Phản thực khác gì so với giả định thông thường trong logic?

Phản thực là dạng giả định đặc thù có tiền đề trực tiếp mâu thuẫn hoặc trái ngược với các sự kiện đã thực sự xảy ra trong lịch sử. Trong khi các giả định thông thường có thể chưa biết trước tính đúng sai, mệnh đề phản thực đòi hỏi việc hình dung một kịch bản thay thế để truy nguyên quan hệ nhân quả và trách nhiệm pháp lý hoặc đạo đức.

Vấn đề cơ bản của suy luận nhân quả liên quan gì đến khái niệm phản thực?

Vấn đề cơ bản của suy luận nhân quả phát biểu rằng trên một đối tượng cụ thể tại một thời điểm xác định, chúng ta chỉ có thể quan sát được một kết cục thực tế duy nhất. Kết cục tiềm năng khi đối tượng nhận trạng thái can thiệp khác vĩnh viễn trở thành trạng thái phản thực không thể quan sát, biến bài toán xác định quan hệ nhân quả thành bài toán ước lượng dữ liệu khuyết thiếu.

Giải thích phản thực trong trí tuệ nhân tạo mang lại lợi ích gì?

Trong trí tuệ nhân tạo, giải thích phản thực chỉ ra sự thay đổi nhỏ nhất ở các đặc trưng đầu vào để mô hình máy học đưa ra một quyết định ngược lại theo hướng mong muốn. Cách tiếp cận này giúp bảo vệ bí mật công nghệ vì không cần tiết lộ cấu trúc bên trong của mô hình, đồng thời cung cấp hướng hành động rõ ràng và khả thi cho người dùng.

Tại sao phép kéo theo vật chất cổ điển thất bại khi áp dụng cho mệnh đề phản thực?

Trong logic mệnh đề cổ điển, phép kéo theo vật chất luôn có giá trị chân lý đúng khi tiền đề sai. Vì mọi mệnh đề phản thực đều có tiền đề trái với thực tế, phép kéo theo vật chất sẽ biến mọi câu phản thực thành chân lý đúng một cách tầm thường, đòi hỏi các nhà logic học phải phát triển ngữ nghĩa học thế giới khả thể để đánh giá tính đúng đắn.

Phản thực (counterfactual) là gì?

Phản thực là một khái niệm trong logic học, triết học phân tích, thống kê học và trí tuệ nhân tạo, chỉ một mệnh đề, tình huống hoặc kết cục giả định trái ngược với những gì đã thực sự diễn ra trong thực tế khách quan. Bản chất của phản thực thể hiện qua câu hỏi giả định về những điều có thể đã xảy ra nếu một điều kiện tiên quyết trong quá khứ được thay đổi so với diễn biến lịch sử thực tế. Bài viết này trình bày nguồn gốc lý thuyết của phản thực trong logic học và triết học thế giới khả thể, khung kết cục tiềm năng trong suy luận nhân quả, cấu trúc thang bậc nhân quả trong trí tuệ nhân tạo, cùng các phương pháp ước lượng và hạn chế phương pháp luận khi ứng dụng vào thực tiễn nghiên cứu.

Bản chất logic và ngữ nghĩa học thế giới khả thể

Trong tư duy thông thường, con người thường xuyên vận dụng tư duy phản thực để đánh giá các quyết định đã qua, học hỏi từ kinh nghiệm hoặc suy xét trách nhiệm đạo đức và pháp lý. Tuy nhiên, việc hình thức hóa phản thực thành một hệ thống logic nhất quán từng là thách thức lớn đối với logic học cổ điển. Trong logic mệnh đề chuẩn tắc, một phát biểu điều kiện thường được biểu diễn thông qua phép kéo theo vật chất. Phép toán này có đặc tính là luôn nhận giá trị chân lý đúng khi tiền đề nhận giá trị sai. Vì mọi mệnh đề phản thực đều có tiền đề trái ngược với thực tế khách quan, việc áp dụng phép kéo theo vật chất khiến cho mọi mệnh đề phản thực đều trở nên đúng một cách tầm thường, bất kể mối liên hệ nội dung giữa tiền đề và hệ quả có hợp lý hay không.

Năm 1947, Nelson Goodman công bố bài báo kinh điển về vấn đề mệnh đề điều kiện phản thực trên tạp chí The Journal of Philosophy (tập 44, số 5), đặt nền móng cho các nghiên cứu hiện đại về chủ đề này. Goodman chỉ ra rằng giá trị chân lý của một câu điều kiện phản thực không thể được xác định bằng cách kiểm chứng thực nghiệm trực tiếp, bởi tiền đề của câu nói đã không xảy ra trong thế giới thực. Để một câu điều kiện phản thực có giá trị đúng, hệ quả phải được suy ra từ tiền đề kết hợp với các quy luật tự nhiên phổ quát và một tập hợp các điều kiện nền tảng phù hợp được duy trì không đổi. Nghịch lý nảy sinh khi việc xác định chính xác những điều kiện nền tảng nào được phép giữ nguyên và những điều kiện nào phải thay đổi khi tiền đề giả định xảy ra lại đòi hỏi chính khái niệm về mối liên hệ nhân quả, dẫn đến nguy cơ luẩn quẩn trong định nghĩa logic.

Để giải quyết bế tắc này, Robert Stalnaker và sau đó là David Lewis vào năm 1973 đã phát triển hệ thống ngữ nghĩa học thế giới khả thể trên The Journal of Philosophy (tập 70, số 17). Lewis đề xuất biểu diễn mệnh đề điều kiện phản thực dưới dạng:

A \boxempty\rightarrow C

Trong công thức trên, ký hiệu $A$ đại diện cho mệnh đề tiền đề phản thực, ký hiệu $C$ đại diện cho mệnh đề hệ quả, và ký hiệu toán tử \boxempty\rightarrow biểu diễn mối quan hệ điều kiện phản thực. Theo cách tiếp cận của Lewis, mệnh đề này nhận giá trị đúng tại thế giới thực nếu thỏa mãn một trong hai trường hợp: hoặc là không tồn tại thế giới khả thể nào mà ở đó tiền đề $A$ đúng, hoặc tồn tại ít nhất một thế giới khả thể nơi cả $A$ và $C$ cùng đúng có khoảng cách tương đồng gần với thế giới thực hơn bất kỳ thế giới khả thể nào nơi $A$ đúng nhưng $C$ sai. Khái niệm tương đồng giữa các thế giới khả thể cung cấp cơ chế so sánh trực quan, cho phép đánh giá mức độ hợp lý của các kịch bản giả định dựa trên việc bảo tồn tối đa các quy luật vật lý và lịch sử thực tế.

Mô hình kết cục tiềm năng và suy luận nhân quả

Từ nền tảng triết học, khái niệm phản thực đã được chuyển hóa thành một công cụ toán học chính xác trong thống kê và kinh tế lượng. Năm 1974, Donald B. Rubin công bố bài báo chuyên sâu trên Journal of Educational Psychology (tập 66, số 5), chính thức thiết lập khung kết cục tiềm năng, thường được giới khoa học gọi là mô hình nhân quả Rubin. Rubin lập luận rằng mối quan hệ nhân quả chỉ có thể được hiểu đầy đủ khi so sánh kết cục thực tế của một đối tượng với kết cục phản thực của chính đối tượng đó nếu đối tượng nhận một can thiệp khác.

Xét một nghiên cứu thực nghiệm trên một tập hợp các đơn vị quan sát, với mỗi đơn vị thứ $i$ , tồn tại hai kết cục tiềm năng tương ứng với hai trạng thái can thiệp nhị phân:

Y_i(1) \quad \text{và} \quad Y_i(0)

Trong biểu thức trên, đại lượng $Y_i(1)$ là giá trị kết cục tiềm năng của đơn vị thứ $i$ khi được tiếp nhận can thiệp thực nghiệm, và đại lượng $Y_i(0)$ là giá trị kết cục tiềm năng của chính đơn vị thứ $i$ khi không tiếp nhận can thiệp, đóng vai trò là trạng thái đối chứng. Hiệu ứng nhân quả ở cấp độ từng cá thể được định nghĩa bằng hiệu số:

\tau_i = Y_i(1) - Y_i(0)

Trong đó, đại lượng $\tau_i$ biểu thị hiệu ứng nhân quả cá thể trên đối tượng thứ $i$ . Năm 1986, Paul W. Holland công bố bài báo trên Journal of the American Statistical Association (tập 81, số 396), trong đó ông khái quát hóa luận điểm này thành vấn đề cơ bản của suy luận nhân quả. Vấn đề cơ bản nằm ở chỗ: đối với bất kỳ một cá thể cụ thể nào tại một thời điểm xác định, chúng ta chỉ có thể quan sát được tối đa một trong hai kết cục tiềm năng. Nếu cá thể đó tham gia can thiệp, giá trị $Y_i(1)$ được ghi nhận trong thực tế, trong khi giá trị $Y_i(0)$ vĩnh viễn trở thành trạng thái phản thực không thể quan sát trực tiếp. Ngược lại, nếu cá thể thuộc nhóm đối chứng, giá trị $Y_i(0)$ được ghi nhận còn giá trị $Y_i(1)$ là phản thực.

Do đó, suy luận nhân quả trong khoa học thực nghiệm về bản chất là một bài toán xử lý dữ liệu khuyết thiếu. Do không thể đo lường trực tiếp hiệu ứng nhân quả cá thể $\tau_i$ , các nhà khoa học chuyển hướng sang ước lượng hiệu ứng can thiệp trung bình trên toàn bộ tổng thể nghiên cứu, ký hiệu là đại lượng $\tau$ :

\tau = \mathbb{E}[Y_i(1) - Y_i(0)]

Trong biểu thức trên, ký hiệu $\tau$ là hiệu ứng can thiệp trung bình và ký hiệu $\mathbb{E}$ biểu thị toán tử kỳ vọng toán học trên phân phối xác suất của tổng thể. Để đại lượng này phản ánh đúng mối quan hệ nhân quả mà không bị sai lệch bởi các yếu tố gây nhiễu, các nhà nghiên cứu phải thiết lập các giả định chặt chẽ nhằm tái tạo phân phối phản thực một cách khách quan nhất.

Thang bậc nhân quả của Judea Pearl

Bên cạnh mô hình kết cục tiềm năng của trường phái thống kê, Judea Pearl đã phát triển lý thuyết mô hình nhân quả cấu trúc dựa trên đồ thị có hướng không chu trình. Năm 2009, Pearl công bố bài báo tổng quan trên Statistics Surveys (tập 3), hệ thống hóa khả năng nhận thức và suy luận nhân quả thành một thang bậc gồm ba tầng nhận thức riêng biệt, trong đó phản thực chiếm vị trí cao nhất.

Tầng một: Quan sát và liên tưởng (Association). Đây là tầng nhận thức cơ bản nhất, trả lời câu hỏi về những gì xảy ra khi quan sát thấy một triệu chứng hoặc sự kiện. Tầng này được mô hình hóa bằng xác suất có điều kiện chuẩn tắc $P(y \mid x)$ , trong đó $x$ là biến số quan sát được và $y$ là biến số kết quả. Phần lớn các mô hình học máy thống kê truyền thống chỉ hoạt động ở tầng nhận thức này bằng cách khai thác mối tương quan dữ liệu.
Tầng hai: Can thiệp và hành động (Intervention). Tầng này trả lời câu hỏi về điều gì sẽ xảy ra nếu một hành động chủ động được thực hiện làm thay đổi trạng thái của hệ thống. Pearl đưa ra toán tử can thiệp ký hiệu là $\text{do}(x)$ , mô tả sự can thiệp nhân tạo đặt biến số nhận giá trị $x$ và cắt đứt các cung quan hệ nguyên nhân trước đó trỏ vào biến số này. Phân phối kết quả được biểu diễn bằng xác suất $P(y \mid \text{do}(x))$ , cho phép mô phỏng các thử nghiệm lâm sàng hoặc các can thiệp chính sách có chủ đích.
Tầng ba: Phản thực và hồi cứu (Counterfactuals). Đây là tầng nhận thức phức tạp và sâu sắc nhất, trả lời câu hỏi mang tính hồi cứu: điều gì có thể đã xảy ra nếu sự việc diễn ra khác đi trong quá khứ, biết rằng thực tế đã diễn ra theo một cách cụ thể. Tầng phản thực được biểu diễn bằng biểu thức xác suất hồi cứu:
$P(y_x \mid x', y')$
với ký hiệu $x'$ và $y'$ biểu thị dữ kiện thực tế đã được quan sát trong lịch sử, còn ký hiệu $y_x$ mô tả biến kết quả tiềm năng nếu một can thiệp giả định đặt biến nguyên nhân bằng giá trị $x$ được thực hiện trong quá khứ.

Bảng tổng hợp dưới đây đối chiếu đặc trưng của ba tầng nhận thức theo thang bậc nhân quả:

Tầng nhận thức	Biểu diễn toán học	Câu hỏi trọng tâm	Thao tác xử lý
Tầng 1: Quan sát	$P(y \mid x)$ với biến nguyên nhân $x$ và biến kết quả $y$	Nếu quan sát thấy hiện tượng này thì khả năng hiện tượng kia xuất hiện là bao nhiêu?	Thụ động thu thập dữ liệu và tính toán phân phối đồng thời
Tầng 2: Can thiệp	$P(y \mid \text{do}(x))$ với toán tử can thiệp $\text{do}(x)$	Nếu chủ động thực hiện hành động này thì kết quả sẽ biến chuyển ra sao?	Can thiệp vật lý hoặc chỉnh sửa cấu trúc đồ thị nguyên nhân
Tầng 3: Phản thực	$P(y_x \mid x', y')$ với dữ kiện thực tế $x', y'$	Nếu trong quá khứ hành động diễn ra khác đi thì kết quả thực tế có bị đảo ngược không?	Kết hợp bằng chứng hồi cứu với mô hình phương trình cấu trúc

Pearl nhấn mạnh rằng các câu hỏi thuộc tầng phản thực không thể được giải quyết chỉ bằng dữ liệu quan sát ở tầng một hay các thử nghiệm can thiệp ở tầng hai, mà bắt buộc phải dựa trên mô hình nhân quả cấu trúc chứa đựng các phương trình hàm định lượng giữa các biến số nội sinh và ngoại sinh.

Phương pháp ước lượng kịch bản phản thực trong thực nghiệm

Trong nghiên cứu kinh tế lượng, xã hội học và y học thực chứng, việc tái tạo kịch bản phản thực một cách chuẩn xác là điều kiện tiên quyết để đánh giá tác động của các can thiệp chính sách. Năm 2015, Guido W. Imbens và Donald B. Rubin xuất bản chuyên khảo toàn diện tại Cambridge University Press, hệ thống hóa các phương pháp định lượng phổ biến được áp dụng để ước lượng trạng thái phản thực từ dữ liệu quan sát:

Thử nghiệm ngẫu nhiên có đối chứng. Đây là phương pháp tối ưu trong nghiên cứu thực nghiệm. Khi các đối tượng nghiên cứu được phân bổ ngẫu nhiên vào nhóm can thiệp và nhóm đối chứng, phân phối của các đặc trưng tiềm ẩn giữa hai nhóm trở nên cân bằng. Nhờ đó, giá trị trung bình quan sát được của nhóm đối chứng đóng vai trò là ước lượng không chệch cho kết cục phản thực của nhóm can thiệp nếu nhóm này không nhận can thiệp.
Phương pháp sai phân trong sai phân. Kỹ thuật này so sánh sự biến thiên theo thời gian của kết cục giữa nhóm chịu tác động của chính sách và nhóm không chịu tác động. Bằng cách lấy sai phân của hai mức độ biến thiên trước và sau mốc thời gian can thiệp, phương pháp giúp triệt tiêu các đặc tính bất biến theo thời gian của từng nhóm cũng như các xu hướng chung của toàn bộ môi trường vĩ mô, tái tạo thành công kịch bản phản thực về sự phát triển tự nhiên của nhóm can thiệp.
Phương pháp ghép cặp điểm xu hướng. Trong các nghiên cứu quan sát không thể tiến hành phân bổ ngẫu nhiên, các đối tượng tham gia can thiệp thường có sự sai lệch chọn mẫu so với đối tượng không tham gia. Phương pháp này tính toán xác suất có điều kiện một đối tượng nhận can thiệp dựa trên tập hợp các biến số quan sát được, sau đó tiến hành ghép từng cá thể nhóm can thiệp với một hoặc nhiều cá thể có điểm xu hướng tương đồng ở nhóm đối chứng để tạo lập nhóm phản thực nhân tạo.
Phương pháp kiểm soát tổng hợp. Thường được áp dụng khi đối tượng nghiên cứu là một đơn vị vĩ mô duy nhất như một quốc gia, tỉnh thành hoặc doanh nghiệp lớn. Kỹ thuật này sử dụng thuật toán tối ưu hóa lồi để tính toán tổ hợp trọng số của một nhóm các đơn vị không chịu tác động, nhằm xây dựng nên một đơn vị tổng hợp nhân tạo có quỹ đạo biến số trước can thiệp bám sát đơn vị nghiên cứu, từ đó ngoại suy quỹ đạo phản thực sau khi can thiệp diễn ra.

Bảng so sánh dưới đây phân tích các đặc trưng phương pháp luận của từng kỹ thuật ước lượng:

Kỹ thuật ước lượng	Cơ chế tạo lập trạng thái phản thực	Giả định then chốt	Phạm vi áp dụng phù hợp
Thử nghiệm ngẫu nhiên	Sử dụng nhóm đối chứng ngẫu nhiên làm phản thực trực tiếp	Phân bổ hoàn toàn ngẫu nhiên và tuân thủ can thiệp	Thử nghiệm lâm sàng và nghiên cứu can thiệp quy mô nhỏ
Sai phân trong sai phân	Ngoại suy dựa trên độ dốc thay đổi của nhóm so sánh	Giả định xu hướng song song giữa các nhóm	Đánh giá chính sách áp dụng tại các thời điểm khác nhau
Ghép cặp điểm xu hướng	Tạo nhóm đối chứng nhân tạo có phân phối đặc trưng tương đồng	Giả định không có yếu tố gây nhiễu chưa quan sát được	Dữ liệu vi mô khảo sát diện rộng có nhiều biến kiểm soát
Kiểm soát tổng hợp	Kết hợp tuyến tính trọng số từ nhiều đơn vị so sánh	Mối quan hệ cấu trúc giữa các biến vĩ mô duy trì ổn định	Nghiên cứu ca điển hình cấp vùng, địa phương hoặc quốc gia

Ứng dụng trong trí tuệ nhân tạo có thể giải thích

Trong kỷ nguyên bùng nổ của các mô hình học sâu và hệ thống tự động ra quyết định, việc giải thích nguyên nhân đằng sau các dự đoán của mô hình đóng vai trò then chốt đối với tính minh bạch và sự an toàn. Năm 2017, Sandra Wachter, Brent Mittelstadt và Chris Russell công bố nghiên cứu trên SSRN Electronic Journal, đề xuất phương pháp giải thích phản thực cho các quyết định tự động của thuật toán nhằm đáp ứng các yêu cầu về quyền được giải thích trong các khung pháp lý hiện đại.

Một lời giải thích phản thực trong học máy đưa ra câu trả lời cho câu hỏi: người dùng cần thay đổi tối thiểu những thuộc tính đầu vào nào để mô hình tự động chuyển đổi từ một quyết định bất lợi sang một quyết định mong muốn. Về mặt toán học, bài toán tìm kiếm điểm phản thực được thiết lập dưới dạng một bài toán tối ưu hóa hàm mục tiêu:

\arg\min_{x'} \left( d(x, x') + \lambda (f(x') - y^*)^2 \right)

Trong công thức toán học nêu trên, đại lượng $x$ biểu diễn vector các đặc trưng đầu vào ban đầu của người dùng, đại lượng $x'$ biểu diễn vector đặc trưng phản thực cần tìm kiếm, hàm số $d(x, x')$ là hàm khoảng cách đo lường độ phân kỳ hoặc chi phí dịch chuyển giữa trạng thái thực tế và trạng thái giả định, hàm số $f(x')$ là hàm dự đoán xác suất đầu ra của mô hình máy học, giá trị $y^*$ là nhãn quyết định mong muốn mà người dùng hướng tới, và ký hiệu $\lambda$ là hệ số phạt cân bằng giữa mức độ tương đồng khoảng cách và mức độ đạt được nhãn mục tiêu.

Ví dụ, khi một hệ thống ngân hàng tự động từ chối hồ sơ vay vốn, thay vì cung cấp danh sách phức tạp về hàng nghìn trọng số mạng nơ-ron khó hiểu, giải thích phản thực sẽ chỉ rõ: nếu mức thu nhập hàng tháng tăng thêm một lượng xác định hoặc dư nợ tín dụng hiện tại giảm xuống một ngưỡng cụ thể thì khoản vay sẽ được phê duyệt. Cách tiếp cận này có hai ưu thế vượt trội: thứ nhất, nó bảo vệ bí mật công nghệ của doanh nghiệp do không cần tiết lộ cấu trúc bên trong của mô hình; thứ hai, nó cung cấp khả năng hành động cụ thể cho người dùng, giúp họ hiểu rõ con đường khả thi nhất để thay đổi kết quả trong tương lai.

Bối cảnh và ứng dụng tại Việt Nam

Tại Việt Nam, phương pháp luận phân tích phản thực ngày càng được coi trọng trong quy trình xây dựng chính sách dựa trên bằng chứng khoa học. Trong các cơ quan nghiên cứu kinh tế vĩ mô và hoạch định chính sách công, việc đánh giá tác động của các chương trình giảm nghèo bền vững, các gói kích thích kinh tế hay chính sách thuế nhập khẩu đều đòi hỏi việc thiết lập các kịch bản phản thực chặt chẽ.

Nếu không có khung phân tích phản thực, việc đánh giá một chương trình hỗ trợ doanh nghiệp vừa và nhỏ dễ rơi vào ngụy biện quy kết nguyên nhân: việc các doanh nghiệp được hỗ trợ đạt mức tăng trưởng sau can thiệp có thể đơn thuần là do xu hướng phục hồi chung của toàn bộ nền kinh tế chứ không phải do hiệu quả thực chất của chính sách. Bằng cách áp dụng các mô hình kinh tế lượng như sai phân trong sai phân hoặc ghép cặp điểm xu hướng dựa trên dữ liệu điều tra doanh nghiệp, các nhà phân tích trong nước có thể bóc tách tác động thuần túy của gói can thiệp so với kịch bản phản thực nếu không thực thi chính sách, từ đó tư vấn cho cơ quan quản lý việc tối ưu hóa nguồn lực ngân sách nhà nước.

Hạn chế phương pháp luận và ranh giới áp dụng

Mặc dù là công cụ mạnh mẽ trong khoa học hiện đại, việc ứng dụng phản thực luôn gắn liền với các ranh giới phương pháp luận và giả định nghiêm ngặt mà nếu vi phạm sẽ dẫn đến kết luận sai lệch nghiêm trọng:

Giả định SUTVA trong mô hình nhân quả. Năm 2015, Guido W. Imbens và Donald B. Rubin đã nhấn mạnh tầm quan trọng của giả định giá trị can thiệp đơn vị ổn định, viết tắt là SUTVA. Giả định này đòi hỏi rằng kết cục tiềm năng của một đối tượng nghiên cứu không bị ảnh hưởng bởi trạng thái can thiệp của bất kỳ đối tượng nào khác trong cộng đồng, đồng thời mỗi can thiệp chỉ có duy nhất một phiên bản đồng nhất. Trong thực tế đời sống, giả định này rất dễ bị vi phạm khi xuất hiện hiệu ứng lan tỏa, tương tác mạng xã hội hoặc sự cạnh tranh tài nguyên hữu hạn giữa các cá thể.
Tính chủ quan trong đánh giá tương đồng thế giới khả thể. Trong triết học phân tích, lý thuyết của Lewis dựa trên thang đo mức độ tương đồng giữa các thế giới khả thể. Tuy nhiên, việc xác định thế giới nào là gần hơn với thế giới thực hoàn toàn phụ thuộc vào việc người đánh giá coi trọng yếu tố nào hơn: tính liên tục của các quy luật vật lý tự nhiên hay sự trùng khớp của các sự kiện lịch sử cục bộ, dẫn đến việc thiếu tiêu chuẩn khách quan tuyệt đối.
Hiện tượng đa nghiệm và tính khả thi trong học máy. Khi tìm kiếm giải thích phản thực cho các mô hình trí tuệ nhân tạo, các thuật toán tối ưu hóa thường gặp phải hiệu ứng Rashomon, tức là cùng lúc tìm thấy nhiều điểm phản thực khác nhau có khoảng cách tương đồng gần bằng nhau. Nguy hiểm hơn, thuật toán thuần toán học có thể đề xuất các kịch bản phản thực phi thực tế hoặc không thể thực hiện được trong đời sống, chẳng hạn như yêu cầu người dùng thay đổi độ tuổi, dân tộc hoặc đảo ngược dòng thời gian.

Hướng phát triển và vấn đề còn mở

Tính đến năm 2025, các hướng nghiên cứu về phản thực đang tập trung giải quyết những ranh giới phương pháp luận nêu trên. Một trọng tâm nổi bật là sự giao thoa giữa học sâu và mô hình nhân quả cấu trúc, nhằm xây dựng các hệ thống trí tuệ nhân tạo có khả năng tự động học cấu trúc quan hệ nhân quả từ dữ liệu phức tạp dạng hình ảnh và đồ thị thay vì chỉ dừng lại ở các bảng số liệu tĩnh.

Trong lĩnh vực trí tuệ nhân tạo giải thích được, các nhà nghiên cứu đang phát triển các thuật toán giải thích phản thực có nhận thức nhân quả. Các thuật toán này không chỉ tối thiểu hóa khoảng cách toán học đơn thuần mà còn tuân thủ nghiêm ngặt đồ thị nhân quả bên dưới, đảm bảo rằng việc thay đổi một đặc trưng đầu vào sẽ tự động kéo theo sự thay đổi hợp lý của các đặc trưng phụ thuộc, loại bỏ hoàn toàn các đề xuất phi lý và mang lại giá trị định hướng hành động thiết thực cho xã hội.