Un dels problemes menys visibles dels grans models d'intel·ligència artificial és que solen respondre amb la mateixa seguretat tant si coneixen bé un tema com si estan improvisant. Les xarxes bayesianes, que representen els paràmetres interns d'un model com a probabilitats en lloc de valors fixos, permeten estimar aquesta incertesa, però fins ara requerien tants recursos de càlcul i memòria que eren inviables als sistemes d'IA a gran escala.
Mame Diarra Touré, doctoranda, i David A. Stephens, catedràtic, tots dos del departament de Matemàtiques i Estadística de la Universitat McGill, han presentat el 20 d'agost a la 43a International Conference on Machine Learning (ICML 2026) un mètode anomenat «xarxes neuronals bayesianes singulars». La tècnica aconsegueix una estimació d'incertesa comparable a la dels mètodes bayesians convencionals amb aproximadament 33 vegades menys paràmetres, cosa que fa possible desplegar-la en sistemes d'IA de mida real sense disparar-ne el cost computacional.
La relleváncia pràctica d'aquest resultat és que un model capaç d'indicar de manera fiable el seu propi grau de confiança pot avisar quan cal supervisió humana, quan convindria recollir més dades o quan se li està demanant que treballi fora de les condicions amb què va ser entrenat: exactament els escenaris on els sistemes actuals fallen amb més aparença de seguretat. Els autors ja treballen en mètodes per automatitzar quins components de la xarxa són més rellevants per a cada tasca, amb l'objectiu d'ampliar l'abast del mètode a més tipus de dades i aplicacions.
Es tracta d'un resultat tècnic, presentat en un congrés revisat per experts (ICML), que encara s'ha de confirmar amb un desplegament més ampli fora del laboratori: la reducció de paràmetres és clara, però queda per veure com es comporta el mètode en els models de llenguatge de milers de milions de paràmetres que fan servir productes comercials com ChatGPT o Claude.