Un nuevo artículo propone una forma de ordenar explicaciones a medida que se acumulan pruebas y crece la lista de explicaciones candidatas. Su método, llamado Possibility Frontier Search, da prioridad a la certificación estadística, después a la compatibilidad con el conocimiento de fondo y, por último, a la sencillez. Ese orden pretende impedir que una explicación atractiva pero sin respaldo gane solo porque encaja con expectativas previas.

El trabajo es un marco y un algoritmo, no el informe de un sistema que haya realizado un descubrimiento científico. Anita Yang y cuatro coautores publicaron el artículo como arXiv v1 el 8 de octubre de 2026. Combina resultados formales bajo supuestos declarados con un experimento sintético controlado y pruebas exploratorias en dos conjuntos de datos del mundo real.

El gran cambio

  • Qué cambia: El artículo propone Possibility Frontier Search, que ordena conjuntos crecientes de hipótesis según la certificación estadística, la compatibilidad con el conocimiento de fondo y la sencillez.
  • Por qué importa: Para quienes evalúan explicaciones generadas por IA, separa el respaldo estadístico de la plausibilidad según el conocimiento previo y usa la especificidad solo como criterio de desempate. Así muestra dónde una clasificación refleja pruebas y dónde refleja el modelo de fondo fijo. El resultado formal es condicional; los dos estudios de caso con conjuntos de datos son evaluaciones exploratorias comunicadas por sus autores.
  • Qué observar: Las conclusiones del método dependen de lo que pueda proponer su generador, de cómo se traduzcan las afirmaciones en conjuntos comprobables y de cuánto se ajuste el modelo de fondo fijo. El preprint no informa de ningún descubrimiento desplegado ni de una replicación independiente.

Posibilidad no significa probabilidad

El artículo usa la teoría de la posibilidad para representar qué estados no se han descartado. Una puntuación de posibilidad de 1 no significa que una hipótesis tenga un 100 % de probabilidad de ser cierta. Significa que las pruebas no la han excluido. Cuando la información es débil, tanto una afirmación como su opuesta pueden seguir siendo posibles.

Esa distinción permite a los autores representar la incertidumbre no resuelta sin obligar al sistema a repartir una cantidad total fija de probabilidad entre explicaciones rivales. Construyen una posibilidad evidencial a partir de procesos e secuenciales, una forma de evidencia estadística diseñada para seguir siendo válida cuando la recogida de datos y las decisiones de parada se adaptan con el tiempo.

Con un umbral de error elegido, el método mantiene un espacio de versiones: el conjunto de estados de parámetros que la evidencia acumulada aún no ha excluido. Etiqueta las hipótesis candidatas con relación a ese conjunto. Una hipótesis queda refutada si no contiene ningún estado restante. Sigue abierta si contiene algunos, pero no todos, los estados restantes. Se certifica cuando el espacio de versiones no está vacío, todos los estados que quedan están dentro de la hipótesis y esta es un subconjunto propio del espacio completo de estados. Esa última condición excluye la afirmación tautológica que incluye todos los estados posibles.

Bajo los supuestos del modelo del artículo, esto produce una garantía uniforme en el tiempo: la probabilidad de que cualquier candidata falsa sea certificada en algún momento está acotada por el nivel de error elegido. La garantía contempla pruebas adaptativas y candidatas generadas con el mismo registro acumulado. Se aplica a la representación formal y comprobable de una afirmación, no a lenguaje causal o mecanístico adicional que no se haya codificado y probado.

Tres pruebas, en este orden

La clasificación es lexicográfica, por lo que una preferencia posterior no puede imponerse a una anterior.

  1. Certificación estadística. La candidata debe superar la prueba de evidencia. Una hipótesis que solo sigue abierta no puede superar a una certificada.
  2. Compatibilidad con el conocimiento de fondo. Entre las candidatas certificadas, el método favorece la que tiene la mayor posibilidad garantizada. La puntuación es el menor valor de compatibilidad con el fondo entre todos los estados permitidos por la hipótesis. Los autores interpretan esto como el mínimo cambio que necesitaría el contorno de fondo fijo para dar cabida a la afirmación. Es una comparación a nivel de candidatas, no una revisión automática del conocimiento científico.
  3. Sencillez. Si las candidatas empatan en esas pruebas, el método prefiere la hipótesis que representa menos estados. En esta formalización, menos estados significa una afirmación más específica.

El orden importa. La sencillez no rescata una afirmación que no haya superado la certificación, y el ajuste a conocimientos previos no cuenta como evidencia. La puntuación de fondo tampoco significa que una hipótesis sea probablemente cierta: mide la compatibilidad según el modelo de fondo elegido.

Búsqueda del frente

Possibility Frontier Search alterna entre proponer hipótesis y elegir experimentos. Su generador propone candidatas a partir del conocimiento de fondo, los datos acumulados, los estados que siguen vigentes y las candidatas anteriores. El método conserva las que aún no han sido refutadas.

Después centra el esfuerzo experimental en hipótesis abiertas que podrían mejorar el mejor resultado actual: una candidata con mejor compatibilidad con el fondo, o una igual de compatible pero más sencilla. Para cada hipótesis de ese tipo, el «frente» consta de pares de estados supervivientes a ambos lados de su afirmación. El siguiente experimento se selecciona para separar lo máximo posible el par activo más difícil de distinguir, utilizando la discrepancia esperada del modelo entre resultados. En contextos finitos, los autores describen esta elección como una optimización que puede resolverse mediante programación lineal.

El artículo también ofrece un certificado de parada. El algoritmo puede detenerse cuando ninguna candidata abierta conocida mejoraría la clasificación y la diferencia entre la mejor utilidad certificada y un límite superior de la utilidad alcanzable no supera una tolerancia elegida. Los autores dicen expresamente que alcanzar ese certificado no garantiza que la búsqueda termine en tiempo finito.

El resultado formal de recuperación es condicional. Entre otras cosas, el teorema presupone espacios finitos de estados y acciones, experimentos capaces de distinguir estados distintos, una construcción de evidencia mediante cocientes de verosimilitud, una condición de separación positiva para un objetivo casi óptimo y un generador de hipótesis con probabilidad no nula de proponer una candidata casi óptima certificable. Bajo esas condiciones, el límite se aproxima a recuperar una hipótesis alcanzable óptima en ε. «Alcanzable» es importante: el resultado se refiere a hipótesis que el generador puede producir, no a todas las explicaciones que podrían existir.

Qué abarcan los experimentos

El experimento controlado usa un entorno sintético con un estado conocido. Los investigadores discretizan el espacio de estados en 1.540 estados de parámetros, definen 44 hipótesis alcanzables y empiezan deliberadamente con un conjunto candidato que no contiene ninguna hipótesis verdadera. Informan de que el método amplía el conjunto, certifica una candidata verdadera y mejora su utilidad abductiva. En las comparaciones, las referencias incluyen la selección por máxima verosimilitud y máxima probabilidad a posteriori restringida al conjunto inicial, además de AutoDiscovery con búsqueda expansiva. Los resultados sintéticos son el promedio de ocho semillas aleatorias.

La parte con datos reales usa dos conjuntos de DiscoveryBench, Incarceration y SES. Los investigadores plantean preguntas sobre relaciones en esos conjuntos, parten de cinco hipótesis en lenguaje natural y sus complementos lógicos, y evalúan un conjunto fijo de magnitudes poblacionales mediante consultas de medición en 16 particiones de datos. Usan GPT-5 para generar y evaluar hipótesis en lenguaje natural y comparan su método con AutoDiscovery. Las métricas comunicadas son una puntuación de correspondencia de hipótesis evaluada por un LLM, utilidad abductiva y cardinalidad de hipótesis. El artículo informa de que, con el tiempo, su método obtiene puntuaciones más altas en las dos primeras y menor cardinalidad en ambos casos.

Esos resultados con datos reales son estudios de caso exploratorios. Los autores afirman que las pruebas son aproximadas y que en esta configuración no se han establecido garantías exactas de validez en cualquier momento ni de recuperación. El espacio de acciones y el contorno de fondo del entorno son fijos, por lo que la búsqueda «abierta» del método amplía el conjunto de hipótesis dentro de esa configuración. No amplía el espacio de estados medido ni revisa en línea el conocimiento de fondo. El artículo también advierte que un modelo de fondo mal especificado o mal calibrado puede sesgar las hipótesis que el método favorece.

Los experimentos muestran cómo se comportaron la clasificación y la búsqueda propuestas en una construcción sintética y dos tareas basadas en conjuntos de datos. No demuestran un descubrimiento replicado de forma independiente, un agente de investigación desplegado ni un nuevo resultado científico sobre encarcelamiento, nivel socioeconómico u otro campo. El artículo ofrece una forma de hacer explícitos los supuestos que hay detrás de la clasificación automatizada de hipótesis. El estudio no demuestra que esos supuestos y componentes sean fiables en la práctica científica abierta.

Fuentes y lecturas adicionales