בעידן שבו בינה מלאכותית מתקשה להבין סיבתיות, מחקר חדש מציע פתרון פשוט אך מבריק: 'העצמה'. המונח, שמגיע מעולם למידת ההתחזקות, מתאר אות פנימי שממקסם את המידע המשותף בין פעולות לתוצאותיהן. לפי המחקר שפורסם ב-arXiv (2512.08230), למידת מבנה סיבתי מדויקת בהכרח מגבירה העצמה, והפך. זהו גשר בין מודלים קזואליים בייסיאניים קלאסיים לבין למידת התחזקות, ומסביר תכונות ייחודיות בלמידה של ילדים.
המחקר מדגיש את הקושי של מודלים גדולים מוכנים מראש בלמידה קזואלית באמצעות טכניקות למידה עמוקה סטנדרטיות. לעומת זאת, מדעני קוגניציה משתמשים בפורמליזם של רשתות בייס קזואליות כדי להבין למידה אנושית. 'העצמה' מציעה דרך חישובית נגישה יותר, שיכולה לאפשר למידה קזואלית גם במכונות. המחברים טוענים כי העצמה תסביר כיצד ילדים לומדים סיבתיות, ותספק בסיס מחשובי מעשי.
במחקר אמפירי שיטתי, נבדק כיצד ילדים ומבוגרים משתמשים ברמזים להעצמה כדי להסיק קשרים סיבתיים ולתכנן התערבויות קזואליות יעילות. המשתתפים הראו רגישות גבוהה לשליטה (controllability) ולשונות (variability) בהתערבויות שלהם. תוצאות אלה תומכות בהשערה שהעצמה היא מנגנון מרכזי בלמידה אנושית, ומצביעות על פוטנציאל ליישום ב-AI.
בהקשר עסקי, הבנת סיבתיות היא מפתח לקבלת החלטות מבוססות נתונים. חברות ישראליות בתחום ה-AI, כמו סטארט-אפים בפיתוח מודלים אוטונומיים, יכולות להרוויח משילוב העצמה באלגוריתמים. זה מאפשר סוכנים לומדים להעדיף פעולות שמגבירות שליטה בסביבה, ומשפר ביצועים במשימות מורכבות כמו רובוטיקה או ניתוח נתונים.
המחקר מציע כיוונים חדשים לפיתוח AI שמבין עולם אמיתי, לא רק מתאמים סטטיסטיים. מנהלי טכנולוגיה צריכים לשקול כיצד לשלב אותות כאלה במודלים שלהם. האם העצמה תהפוך לכלי סטנדרטי בלמידה קזואלית? המחקר הזה פותח דלת להתקדמות משמעותית.