Els sistemes d'IA que es presenten com a «assistents científics» solen formular les seves hipòtesis en text lliure, una manera flexible però poc rigorosa de raonar que no distingeix bé entre una conjectura provisional i un mecanisme validat per l'experiència, ni permet corregir-la de manera sistemàtica quan un experiment la contradiu.
Qing Zhao, Haowei Li, Weijian Deng, Pengxu Wei i Liang Lin han presentat l'1 de setembre a arXiv EvoSCM, un sistema que dota els agents científics de models causals estructurals explícits —representacions formals de causa i efecte, no simples frases— que van evolucionant a mesura que es recullen noves dades experimentals. El mètode manté diverses hipòtesis rivals alhora i les fa passar per un cicle constant d'abducció de mecanismes amagats, disseny d'intervencions, predicció i experimentació; quan una predicció no coincideix amb l'observació, el sistema genera regles de correcció que refinen tant l'estructura causal com els mecanismes concrets. Els autors avaluen EvoSCM amb DiscoverPhysics, un banc de proves de descobriment científic en física simulada, i hi obtenen explicacions més precises i un ús més eficient dels recursos experimentals que els mètodes de referència.
El treball s'afegeix a un corrent creixent de recerca que busca que la IA no es limiti a imitar el llenguatge de la ciència sinó que en repliqui l'estructura lògica —hipòtesi, experiment, revisió—, i connecta amb els dubtes que altres treballs recents, com el banc de proves SCILAWS-BENCH publicat el mateix dia, han plantejat sobre si els grans models realment «descobreixen» lleis científiques o només les memoritzen. Que el sistema mantingui hipòtesis rivals explícites i les revisi amb regles de correcció rastrejables, en lloc de limitar-se a generar text plausible, és un pas cap a fer que aquest procés es pugui auditar.
És un preprint encara no revisat per parells, i les proves es fan amb DiscoverPhysics, un entorn de física simulada dissenyat pels mateixos investigadors, no amb experimentació científica real de laboratori. Els autors tampoc detallen com es comportaria el mètode amb disciplines científiques on els mecanismes causals són molt més sorollosos o difícils de formalitzar que en física, ni quin cost computacional té el cicle iteratiu d'abducció i experimentació en comparació amb els mètodes de referència.