Ciencia aplicada: el CWM completa ciclos científicos en salud pública y clima — frente a baselines consagrados

Un modelo de mundo solo merece ese nombre cuando enfrenta el mundo real — con sus datos incompletos, sus series largas y sus preguntas sin respuesta bonita. La versión v0.10.6 lleva al científico de mundo del Camile World Model, hasta ahora dedicado al clima y las finanzas, a dos nuevos territorios reales: la vigilancia epidemiológica de cinco capitales brasileñas (dengue, 873 semanas de datos públicos por ciudad) y los focos de incendio de Brasil entre 1998 y 2026.

En cada ciclo, el modelo recorrió el camino científico completo: formuló la pregunta, arriesgó predicciones paso a paso — siempre sin ver el futuro — y aceptó la refutación cuando los datos no sostuvieron la hipótesis. También midió sus predicciones frente a métodos consagrados de pronóstico de series temporales, en condiciones idénticas de walk-forward, con los números publicados.

El ciclo científico del CWM — pregunta, predicción, falsificación — ahora también se ejecuta en epidemiología y en datos de incendios, generalizando la capacidad más allá de sus dominios originales.

El modelo adquirió memoria de creencias entre datasets: una hipótesis refutada en una ciudad llega a las siguientes ya cargando el aprendizaje — lo que cayó no renace como si nada hubiera pasado.

Se publicó una comparación en arena abierta frente a métodos consagrados de pronóstico (clases de modelos estacionales ampliamente usados en la industria), en las mismas condiciones de prueba para todos.

Las organizaciones que trabajan con series de salud pública, clima o riesgo ambiental obtienen un instrumento que no solo predice — sabe registrar cómo formó y corrigió sus creencias, y dónde sus predicciones son (y no son) mejores que los métodos convencionales.

Investigadores y equipos de datos pueden reproducir los ciclos completos: cada resultado viene acompañado de sus registros de verificación.

Hay mucha promesa y poca ciencia abierta en el mercado de la IA. Esta versión elige el camino más difícil: preguntas reales, datos públicos auditables, comparación honesta con lo que ya existe y publicación de los resultados — incluso de los que no confirman la expectativa. Así es como la inteligencia de mundo se convierte en infraestructura confiable para decisiones que afectan a las personas: con método visible, límites declarados y verificación al alcance de cualquiera.

En la práctica, un organismo de salud puede pedir al modelo la lectura de una serie municipal y recibir no solo la proyección, sino el historial de cuántas veces se ha probado ese tipo de pregunta, qué se confirmó y qué se refutó. Un centro de monitoreo ambiental puede comparar el desempeño del modelo con el método que ya utiliza — en sus propios datos — antes de adoptarlo.

Los ciclos miden predicción y refutación en datos observacionales — la asociación estadística no es causalidad, y el propio modelo registra cuándo una pregunta exige un laboratorio que los datos no ofrecen. Los resultados son específicos de los datos y ventanas probados; no son promesas para cualquier contexto.

No toda pregunta tiene la respuesta esperada — toda pregunta tiene un registro honesto. La v0.10.6 es el CWM demostrando, en terreno real y frente a rivales consagrados, que sabe las dos cosas: predecir y reconocer sus propios límites.