Este artículo ofrece un análisis exhaustivo del razonamiento abductivo en Modelos de Lenguaje a Gran Escala (LLM), que consiste en el proceso lógico de inferir la explicación más probable para una observación dada. Para resolver la fragmentación actual del campo, los autores proponen un marco unificado de dos etapas: generación y selección de hipótesis. Introducen una taxonomía de cuatro ejes para categorizar la investigación existente según la formulación de la tarea, los tipos de conjuntos de datos, las metodologías y las estrategias de evaluación. Mediante la evaluación comparativa empírica de modelos modernos como GPT-5 y Llama 3, el estudio revela que, si bien los LLMs destacan en tareas deductivas, aún presentan dificultades con la inferencia abductiva compleja. Los autores identifican lagunas críticas en la investigación, como la falta de evaluaciones comparativas dinámicas y una cobertura de dominio limitada. Finalmente, sugieren futuras líneas de investigación que incluyen el aprendizaje por refuerzo para potenciar las capacidades explicativas y mejorar la interpretabilidad mecanicista, con el fin de impulsar el campo.
Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Wiring the ‘Why’: A Unified Taxonomy and Survey of Abductive Reasoning in LLMs". Por Moein Salimi y colegas de la Universidad Tecnológica de Sharif. Publicado el 23 de Abril de 2026.
El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.
El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.
Resumen
Beto
Imagina que un doctor introduce tus síntomas en una inteligencia artificial de mil millones de dólares. Esta procesa tus datos y te da un diagnóstico con un 99% de precisión.
Alicia
Claro. Suena increíble.
Beto
Sí, te sientes completamente seguro con esta tecnología. Pero luego le quitas su lista de opciones múltiples de posibles enfermedades y simplemente se la pides que adivine lo que te pasa en una página completamente en blanco.
Alicia
Y ahí es exactamente donde la ilusión se rompe.
Beto
Exacto. La misma máquina multimillonaria falla como un estudiante de medicina de clase C-.
Así que hoy estamos examinando el mayor punto ciego de la IA moderna.
Alicia
Es una limitación profunda, en realidad. Estamos lidiando con una situación donde los modelos de lenguaje grande (LLM), los motores detrás de la IA que usamos todos los días, son notablemente buenos para seleccionar una respuesta.
Beto
Claro. Si le das las opciones.
Alicia
Sí, pero tienen grandes dificultades cuando se les obliga a generar una teoría desde cero.
Beto
Así que bienvenidos a un nuevo análisis profundo. Nuestra misión hoy es explorar la frontera de la inteligencia artificial viendo lo que sucede cuando la IA se encuentra con lo desconocido. ¿Cómo hace una máquina una suposición educada?
Alicia
Que no es tan simple como parece.
Beto
No, para nada. Muy bien, desglosémoslo.
Nuestra fuente hoy es un artículo de investigación muy completo de 2026 y se titula "Wiring the Why: Una taxonomía unificada y encuesta del razonamiento abductivo en los LLM".
Alicia
Sí. Y el núcleo de todo este artículo se basa en algo llamado "razonamiento abductivo".
Cableando el "por qué": Proceso de dos etapas en Razonamiento Abductivo
Beto
Correcto. Razonamiento abductivo.
Alicia
Que, en términos funcionales, es simplemente el proceso de inferir la explicación más plausible para una observación sorprendente.
Los autores utilizan un ejemplo cotidiano muy concreto para ilustrar esto.
Beto
Espero que sea uno de Wi-Fi, ¿verdad?
Alicia
Exacto. Así que si abres tu portátil y tu navegador web simplemente muestra una página de error, instintivamente infieres que tu Wi-Fi podría estar caído.
Beto
Tiene sentido.
Alicia
Y no posees una prueba matemática absoluta de un fallo de la red. Pero si el Wi-Fi estuviera caído, explicaría perfectamente esa página de error. Así que estás haciendo un salto lógico hacia atrás desde el efecto a la causa probable.
Beto
Y si estás escuchando esto ahora mismo, haces esto durante todo el día sin siquiera pensarlo.
Alicia
Oh, absolutamente.
Beto
Ya seas un programador, solucionando un error extraño en tu código, o un médico tratando de entender el síntoma vago de un paciente, o, tratando de averiguar por qué tu amigo está actuando raro.
Alicia
Sí. Estás usando razonamiento abductivo.
Beto
Estás adivinando constantemente el por qué. Pero la investigación revela que hacer que una computadora adivine la pieza faltante de un rompecabezas requiere una arquitectura totalmente diferente a simplemente hacer matemáticas.
Alicia
Lo requiere. Y para entender el cuello de botella de la IA moderna, realmente tenemos que mirar la naturaleza fundamental de este tipo de lógica, porque este tipo específico de razonamiento ha desconcertado a los filósofos durante siglos.
Beto
Siglos. Vaya.
Alicia
Oh, sí. El artículo rastrea el concepto hasta Aristóteles. Él tuvo esta idea de "apagoge", pero señala que fue el filósofo del siglo XIX, Charles Sanders Peirce, quien la categorizó formalmente. Y Peirce veía la abducción como la lógica del descubrimiento. Quiero decir, me encanta esta parte porque en su marco, es literalmente la única operación lógica que introduce ideas genuinamente nuevas en nuestra base de conocimiento.
Beto
Esa es una gran afirmación.
Quiero contrastar eso con la lógica con la que la gente probablemente está más familiarizada, como la deducción y la inducción.
Alicia
Claro. Sí. Explícalos.
Beto
Si la deducción es como seguir una receta estricta para obtener un pastel garantizado, combinas harina, azúcar, calor y ¡pum!, obtienes un pastel.
Alicia
Resultado garantizado.
Beto
Y la inducción es asumir que todos los pasteles son dulces porque los últimos 10 que probaste fueron dulces. Entonces la abducción se siente completamente diferente.
Alicia
¿Cómo es así?
Beto
Suena más como probar un plato nuevo y totalmente extraño e intentar construir la fórmula inversa del ingrediente secreto.
Alicia
Oh, me encanta esa analogía. Es exactamente eso.
Basándonos en ese concepto de ingeniería inversa, el artículo fuente destaca tres razones específicas por las cuales este proceso mental simplemente rompe a las computadoras.
Beto
Muy bien, descríbelas.
Alicia
Primero, la abducción es ampliativa.
Beto
Ampliativa, ¿significa que amplifica las cosas?
Alicia
Algo así. Genera nuevas ideas que van más allá de las premisas originales.
La deducción, por otro lado, solo reformula información que ya existe.
Beto
Entendido. ¿Cuál es la segunda razón?
Alicia
Segunda, la abducción es refutable. Esto simplemente significa que la conclusión es tentativa. Puede ser completamente revertida si llega nueva evidencia.
Beto
Oh, cierto. Si construyes la fórmula inversa de ese plato extraño y adivinas que el ingrediente secreto es la canela. Pero luego el chef te dice que el postre no contiene nada de especias. Tu conclusión es totalmente refutada. Simplemente tienes que empezar de nuevo.
Alicia
Precisamente.
Y tercero, es no-monótona.
Beto
Muy bien, espera. No-monótona suena como un término matemático muy pesado. Para alguien que está escuchando ahora mismo y no es un lógico o un científico de la computación, ¿qué significa eso realmente para la programación de la IA?
Alicia
Bueno, cambia fundamentalmente cómo un sistema procesa hechos nuevos. En la lógica monótona clásica, añadir nueva información no invalida una conclusión verdadera previa.
Beto
Muy bien, dame un ejemplo.
Alicia
Si A es igual a B, aprender una nueva variable C no cambia el hecho de que A es igual a B. Eso está fijado.
Beto
Claro. Tiene sentido.
Alicia
Pero en el razonamiento abductivo, aprender un nuevo hecho puede destruir toda tu teoría de trabajo. Una máquina construida sobre principios monótonos realmente tiene dificultades cuando el terreno se desplaza bajo su lógica de esa manera.
Beto
Así que básicamente construimos sistemas de IA como calculadoras rígidas perfectas. Y ahora les estamos pidiendo que actúen como detectives flexibles y creativos.
Alicia
Esa es una gran manera de decirlo. Y la transición de la lógica monótona a la adivinanza no-monótona está destinada a causar fricción.
Beto
Y esa fricción es un problema real, ¿verdad?
Alicia
Oh, en realidad paralizó a la comunidad de investigación de IA durante años. Porque los filósofos debatieron vehementemente si la abducción era estrictamente el acto creativo de adivinar una hipótesis, o si también incluía el proceso de evaluar y elegir la mejor suposición entre muchas opciones.
Beto
Así que los científicos de la computación estaban confundidos.
Alicia
Totalmente. No sabían cómo probarlo. Construyeron puntos de referencia que estaban completamente desalineados. Algunos investigadores probaron modelos con como indicaciones de escritura creativa libre. Otros usaron pruebas de opción múltiple rígidas.
Beto
Y apuesto a que ambos grupos afirmaron haberlo resuelto.
Alicia
Oh, absolutamente. Ambos grupos publicaron artículos afirmando haber resuelto efectivamente el razonamiento abductivo en la IA.
Beto
Aquí es donde se pone realmente interesante. Debido a que la comunidad de IA estaba paralizada por este debate sobre lo que realmente implica adivinar, estos investigadores de 2026 se dieron cuenta de que no podían simplemente construir una mejor prueba.
Alicia
Correcto. Tenían que construir un nuevo plano completamente.
Beto
Sí. Se retiraron y propusieron una solución unificada basada en un concepto filosófico moderno llamado "inferencia a la mejor explicación", "Inference to the Best Explanation", o IBE, por sus siglas en clave corta.
Alicia
Sí, IBE.
Beto
Y dividieron el razonamiento abdutivo en un claro conducto de dos etapas.
Alicia
Lo cual es brillante porque el plano IBE finalmente pone fin a la fragmentación.
Así que la primera etapa es la generación de hipótesis. Esta es la fase puramente creativa.
Beto
Una página en blanco.
Alicia
Exacto. La IA se enfrenta a una observación y a una página completamente en blanco. Debe producir un conjunto de explicaciones candidatas para tender un puente en el conocimiento.
Luego pasamos a la segunda etapa, que es la selección de hipótesis.
Beto
Y esa es la fase evaluativa.
Alicia
Claro. La IA mira los candidatos que acaban de generar o los candidatos que se le dan en formato de opción múltiple y los califica. Busca virtudes como el poder explicativo y la coherencia, y selecciona la opción más plausible.
Beto
Así que al dividirlo en generación y selección, los investigadores finalmente pudieron organizar todas las pruebas desordenadas de la IA en una taxonomía limpia.
Alicia
Lo fascinante aquí es cómo clasificaron los conjuntos de datos. Los colocaron en dos grupos principales. El primer grupo son conjuntos de datos de sentido común, que involucran narrativas cotidianas. Destacan pruebas como ART y e-CARE.
Beto
Vale, sentido común. Danos una idea de cómo se ven esas pruebas.
Alicia
Bueno, esas pruebas evalúan la capacidad de comprensión de la IA sobre el conocimiento humano implícito.
En un conjunto de datos como ART, el modelo podría recibir dos nodos narrativos. Observación uno: "Cameron decidió organizar una barbacoa". Observación dos: "Sus amigos se sintieron aburridos".
Beto
Y la IA tiene que conectarlos.
Alicia
Exacto. Tiene que proporcionar el tejido conectivo. Tiene que generar un evento intermedio plausible como "Cameron olvidó comprar la comida y solo pudo servir agua", para que la narrativa sea lógicamente sólida.
Beto
Yo definitivamente haría una barbacoa aburrida.
Alicia
Genial.
Beto
Luego tienes el segundo cubo, los conjuntos de datos de expertos o formales. Y estos son mucho más rigurosos porque tratan con campos especializados.
Alicia
Muy rigurosos.
Beto
Los investigadores destacan DDXPlus, que es un enorme conjunto de datos de diagnóstico médico. También miran a ProofWriter, que pide a la IA que encuentre reglas lógicas faltantes en un sistema matemático formal.
Alicia
Sí. Y en estas pruebas, la IA no puede simplemente confiar en la intuición humana cotidiana. Tiene que respetar restricciones científicas o matemáticas estrictas.
Beto
Lo cual es un gran salto. Así que armada con este conducto IBE de dos etapas, los autores hicieron una evaluación comparativa sistemática de los modelos de lenguaje grande más potentes disponibles en 2026.
Alicia
Lo hicieron. Analizaron GPT 5.4, DeepSeek V3.2, Qwen3 y Llama 3.3.
Beto
Y vamos a contextualizar brevemente eso para el oyente, especialmente en lo que respecta a Llama 3.3. Opera con 70 mil millones de parámetros.
Alicia
Esa es una escala masiva.
Beto
Enorme. Un parámetro es esencialmente un peso matemático que actúa como una sinapsis digital. Así que tienes 70 mil millones de estos pequeños puntos de conexión disparándose para calcular y predecir la siguiente secuencia de texto. El poder de cómputo es astronómico.
Alicia
Pero a pesar de todo ese poder, los resultados empíricos que recopilaron al probar estos sistemas apuntan a un punto ciego innegable.
Beto
Sí, veamos los datos para la segunda etapa. Selección de hipótesis. Cuando la investigación ha proporcionado a la IA una lista de opción múltiple, el rendimiento fue asombroso.
Alicia
Caso increíble.
Beto
En el conjunto de datos médico DDX Plus, le dieron a la IA síntomas de un paciente y una lista de enfermedades candidatas. Los modelos principales lograron una precisión de casi el 99% en clasificar la enfermedad correcta dentro de sus tres mejores opciones.
Alicia
Quiero decir, si la evaluación se detuviera ahí, la percepción pública sería que la inteligencia artificial ha dominado fundamentalmente el diagnóstico médico complejo.
Beto
Pero los investigadores no se detuvieron ahí. Luego forzaron a los modelos en la primera etapa.
Alicia
La prueba de la página en blanco.
Beto
Sí. Eliminaron por completo la lista de opción múltiple. Proporcionaron exactamente los mismos síntomas del paciente y le dieron a la IA una página en blanco, instándola a encontrar los diagnósticos médicos desde cero. La precisión del 99% se desplomó al 63%.
Alicia
La caída es severa y es consistente en diferentes dominios también. Como en el conjunto de datos de lógica formal, ProofReader, el modelo líder solo logró una precisión de alrededor del 21% cuando se le obligó a generar un hecho lógico faltante sin una lista de opciones.
Beto
Mira, tengo que contrarrestar lo que esto implica sobre la tecnología.
Alicia
Vaya. Adelante.
Beto
Si un estudiante solo sabe cómo eliminar malas opciones en una prueba de opción múltiple, pero falla cuando se le da una indicación de ensayo, normalmente decimos que ese estudiante no entiende realmente el material.
Alicia
Es un punto justo.
Beto
¿Significa esta caída masiva que estos modelos de mil millones de parámetros en realidad no están razonando en absoluto? ¿Son solo coincidencias de patrones increíblemente sofisticadas que dependen de que nosotros les alimentemos las respuestas para evaluarlas?
Alicia
Bueno, yo no iría tan lejos como decir que no están razonando en absoluto. Su lógica deductiva, su capacidad para tomar hechos establecidos y ejecutar reglas matemáticas o procedimentales es matemáticamente prístina.
Beto
Pero la parte abductiva está rota.
Alicia
Exacto. Y el artículo aborda tu preocupación exacta con un gráfico de dispersión revelador. Graficaron la precisión del modelo en tareas puramente deductivas contra su precisión en estas tareas de generación abdutiva.
Beto
Oh, vaya. ¿Y qué mostró el grupo de puntos de datos?
Alicia
Mostró una dura realidad. La alta precisión deductiva no se traduce de manera confiable en capacidad abdutiva.
Beto
Para nada.
Alicia
Realmente no. Los modelos que obtuvieron cerca de la cima en lógica y matemáticas estrictas a menudo mostraron un rendimiento bajo a moderado en la generación de explicaciones plausibles desde una página en blanco. Los datos simplemente prueban que estos son músculos cognitivos distintos.
Beto
Ejecutar una prueba matemática es una operación fundamentalmente diferente a inventar una hipótesis plausible.
Alicia
Completamente diferente.
Beto
Entonces, ¿qué significa todo esto? Por qué esta brecha entre seleccionar una respuesta y generar una respuesta realmente importa para ti, oyente, se reduce a cómo queremos usar la IA en el mundo real.
Alicia
Exacto. Se trata de aplicación práctica.
Beto
Porque si quieres que una IA actúe como una verdadera compañera investigadora, rara vez empiezas con una lista ordenada de opción múltiple.
Alicia
Casi nunca.
Beto
El espacio de hipótesis en el mundo real es completamente abierto. Un médico se enfrenta a un paciente cuyos síntomas contradicen el libro de texto. Un analista de ciberseguridad mira el tráfico de red que no coincide con ninguna firma de malware conocida.
Alicia
Y si tu compañera de IA solo puede seleccionar de una lista preaprobada de teorías conocidas, su utilidad está severamente limitada. No puede ayudarte a descubrir nada genuinamente nuevo. Básicamente, no puede navegar por lo desconocido.
Beto
Pero la buena noticia es que el artículo no solo diagnostica el problema. Describe una hoja de ruta completa para la industria de la IA para tender este puente.
Alicia
Sí, ofrecen soluciones reales.
Beto
Y la primera solución importante que proponen es un cambio hacia puntos de referencia orientados a la acción.
Alicia
Esto es crucial. Actualmente, el panorama de pruebas es en gran parte estático. La IA produce una oración y un humano u otro programa la califica como correcta o incorrecta.
Beto
Como una prueba escolar tradicional.
Alicia
Sí, exactamente. La abducción en el mundo real es inherentemente interactiva. Si un médico formula la hipótesis de que un paciente tiene una infección específica, el siguiente paso inmediato es ordenar una prueba de sangre dirigida.
Beto
Claro. Tomas una acción para verificar la suposición.
Alicia
Exacto. Así que el artículo argumenta que los modelos de IA futuros deben ser evaluados en si su hipótesis generada apoya una acción productiva. ¿La suposición de la IA conduce a un experimento físico útil o a un paso de depuración funcional?
Beto
Esto cambia el enfoque de simplemente proporcionar una cadena de texto correcta a proporcionar una herramienta para una investigación posterior.
Alicia
Exacto.
Beto
Ahora, la segunda solución del detalle implica el uso de aprendizaje por refuerzo para enseñar a la IA lo que llaman "virtudes explicativas".
Alicia
¿Virtudes explicativas? Me gusta mucho este concepto.
Beto
Porque ahora mismo, la mayoría de la IA se entrena usando "ajuste fino supervisado" ("supervised fine-tuning", o SFT). El sistema simplemente recibe miles de ejemplos de explicaciones correctas y aprende a imitarlas.
Alicia
Sí. El entrenamiento supervisado simplemente enseña al modelo a producir la secuencia de palabras más estadísticamente probable basada en sus datos de entrenamiento. No enseña al modelo los principios subyacentes de lo que hace que una explicación sea fundamentalmente mejor que otra.
Beto
Así que los investigadores proponen "aprendizaje por refuerzo" ("reinforcement learning", o RL), donde la IA es activamente recompensada o penalizada en función de su comportamiento.
Alicia
Claro.
Beto
Quieren enseñarle virtudes como "la navaja de Occam", el principio de que la explicación más simple es generalmente la correcta.
Pero espera, ¿cómo mide realmente una computadora la simplicidad? Una ecuación matemática no sabe inherentemente lo que significa simple.
Alicia
Esa es la parte complicada, pero los investigadores sugieren medir y recompensar a la IA por tomar el camino lógico más corto.
Beto
Ah, ok.
Alicia
Así que si el modelo utiliza 10 pasos complejos de baja probabilidad para explicar una observación que podría explicarse adecuadamente en dos pasos de alta probabilidad, el sistema penaliza al modelo.
Beto
Tiene sentido.
Alicia
Con el tiempo, la IA aprende a favorecer la elegancia estructural y la coherencia interna sobre teorías innecesariamente complejas.
Beto
Eso es fascinante.
Ahora, la tercera solución arquitectónica que proponen es el debate multiagente.
Alicia
Esta es realmente genial.
Beto
En lugar de depender de un único modelo de IA monolítico para manejar tanto la generación creativa como la evaluación rigurosa, sugieren dividir el trabajo.
Alicia
Que es lo que hacemos en los equipos humanos todo el tiempo. Dependemos de roles especializados. En esta arquitectura propuesta, empleas un agente de IA especializado cuya única función es la primera etapa.
Beto
La etapa de generación.
Alicia
Claro. Lluvia de ideas diversas, creativas e incluso improbables sin filtrar.
Luego introduces un agente de IA completamente separado actuando como el crítico.
Beto
Así que la segunda etapa.
Alicia
Sí. Su función es evaluar rigurosamente esas opciones generadas contra las virtudes explicativas.
Beto
Básicamente, el soñador y el contador.
Alicia
Exacto. Les dejas interactuar. El agente crítico proporciona retroalimentación, señalando fallos lógicos, y el agente creativo utiliza esa retroalimentación como un proceso que llaman "propagación hacia atrás de la crítica" ("back propagation of critique") para refinar su próximo conjunto de suposiciones.
Beto
Eso suena increíblemente poderoso.
Alicia
Lo es. La interacción forza al sistema a explorar un espacio de posibilidades mucho más rico de lo que un solo modelo podría lograr por sí solo.
Beto
Pero estas tres soluciones, los puntos de referencia orientados a la acción, el aprendizaje por refuerzo y el debate multiagente, todos operan a nivel de software y entrenamiento.
El artículo de 2026 va un paso más allá, ¿verdad?
Alicia
Lo hace. Si conectamos esto con la imagen más grande, la frontera definitiva a la que apuntan es llamada "interpretabilidad mecanicista".
Beto
Interpretabilidad mecanicista. Vamos a desglosarlo.
Alicia
Aquí es donde la investigación pasa de la arquitectura de software a la neurociencia digital.
Actualmente, los modelos de lenguaje grande son relativamente opacos. Introducimos una instrucción, millones de parámetros ejecutan multiplicaciones de matriz complejas y recibimos una salida.
Beto
Es una caja negra.
Alicia
Exacto. Pero los investigadores argumentan que para resolver verdaderamente el cuello de botella del razonamiento abductivo, tenemos que mirar dentro del cerebro digital y mapear los circuitos abductivos físicos.
Beto
Así que la interpretabilidad mecanicista es menos como mirar el código de una computadora y más como realizar un escaneo de resonancia magnética funcional (fMRI) en el cerebro digital.
Alicia
Esa es una analogía perfecta.
Beto
Estamos tratando de ver exactamente qué agrupaciones de datos se iluminan durante diferentes tareas cognitivas.
Alicia
Esa es una forma muy precisa de visualizarlo.
Los investigadores quieren aislar componentes específicos como "cabezales de atención" ("attention heads").
Beto
¿Cabezales de atención?
Alicia
Sí. Un cabezal de atención es un mecanismo en la red neuronal que decide qué palabras o conceptos son más relevantes entre sí en un contexto dado. El objetivo es identificar precisamente qué cabezales de atención y capas neuronales se activan cuando un modelo está realmente haciendo una lluvia de ideas sobre una nueva hipótesis versus cuando simplemente está recitando un hecho memorizado de sus datos de entrenamiento.
Beto
Vaya. Si podemos mapear esos circuitos específicos, podemos entender el mecanismo matemático exacto que distingue la inferencia abductiva verdadera del simple emparejamiento de patrones.
Alicia
Exacto. Y una vez que esos circuitos están aislados, los investigadores podrían intervenir para mejorarlos.
Beto
Como reparar físicamente el cerebro de la IA.
Alicia
Básicamente sí, amplificando directamente la capacidad de la IA para razonar en lo desconocido. Proporciona una solución tangible basada en ingeniería a un problema que comenzó como un debate filosófico hace siglos.
Beto
Realmente lo trae de vuelta al círculo.
Veamos más lejos y resumamos las ideas centrales de esta investigación.
Rastreamos el concepto de razonamiento abductivo hasta Charles Sanders Peirce, quien lo definió como "la lógica del descubrimiento". Es el proceso de adivinación ampliativo de adivinar el "por qué", para introducir ideas genuinamente nuevas.
Exploramos cómo la confusión filosófica entre generar una suposición, y evaluar una suposición, condujo a un panorama de pruebas altamente fragmentado en la IA.
Alicia
Y examinamos cómo el plano unificado de dos etapas, inferencia a la mejor explicación, permitió a los investigadores finalmente probar la realidad de los sistemas de IA modernos de manera objetiva.
Beto
Y esos resultados empíricos apuntan a un punto ciego bastante innegable. Los modelos más grandes de 2026 que operan con mil millones de parámetros pueden evaluar una lista de opción múltiple con casi certeza matemática.
Alicia
Increíble precisión, sí.
Beto
Pero cuando se les obliga a generar una teoría desde una página en blanco, su rendimiento cae drásticamente. Los datos prueban que deducir un hecho en la generación de una hipótesis son músculos cognitivos totalmente diferentes.
Alicia
Lo son.
Beto
La chispa humana de la ingeniería inversa de un problema sigue siendo un obstáculo masivo para las máquinas.
Alicia
Define la frontera para la próxima generación de inteligencia artificial. Quiero decir, hemos dominado la calculadora deductiva y ahora estamos intentando diseñar la capacidad para el descubrimiento abductivo.
Beto
Lo que nos deja con un experimento mental pendiente para considerar mucho después de que cerremos hoy.
Si los investigadores siguen esta hoja de ruta, si eventualmente ejecutan esa resonancia magnética funcional digital, mapean los circuitos abductivos precisos dentro de una inteligencia artificial y aíslan la matemática de adivinar, ¿qué encontrarán?
Alicia
Es una pregunta profunda.
Beto
Mientras que mapear ese circuito sirve como un espejo de cómo funciona realmente la intuición humana, ¿veremos nuestra propia chispa creativa reflejada en las capas neuronales? ¿O descubriremos que el método de una máquina para encontrar la pieza faltante está impulsado por una lógica totalmente ajena, como una forma de conectar lo desconocido que ni siquiera podemos empezar a comprender?
Alicia
Una lógica ajena del descubrimiento, plantea preguntas fundamentales sobre si el razonamiento humano es el único camino válido para comprender lo desconocido.
Beto
Realmente lo hace.
Para todos los que nos escuchan, gracias por acompañarnos en esta exploración de la mente artificial.
Sigan cuestionando los sistemas en los que confían, manténganse curiosos, y sigan buscando "el por qué" en sus propias vidas.
Hasta el próximo análisis profundo.
Entradas
