Este artículo argumenta que, a pesar de los recientes avances en modelos de lenguaje generativos y a gran escala, existe una brecha significativa en la capacidad de los sistemas de IA para gestionar la incertidumbre y generalizar más allá de sus datos de entrenamiento. Los enfoques de aprendizaje automático existentes tienen dificultades para abordar este problema al centrarse demasiado en el ajuste de datos, y los enfoques actuales de cuantificación de la incertidumbre presentan serias limitaciones. Por lo tanto, este artículo propone un cambio de paradigma hacia la IA epistémica, enfatizando la necesidad de que los modelos aprendan de lo que saben y, al mismo tiempo, sean conscientes de lo que desconocen, utilizando las matemáticas de las medidas de incertidumbre de segundo orden. Este enfoque, que aprovecha el poder expresivo de estas medidas para gestionar eficientemente la incertidumbre, mejora la resiliencia y la robustez de los sistemas de IA, haciéndolos más capaces de gestionar entornos reales impredecibles.
