Sala 6 · Los premios · 2011
Judea Pearl y la causalidad
Judea Pearl y la causalidad (Judea Pearl, 2011): Razonar con incertidumbre y entender causas.
Pearl recibió el Premio Turing por sus aportes fundamentales a la IA mediante el razonamiento probabilístico y causal. Sus redes bayesianas permitieron a las máquinas razonar con incertidumbre, y sus trabajos posteriores formalizaron la causalidad: distinguir qué provoca qué, y no solo qué ocurre junto.
Judea Pearl, profesor de la Universidad de California en Los Ángeles (UCLA), recibió en 2011 el Turing Award "for fundamental contributions to artificial intelligence through the development of a calculus for probabilistic and causal reasoning" [por sus contribuciones fundamentales a la inteligencia artificial mediante el desarrollo de un cálculo para el razonamiento probabilístico y causal]. Su trabajo cambió la forma en que las máquinas enfrentan la incertidumbre y, más tarde, la forma en que los científicos piensan en causas y efectos.
En la década de 1980, muchos sistemas de IA manejaban la incertidumbre con números ad hoc, como los factores de certeza de MYCIN, que puedes ver en la Sala 3. Pearl propuso una alternativa con fundamentos sólidos: las redes bayesianas. Una red bayesiana es un grafo en el que cada nodo es una variable, por ejemplo un síntoma o una enfermedad, y las flechas indican qué variables influyen directamente en cuáles. Con ella, un sistema puede combinar evidencias y actualizar probabilidades de forma eficiente, por ejemplo razonando desde los síntomas hacia las causas más probables. Su libro de 1988, Probabilistic Reasoning in Intelligent Systems, convirtió el método en una herramienta estándar, usada en diagnóstico médico, códigos de corrección de errores, filtros de spam y muchos otros sistemas.
Pearl fue más lejos. La probabilidad dice qué cosas tienden a ocurrir juntas, pero no qué causa qué. Las ventas de helado y los ahogamientos suben en verano, pero prohibir el helado no salvaría a los bañistas. En su libro Causality, publicado en 2000, Pearl desarrolló un lenguaje formal para las causas, que incluye una notación para las intervenciones, el operador do, la cual distingue entre ver que algo ocurre y hacer que ocurra.
Con frecuencia describe tres niveles de razonamiento causal: la asociación (ver), la intervención (hacer) y los contrafactuales (imaginar qué habría pasado de otro modo). Sostiene que la mayor parte del aprendizaje automático sigue trabajando en el primer nivel. Su libro de divulgación con Dana Mackenzie, The Book of Why, explica estas ideas para el público general.
Hoy la inferencia causal se usa en medicina, economía y ciencias sociales, y también en la investigación en IA para lograr modelos más confiables.
Pregunta a tu IA: dale una correlación que hayas visto en las noticias y pídele que te diga si demuestra una causa. Pregúntale qué experimento permitiría resolverlo.
Fuente: awards.acm.org/award_winners/pearl_2658896
Verla en el museo →← Feigenbaum y Reddy · Premio Turing 2018: aprendizaje profundo →
Cómo citar: Nazareno, I. (2026). Judea Pearl y la causalidad (2011). New Mind Museum. Consultado el 17 de noviembre de 2026, en https://newmindmuseum.com/es/museo/judea-pearl-y-la-causalidad-2011/