أعلنت مجموعة من الباحثين عن نتائج ثورية تتعلق بنماذج العوالم في الذكاء الاصطناعي، حيث تشير الدراسة إلى وجود قيود جادة في طريقة معالجة البيانات. يعتمد العديد من الباحثين على افتراضات بأن البيانات الكافية ستسمح لنموذج قوي بتحقيق النتائج المرجوة، لكن هذه الدراسة تكشف عن عدم صحة هذا الافتراض ضمن سياقات معينة.

من خلال تحليل مئات النماذج السببية الهيكلية، أظهر المشاركون أن النماذج القوية يمكن أن تنجح في بعض الأبعاد، لكنها تفشل بشكل ملحوظ في أبعاد أخرى غير محددة حيث تحلل المجمولات (Marginals). على سبيل المثال، في 28% من النماذج، تم الوصول إلى نتيجة غير صالحة لا يمكن لأي نموذج تقليدي إنتاجها، رغم أن الحقيقة تكمن في نطاق مقبول يعجز المزيد من البيانات عن تضييقه.

تكمن مشكلة النموذج في هيكله: لا يمكن للتنبؤات أن تمثل عدم اليقين في العلاقات بين العوالم المضادة، مما يتطلب ذكاءً أقوى لتعويض هذا الخلل. اقترح الباحثون نموذج عالم ككونية جرائية إيجابية (Positive Semidefinite Coupling Kernel K)، حيث يمثل المشاركون الاحتمالات التي تعكسها البيانات في الوحدات القابلة للاستخدام.

أظهرت الدراسة أن هناك دولتين تمتلكان احتمالات مماثلة، إلا أنهما يختلفان عندما يتم طرح سؤال بين العوالم. يتمثل دور العلاقات العابرة للعوالم في إصلاح المعضلات المضادة. من ناحية أخرى، يمكن تقليل الفجوة عبر تطبيق قيود مستهدفة تعلمت من التحديات التي تمت مواجهتها، مما يحسن سرعة التدخلات بشكل كبير.

تقدم هذه الأبحاث وجهة نظر مختلفة حول كيفية معاملة نماذج العوالم والبناء على النتائج المحتملة المتاحة لنا، مما يدل على أهمية الفهم العميق لعلاقات البيانات في مجال الذكاء الاصطناعي.