🤖 AI

To Use AI as Dice of Possibilities with Timing Computation

本文提出了一种以“时序计算”和“可能性”为核心的新型基于动词的人工智能范式，以克服基于名词的建模的局限性，并通过在乳腺癌电子健康记录中无需先验领域知识即可实现患者轨迹的数据驱动发现以及反事实时序推断，证明了其有效性。

原作者： Jia Li, Vipin Kumar, Rui Zhang

发布于 2026-05-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Jia Li, Vipin Kumar, Rui Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用通俗语言和创意类比对该论文的解读。

核心问题：“名词”陷阱

想象一下，你正在描述一部电影。当前人工智能的工作方式就像一本字典。它将每个角色、道具和场景都视为静态的“名词”（一个人、一辆车、一家医院）。它统计这些名词共同出现的频率，并基于统计数据猜测接下来会发生什么。

作者认为，这是一种理解未来的糟糕方式。

类比：想象一位医生正在查看两位病人的情况。
- 病人 A 只接受过一轮化疗。
- 病人 B 接受过三轮化疗。
- 旧式人工智能（基于名词）：会说，“在我们的数据库中，病人 A 的情况更常见，所以病人 A 的路径是‘标准’路径。”它将化疗轮数视为一个固定的标签。
- 现实世界（基于动词）：医生知道病人 A 正处于十字路口。他们可能很快康复，也可能很快去世。病人 B 也处于十字路口，但面临的风险不同。未来不是一个单一的标签；它是选择和时机交织而成的分支路径。

该论文认为，当前的人工智能仍停留在描述“名词”（数据点）的阶段，却未能理解“动词”（行动、选择以及何时发生）。

解决方案：作为“可能性骰子”的人工智能

作者提出了一种构建人工智能的新方法，将时间视为一个可计算的变量，而非固定的时钟。

隐喻：想象你在掷一对骰子。
- 旧式人工智能：告诉你，“根据历史，最可能的点数是 7。”它只给出一个固定的答案。
- 新式人工智能（“可能性骰子”）：它不是给你一个答案，而是掷骰子数千次，向你展示所有可能未来的完整光谱。它不仅仅告诉你“会发生什么”，还向你展示“如果我们改变事件的时机，可能会发生什么”。

这使得人工智能能够作为一种推理工具，而不仅仅是预测工具。它帮助医生提出这样的问题：“如果我们将治疗推迟两周，整个可能性的时间线会如何变化？”

工作原理：“虚拟时间线”

该论文引入了一种特定的技术技巧，称为时机计算（Timing Computation）。

可学习时机 vs. 可计算时机：
- 当前的人工智能可以学习时间（例如，“病人通常在手术后 3 天生病”）。这仅仅是读取时钟。
- 这种新的人工智能可以计算时间。它创建一个虚拟时间线，其中事件的“何时”是一个它可以调整和测试的变量。
“峰度”（时机注意力）：
- 作者使用了一种名为“峰度”的统计指标（听起来很高级，但仅仅意味着“数据聚集的程度”）。
- 类比：想象一群人正在等公交车。
  - 如果所有人都在早上 8:00 整到达，人群就非常“聚集”。这就是高时机注意力。这意味着该事件对每个人来说都是一个关键的决定性时刻。
  - 如果人们在 7:00 到 9:00 之间随机到达，人群就是分散的。这就是低注意力。
- 人工智能利用这一点，无需被告知要看什么，就能自动找出病人旅程中的“关键时刻”。

他们实际做了什么（结果）

该团队利用真实的医疗记录（EHR）在3,276 名乳腺癌患者身上测试了这种方法。他们没有使用任何现有的医疗规则或人类知识来指导人工智能。人工智能完全从数据中自行推断出一切。

他们证明了两件主要事情：

1. 发现隐藏路径（轨迹发现）
人工智能根据治疗历史，自动将患者分组到不同的“故事线”中。

示例：它发现了一组患者，他们服用了特定的心脏药物（利尿剂），其心脏损伤的风险在暂时飙升后下降。
重要性：人工智能发现了一种人类可能忽略的模式，因为它并非在寻找特定的“原因”。它只是观察事件的时机，并看到哪些事件最为重要。

2. “如果”机器（反事实时机）
这是最强大的部分。人工智能可以为一名患者模拟一个“平行宇宙”。

场景：一名患者患有糖尿病、高血压，并刚刚结束第三轮化疗。他们面临极高的心脏损伤风险。
模拟：人工智能问道：“如果这名患者没有接受那第三轮化疗，会怎样？”
结果：人工智能计算出了一条新的时间线。它显示，对于大约一半的患者来说，推迟或跳过该特定治疗会将心脏损伤的风险推至更远的未来（或完全避免）。
关键点：这不是基于公式的猜测，而是基于数据“可能性空间”的计算。

大局观：“世界模型”

最后，作者认为这是迈向世界模型的一步。

当前的人工智能（如聊天机器人）就像一个巨大的句子（名词）图书馆。
这种新方法试图构建一个关于世界实际如何运作（动词）的模型。
他们主张，要真正理解因果关系，我们需要停止将事件视为静态标签，而是开始将它们视为随时间展开的动态行动。

总结

旧方法：人工智能统计名词并猜测最可能的未来。
新方法：人工智能掷“可能性骰子”以绘制所有潜在未来，将时间视为一个可操纵的灵活变量。
证据：在 3000 多名癌症患者身上，人工智能发现了新的、关键的治疗模式，并模拟了关于推迟治疗的“如果”场景，且全程无需被告知要看什么。

注：该论文明确指出，这些是机器学习文献中首次展示这些特定能力。它并未声称人工智能目前正被用于医院治疗患者，而是表明它已在研究环境中成功模拟了这些复杂的时间线。

技术摘要：将 AI 用作具备时序计算能力的可能性之骰

问题陈述
本文指出，当前人工智能中占主导地位的“基于名词”的建模范式——以大语言模型（LLM）和标准机器学习方法为代表——从根本上限制了未来的表征。在该范式中，模型将对象视为稳定、定义明确的实体（令牌、特征、数据点），将关系视为函数映射（ $f(x)=y$ ）。尽管这种方法在结果预测方面行之有效，但它无法将未来表征为一个开放的时序维度。它依赖于对纳入哪些变量的推测，往往用密集的相关性替代因果关系。此外，现有的因果推断方法虽然利用了反事实，但仍基于相关变量是封闭的且已预先详尽指定的假设。因此，当前模型无法充分表征“可选择的未来”，也无法就事件何时可能发生进行真正的反事实推理，因为它们将时间视为固定的、已观测的输入，而非一个可计算的变量。

方法论：基于动词的范式
作者提出了一种“基于动词”的范式，将建模目标从单一的、确定的未来转向完整的可能性未来空间。核心创新是时序计算，定义为将时间不仅视为可学习的输入特征，而且视为源自模型内部逻辑的可计算维度的能力。

关键的方法论组成部分包括：

可能性变量：作者将变量从 $X \in \mathbb{R}^n$ 重新定义为可能性变量 $X = (X, t) \in \mathbb{R}^{n+1}$ ，其中 $t$ 是一个可计算的时序维度。
时序可学习与时序可计算：本文区分了“时序可学习”（从真实标签中提取时序信息）与“时序可计算”（预测时序分布）。现有方法缺乏后者，因为它们缺乏可能时序分布的形式化定义。
神经网络实现：该框架利用通过反向传播训练的神经网络。与预先指定 $f(x)=y$ 的前向建模不同，该方法从确定的结果（ $y$ ）反向推理，以恢复过去事件（ $x$ ）的历史意义。
虚拟时间线（ $\tau$ ）：模型构建了一个潜在时序空间，其中输入时间戳被视为真实标签，但虚拟相对时序 $\tau(t)$ 由可训练参数定义。这使得模型能够生成同一事件的多个独立实例，从而产生可能时序的分布，而非单一的点估计。
时序注意力：通过峰度（称为“时序注意力”）来衡量时序分布在患者队列中的集中程度。具有较高时序注意力的事件表现出更集中的分布，表明其具有更大的时序显著性。

主要贡献

理论框架：本文引入了一种基于动词的本体论，其中“动词”（行动/选择）代表开放的可能性，而“时序”是因果推理中必不可少的可计算变量。它主张 AI 应充当“可能性之骰”——将开放未来的空间滚动呈现——而非作为提供固定答案的神谕。
时序计算的形式化定义：作者提供了神经网络背景下时序计算的首个形式化定义，将其与标准的生存分析或时间序列预测区分开来。
无需先验知识的数据驱动发现：该框架证明，临床显著的轨迹和反事实时序推断可以纯粹通过数据驱动的方法实现，无需任何先验领域知识或预先指定的变量集。

结果
该框架应用于来自3,276 名乳腺癌患者的纵向电子健康记录（EHR）数据，以预测心脏毒性诱发的心脏病发作时间。该研究报告了两个主要的实证演示：

患者轨迹的自动发现：
- 模型在没有预定义规则的情况下自动识别了具有临床意义的患者轨迹。
- 时序注意力（ $\kappa$ ）：队列规模较大的事件始终显示出更高的时序注意力。
- 轨迹收敛：模型识别出不同的中间路径可以在共享的终端事件（例如第二次放射治疗）处汇合，表明它们具有等效的时序显著性。
- 关键转折点：模型检测到了特定事件（例如利尿剂的给药），在这些事件中，心脏毒性的阳性率达到峰值随后下降，这与其它路径中的单调趋势形成对比。
- 效率：该方法并发评估事件，无需逻辑排序约束，避免了传统基于关联规则方法的指数级搜索复杂度。
反事实时序推断：
- 模型通过假设阳性患者（即发展为心脏毒性的患者）保持阴性状态，进行了反事实推理。
- 时序偏移：所得分布显示，对于大约一半的队列，在反事实假设下，第三次靶向治疗（Target_3）的相对时间显著向更大的数值偏移。
- 临床意义：这表明推迟或取消第三次靶向治疗可以显著降低这些特定患者的心脏毒性发作风险。

意义与主张
本文声称，这些结果代表了机器学习文献中首次仅使用数据驱动方法进行的自动轨迹发现和反事实时序推断的演示。

作者认为，这项工作解决了“思维语法”（具有未来导向性和选择导向性）与当前建模范式之间的根本差距。通过将“事实”（因果场景的概念内容）视为可能性空间内的基本单元，基于动词的范式：

通过将残留的因果结构吸收进开放的可能性空间，而不是错误地归因于观测变量，从而消解了基于名词的推理所固有的混杂问题。
为新一代生成式模型（“世界模型”）奠定了基础，这些模型在结构上与人类概念结构保持一致，超越了当前大语言模型的统计令牌关联。

本文明确指引读者参考配套的技术论文（Li et al., 2026）以获取实施细节，并坚持认为当前工作确立了从基于名词的建模转向基于动词的建模的概念和实证必要性。