数据驱动的模型越来越多地被用来模拟和预测复杂的系统，从网上购物偏好和股市表现，到疾病的传播和政治动荡。然而，尽管机器学习和计算社会科学中的强大方法在预测未来方面有所改进，但它们往往缺乏解释这些结果产生原因的能力，使得这些模型对制定干预措施和政策的帮助更小。
社会心理，或新发现的社会机器智能，旨在重新定位这些模型，以强调预测、解释和干预。拨款200万美元国防高级研究计划局(DARPA)作为其地面实况计划的一部分,芝加哥大学的研究人员之间的协作和麻省理工学院将建立一个“模型,模型”相结合的计算方法和坑他们互相推动社会制度的根本因素,以及干预的潜在点。
“我们在社会科学领域试图做的是发展强有力的解释，”詹姆斯·埃文斯(James Evans)说。机器学习模型会产生预测，其中大多数都不是优雅或漂亮的解释。我们需要调整、驯服机器学习，并将其重新集中在找出最佳解释的任务上，即那些能让我们理解并改变世界的解释。”
一般来说，机器学习包括对历史数据运行统计分析方法来进行预测、识别模式或生成真实的、模拟的输出，如文本或语音。但是，尽管决策树或神经网络等方法可以产生高度准确的结果，但通常很难确定模型预测背后的推理，或从相关性中找出原因。
虽然这种因果关系的缺乏对于某些应用程序(如买卖股票)可能并不重要，但对于寻求可操作的洞察力的用户来说，这是不够的。例如，模拟消费者对新产品反应的科技公司可能想知道哪些功能推动了更高的销售，或者，模拟流行病的卫生机构需要找到干预措施最有效的关键转折点。
“通常当我们试图预测未来时，我们想要影响未来。为了施加影响，我们需要对所发生的事情做出正确的解释。“这就告诉我们，要想获得我们想要的结果，就必须动用各种手段。”我们正在努力开发机器学习方法，以识别真正的解释，而不仅仅是最好的预测。”
为了应对这一挑战，DARPA聘请了一批稳定的研究团队，对社会世界进行了逼真的模拟，包括城市生活的社会动态、经济和贸易、不稳定的政治和灾难。Social MIND将使用这些“隐藏”的社会模型产生的数据，并寻求产生真正的因果解释，预测系统未来几代的社会状态，并精心设计干预措施，以帮助以理想的方式改进这些建模的社会世界。
研究小组还将用“贝叶斯奥卡姆剃刀”(Bayesian Occam’s Razor)对这些模型进行测试，将表现最好的人解构为社会模块，这些模块可以被重新组合，创建一个更丰富的“模型的模型”，为复杂的社会系统提供新的强大的模拟和解释。
然后，研究人员将利用这些模型组合提出实验建议，这些实验可以测试他们的断言，收集更多的模拟数据，并进一步细化和改进解释和预测，生成与他们寻求复制和理解的社会系统同步增长的自适应模型。
完成这项任务将需要相当大的计算能力和基础设施，这些将由芝加哥大学计算机科学系的研究人员开发。CLIPPER和Deep Learning Hub是服务于运行和比较机器学习框架的系统，它们将用于评估和选择具有所需质量的模型。该项目还将为开发最佳实验创建新框架，以产生改进的模型、解释、预测和干预措施。
埃文斯说:“我们对这个项目的期望是，通过补充机器学习的能力，以及高性能计算和因果模型，扩大人工智能的应用范围，不仅能预测，而且能直接理解和改善世界。”