunnen plaatsvinden. Het vraagt: "Wat als het medicijn op een ander moment was ingenomen? Wat als de patiënt een andere geschiedenis had?" Door deze alternatieve scenario's te genereren, bouwt de AI een "wereldmodel" dat binnen de computer bestaat, onafhankelijk van de fysieke wereld. Dit stelt het in staat om over oorzaak en gevolg te redeneren op een manier die meer aanvoelt als menselijke intuïtie, waarbij wij begrijpen dat dezelfde actie tot verschillende resultaten kan leiden, afhankelijk van wanneer en hoe deze plaatsvindt.
De onderzoekers testten dit idee met behulp van echte medische dossiers van 3.276 borstkankerpatiënten. Ze wilden zien of de AI verborgen patronen kon ontdekken in hoe deze patiënten door hun behandeltrajecten bewogen. In traditionele analyses zouden onderzoekers kijken naar één gemiddeld pad dat de meeste patiënten volgden. Maar het nieuwe systeem werkte anders. Het begon bij de uiteindelijke uitkomst — het ontwikkelen van hartziekte bij een patiënt, een ernstige complicatie van kankerbehandeling — en werkte achteruit om duizenden mogelijke tijdlijnen te genereren die tot daar hadden kunnen leiden. Het keek niet alleen naar de volgorde van gebeurtenissen; het besteedde specifieke aandacht aan de exacte timing van elke stap. Het systeem ontdekte dat het spontaan onderscheidende groepen patiënten kon identificeren die vergelijkbare, significante paden door hun behandeling deelden, ook al waren die paden niet voor de hand liggend wanneer men naar de gegevens als geheel kijkt.
Een van de meest opvallende bevindingen was het vermogen van het systeem om het belang van wanneer dingen gebeurden te signaleren, niet alleen wat er gebeurde. De AI identificeerde bijvoorbeeld specifieke momenten in het behandeltraject van een patiënt waarop de timing van een therapie cruciaal werd. Het merkte op dat voor sommige patiënten de toediening van een bepaald medicijn op een bepaald punt in hun tijdlijn een sterke voorspeller was van hartproblemen, terwijl datzelfde medicijn op een ander moment voor anderen niets betekende. Het systeem kon zelfs een "wat-als"-scenario simuleren voor een specifieke groep van dertien patiënten die een complexe geschiedenis van diabetes en hoge bloeddruk deelden vóór hun kankerbehandeling. Door de simulatie achteruit te draaien, concludeerde de AI dat het voor deze specifieke groep uitstellen van een derde ronde van gerichte therapie hun risico op het ontwikkelen van hartziekte aanzienlijk had kunnen verminderen. Dit was geen gok gebaseerd op een algemene regel, maar een deductie afgeleid van de unieke timingpatronen van die kleine groep.
Dit werk suggereert dat de toekomst van kunstmatige intelligentie in de geneeskunde ligt in het vermogen om individuele verhalen te hanteren in plaats van alleen populatiegemiddelden. De onderzoekers benadrukken dat hun systeem nog geen perfecte replica is van het menselijk bewustzijn, maar een noodzakelijke eerste stap is naar het geven van een vorm van "subjectiviteit" aan AI — het vermogen om een positie in te nemen ten opzichte van de wereld die het bestudeert, in plaats van deze slechts van buitenaf te observeren. Door deze virtuele werelden te construeren waarin het miljoenen mogelijkheden kan testen zonder enig risico voor echte patiënten, kan de AI hypothesen presenteren over oorzaak en gevolg die traditionele statistiek zou kunnen missen. Het team kwam tot de conclusie dat deze benadering bijzonder krachtig is voor zeldzame ziekten of complexe gevallen waarbij patiëntengroepen te klein zijn voor standaardmethoden om duidelijke antwoorden te vinden. Hoewel het systeem nog steeds menselijke experts vereist om de bevindingen te interpreteren en te valideren, biedt het een nieuw instrument om vragen te stellen die voorheen onbeantwoordbaar waren, waardoor de computer verandert van een passieve recorder van feiten in een actieve ontdekker van mogelijkheden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.