To Use AI as Dice of Possibilities with Timing Computation

Resumo Técnico: Utilizar a IA como Dados de Possibilidades com Computação de Temporização

Declaração do Problema
O artigo argumenta que o paradigma de modelagem "baseado em substantivos" dominante na IA — exemplificado por Modelos de Linguagem de Grande Escala (LLMs) e abordagens padrão de aprendizado de máquina — restringe fundamentalmente a representação do futuro. Neste paradigma, os modelos tratam objetos como entidades estáveis e bem definidas (tokens, características, pontos de dados) e relações como mapeamentos funcionais ($f(x)=y$). Embora eficaz para previsão de resultados, essa abordagem falha em representar o futuro como uma dimensão temporal aberta. Ela depende de especulação sobre quais variáveis incluir, frequentemente substituindo correlações densas por causalidade. Além disso, os métodos existentes de inferência causal, embora utilizem contrafactuais, ainda operam sob a suposição de que as variáveis relevantes são de fim fechado e especificadas exaustivamente com antecedência. Consequentemente, os modelos atuais não conseguem representar adequadamente "futuros escolhíveis" ou realizar raciocínio contrafactual genuíno sobre quando os eventos podem ocorrer, pois tratam o tempo como uma entrada fixa e observada, em vez de uma variável computável.

Metodologia: O Paradigma Baseado em Verbos
Os autores propõem um paradigma "baseado em verbos", onde o alvo da modelagem desloca-se de um único futuro determinado para o espaço completo de futuros possíveis. A inovação central é a Computação de Temporização, definida como a capacidade de tratar o tempo não meramente como uma característica de entrada aprendível, mas como uma dimensão computável derivada da lógica interna do modelo.

Os componentes metodológicos chave incluem:

• Variáveis de Possibilidade: Os autores redefinem variáveis de $X \in \mathbb{R}^n$ para variáveis de possibilidade $X = (X, t) \in \mathbb{R}^{n+1}$, onde $t$ é uma dimensão de temporização computável.
• Temporização Aprendível vs. Temporização Computável: O artigo distingue entre "temporização-aprendível" (extrair informações temporais da verdade fundamental) e "temporização-computável" (prever distribuições de temporização). Os métodos existentes carecem desta última porque não possuem uma definição formal da Distribuição de Temporização Possível.
• Implementação em Rede Neural: O framework utiliza redes neurais treinadas via retropropagação. Diferentemente da modelagem direta onde $f(x)=y$ é pré-especificado, esta abordagem raciocina de trás para frente, partindo de um resultado determinado ($y$) para recuperar o significado histórico de eventos passados ($x$).
• Linha do Tempo Virtual ($\tau$): O modelo constrói um espaço temporal latente onde carimbos de tempo de entrada são tratados como verdade fundamental, mas uma temporização relativa virtual $\tau(t)$ é definida por parâmetros treináveis. Isso permite que o modelo gere múltiplas instâncias independentes do mesmo evento, criando uma distribuição de temporizações possíveis em vez de uma única estimativa pontual.
• Atenção à Temporização: A concentração da distribuição de temporização em uma coorte de pacientes é medida através da curtose (denominada "atenção à temporização"). Eventos com maior atenção à temporização exibem distribuições mais concentradas, indicando maior significância temporal.

Contribuições Principais

1. Quadro Teórico: O artigo introduz uma ontologia baseada em verbos onde "verbos" (ações/escolhas) representam possibilidades de fim aberto, e "temporização" é uma variável computável essencial para o raciocínio causal. Postula-se que a IA deve funcionar como "dados de possibilidades" — lançando à vista o espaço de futuros abertos — em vez de funcionar como um oráculo entregando respostas fixas.
2. Definição Formal de Computação de Temporização: Os autores fornecem a primeira definição formal de computação de temporização no contexto de redes neurais, distinguindo-a da análise de sobrevivência padrão ou previsão de séries temporais.
3. Descoberta Orientada por Dados sem Conhecimento Prévio: O framework demonstra que trajetórias clinicamente significativas e deduções de temporização contrafactual podem ser alcançadas puramente através de métodos orientados por dados, não exigindo conhecimento prévio de domínio ou conjuntos de variáveis pré-especificados.

Resultados
O framework foi aplicado a dados longitudinais de Prontuário Eletrônico de Saúde (EHR) de 3.276 pacientes com câncer de mama para prever o tempo de início de doenças cardíacas induzidas por cardiotoxicidade. O estudo relata duas demonstrações empíricas primárias:

1. Descoberta Automática de Trajetórias de Pacientes:

   • O modelo identificou automaticamente trajetórias de pacientes clinicamente significativas sem regras pré-definidas.
   • Atenção à Temporização ($\kappa$): Eventos com tamanhos de coorte maiores mostraram consistentemente maior atenção à temporização.
   • Convergência de Trajetória: O modelo identificou que diferentes caminhos intermediários podem convergir em um evento terminal compartilhado (por exemplo, uma segunda radioterapia), indicando significância temporal equivalente.
   • Pontos de Virada Críticos: O modelo detectou eventos específicos (por exemplo, administração de diuréticos) onde a taxa positiva de cardiotoxicidade atingiu o pico e depois declinou, contrastando com tendências monótonas em outros caminhos.
   • Eficiência: A abordagem avaliou eventos simultaneamente sem restrições de ordenação lógica, evitando a complexidade de busca exponencial dos métodos tradicionais baseados em regras de associação.

2. Dedução de Temporização Contrafactual:

   • O modelo realizou raciocínio contrafactual assumindo que pacientes positivos (aqueles que desenvolveram cardiotoxicidade) permaneceram negativos.
   • Mudanças de Temporização: As distribuições resultantes mostraram que, para aproximadamente metade da coorte, a temporização relativa da terceira terapia direcionada (Target_3) deslocou-se marcadamente para valores maiores sob a suposição contrafactual.
   • Implicação Clínica: Isso sugere que adiar ou cancelar a terceira terapia direcionada poderia reduzir substancialmente o risco de início de cardiotoxicidade para esses pacientes específicos.

Significado e Alegações
O artigo alega que esses resultados representam as primeiras demonstrações desse tipo na literatura de aprendizado de máquina tanto para descoberta automática de trajetórias quanto para dedução de temporização contrafactual usando métodos puramente orientados por dados.

Os autores argumentam que este trabalho aborda uma lacuna fundamental entre a "gramática do pensamento" (que é direcionada ao futuro e orientada para escolhas) e os paradigmas de modelagem atuais. Ao tratar o "factum" (o conteúdo conceitual de um cenário causal) como uma unidade primitiva dentro de um espaço de possibilidades, o paradigma baseado em verbos:

• Dissolve o problema de confusão inerente à inferência baseada em substantivos, absorvendo a estrutura causal residual em um espaço de possibilidades aberto em vez de atribuí-lo erroneamente a variáveis observadas.
• Fornece uma base para uma nova classe de modelos generativos ("Modelos de Mundo") que estão estruturalmente alinhados com estruturas conceituais humanas, indo além das associações estatísticas de tokens dos LLMs atuais.

O artigo direciona explicitamente os leitores para um artigo técnico acompanhante (Li et al., 2026) para detalhes de implementação, mantendo que o trabalho atual estabelece a necessidade conceitual e empírica de uma transição da modelagem baseada em substantivos para a modelagem baseada em verbos.