Investigando la investigación

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.

Hay muchísimas formas de hacer investigación, pero la mayoría solo conocemos una: la del laboratorio académico clásico. Es el agua en la que nadamos sin darnos cuenta de que es agua.
Una sola pregunta desmonta el sistema entero: ¿cuándo y cómo entran los datos en tu proyecto? Esa decisión condiciona quién manda, cuándo termina el proyecto y qué cuenta como éxito.
En este episodio recorro una línea con 10 modelos ordenados por cuándo entra el dato, desde el dato congelado hasta el dato que pide un algoritmo.
Laboratorio académico clásico: el dato entra una vez y se congela.
Bell Labs: "correa larga, valla estrecha". Dato continuo dentro de una empresa.
Institutos independientes (Arc Institute, etc.): financiación a varios años, poca presión por publicar.
Ciencia ciudadana: el público recoge datos de forma distribuida y constante.
Big Science (CERN, Hubble): datos en chorro permanente, papers con miles de autores.
FRO: 15 a 30 personas, 5 años, dinero filantrópico, sin obligación de publicar.
DARPA: un Program Manager con poder real marca hitos. Así nació Internet.
DeSci: financiación y propiedad intelectual en blockchain entre holders de tokens.
Self-Driving Lab: bucle DMTA. El dato entra a demanda; cada vuelta decide el siguiente experimento.
Radial: rediseñar el proceso científico como ingeniería, en ciclos, a nivel de sistema.
El laboratorio autónomo es el extremo más radical: no tiene final, sigue optimizando mientras lo dejes encendido. Eso es justo lo que el sistema científico actual no sabe gestionar.
Lo más profundo: ¿quién decide qué dato pedir? En el modelo clásico, el investigador. En Big Science, un comité. En DARPA, el Program Manager. En DeSci, una comunidad. En el laboratorio autónomo, un algoritmo. No estamos automatizando el pipeteo: estamos delegando la autoría intelectual del siguiente paso.
La razón por la que casi ninguno nace en la academia es sencilla: la academia solo sabe puntuar papers. No es un problema de calidad, es un problema de contabilidad del mérito.
¿Tu problema pide un bucle? Porque si lo estás forzando dentro del molde del paper, estás remando contra tu propio problema.
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.
Enlaces y referencias
Tony Blair Institute, "A New Model for Science": https://institute.global/insights/tech-and-digitalisation/new-model-science
Future Blind (Max Olson), "The new wave of science and research models": https://futureblind.com/p/the-new-wave-of-science-and-research-models
Construction Physics (Brian Potter), "The Influence of Bell Labs": https://www.construction-physics.com/p/the-influence-of-bell-labs
Arc Institute, "The Arc Model": https://arcinstitute.org/model
Franzoni y Sauermann (2014), Research Policy 43(1), pp. 1-20: https://ideas.repec.org/r/eee/respol/v43y2014i1p1-20.html
Britannica, "Big Science": https://www.britannica.com/science/Big-Science-science
Federation of American Scientists, "FROs: A New Model": https://fas.org/publication/focused-research-organizations-a-new-model-for-scientific-research/
Ethereum.org, "Decentralized science (DeSci)": https://ethereum.org/desci/
Tom et al. (2024), Chemical Reviews 124(16), pp. 9633-9732: https://pubs.acs.org/doi/abs/10.1021/acs.chemrev.4c00055
Autonomous Chemical Experiments, Acc. Chem. Res. (2022): https://pmc.ncbi.nlm.nih.gov/articles/PMC9454899/
Astera, "Announcing Radial": https://astera.org/announcing-radial/
Seemay Chou, "Scientific Publishing: Enough is Enough": https://astera.org/scientific-publishing-enough-is-enough/
STAT News sobre Radial: https://www.statnews.com/2026/03/11/radial-ai-science-astera-nonprofit/
Nature, "Inside the self-driving lab revolution": https://www.nature.com/articles/d41586-026-00974-2
Nature, "Will self-driving robot labs replace biologists?": https://www.nature.com/articles/d41586-026-00453-8

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.