Historia de la ciencia: cómo nacen, se discuten y se olvidan las ideas, con Leo Corry. ¿Por qué la forma de hacer ciencia ha cambiado tanto en solo un siglo?

Pensamos en la ciencia mirando siempre hacia adelante: laboratorios, datos, experimentos. ¿Pero quién mira hacia atrás? ¿Quién estudia cómo nacieron las ideas que hoy damos por obvias, cómo se discutieron y cómo casi se pierden? De eso vive un historiador de la ciencia.

Para responder hablo con Leo Corry, historiador de la ciencia en la Universidad de Tel Aviv. Empezó como matemático en Venezuela y acabó dedicando su carrera a contar la historia de cómo se construye el conocimiento.

Recorremos, entre otras cosas:

• Cómo ha cambiado la forma de hacer ciencia: de la Big Science tras la Segunda Guerra Mundial al Internet, los datos masivos y la inteligencia artificial.
• Las matemáticas como caso aparte: por qué la autoría individual sigue pesando tanto.
• ¿Puede un ordenador ser coautor de un artículo? El provocador caso de Doron Zilberger.
• Cómo trabaja un historiador de la ciencia: fuentes, archivos y el caso de David Hilbert.
• El gran pecado del oficio: el anacronismo, juzgar el pasado con la vara del presente.
• El papel de la mujer en la ciencia, las humanidades digitales y por qué la investigación deja de ser solitaria.

Y una idea de fondo: la ciencia no avanza sola. Las ideas no se mueven por sí mismas; alguien las crea, las discute, las distribuye… y a veces las olvida.

Una conversación pausada y para todos los públicos sobre metaciencia, historia y filosofía de la ciencia, con Hilbert, Kuhn, Heisenberg, von Neumann y la Gotinga de los años 20 de fondo.

Nota: este episodio se grabó a principios de 2023, de forma asíncrona en nuestra comunidad de investigadores en WhatsApp (te explico cómo en el episodio 205).

Invitado:
Leo Corry — Profesor de Historia de la Ciencia, Universidad de Tel Aviv (ex-decano de la Facultad de Humanidades). Web: busca «Leo Corry» en Google; ahí están sus ocho libros y sus artículos.

Para profundizar:

Obra de Leo Corry:

• Modern Algebra and the Rise of Mathematical Structures
• David Hilbert and the Axiomatization of Physics (1898–1918)
• A Brief History of Numbers

Mencionado en el episodio:

• Thomas Kuhn — La estructura de las revoluciones científicas
• «Culturomics»: análisis cuantitativo de millones de libros digitalizados (Michel et al., Science, 2011)
• El matemático Doron Zilberger y su «coautor» computacional

Capítulos:
00:00 Avance (mejores momentos)
01:30 Intro
01:54 El tema de hoy: la historia de la ciencia
02:22 Quién es Leo Corry
03:58 De matemático en Venezuela a historiador en Tel Aviv
07:39 ¿Ha cambiado la forma de hacer ciencia?
09:57 Big Science, Internet y la ciencia de datos
12:31 El papel de la mujer en la ciencia
15:27 Matemáticas: individualismo y machine learning
22:36 ¿Un ordenador como coautor? El caso Zilberger
24:39 Un día de trabajo: ante todo, un historiador
29:24 Las fuentes, los archivos y el caso Hilbert
45:11 El pecado del historiador: el anacronismo
47:45 Hilbert y la física del siglo XX
50:19 Metainvestigación: investigar a los investigadores
55:19 Humanidades digitales: por qué hace falta equipo
62:39 Cierre: las ideas clave del episodio

Comunidad de investigadores: https://horacio-ps.com/comunidad
Newsletter: https://horacio-ps.com/newsletter

Si el episodio te ha resultado útil, dale like, suscríbete o compártelo en Spotfy, Apple Podcasts, iVoox o YouTube.

Filosofía de la ciencia en serio: las tres grietas del conocimiento, con dos filósofos de la ciencia. ¿Por qué funciona la ciencia si no es del todo segura?

En 1610 Galileo apuntó su telescopio al cielo y no actualizó el mapa heredado: lo rompió. Mucha gente prefirió no mirar. Este episodio usa ese gesto como metáfora: las preguntas de la filosofía de la ciencia son las grietas de nuestro mapa del mundo.

Recorremos tres grietas del método científico:

• La inducción no garantiza el futuro: David Hume y el pavo de Bertrand Russell.
• Los hechos no se ordenan solos: Henri Poincaré ("una pila de piedras no es una casa").
• El observador altera lo observado: Werner Heisenberg.

• 
  

Y la gran pregunta: si el mapa tiene grietas, ¿por qué funciona la ciencia?

Para responder entrevisto a dos filósofos de la ciencia: Alfredo Marcos (catedrático en la Universidad de Valladolid) y María de Paz (Universidad de Sevilla). Les hago las mismas tres preguntas —qué estudia la filosofía de la ciencia, cuándo nace como disciplina y tres libros para empezar— y luego exploramos zonas poco tratadas: los sesgos de género y el eurocentrismo en la ciencia, los científicos que también filosofaron (Newton, Poincaré, Heisenberg) y el sociólogo Robert Merton con su "etos" de la ciencia (las normas CUDOS).

Una introducción rigurosa y para todos los públicos a la metaciencia y la epistemología, con Kuhn, Popper, Feyerabend, Duhem y Hacking de fondo.

Invitados:
Alfredo Marcos — Catedrático de Filosofía de la Ciencia, Universidad de Valladolid. Contacto: amarcos@uva.es
María de Paz — Filósofa de la ciencia, Universidad de Sevilla. Contacto: mdepaz3@us.es

Para empezar a leer (recomendaciones de los invitados):
Thomas Kuhn — La estructura de las revoluciones científicas
Karl Popper — Conjeturas y refutaciones
Paul Feyerabend — Contra el método
Pierre Duhem — La teoría física
Ian Hacking — Representar e intervenir
Henri Poincaré — Ciencia e hipótesis
Antonio Diéguez — La ciencia en cuestión

Capítulos:
00:00 Avance (mejores momentos)
01:11 Intro
01:35 Hoy: filosofía de la ciencia
02:09 Galileo y el telescopio: romper el mapa
04:49 Grieta 1: la inducción (Hume y el pavo de Russell)
07:20 Grieta 2: los hechos no se ordenan solos (Poincaré)
08:07 Grieta 3: el observador altera lo observado (Heisenberg)
09:04 Si el mapa tiene grietas, ¿por qué funciona?
09:44 Entrevista: Alfredo Marcos y María de Paz
10:06 ¿Qué estudia la filosofía de la ciencia?
15:49 ¿Cuándo nace la disciplina?
24:00 Tres libros para empezar
31:54 Zonas por explorar: sesgos de género y eurocentrismo
36:34 Científicos que filosofaron (Newton, Poincaré, Heisenberg)
41:15 Merton y el "etos" de la ciencia (CUDOS)
46:18 Cierre: seguir mirando por el telescopio

Comunidad de investigadores: https://horacio-ps.com/comunidad
Newsletter: https://horacio-ps.com/newsletter

Si el episodio te ha resultado útil, dale like, suscríbete o compártelo en Spotify, Apple Podcasts, iVoox o YouTube.

Transferencia de tecnología: cómo vender tu investigación sin rebajar la ciencia. La pregunta que el laboratorio no sabe responder.

Dos tiendas de ropa casi idénticas en los años 70. Mismas telas, mismos precios, mismos escaparates. Una se convirtió en una de las mayores empresas del mundo —Zara— y la otra desapareció sin que nadie recuerde su nombre.

La diferencia no estaba en la tela: una entendió que la clienta no compraba una prenda, compraba novedad. La otra no.Esa misma frase —el cliente no compra lo que tú crees que vendes— es el muro contra el que se estrella casi toda la investigación que intenta salir del laboratorio y llegar al mundo.

En este episodio de Investigando la investigación hablamos de transferencia de tecnología y de cómo vender tu investigación, del laboratorio al mercado, sin traicionar tu ciencia.

El investigador está entrenado en un solo instrumento, el de la verdad: ¿es correcto?, ¿es reproducible?, ¿resiste la crítica? Es un instrumento maravilloso, pero no sabe responder a la pregunta del mercado: ¿por qué iba alguien a pagar por esto? Como los sabios que se negaron a mirar por el telescopio de Galileo, muchos investigadores se niegan a mirar por un segundo telescopio: el que no apunta al cielo, sino al cliente.

Las 4 cosas que casi todo investigador no ve:

• Observa la vida del cliente, no le preguntes — la etnografía de diseño y el caso Lego: los niños no buscaban lo fácil, buscaban dominar una destreza.

• Di qué haces tú que no hace nadie — el ejercicio del "momento de la verdad": si me quitas esto y esto, soy uno más en el montón.

• Traduce tu tecnología a algo que el cliente puntúe — el AVE no vende velocidad, vende certeza y reducción de riesgo (Renfe te devuelve el dinero si el tren llega tarde).

• Evita las frases que te matan — "técnicamente damos los mismos resultados que los demás".

Con casos reales del laboratorio al mercado: Oryzon (del paper al Nasdaq) y Avelino Corma, ciencia de élite con más de 200 patentes usadas por Repsol, Cepsa o ExxonMobil.

La conclusión: no hay que elegir entre hacer ciencia de verdad y venderla. Se pueden hacer las dos cosas a la vez.

Una idea de partida sobre valorización de la investigación, propuesta de valor y emprendimiento científico para cualquier investigador que quiera que su ciencia llegue a la gente.

Comunidad de investigadores: ⁠https://horacio-ps.com/comunidad⁠

Newsletter: ⁠https://horacio-ps.com/newsletter⁠

Si el episodio te ha resultado útil, dale like, suscríbete o compártelo en Spotify, Apple Podcasts, iVoox o YouTube.

En este episodio comparto una idea original que llevo desarrollando estos últimos días: el Agentic Throughput Index, o ATI. La propuesta nace de una observación muy simple sobre cómo ha cambiado mi forma de trabajar desde que utilizo agentes de inteligencia artificial de manera habitual. Durante años, el cuello de botella de mi investigación estaba en la ejecución técnica: programar, analizar datos, redactar borradores o implementar ideas. Pero con los agentes de IA, gran parte de esa ejecución ya puede delegarse. Eso desplaza el problema a otro lugar: definir correctamente los proyectos, encuadrarlos bien, priorizar y dar feedback útil.

A partir de ahí planteo una pregunta que creo que cada vez será más importante: ¿cómo medimos realmente la productividad en un entorno donde múltiples agentes trabajan en paralelo? Porque el modelo clásico de productividad, basado en horas de trabajo directo o tareas completadas manualmente, empieza a quedarse corto. Lo relevante ya no es solo cuánto hago yo con mis propias manos, sino cuántos flujos autónomos soy capaz de coordinar y supervisar de forma eficiente.

En el episodio explico cómo aprovecho el tiempo de ejecución de los agentes para solapar proyectos en paralelo. Cuando una tarea está bien definida y es delegable, la lanzo a un agente en background y paso inmediatamente a otro proyecto mientras el primero sigue ejecutándose. Después vuelvo periódicamente para validar resultados, corregir desviaciones o desbloquear decisiones. La idea central es sencilla: no dejar tiempos muertos entre ejecuciones y utilizar los agentes como capas paralelas de trabajo.

También hablo de los riesgos de esta aproximación. Porque lanzar muchos agentes a la vez puede convertirse fácilmente en una métrica de vanidad: mucho movimiento, muchos outputs y poca integración real. Por eso propongo que el ATI tenga dos dimensiones. Por un lado, el throughput, es decir, cuántos flujos autónomos ejecuto en paralelo. Por otro, el Agentic Success Rate, que mide cuántos de esos flujos producen resultados realmente útiles y verificables. Sin esa segunda dimensión, el sistema se convierte en puro ruido.

Además, diferencio distintos tipos de sesiones agénticas —exploración, ejecución, mantenimiento, validación o análisis— porque no todas deben evaluarse igual. Una sesión exploratoria que no genera un entregable final puede seguir siendo extremadamente valiosa si produce aprendizaje o nuevas direcciones de trabajo.

En el fondo, este episodio es una reflexión sobre un cambio conceptual más grande: estoy empezando a pensar la productividad no como trabajo directo, sino como gestión de enjambres cognitivos. Como la capacidad de coordinar múltiples procesos inteligentes al mismo tiempo. No sé si el término Agentic Throughput Index terminará utilizándose o no, pero me interesa lanzar la idea, ponerla sobre la mesa y abrir la discusión.

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

Hoy conversamos con Santiago Sánchez Migallón, profesor de filosofía especializado en mente e inteligencia artificial y autor del blog La máquina de Von Neumann. La conversación gira en torno a una de las preguntas más discutidas actualmente: si sistemas como ChatGPT realmente entienden lo que dicen o simplemente producen respuestas coherentes mediante procesos estadísticos.

Uno de los ejes principales es la diferencia entre inteligencia, comprensión y conciencia. Santiago explica cómo los grandes modelos del lenguaje funcionan a partir de predicciones estadísticas sobre palabras y tokens, lo que ha llevado a compararlos con “loros estocásticos”. Sin embargo, también reconoce que sus capacidades actuales obligan a replantear qué entendemos exactamente por inteligencia y hasta qué punto ciertos comportamientos pueden considerarse comprensión.

Gran parte del episodio se centra en el llamado grounding problem o problema del anclaje del significado. A través de ejemplos clásicos de la filosofía de la mente y del lenguaje, se discute cómo los seres humanos asociamos palabras con experiencias reales del mundo, mientras que las máquinas operan únicamente sobre símbolos y representaciones matemáticas. Esto lleva a debatir si una IA puede comprender realmente conceptos como “perro”, “dolor” o “color rojo” sin tener experiencia directa de ellos.

También se aborda el problema de la conciencia y los límites actuales tanto de la filosofía como de las neurociencias para explicarla. Santiago diferencia claramente entre simular emociones y experimentarlas realmente, introduciendo conceptos como los qualia y la experiencia subjetiva. Desde esta perspectiva, sostiene que las máquinas actuales no poseen emociones, sensaciones ni conciencia fenomenológica, aunque puedan generar discursos convincentes sobre ellas.

Otro tema importante es la relación entre filosofía y ciencia. Frente a enfoques más alejados del empirismo, Santiago defiende una filosofía estrechamente conectada con las ciencias cognitivas, la neurociencia y la inteligencia artificial. La conversación explora cómo la filosofía puede aportar marcos conceptuales, experimentos mentales y análisis críticos, mientras que la ciencia proporciona los datos empíricos necesarios para avanzar en estos problemas.

Además, hablamos sobre divulgación, escritura y lectura en la era digital. Santiago reflexiona sobre la evolución de los blogs, la pérdida de hábitos de lectura profunda y la importancia de escribir como herramienta para pensar. También comenta cómo la inteligencia artificial está obligando a replantear conceptos tradicionales como identidad, relaciones humanas, creatividad o incluso qué significa ser humano.

En la parte final, repasamos su trayectoria personal, su interés temprano por la informática y cómo terminó combinando filosofía, inteligencia artificial y ciencias cognitivas. También hablamos sobre docencia, educación y los retos de enseñar filosofía en una época marcada por la inmediatez tecnológica y la fragmentación de la atención.

Como cierre, se subraya la necesidad de mantener espacios de reflexión pausada y crítica en medio del actual entusiasmo tecnológico. Comprender qué son realmente estas tecnologías y cuáles son sus límites requiere no solo avances técnicos, sino también reflexión filosófica y diálogo interdisciplinar.

Para más info sobre Santiago: https://about.me/santiagosanchezmigallon

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

En este episodio hablo de una paradoja que llevo años viendo tanto en mí como en otros investigadores: cuanto mejor funciona tu sistema de productividad, más fácil es terminar sintiéndote desbordado otra vez. Aprendes GTD, Zettelkasten, time blocking o cualquier otro método, y durante un tiempo la sensación es buenísima. Capturas mejor las ideas, organizas mejor la información y consigues procesar más cosas. El problema aparece cuando esa nueva capacidad se convierte en permiso para asumir todavía más proyectos, más lecturas, más tareas y más compromisos. El sistema que parecía diseñado para darte claridad termina convirtiéndose en un contenedor de acumulación.

En el episodio reflexiono sobre cómo este fenómeno se ha vuelto mucho más visible en los últimos años. Autores como Andy Matuschak o Cal Newport llevan tiempo señalando que muchos sistemas de productividad y PKM terminan derivando hacia una acumulación infinita de información. El problema no suele ser falta de herramientas, sino precisamente lo contrario: que el sistema facilita guardar demasiado y cuestionar demasiado poco.

Una de las ideas centrales del episodio es que la salida no pasa por encontrar un sistema mejor, sino por aprender a eliminar. Y eliminar de verdad. No archivar indefinidamente ni mover tareas a listas de “algún día”. Borrar. El problema es que psicológicamente eso cuesta muchísimo porque cada nota, cada bookmark y cada tarea representa una hipótesis sobre el futuro: “quizás algún día esto me sirva”. Renunciar a esa posibilidad genera resistencia aunque, en la práctica, la mayoría de esas cosas nunca vuelvan a ser útiles.

También explico cómo replanteo la revisión semanal de GTD. En lugar de empezar revisando tareas y proyectos, intento comenzar revisando objetivos. Primero releo cuáles son las dos o tres direcciones reales en las que quiero avanzar y, solo después, vuelvo a mirar las listas. Ese pequeño cambio transforma completamente la revisión porque la pregunta deja de ser “¿podría servirme?” y pasa a ser “¿esto está alineado con lo que quiero conseguir?”. Y cuando la respuesta es no, el elemento se elimina en lugar de seguir aplazándolo indefinidamente.

Otra parte importante del episodio es la “prueba del enlace”, una técnica que utilizo especialmente en Obsidian para decidir qué notas merece la pena conservar. Cuando tengo dudas sobre una nota, intento conectarla con otras ideas ya existentes en mi sistema. Si aparecen conexiones naturales, significa que la idea forma parte de algo que realmente estoy pensando y desarrollando. Si no consigo encontrar conexiones reales, normalmente eso indica que la nota era ruido o una idea capturada por inercia.

En el fondo, el episodio termina siendo una reflexión sobre la relación con nuestro yo futuro. Capturar y guardar constantemente implica asumir que esa persona futura tendrá más tiempo, más energía o más capacidad para procesarlo todo. Y la realidad es que probablemente tendrá exactamente las mismas limitaciones que tenemos hoy. Por eso la pregunta importante no es “¿podría esto serme útil?”, sino “¿quiero que mi yo futuro tenga que ocuparse de esto?”.

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.

Hoy conversamos con Guillermo Restrepo, investigador en el Instituto Max Planck de matemáticas en las ciencias, cuyo trabajo combina química, matemáticas, historia y filosofía de la ciencia. La conversación gira en torno a entender la química no solo como una práctica experimental, sino como una forma de conocimiento que plantea preguntas conceptuales, sociales y éticas.

Uno de los ejes principales es la filosofía de la química, entendida como una rama de la filosofía de la ciencia que analiza qué hace única a la química y cómo se relaciona con otras ciencias como la física o la biología. Frente al enfoque habitual del químico, centrado en sintetizar sustancias, esta perspectiva introduce cuestiones más amplias, como el impacto social de los materiales, las implicaciones éticas de la investigación o la naturaleza de conceptos como sustancia o reacción. También se discute si la química puede reducirse a la física o si posee una autonomía conceptual propia.

Se aborda por qué estas preguntas no suelen formar parte del día a día científico. Restrepo señala que la historia de la química, especialmente desde el siglo XIX, ha estado marcada por una fuerte presión por producir resultadossustancias, lo que ha orientado la formación hacia objetivos prácticos. Esto, junto con la creación de comunidades académicas separadas, ha generado una distancia entre científicos y filósofos.

Otro tema clave es la tensión entre especialización e interdisciplinariedad. Aunque la especialización ha permitido grandes avances, también ha fragmentado el conocimiento. Se plantea la necesidad de enfoques más integradores que permitan conectar disciplinas y recuperar una visión más global de la ciencia.

Una parte relevante del episodio se centra en el trabajo de Restrepo sobre la tabla periódica. A partir de datos empíricos y herramientas matemáticas, propone entenderla como una estructura basada en relaciones de semejanza y de orden entre elementos. Este enfoque permite interpretarla como una estructura matemática, similar a una red, y conecta con intuiciones ya presentes en el trabajo de Mendeleev.

También se discuten estudios históricos que muestran una paradoja: el conocimiento químico crece de forma exponencial, pero su diversidad disminuye. La investigación se concentra en unos pocos elementos, lo que refleja sesgos tanto científicos como sociales. Este problema se extiende a la inteligencia artificial, que tiende a reproducir esos mismos patrones si se entrena con datos poco diversos.

En la parte final, se explora su trayectoria personal y su forma de investigar, basada en la curiosidad y en conectar ideas de distintas disciplinas. Muchas de sus ideas surgen fuera de la química, al interactuar con otras áreas o contextos.

Como cierre, se subraya la importancia de la divulgación. Generar conocimiento no es suficiente si no se comunica de forma comprensible. El valor de la ciencia depende también de su capacidad para ser compartida.

Para más información sobre su trabajo, puedes consultar su web https://sites.google.com/site/guillermorestrepo/Home y su perfil en Google Scholar https://scholar.google.com/citations?user=b4CW5CEAAAAJ&hl=en, o contactarle en restrepo@mis.mpg.de.

Si quieres discutir el contenido de este episodio con otros investigadores, puedes unirte a nuestra comunidad de investigadores en https://horacio-ps.com/comunidad o seguir i newsletter para estar al tanto de contenidos extra relacionados en https://horacio-ps.com/newsletter

Si el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Es un gesto que te cuesta muy poco y que ayuda muchísimo a que este podcast siga creciendo y llegue a más personas.