Resumen: La inteligencia artificial ahora supera a los humanos en varias tareas científicas y de ingeniería, sin embargo, sus representaciones internas a menudo permanecen opacas. En esta perspectiva, sostenemos que la inteligencia artificial explicable (XAI), combinada con el razonamiento causal, permite {aprender de los alumnos}. Centrándonos en el descubrimiento, la optimización y la certificación, mostramos cómo la combinación de modelos básicos y métodos de explicabilidad permite la extracción de mecanismos causales, guía un diseño y control sólidos y respalda la confianza y la responsabilidad en aplicaciones de alto riesgo. Discutimos los desafíos en cuanto a fidelidad, generalización y usabilidad de las explicaciones, y proponemos XAI como un marco unificador para la colaboración entre humanos y IA en ciencia e ingeniería.
Publicado originalmente en export.arxiv.org el 11 de enero de 2026.
Ver fuente original
