Durante la AI Week de Milán, el Profesor Waldo Lockwin llamó la atención sobre un concepto a menudo pasado por alto pero revolucionario para el desarrollo de la inteligencia artificial: la possibility theory.
Una alternativa al enfoque probabilístico tradicional, capaz de modelar la incertidumbre de una manera más cercana al pensamiento humano.
En un mundo dominado por algoritmos que se basan en datos, frecuencias y estadística, la possibility theory propone una lógica basada en conjuntos, palabras y ambigüedad. Un paradigma que podría resultar fundamental para las futuras AI que realmente quieren comprender el lenguaje natural, el contexto y las sutilezas de la realidad.
Índice
¿Qué es la possibility theory?
La possibility theory (teoría de la posibilidad) nace como una extensión de la lógica difusa, ofreciendo una herramienta matemática para tratar la incertidumbre no en términos de frecuencia, como hace la probabilidad, sino en términos de compatibilidad con la información disponible.
En términos simples: la probabilidad responde a la pregunta: “¿con qué frecuencia ocurre X?”
La posibilidad responde a la pregunta: “¿cuán plausible es X en este contexto?”
Esta distinción es crucial para construir sistemas AI que se basan en palabras vagas, intuiciones humanas o escenarios donde los datos son parciales, inciertos o subjetivos.
Un ejemplo real: oncología e inteligencia artificial
En su intervención en la AI Week, Lockwin contó que había utilizado la possibility theory para desarrollar un modelo de radioterapia personalizada para tumores. El objetivo era administrar la mínima cantidad de radiación capaz de destruir una masa tumoral, basándose en descripciones cualitativas proporcionadas por los médicos, como “dosis mínima” o “efecto máximo”.
Estas expresiones no se pueden traducir directamente en números o porcentajes. Pero pueden ser representadas a través de conjuntos difusos y modelos posibilísticos, que tienen en cuenta las múltiples interpretaciones y la subjetividad del lenguaje.
¿El resultado? Un sistema más flexible, humano y adaptativo en comparación con un modelo rígido basado exclusivamente en probabilidades estadísticas.
¿Por qué es relevante para la AI de hoy (y de mañana)?
En el panorama actual, dominado por el machine learning y las redes neuronales profundas, se está abriendo un debate sobre cómo hacer la inteligencia artificial más interpretable, confiable y semántica.
Aquí entra en juego la possibility theory:
- 🔹 Lenguaje natural: Las AI modernas, como los grandes modelos lingüísticos (LLM), a menudo se enfrentan a conceptos matizados y ambiguos. Los modelos posibilísticos pueden ofrecer un marco más coherente para tratar términos como “muy”, “casi”, “quizás”, “bastante”.
- 🔹 Toma de decisiones: En contextos como las finanzas, la medicina o la conducción autónoma, donde las decisiones se basan en señales contradictorias o información incompleta, el enfoque posibilístico puede resultar más robusto que la probabilidad clásica. Un ejemplo es el uso de la inteligencia artificial en medicina.
- 🔹 Ética y responsabilidad: Una AI que explica “por qué eligió esa decisión” en términos de posibilidades y alternativas es potencialmente más transparente y aceptable a los ojos del ser humano, como se discute en el rol futuro de la AI en el derecho.
Posibilidad vs probabilidad: dos mundos en comparación
| Apecto | Probabilidad | Posibilidad |
|---|---|---|
| Basada en | Frecuencias, datos históricos | Coherencia con conocimiento actual |
| Tipo de lógica | Estadística | Lógica difusa / conjuntos difusos |
| Aplicaciones típicas | Predicciones, gestión de riesgos | Interpretación, decisiones humanas |
| Gestión de la incertidumbre | Cualitativa | Cualitativa y descriptiva |
No se trata de una sustitución, sino de una integración: posibilidad y probabilidad pueden coexistir para dar vida a AI más completas, capaces de enfrentar el mundo real en su complejidad, como se destaca en este estudio.
Possibility theory
En el gran debate sobre la inteligencia artificial, la possibility theory representa una vía alternativa y complementaria a la probabilidad. Es menos conocida, menos utilizada, pero potencialmente más cercana a la forma en que razonan los seres humanos.
Como se demostró en la AI Week 2025, esta teoría no es solo filosofía: tiene aplicaciones concretas, funciona y puede marcar la diferencia en los sectores más delicados, como la salud o la automatización crítica.
En una época en la que pedimos a la AI no solo calcular, sino también comprender, quizás ha llegado el momento de darle una oportunidad a la posibilidad.




