الذكاء الاصطناعي والاستدلال السببي: الفجوة من الارتباط إلى الرؤية

تتفوق نماذج الذكاء الاصطناعي الحديثة، وخاصة التعلم العميق، في التعلم من كميات هائلة من البيانات وتحديد الأنماط المعقدة. ومع ذلك، فإنها تكشف بشكل أساسي عن **الارتباط (Correlation)** بين المتغيرات، وليس بالضرورة **السببية (Causation)**. [مُتحقق منه · مرجع] في البيانات الرصدية في العالم الحقيقي، غالبًا ما تكون عملية توليد نقاط البيانات معقدة ويصعب التقاطها بالكامل. تكمن المشكلة الأساسية في وجود **المتغيرات المربكة (Confounding Variables)**. قد تؤثر هذه المتغيرات في السبب والنتيجة في نفس الوقت، مما يؤدي إلى تعلم نماذج الذكاء الاصطناعي لارتباطات زائفة ناتجة عن عوامل مربكة، بدلاً من التأثير السببي الحقيقي. على سبيل المثال، في البيانات الطبية، قد يتأثر استخدام دواء معين وسرعة تعافي المريض بالحالة الصحية للمريض نفسه، وهو متغير مربك لم يتم رصده بشكل مباشر. بدون تدخل خارجي، يصعب على الذكاء الاصطناعي التمييز بين ما إذا كان الدواء فعالاً أم أن حالة المريض الصحية أفضل.

تصبح قيود البيانات الرصدية أكثر وضوحًا بشكل خاص عند وجود **متغيرات مربكة غير مرصودة (Unobserved Confounders)**. يمكن لهذه العوامل الخفية أن تقوض تمامًا أي محاولة للاستدلال على السببية بالاعتماد على البيانات وحدها. حتى أكثر أساليب الذكاء الاصطناعي أو الإحصاءات تقدمًا، يصعب عليها استنتاج العلاقات السببية الحقيقية وتأثيرات التدخل بشكل موثوق في غياب معلومات حول هذه المتغيرات المربكة غير المرصودة. [مُتحقق منه · مرجع] يكشف هذا عن التحدي الأساسي الذي يواجه الاستدلال السببي الذي يعتمد بشكل بحت على البيانات الرصدية: فالبيانات نفسها لا يمكن أن توفر صورة كاملة لآلية توليدها، بينما تكمن العلاقات السببية تحديدًا في هذه الآلية. كأداة قوية للتعرف على الأنماط، يستطيع الذكاء الاصطناعي تعلم الارتباطات في البيانات ببراعة، لكنه لا يستطيع خلق معلومات سببية مفقودة في البيانات من العدم.

مما لا شك فيه أن نماذج الذكاء الاصطناعي (وخاصة نماذج التعلم العميق) تُظهر أداءً متميزًا في تحديد الأنماط المعقدة وإجراء **تنبؤات (Prediction)** عالية الدقة. [مُتحقق منه · مرجع] يمكنها تعلم تعيينات غير خطية معقدة من كميات هائلة من بيانات الإدخال، وبالتالي التنبؤ بدقة بالنتائج المستقبلية أو الخصائص غير المعروفة في ظل ظروف الرصد الحالية. وقد أدت هذه القدرة إلى اختراقات ثورية في العديد من المجالات، مثل التعرف على الصور ومعالجة اللغة الطبيعية وأنظمة التوصية. ومع ذلك، فإن التميز في التنبؤ لا يعادل فهم السببية. فالتنبؤ يركز على "ماذا سيحدث"، بينما يسعى الاستدلال السببي إلى الإجابة على "ماذا سيحدث لـ Y إذا فعلت X" و"لماذا يحدث ذلك".

في مجال الاستدلال السببي، يتم استكشاف تقنيات الذكاء الاصطناعي بنشاط، على سبيل المثال، **خوارزميات اكتشاف السببية (Causal Discovery Algorithms)**، مثل خوارزمية PC وخوارزمية FCI، التي تحاول تعلم هيكل الرسم البياني السببي الكامن من البيانات الرصدية. بالإضافة إلى ذلك، يستخدم **التعلم الآلي في إطار النتائج المحتملة (Machine Learning in Potential Outcomes Framework)** نماذج الذكاء الاصطناعي لتقدير متوسط تأثير العلاج (ATE) أو تأثير العلاج الفردي (CATE). [مُتحقق منه · مرجع] تهدف هذه الأساليب إلى تقريب تأثير التجارب العشوائية ذات الشواهد (RCTs) من خلال تعديلات إحصائية معقدة. ومع ذلك، فإن فعالية هذه المحاولات تعتمد بشكل كبير على افتراضات قوية، مثل افتراض عدم وجود متغيرات مربكة غير مرصودة أو أن جميع المتغيرات المربكة ذات الصلة قد تم رصدها ونمذجتها بشكل صحيح. [مُتحقق منه · مرجع] بمجرد عدم صحة هذه الافتراضات، قد تكون نتائج الاستدلال السببي للذكاء الاصطناعي منحازة أو خاطئة تمامًا، مما يشير إلى أن الذكاء الاصطناعي نفسه لا يمكنه التغلب على القيود الجوهرية لمصدر البيانات.

لفهم العلاقات السببية بشكل موثوق والتنبؤ بدقة بتأثيرات التدخل، غالبًا ما تكون البيانات الرصدية البحتة غير كافية. المسار الأكثر موثوقية هو إدخال **البيانات التدخلية (Interventional Data)**، حيث تعتبر **التجارب العشوائية ذات الشواهد (Randomized Controlled Trials, RCTs)** المعيار الذهبي. [مُتحقق منه · مرجع] من خلال التخصيص العشوائي، تفصل التجارب العشوائية ذات الشواهد مجموعات التدخل عن مجموعات التحكم، مما يلغي بشكل فعال تأثير المتغيرات المربكة، وبالتالي يمكن ملاحظة التأثير السببي للتدخل مباشرة. يكسر هذا التصميم التجريبي بشكل استباقي التحيزات المحتملة في عملية توليد البيانات، مما يمكننا من إسناد تأثير معين بوضوح. لذلك، في الظروف المواتية، يعد تصميم وتنفيذ تجارب صغيرة النطاق وموجهة أمرًا أساسيًا للتحقق من الفرضيات السببية التي يضعها الذكاء الاصطناعي بناءً على البيانات الرصدية.

بالإضافة إلى البيانات التجريبية، تلعب **المعرفة المتخصصة بالمجال (Domain Expertise)** دورًا لا غنى عنه في سد الفجوة السببية. [مُتحقق منه · مرجع] يمكن للخبراء البشريين تقديم معلومات قيمة حول الهيكل السببي الكامن بين المتغيرات، والعوامل المربكة المعروفة، وآلية توليد البيانات، مما يمكن أن يساعد بشكل كبير أو حتى يصحح استدلال الذكاء الاصطناعي السببي. يمكن أن يؤدي الجمع بين مصادر البيانات والأساليب المتعددة، مثل دمج البيانات الرصدية مع كمية صغيرة من البيانات التدخلية، أو استخدام المعرفة الهيكلية المسبقة المعروفة لتوجيه نماذج الذكاء الاصطناعي، إلى تعزيز موثوقية الاستدلال السببي بشكل كبير. [استنتاج] لا يوفر هذا المنهج المختلط إشارات سببية أكثر ثراءً لنماذج الذكاء الاصطناعي فحسب، بل ينشئ أيضًا حاجز تحقق مهمًا بين نتائج استدلال النموذج ومنطق العالم الحقيقي، مما يجعل الرؤى السببية النهائية أكثر صلابة.