Los modelos de inteligencia artificial pueden generar respuestas convincentes incluso cuando contienen información incorrecta. Para abordar este problema, Thore Graepel, antiguo investigador de Google DeepMind, fundó Metis Reasoning, una empresa que propone replantear la forma en que los sistemas de IA construyen, verifican y actualizan sus conocimientos.
Graepel presentó el enfoque durante la conferencia GTC de Nvidia en Berlín. Su propuesta recupera principios utilizados en AlphaGo, el sistema que derrotó al jugador profesional Lee Sedol en 2016, y busca trasladarlos del ámbito de los juegos al razonamiento general.
Sin embargo, Metis Reasoning todavía describe un programa de investigación, no una tecnología operativa. Su documento técnico plantea una arquitectura conceptual, sin presentar un sistema en funcionamiento, pruebas de rendimiento ni comparaciones con los modelos de razonamiento actuales.
De AlphaGo a una nueva arquitectura de razonamiento
La inspiración principal de Metis Reasoning procede de AlphaGo, que combinaba una red neuronal de predicción con un mecanismo de búsqueda sistemática.
Esta combinación permitió explorar jugadas que inicialmente parecían poco probables. Uno de los ejemplos más conocidos fue la jugada 37 contra Lee Sedol, que, según las estimaciones de la red, tenía una probabilidad aproximada de una entre diez mil de ser elegida por un jugador humano.
Graepel considera que este principio podría aplicarse a problemas de razonamiento más generales.
Según el planteamiento de Metis, los modelos de lenguaje actuales desempeñan una función comparable a la red de predicción de AlphaGo, pero necesitan una estructura adicional que permita explorar posibilidades y comprobar las conclusiones de forma sistemática.
La propuesta consiste en incorporar mecanismos explícitos para representar el conocimiento, investigar preguntas pendientes y determinar qué afirmaciones cuentan con suficiente respaldo.
Un libro de conocimiento para registrar y revisar lo que sabe la IA
El componente central de la arquitectura propuesta es un knowledge ledger, que puede traducirse como libro de conocimiento explícito.
Este registro desempeñaría un papel equivalente al tablero de Go: representaría el estado del problema y permitiría seguir su evolución durante el razonamiento.
En lugar de depender únicamente de la información almacenada en los parámetros de una red neuronal, el sistema mantendría un registro organizado de tres elementos:
- Los conocimientos establecidos hasta ese momento.
- El nivel de confianza asociado a cada afirmación.
- Las preguntas que todavía permanecen abiertas.
Cada nueva incorporación tendría que pasar por un módulo de verificación independiente. Dependiendo del problema, este componente recurriría a cálculos, demostraciones formales o evidencia empírica.
La arquitectura también contempla la revisión de conclusiones anteriores. Si una suposición deja de sostenerse, el sistema tendría que reconsiderar todas las afirmaciones que dependían de ella.
De este modo, Metis propone que el conocimiento sea explícito y modificable, en lugar de permanecer exclusivamente incorporado en los pesos del modelo.
Preguntas y experimentos como movimientos de razonamiento
Otro elemento de la propuesta consiste en redefinir qué significa realizar un movimiento durante el razonamiento.
Mientras que en AlphaGo cada movimiento corresponde a una jugada en el tablero, en Metis Reasoning podría representar una pregunta, un experimento o el cuestionamiento de una hipótesis.
El objetivo sería seleccionar la acción que permita reducir más la incertidumbre existente.
Para ello, la arquitectura plantea utilizar dos redes neuronales encargadas de sugerir posibles movimientos y evaluar cuáles resultan más prometedores.
Estas redes se entrenarían a partir de investigaciones anteriores registradas en el sistema. Sin embargo, sus recomendaciones estarían subordinadas a las reglas de verificación: las redes no podrían sustituir ni anular las comprobaciones de evidencia.
El proceso concluiría con una respuesta respaldada por el conocimiento disponible o con una abstención justificada cuando la información resulte insuficiente.
Qué beneficios espera conseguir Metis Reasoning
La empresa sostiene que esta separación entre generación de hipótesis y verificación podría contribuir a reducir las alucinaciones de los modelos de inteligencia artificial.
Entre los beneficios que plantea su documento se encuentran las explicaciones acompañadas de referencias a las fuentes y la posibilidad de corregir o eliminar conocimientos sin necesidad de volver a entrenar la red neuronal.
Metis también considera que dividir los problemas en pasos de razonamiento más pequeños podría favorecer el uso de modelos de menor tamaño.
Esta característica tendría interés para dispositivos de borde y sistemas robóticos, donde la propuesta contempla distribuir el razonamiento en operaciones más limitadas.
El enfoque comparte algunas ideas con iniciativas existentes, entre ellas GraphRAG de Microsoft y AlphaGeometry2 de Google.
Por qué Metis cuestiona el razonamiento de los modelos actuales
El documento de Metis identifica varias limitaciones en la forma en que los modelos de lenguaje gestionan el conocimiento.
Según sus autores, estos sistemas pueden inventar respuestas, mientras que las cadenas de razonamiento que generan no siempre reflejan el proceso que realmente condujo a una conclusión.
También señalan que la información aprendida permanece incorporada en los pesos de los modelos, lo que dificulta corregir o retirar conocimientos específicos.
Metis relaciona estas características con lo que considera un impacto económico todavía limitado de la inteligencia artificial.
El documento distingue entre la ingeniería de software, donde el código generado puede someterse a pruebas y revertirse, y otros ámbitos donde los errores resultan más difíciles de identificar y corregir.
Entre estos últimos menciona la medicina, las finanzas, el diseño de chips y la robótica.
En esos sectores, sostiene Metis, la dificultad para rastrear afirmaciones incorrectas y eliminar conocimiento equivocado representa un obstáculo importante.
Su propuesta busca abordar precisamente esa separación entre producir una respuesta y disponer de evidencia que permita sostenerla.
Los problemas que todavía debe resolver la investigación
La principal limitación de Metis Reasoning es el estado inicial de su desarrollo.
El documento blanco presenta un programa de investigación, sin un sistema funcional, sin benchmarks y sin evaluaciones comparativas frente a los modelos de razonamiento disponibles actualmente.
El propio equipo identifica dificultades importantes para convertir la arquitectura conceptual en una implementación práctica.
Una de ellas es que los problemas del mundo real ofrecen información parcial. Además, conseguir evidencia puede resultar costoso y algunas preguntas pueden carecer de una respuesta definitiva.
La incógnita más importante está relacionada con la representación del conocimiento.
Aunque la idea de un libro de conocimiento explícito resulta más fácil de describir mediante problemas estructurados y ejemplos de libro de texto, todavía está abierta la cuestión de cómo organizar ese registro en ámbitos complejos y menos ordenados.
De la solución de este problema depende una parte fundamental de la arquitectura que Metis quiere investigar.
Metis Reasoning en contexto
Thore Graepel obtuvo su doctorado en aprendizaje automático en Berlín en 2001. Durante su etapa en Microsoft Research participó en el desarrollo de TrueSkill, un sistema de emparejamiento utilizado en Xbox Live.
Posteriormente trabajó en DeepMind en proyectos como AlphaGo, AlphaZero y MuZero. También pasó por Altos Labs y formó parte del equipo post-AGI de Google DeepMind, que abandonó durante el verano de 2026. Además, ocupa la cátedra de aprendizaje automático en University College London.
Según Bloomberg, Metis Reasoning está recaudando una ronda de financiación de unas pocas decenas de millones, mientras prepara otra posterior que podría alcanzar varios cientos de millones.
Una propuesta para separar el conocimiento de las predicciones
La idea central de Metis Reasoning consiste en combinar las capacidades predictivas de las redes neuronales con un registro explícito de conocimientos y mecanismos de comprobación.
En esta arquitectura, las redes ayudarían a decidir qué investigar, mientras que la evidencia determinaría qué afirmaciones pueden incorporarse al conocimiento disponible.
La posibilidad de revisar dependencias, corregir suposiciones y justificar una abstención forma parte de ese planteamiento.
Por ahora, el trabajo presentado por Graepel establece las preguntas y los componentes de una posible arquitectura de razonamiento. Su desarrollo dependerá, especialmente, de cómo pueda representarse y verificarse el conocimiento en situaciones reales donde la información es incompleta y las respuestas no siempre son definitivas.
