No 76 (2026): Número en curso
Artículos

Simulación y justificación en la era del deep learning: AlphaFold como ejemplar paradigmático de modelos opacos

PDF (espagnol)
  • Erick Manuel Rubio,
  • Leandro Giri ,
  • Miguel Fuentes ,
  • Elkin Navarro
Erick Manuel Rubio Saint Martin University image/svg+xml , Universidad del Norte image/svg+xml

Biographie
Leandro Giri
https://orcid.org/0000-0002-7068-9750 (non authentifié) Universidad Nacional de Tres de Febrero image/svg+xml , Consejo Nacional de Investigaciones Científicas y Técnicas image/svg+xml

Biographie
Miguel Fuentes
https://orcid.org/0000-0003-0833-1245 (non authentifié) Consejo Nacional de Investigaciones Científicas y Técnicas image/svg+xml

Biographie
Elkin Navarro
https://orcid.org/0000-0001-7567-6409 (non authentifié)
Biographie

Publiée 2026-07-09

Comment citer

Rubio, E. M., Giri, L., Fuentes, M., & Navarro, E. (2026). Simulación y justificación en la era del deep learning: AlphaFold como ejemplar paradigmático de modelos opacos. Tópicos. Revista De Filosofía, 76, 283-313. https://doi.org/10.21555/top.v760.3580

Téléchargements

Les données de téléchargement ne sont pas encore disponibles.

(c) Copyright Tópicos. Revista de Filosofía 2026

Creative Commons License

Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.

Résumé

Este artículo examina el estatuto epistémico de los modelos computacionales contemporáneos basados en deep learning a partir del caso de AlphaFold, con el objetivo de evaluar en qué medida estos sistemas pueden comprenderse dentro del marco tradicional de las simulaciones computacionales o si requieren categorías epistémicas diferenciadas. A partir del análisis del marco propuesto por Paul Humphreys —en particular, las nociones de “plantilla” y “modelo computacional”— se explora la posibilidad de una continuidad formal y epistémica entre las simulaciones clásicas y los sistemas de aprendizaje profundo, atendiendo críticamente a los problemas de opacidad, verificación y validación pragmática, y al papel constitutivo de la representación visual. Se muestra que, si bien las concepciones representacionalistas clásicas resultan insuficientes para dar cuenta del funcionamiento interno de modelos como AlphaFold, estos sistemas tampoco pueden reducirse sin más a meros dispositivos algorítmicos. En este sentido, el artículo argumenta que AlphaFold sitúa a la filosofía de la ciencia ante la necesidad de repensar los criterios de justificación epistémica y el alcance mismo de la noción de “simulación” en el contexto del deep learning.

Mots-clés

  • simulaciones de deep learning epistémicamente opacas,
  • aprendizaje profundo,
  • opacidad epistémica,
  • representación científica,
  • validación,
  • verificación,
  • justificación,
  • simulación computacional,
  • modelo computacional,
  • plantilla computacional,
  • deep learning
    • ...Plus
    Moins
PDF (espagnol)

Références

  1. Barak, O. (2017). Recurrent Neural Networks as Versatile Tools of Neuroscience Research. Curr Opin Neurobiol, 46, 1-6. https://doi.org/10.1016/j.conb.2017.06.003
  2. Barberousse, A., Franceschelli, S. y Imbert, C. (2009). Computer Simulations as Experiments. Synthese, 169(3), 557-574. https://doi.org/10.1007/s11229-008-9430-7
  3. Chirimuuta, M. (2021). Prediction Versus Understanding in Computationally Enhanced Neuroscience. Synthesis, 199, 767-790. https://doi.org/10.1007/s11229-020-02713-0
  4. Daston, L. y Galison, P. (2007). Objectivity. Zone Books.
  5. Durán, J. M. (2017). Simulaciones computacionales. Principia, 21(1), 125-140. https://doi.org/10.5007/1808-1711.2017v21n1p125
  6. Frigg, R. y Reiss, J. (2009). The Philosophy of Simulation: Hot New Issues or Same Old Stew? Synthese, 169, 593-613. https://doi.org/10.1007/s11229-008-9438-z
  7. Galison, P. (1996). Computer Simulations and the Trading Zone. En P. Galison y D. J. Stump (eds.), The Disunity of Science: Boundaries, Context and Power (pp. 118-157). Stanford University Press.
  8. Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O. y Dahl, G. E. (2017). Neural Message Passing for Quantum Chemistry. Proceedings of the 34th International Conference on Machine Learning, 70, 1263-1272. https://proceedings.mlr.press/v70/gilmer17a.html
  9. Gao, P. y Ganguli, S. (2015). On Simplicity and Complexity in the Brave New World of Large-Scale Neuroscience. Curr Opin Neurobiol, 32, 148-155. https://doi.org/10.1016/j.conb.2015.04.003
  10. Goh, G. B., Hodas, N. O., & Vishnu, A. (2017). Deep Learning for Computational Chemistry. Journal of Computational Chemistry, 38(16), 1291-1307 . https://doi.org/10.1002/jcc.24764
  11. Hughes, R. I. G. (1999). The Ising Model, Computer Simulation, and Universal Physics. En M. Morgan y M. Morrison (eds.), Models as Mediators: Perspectives on Natural and Social Science (pp. 97-145). Cambridge University Press. https://doi.org/10.1017/CBO9780511660108.006
  12. Humphreys, P. (2004). Extending Ourselves: Computational Science, Empiricism, and Scientific Method. Oxford University Press. https://doi.org/10.1093/0195158709.001.0001
  13. Humphreys, P. (2009). The Philosophical Novelty of Computer Simulation Methods. Synthese, 169, 615-626. https://doi.org/10.1007/s11229-008-9435-2
  14. Jensen, F. (2017). Introduction to Computational Chemistry. Wiley. https://doi.org/10.14293/S2199-1006.1.SOR-CHEM.CLYWQK5.v1
  15. Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., … y Hassabis, D. (2021). Highly Accurate Protein Structure Prediction with Alphafold. Nature, 596, 583-589. https://doi.org/10.1038/s41586-021-03819-2
  16. Lenhard, J. (2016). Computer Simulation. En P. Humphreys (ed.), The Oxford Handbook of Philosophy of Science (pp. 710-736). Oxford University Press. https://doi.org/10.1093/oxfordhb/9780199368815.013.42
  17. Morrison, M., (2012). Models, Measurement and Computer Simulation: The Changing Face of Experimentation. Philosophical Studies, 143, 33-57. https://doi.org/10.1007/s11098-008-9317-y
  18. Morrison, M. (2015a). Legitimating Simulation: Methodological Issues of Verification and Validation. En M. Morrison, Reconstructing Reality: Models, Mathematics, and Simulations (pp. 248- 286). Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199380275.003.0008
  19. Morrison, M. (2015b). Without It There’s Nothing: The Necessity of Simulation in the Higgs Search. En M. Morrison, Reconstructing Reality: Models, Mathematics, and Simulations (pp. 287-316). Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199380275.003.0009
  20. Norton, S. y Suppe, F. (2001). Why Atmospheric Modeling Is Good Science. En P. Edwards y C. Miller (eds.), Changing the Atmosphere (pp. 67-106). The MIT Press. https://doi.org/10.7551/mitpress/1789.003.0006
  21. Particle Physics & Astronomy Research Council (2005, 4 de junio). Millennium Simulation—The Largest Ever Model of the Universe.ScienceDaily. www.sciencedaily.com/releases/2005/06/050604061156.htm
  22. Rohrlich, F. (1990). Computer Simulation in the Physical Sciences. PSA: Proceedings of the Biennial Meeting of the Philosophy of Science Association, 2, 507-518. https://doi.org/10.1086/psaprocbienmeetp.1990.2.193094
  23. Rubio, E., Giri, L. y Ilcic, A. (2023). Desafíos epistemológicos en la era de las redes neuronales artificiales: abordando sistemas complejos desde una perspectiva computacional. Argumentos de Razón Técnica, 26, 145-178. https://doi.org/10.12795/Argumentos/2023.i26.06
  24. Sjölin Wirling, Y. y Grüne-Yanoff, T. (2021). The Epistemology of Modal Modeling Philosophy Compass, 16(10), e12775. https://doi.org/10.1111/phc3.12775
  25. Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N. M., … y Collins, J. J. (2020). A Deep Learning Approach to Antibiotic Discovery. Cell, 180(4), 688-702.e13. https://doi.org/10.1016/j.cell.2020.01.021
  26. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L. y Polosukhin, I. (2017). Attention Is All You Need. En U. von Luxburg, I. Guyon, S. Bengio, H. Wallach, R. Fergus (eds.), NIPS’17: Proceedings of the 31st International Conference on Neural Information Processing Systems (pp. 6000-6010). Curran Associates Inc. https://doi.org/10.48550/arXiv.1706.03762
  27. Vicsek, T. (2002). The Bigger Picture. Nature, 418(6894), 131. https://doi.org/10.1038/418131a
  28. Winsberg, E. (2001). Simulations, Models, and Theories: Complex Physical Systems and their Representations. Philosophy of Science, 68, S442-S454. https://doi.org/10.1086/392927
  29. Winsberg, E. (2010). Science in the Age of Computer Simulation. The University of Chicago Press. https://doi.org/10.7208/chicago/9780226902050.001.0001
  30. Winsberg, E. y Alvarado, R. (2022). Computer Simulations in Science. The Stanford Encyclopedia of Philosophy. E. N. Zalta y U. Nodelman (eds.). https://plato.stanford.edu/archives/spr2026/entries/simulations-science/
  31. Yang, K., Swanson, K., Jin, W., Coley, C., Eiden, P., Gao, H. Guzman-Perez, A., Hopper, T., Kelley, B., Mathea, M., Palmer, A., Settels, V., Jaakkola, T., Jensen, K. y Barzilay, R. (2019). Analyzing Learned Molecular Representations for Property Prediction. Journal of Chemical Information and Modeling, 59(8), 3370-3388. https://doi.org/10.1021/acs.jcim.9b00237