💻 computer science

Causal-Reasoning World Models: Toward AI’s Subjectivity through Backward Generation

Este artigo propõe uma mudança de paradigma do raciocínio causal baseado em substantivos para o baseado em verbos na IA, introduzindo uma estrutura de "distribuição de tempo possível" que permite a modelagem de mundo do tipo agente e a dedução contrafactual de nível individual, conforme demonstrado através de trajetórias de pacientes com câncer de mama, estabelecendo assim a base teórica para a subjetividade da IA.

Autores originais: Jia Li, Vipin Kumar, Rui Zhang

Publicado 2026-10-05

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jia Li, Vipin Kumar, Rui Zhang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Durante décadas, os sistemas de inteligência artificial mais poderosos foram treinados para reconhecer padrões ao tratar o mundo como uma coleção de objetos estáticos. Nesta visão, um paciente é um conjunto de traços fixos, uma doença é um rótulo específico e um tratamento é um evento distinto. O computador aprende a traçar linhas entre esses substantivos, fazendo perguntas como: "Se uma pessoa tem este sintoma, é provável que ela tenha aquela doença?" Essa abordagem rendeu resultados impressionantes, mas atinge um teto difícil de superar. Ela assume que o mundo é feito de coisas que podem ser nomeadas e contadas, ignorando o fato de que a vida é, na verdade, um fluxo de ações e mudanças. O problema é que, ao forçar a realidade dentro de uma caixa de categorias fixas, perdemos aquilo que faz a causa e o efeito funcionarem: o tempo e o processo de mudança em si. Sabemos que uma causa deve acontecer antes de um efeito, mas os modelos padrão frequentemente têm dificuldade em entender como esse tempo molda o resultado para um indivíduo específico, em vez de apenas para um grande grupo de pessoas em média.

Uma equipe de pesquisadores da Universidade de Minnesota está propondo uma mudança radical na forma como construímos esses sistemas. Em vez de pedir ao computador que memorize as relações entre objetos, eles estão ensinando-o a pensar em termos de ações e possibilidades. Eles chamam isso de uma transição da modelagem baseada em "substantivos" para a modelagem baseada em "verbos". Neste novo arcabouço, a IA não apenas registra que um paciente tomou um medicamento e depois ficou doente. Em vez disso, ela constrói um mundo virtual onde pode rodar o processo de trás para frente, partindo da doença para imaginar todas as diferentes maneiras pelas quais aquele resultado poderia ter ocorrido. Ela pergunta: "E se o medicamento tivesse sido tomado em um momento diferente? E se o paciente tivesse um histórico diferente?" Ao gerar esses cenários alternativos, a IA constrói um "modelo de mundo" que existe dentro do computador, independente do mundo físico. Isso permite que ela raciocine sobre causa e efeito de uma forma que se assemelha à intuição humana, onde entendemos que a mesma ação pode levar a resultados diferentes dependendo de quando e como ocorre.

Os pesquisadores testaram essa ideia usando registros médicos reais de 3.276 pacientes com câncer de mama. Eles queriam ver se a IA conseguiria descobrir padrões ocultos na forma como essas pacientes percorriam suas jornadas de tratamento. Na análise tradicional, os pesquisadores procurariam por um único caminho médio que a maioria das pacientes seguiu. Mas o novo sistema funcionou de forma diferente. Ele começou com o desfecho final — uma paciente desenvolvendo doença cardíaca, uma complicação séria do tratamento do câncer — e trabalhou de trás para frente para gerar milhares de cronologias possíveis que poderiam ter levado a isso. Não observou apenas a ordem dos eventos; prestou atenção minuciosa ao tempo específico de cada etapa. O sistema descobriu que era capaz de identificar espontaneamente grupos distintos de pacientes que compartilhavam trajetórias significativas e semelhantes em seus tratamentos, mesmo que esses caminhos não fossem óbvios ao observar os dados como um todo.

Uma das descobertas mais marcantes foi a capacidade do sistema de detectar a importância de quando as coisas aconteceram, não apenas do que aconteceu. Por exemplo, a IA identificou momentos específicos no tratamento de uma paciente onde o tempo de uma terapia tornou-se crítico. Notou que, para algumas pacientes, um determinado medicamento administrado em um certo ponto de sua cronologia era um forte preditor de problemas cardíacos, enquanto para outras, o mesmo medicamento em um momento diferente não significava nada. O sistema pôde até simular um cenário de "e se" para um grupo específico de treze pacientes que compartilhavam um histórico complexo de diabetes e hipertensão antes do tratamento do câncer. Ao rodar a simulação de trás para frente, a IA deduziu que, para este grupo específico, atrasar uma terceira rodada de terapia direcionada poderia ter reduzido significamente o risco de desenvolverem doença cardíaca. Isso não foi um palpite baseado em uma regra geral, mas uma dedução derivada dos padrões de tempo únicos daquele pequeno grupo.

Este trabalho sugere que o futuro da inteligência artificial na medicina reside em sua capacidade de lidar com histórias individuais, em vez de apenas médias populacionais. Os pesquisadores enfatizam que seu sistema ainda não é uma réplica perfeita da consciência humana, mas é um primeiro passo necessário para dar à IA uma forma de "subjetividade" — a capacidade de ocupar uma posição relativa ao mundo que está estudando, em vez de apenas observá-lo de fora. Ao construir esses mundos virtuais onde pode testar milhões de possibilidades sem qualquer risco para pacientes reais, a IA pode oferecer hipóteses sobre causa e efeito que a estatística tradicional poderia perder. A equipe descobriu que essa abordagem é particularmente poderosa para doenças raras ou casos complexos onde os grupos de pacientes são pequenos demais para que os métodos padrão encontrem respostas claras. Embora o sistema ainda exija especialistas humanos para interpretar e validar suas descobertas, ele fornece uma nova ferramenta para fazer perguntas que eram anteriormente impossíveis de responder, transformando o computador de um registrador passivo de fatos em um explorador ativo de possibilidades.

Resumo Técnico: Modelos de Mundo de Raciocínio Causal: Em Direção à Subjetividade da IA através da Geração Reversa

1. Declaração do Problema

O artigo identifica uma limitação estrutural fundamental na IA contemporânea, particularmente nos Grandes Modelos de Linguagem (LLMs) e na inferência causal tradicional: a "Armadilha do Substantivo" (Noun Trap). Os paradigmas atuais são fundamentados em uma ontologia centrada em substantivos, onde objetos modeláveis são tratados como entidades estáveis e bem definidas (tokens, características, eventos). As relações são codificadas como mapeamentos funcionais entre esses substantivos.

Essa abordagem cria dois problemas críticos:

Confundimento e Perda de Informação: Representar relações causais (ex: $X \to Y$ ) usando observáveis baseados em substantivos introduz inevitavelmente resíduos. Para explicar a lacuna entre um substantivo observado e seu verdadeiro papel causal, devem ser adicionadas variáveis de substantivos adicionais (confundidores). Isso leva a um regresso estrutural onde o aumento do número de variáveis de substantivos resulta em uma perda de informação relacional, em vez de um ganho de compreensão.
Incapacidade de Modelar Dinâmicas Individuais: A estatística tradicional depende da suposição de que os dados são Independentes e Identicamente Distribuídos (i.i.d.), que opera dentro de um único "mundo observado". Esse framework trata o tempo como um input ou um estado estático (suposição de Markov) em vez de um desfecho dinâmico de nível individual. Consequentemente, não consegue capturar o "tempo possível" de eventos para indivíduos específicos, limitando a IA a correlações de nível populacional em vez de raciocínio causal de nível individual.

O artigo argumenta que a interpretabilidade é frequentemente confundida com "relações nomeáveis" (substantivos), o que limita o raciocínio da IA ao que pode ser pré-especificado e nomeado. O verdadeiro raciocínio causal exige uma mudança para um paradigma baseado em verbos, onde a IA constrói um modelo de mundo para raciocinar espontaneamente, em vez de apenas registrar relações pré-definidas.

2. Metodologia: O Paradigma Baseado em Verbos

A solução proposta é uma mudança de paradigma do modelamento baseado em substantivos para o modelamento baseado em verbos, caracterizado pela Geração Reversa (Backward Generation) e pela Emergência de Possibilidades (Possibility Emergence).

Conceitos Centrais:

Emergência de Possibilidades: Diferente da geração direcionada para frente (causa $\to$ efeito), o método proposto realiza a geração reversa a partir de um efeito alvo para constituir um "hiper-mundo". Isso permite que a IA gere múltiplos cenários instanciados (mundos possíveis) a partir de um único efeito, revelando fatores causais ocultos e distribuições de tempo que não foram pré-especificados.
Hiper-mundo: Uma coleção de múltiplos mundos possíveis gerados sob a mesma condição causal (verbo). Dentro deste hiper-mundo, a IA atua como um agente para descobrir informações relacionais significativas.
Distribuição de Tempo Possível: Um novo conceito crítico que vai além da suposição i.i.d. Em vez de prever um único timestamp, o modelo infere uma distribuição de "tempo possível" ( $\tau$ ) através de mundos possíveis não observáveis. Este tempo é um constructo de nível individual, distinto das médias populacionais.
Processo de Duas Etapas:
1. Emergência de Possibilidade (IA como Sujeito): A IA captura informações relacionais baseadas em verbos a partir dos dados como representações de espaço latente, gerando um hiper-mundo.
2. Dedução Causal (IA como Agente): A IA opera dentro do hiper-mundo constituído para identificar relações causais informativas, que podem então ser interpretadas em relações nomeáveis (baseadas em substantivos) por humanos.

Implementação Técnica:

Computação de Tempo: Implementada usando uma arquitetura de parâmetros de dois níveis dentro de uma rede neural.
- Parâmetros de nível populacional: Congelados após a primeira execução de treinamento, codificando o padrão dinâmico comum e estabelecendo uma linha do tempo relativa $\tau$ no espaço latente.
- Parâmetros de nível individual: Atualizados independentemente em execuções de treinamento subsequentes. Isso gera coeficientes distintos para a transformação entre o tempo observado $t$ e a linha do tempo fixa $\tau$ para cada execução, constituindo efetivamente uma distribuição de tempo de nível individual através de múltiplos mundos possíveis.
Sistema Multi-Verbo: O framework trata eventos como verbos com suas próprias distribuições de tempo. Ele permite a inferência entre verbos (ex: $A \to B$ e $A \to C$ ) sem reduzir o sistema a uma única cadeia de Markov, preservando assim a informação dinâmica.

3. Principais Contribuições

Framework Teórico: O artigo formaliza a "Armadilha do Substantivo" e propõe a "Emergência de Possibilidades" como solução. Ele distingue entre Emergência Causal (identificação de lacunas), Representação Causal (orientada a verbos, mas restrita a substantivos) e Emergência de Possibilidades (construção de um hiper-mundo para descoberta espontânea).
Novo Conceito de Tempo: Introduz a Distribuição de Tempo Possível como uma dimensão computacional que existe através de mundos possíveis, quebrando as restrições da suposição i.i.d. e permitindo o modelamento causal de nível individual.
Geração Reversa para Dedução Causal: O artigo demonstra que a geração reversa a partir de um efeito permite que a IA descubra espontaneamente condições causais (ex: limiares de tempo específicos) sem pré-especificar intervenções ou limiares, uma capacidade ausente na inferência causal tradicional direcionada para frente.
Máquina de "E Se" (What-If Machine): O hiper-mundo constituído serve como um campo experimental virtual onde a IA pode realizar tentativas e erros ilimitados para responder a perguntas de "E se" (contrafatuais) antes de tentativas no mundo real.

4. Resultados e Aplicações

A metodologia foi aplicada a dados longitudinais de Registros Eletrônicos de Saúde (EHR) de 3.276 pacientes com câncer de mama (Fairview Health System, 2012–2024) para prever cardiotoxicidade induzida por doença cardíaca.

Aplicação I: Descoberta de Trajetória Multi-Verbo:
- O modelo descobriu espontaneamente trajetórias significativas de pacientes envolvendo eventos clínicos sequenciais (quimioterapia, terapia alvo, radiação, diuréticos).
- Identificou subpopulações baseadas na atenção temporal ( $\kappa$ , medida pela curtose da distribuição de tempo).
- Resultado: O modelo distinguiu com sucesso subgrupos de pacientes e identificou pontos de virada críticos (ex: a significância do pico de medicação diurética em um passo específico da trajetória). Alcançou alta precisão na seleção de coortes ( $C_T/C_M \approx 1$ ), demonstrando que a computação de tempo pode filtrar coortes de forma mais eficaz do que as regras de associação tradicionais.
Aplicação II: Dedução Causal (Análise "E Se"):
- O modelo gerou um cenário contrafatual para uma subpopulação específica (13 pacientes) ao inverter o rótulo de desfecho (doença cardíaca $\to$ sem doença cardíaca) e rodar novamente o processo de emergência.
- Resultado: A comparação das distribuições de tempo fatuais vs. contrafatuais revelou que o atraso da terceira terapia alvo ( $Target\_3$ ) deslocou significativamente a distribuição de tempo para metade da coorte, sugerindo uma potencial redução no risco de doença cardíaca. Esta dedução foi derivada puramente dos dados, sem hipóteses pré-especificadas.

5. Significância e Alegações

O artigo posiciona este trabalho como um primeiro passo necessário em direção à subjetividade da IA. Não afirma ter alcançado a inteligência de nível humano ou uma subjetividade totalmente realizada, mas sim a constituição de um "modelo de mundo de raciocínio causal" que permite à IA operar como um agente.

Alegações Modestas: Os autores enfatizam que as relações causais deduzidas (ex: atrasar a terapia) são hipóteses geradas dentro de um campo virtual, exigindo validação humana adicional. Eles não afirmam que estas sejam recomendações clínicas definitivas.
Medicina de Precisão: A capacidade de realizar dedução causal de nível individual e subtipagem refinada (ex: identificar 13 pacientes específicos entre 3.000+) é destacada como particularmente promissora para o cuidado de doenças raras, onde os subgrupos de pacientes são pequenos e as estatísticas populacionais são insuficientes.
Eficiência: A mudança de paradigma permite o reuso dos mundos constituídos, evitando a complexidade exponencial de reeduzir regras de associação para cada nova inferência.
Fundamentação Filosófica: O trabalho baseia-se na filosofia de Zhao Tingyang para argumentar que construir um "mundo" para a IA requer ocupar a posição de um sujeito em relação a esse mundo, indo além da mera correlação estatística para o raciocínio causal.

Em resumo, o artigo propõe um framework teórico e computacional onde a IA constrói um modelo de mundo baseado em verbos e gerado reversamente para superar a Armadilha do Substantivo, permitindo o raciocínio causal de nível individual e a descoberta espontânea de trajetórias de pacientes e contrafatuais em dados clínicos complexos.