Acceso usuarios
[1]
México
Este artículo analiza el trilema de Agrippaen el contexto de los sistemas de inteligencia artificial, específicamente en modelos algorítmicos de alta dimensión: el desafío epistemológico clásico reside en que cualquier justificación del conocimiento conduce inevitablemente a una regresión infinita, un razonamiento circular o fundamentos arbitrarios o dogmáticos, y por lo tanto, el conocimiento no es posible. Esto resurge con fuerza en los modelos de aprendizaje automático caracterizados por la opacidad, la optimización recursiva y la validación basada en el rendimiento. Los modelos de lenguaje extensos y los sistemas de recomendación son casos paradigmáticos; por lo tanto, el estudio muestra cómo la inferencia algorítmica a menudo opera sin fundamento semántico ni estructura lógica explícita, o con acceso a razones inteligibles para los humanos, generando así resultados estadísticamente robustos pero epistémicamente opacos. Se argumenta que el trilema aparece algorítmicamente en la combinación de tres fenómenos interrelacionados, a saber: 1) la opacidad causada por la arquitectura de los modelos de aprendizaje automático y las propias vías de decisión; 2) la circularidad, cuando las medidas de entrenamiento, validación y rendimiento se retroalimentan sin una referencia epistémica externa; y 3) el dogmatismo estructural, que implica dar por sentado que los resultados de alto rendimiento son correlativamente verdaderos, aunque no se pueda visualizar el interior de la "caja negra". Sobre esta base, el artículo propone una epistemología estructural-pragmática, sugiriendo que la justificación se interpreta no negativamente en términos de acceso a razones internas, sino positivamente en términos de satisfacer los requisitos mínimos de coherencia, trazabilidad y responsabilidad humana. El artículo argumenta que la justificación en IA, tanto en relación con los usuarios humanos (como destinatarios finales) como entre los agentes de IA, debe situarse —de forma responsable y corregible—dentro de un sistema sociotécnico que pueda garantizar la legitimidad epistémica sin, por lo tanto, presuponer una transparencia total ni sujetos racionales ideales. Por último, se sostiene que la rendición de cuentas epistémica en IA requiere solidez técnica por un lado y, por el otro, una supervisión constante basada en la reflexión filosófica y normativa sobre sus resultados y consecuencias.
This article reviews Agrippa's trilemma in the context of artificial intelligence systems, specifically in high-dimensional algorithmic models: the classic epistemological challenge is that any justification of knowledge inevitably leads to infinite regression, circular reasoning, or arbitrary or dogmatic foundations, and therefore knowledge is not possible. This resurfaces strongly in machine learning models characterized by opacity, recursive optimization, and performance-based validation. Large language models and recommendation systems are paradigmatic cases; thus, the study shows how algorithmic inference often operates without semantic grounding or explicit logical structure, or with access to reasons intelligible to humans, thereby generating statistically robust but epistemically opaque results. It is argued that the trilemma appears algorithmically in the combination of three interrelated phenomena, namely: 1) opacity caused by the architecture of machine learning models and decision pathways themselves, 2) circularity, when training, validation, and performance measures feed back into each other without external epistemic reference, and 3) structural dogmatism, which involves taking for granted that high-performance results are correspondently true, even though the inside of the “black box” cannot be visualized. On this basis, the article proposes a structural-pragmatic epistemology, suggesting that justification is interpreted not negatively in terms of access to internal reasons, but positively in terms of satisfying the minimum requirements of coherence, traceability, and human accountability. The paper argues that justification in AI, both in relation to human users (as end recipients) and among AI agents, must be situated—accountable and corrigible—within a sociotechnical system that can ensure epistemic legitimacy without, therefore, presupposing total transparency or ideal rational subjects. Finally, it is argued that epistemic accountability in AI requires technical robustness on the one hand, and on the other, constant oversight based on philosophical and normative reflection on its outcomes and consequences.
