Investigando la investigación

Episodes

• 
  402. Lo que ningún ordenador podrá resolver jamás, con Rodrigo Torres 16.08.2026 37m

  Máquinas de Turing, problemas indecidibles y estructuras de datos compactas: las dos vidas de un investigador, con Rodrigo Torres Avilés. ¿Hay preguntas que un ordenador no va a poder responder jamás, aunque le dieras todo el tiempo del universo?Pues sí, y se puede demostrar. Rodrigo Torres se dedica a eso. Y en su otra vida investigadora dirige a estudiantes comprimiendo datos, con proyectos y plazos. Dos líneas a dos relojes distintos: la teórica da un resultado cada dos años, la aplicada dos al año, y una acaba subvencionando a la otra.Hablo con Rodrigo Torres Avilés, profesor de Sistemas de Información en la Universidad del Bío-Bío (Concepción, Chile). Ingeniero informático que hizo el doctorado en Ingeniería Matemática porque el de informática «estaba en pañales», y que lleva más de una década publicando a distancia con Anahí Gajardo y Nicolas Ollinger.Recorremos, entre otras cosas:Qué es una máquina de Turing (Hilbert, 1936) y por qué todo ordenador vive dentro de ese modelo.Qué significa que un problema sea indecidible: no es cuestión de esperar más ni de un ordenador más grande. Y por qué importa en la era de la IA.Mirar la máquina no por lo que computa sino por cómo se comporta si la dejas correr para siempre.La máquina SMART (2017): «a mí no se me ocurrió; mi trabajo fue demostrar de lo que era capaz».Compactar no es comprimir: consultar los datos sin descomprimirlos. El caso de Pinterest: de veinte servidores a uno o dos.Cuando una demostración lleva meses sin salir: «no sabes si es por tu incapacidad o porque no se puede».Ciencia teórica desde una universidad pública del sur de Chile, y un truco para leer gratis casi cualquier artículo.Grabado de forma asíncrona por notas de voz de WhatsApp, Rodrigo desde Concepción y yo desde España (el formato lo explico en el episodio 205).Invitado:Rodrigo Torres Avilés — Universidad del Bío-Bío; director del Magíster en Ciencias de la Computación. Su trabajo, en DBLP y Google Scholar.Para profundizar:Cassaigne, Ollinger y Torres-Avilés — A small minimal aperiodic reversible Turing machine (la máquina SMART), JCSS 2017Estructuras de datos compactas: k²-tree y familiaLa película «The Imitation Game», sobre Alan TuringCapítulos:00:00 Intro: ¿hay preguntas que un ordenador no responderá jamás?02:39 Quién es Rodrigo Torres: de la informática a la matemática y vuelta06:39 Qué es una máquina de Turing, en llano09:50 Lo indecidible: los límites de cualquier ordenador13:43 La máquina SMART: «a mí no se me ocurrió»17:28 La otra vida: compactar datos sin descomprimirlos21:38 Dos líneas, dos relojes: una subvenciona a la otra23:58 El oficio: cuando una demostración no sale en meses28:36 Cierre de Rodrigo: ciencia teórica desde el sur de Chile33:58 Outro: las cinco ideas del episodioComunidad de investigadores: https://horacio-ps.com/comunidadNewsletter: https://horacio-ps.com/newsletterSi el episodio te ha resultado útil, dale like, suscríbete o compártelo en Spotify, Apple Podcasts o YouTube.
• 
  401. Contar la vida, no el horror: investigar la desaparición en México con Lucía Leonor 04.08.2026 46m

  Desaparición de personas en México: arte y memoria para contar la vida, no el horror, con Lucía Leonor González Enríquez. ¿Puede una receta de cocina buscar a una persona? ¿Puede una carta encontrar a alguien que ya no está?En México hay más de 135.000 personas desaparecidas y la ONU ha llamado a esto «el paradigma del crimen perfecto». Pero este no es un episodio sobre el horror: es un episodio sobre cómo se le planta cara al olvido contando la vida. Los colectivos de búsqueda no cuentan cómo desapareció una persona, sino quién era: qué música escuchaba, qué cocinaba, qué soñaba.Para entenderlo hablo con Lucía Leonor González Enríquez, investigadora posdoctoral en el CITRU (Centro Nacional de Investigación, Documentación e Información Teatral Rodolfo Usigli), en la línea «Cuerpos, fronteras y violencias». Viene del teatro y de la historia del arte, y acabó investigando la memoria de las personas desaparecidas desde dentro, como solidaria del colectivo Familiares en Búsqueda María Herrera.Recorremos, entre otras cosas:Qué significa que haya más de 135.000 personas desaparecidas y cómo funciona la anestesia social del «en algo andarían».El teatro en Tamaulipas en pleno estado de emergencia: compañías que iban puerta a puerta con teatrinos a contar historias a los niños.Las contranarrativas en búsqueda de vida: por qué contar la vida, y no el horror, es más eficaz contra el olvido.El Recetario para la Memoria y Memoria de un corazón ausente: recetas y cartas manuscritas como objetos que hacen memoria.Ayotzinapa y el antimonumento +43: un monumento que aspira a ser retirado el día que haya justicia, y la crítica al #TodosSomosAyotzinapa.Cómo se investiga esto desde dentro: horizontalidad, afectos y rigor, sin romantizar a las buscadoras.Nota: este episodio se grabó de forma asíncrona por notas de voz de WhatsApp, ella desde Ciudad de México y yo desde Murcia (te explico el formato en el episodio 205).Invitada:Lucía Leonor González Enríquez — investigadora posdoctoral en el CITRU (línea «Cuerpos, fronteras y violencias») y docente en la UNAM. En redes: Facebook (Lucia Leonor Enríquez), X (@LuleGoen), Instagram (@lucyleonor), y su obra en Academia.edu y ORCID.Para profundizar:Recetario para la Memoria — Zahara Gómez Lucini con Las Rastreadoras del Fuerte (y el Cancionero para la memoria, playlists con las canciones favoritas de las personas buscadas)Memoria de un corazón ausente. Cartas en búsqueda — proyecto de Jorge VerásteguiColectivo Familiares en Búsqueda María HerreraPilar Calveiro (memoria y poder) y Paul Slovic (el «entumecimiento psicofísico»)Capítulos:00:00 Intro: la receta y la carta02:23 Quién es Lucía Leonor: del teatro a investigar la desaparición05:17 El contexto: 135.000 desaparecidos y el «crimen perfecto»11:00 Teatro en Tamaulipas: crear en pleno estado de emergencia16:02 Contranarrativas en búsqueda de vida: contar la vida, no el horror20:24 El Recetario para la Memoria y las cartas de un corazón ausente26:56 Ayotzinapa, el antimonumento +43 y la solidaridad que sirve34:07 Investigar desde dentro: método, afectos y rigor37:48 Cierre de Lucía: consejos y dónde encontrar su trabajo43:08 Outro: las cinco ideas del episodioComunidad de investigadores: https://horacio-ps.com/comunidadNewsletter: https://horacio-ps.com/newsletterSi el episodio te ha removido, dale like, suscríbete o compártelo en Spotify, Apple Podcasts o YouTube.
• 
  400. Investigar a los que investigan: historia de la ciencia con Leo Corry 28.06.2026 1h 5m

  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 StructuresDavid Hilbert and the Axiomatization of Physics (1898–1918)A Brief History of NumbersMencionado 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» computacionalCapítulos:00:00 Avance (mejores momentos)01:30 Intro01:54 El tema de hoy: la historia de la ciencia02:22 Quién es Leo Corry03:58 De matemático en Venezuela a historiador en Tel Aviv07:39 ¿Ha cambiado la forma de hacer ciencia?09:57 Big Science, Internet y la ciencia de datos12:31 El papel de la mujer en la ciencia15:27 Matemáticas: individualismo y machine learning22:36 ¿Un ordenador como coautor? El caso Zilberger24:39 Un día de trabajo: ante todo, un historiador29:24 Las fuentes, los archivos y el caso Hilbert45:11 El pecado del historiador: el anacronismo47:45 Hilbert y la física del siglo XX50:19 Metainvestigación: investigar a los investigadores55:19 Humanidades digitales: por qué hace falta equipo62:39 Cierre: las ideas clave del episodioComunidad de investigadores: https://horacio-ps.com/comunidadNewsletter: https://horacio-ps.com/newsletterSi el episodio te ha resultado útil, dale like, suscríbete o compártelo en Spotfy, Apple Podcasts, iVoox o YouTube.
• 
  399. Filosofía de la ciencia, las tres grietas del conocimiento. Con Alfredo Marcos y María de Paz 18.06.2026 48m

  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.esMaría de Paz — Filósofa de la ciencia, Universidad de Sevilla. Contacto: mdepaz3@us.esPara empezar a leer (recomendaciones de los invitados):Thomas Kuhn — La estructura de las revoluciones científicasKarl Popper — Conjeturas y refutacionesPaul Feyerabend — Contra el métodoPierre Duhem — La teoría físicaIan Hacking — Representar e intervenirHenri Poincaré — Ciencia e hipótesisAntonio Diéguez — La ciencia en cuestiónCapítulos:00:00 Avance (mejores momentos)01:11 Intro01:35 Hoy: filosofía de la ciencia02:09 Galileo y el telescopio: romper el mapa04:49 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 Paz10:06 ¿Qué estudia la filosofía de la ciencia?15:49 ¿Cuándo nace la disciplina?24:00 Tres libros para empezar31:54 Zonas por explorar: sesgos de género y eurocentrismo36:34 Científicos que filosofaron (Newton, Poincaré, Heisenberg)41:15 Merton y el "etos" de la ciencia (CUDOS)46:18 Cierre: seguir mirando por el telescopioComunidad de investigadores: https://horacio-ps.com/comunidadNewsletter: https://horacio-ps.com/newsletterSi el episodio te ha resultado útil, dale like, suscríbete o compártelo en Spotify, Apple Podcasts, iVoox o YouTube.
• 
  398. ¿Quién paga por tu investigación? 10.06.2026 21m

  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/comunidad⁠Newsletter: ⁠https://horacio-ps.com/newsletter⁠Si el episodio te ha resultado útil, dale like, suscríbete o compártelo en Spotify, Apple Podcasts, iVoox o YouTube.
• 
  397. Del experimento único al bucle infinito, la revolución que nadie ve venir en la ciencia 30.05.2026 31m

  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/comunidadNewsletter: https://horacio-ps.com/newsletterSi el episodio te ha resultado útil, dale like, suscríbete o compártelo en Spotify, Apple Podcasts, iVoox o YouTube.Enlaces y referenciasTony Blair Institute, "A New Model for Science": https://institute.global/insights/tech-and-digitalisation/new-model-scienceFuture Blind (Max Olson), "The new wave of science and research models": https://futureblind.com/p/the-new-wave-of-science-and-research-modelsConstruction Physics (Brian Potter), "The Influence of Bell Labs": https://www.construction-physics.com/p/the-influence-of-bell-labsArc Institute, "The Arc Model": https://arcinstitute.org/modelFranzoni y Sauermann (2014), Research Policy 43(1), pp. 1-20: https://ideas.repec.org/r/eee/respol/v43y2014i1p1-20.htmlBritannica, "Big Science": https://www.britannica.com/science/Big-Science-scienceFederation 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.4c00055Autonomous 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/d41586-026-00974-2Nature, "Will self-driving robot labs replace biologists?": https://www.nature.com/articles/d41586-026-00453-8
• 
  396. Trabajar en paralelo con agentes de IA: una nueva forma de pensar la productividad 22.05.2026 24m

  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/newsletterSi 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.
• 
  395. Conciencia artificial y qualia, con Santiago Sánchez Migallón 17.05.2026 51m

  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/santiagosanchezmigallonSi 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/newsletterSi 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.
• 
  394. Por qué tu productividad te agota 10.05.2026 18m

  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/newsletterSi 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.
• 
  393. Entre la química, la filosofía y el futuro de la ciencia, con Guillermo Restrepo 26.04.2026 1h 5m

  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/newsletterSi 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.
• 
  392. Escribir cuesta menos si sabes cómo 18.04.2026 17m

  Investigar está en todo, pero transformar ideas en contenido no siempre es un proceso directo. En este episodio abordo un problema muy común: el bloqueo a la hora de escribir o crear, esa sensación de quedarte frente a la página en blanco sin saber cómo empezar o cómo avanzar.La causa principal de este bloqueo no suele ser técnica, sino conceptual: no tener las ideas claras. Podemos tener habilidades de escritura o experiencia, pero si no sabemos exactamente qué queremos decir, es muy difícil construir algo sólido.A esto se suma un segundo factor frecuente: la sensación de desbordamiento ante proyectos grandes. Incluso cuando las ideas están más o menos definidas, el tamaño del contenido (como un artículo científico o un informe extenso) puede generar fricción y dificultar el arranque.A partir de aquí, planteo dos formas extremas de abordar este problema. La primera es el enfoque “a las bravas”: empezar a escribir sin planificación previa, volcando todo lo que se tenga en mente y confiando en que la estructura aparecerá a través de iteraciones sucesivas de corrección, recorte y mejora.Este enfoque funciona especialmente bien en contenidos cortos o familiares, donde ya existe una estructura implícita (como en el caso de un email). Sin embargo, en contenidos más complejos puede resultar ineficiente, ya que obliga a reconstruir varias veces el texto hasta encontrar una forma coherente.En el extremo opuesto está el enfoque basado en estructura. Aquí no se empieza a escribir hasta tener clara una escaleta simple con los puntos clave que se quieren tratar. Esa estructura actúa como un mapa que guía todo el proceso posterior.La clave es mantener esa estructura lo más compacta posible al principio, evitando convertirla en texto. A partir de ahí, el trabajo consiste en desarrollar cada parte de forma progresiva, lo que reduce la fricción y permite avanzar con mayor control.Este enfoque es especialmente útil en contenidos largos o técnicos, como artículos científicos o libros, donde es necesario organizar muchas ideas. En estos casos, la estructura puede refinarse por niveles, descomponiendo cada sección en subapartados cada vez más específicos.Sin embargo, no todos los contextos requieren este nivel de planificación. En contenidos más abiertos o creativos, la estructura puede no existir al inicio y emerger durante el propio proceso de creación mediante iteración.En la práctica, muchas veces se utiliza un enfoque intermedio. Este episodio es un ejemplo: partiendo de una estructura mental básica (plantear el problema, analizarlo y proponer soluciones), el contenido se ha desarrollado de forma progresiva sin un guion detallado escrito previamente.Este enfoque híbrido combina dirección inicial con flexibilidad durante la ejecución, aunque también tiene limitaciones, como el riesgo de olvidar ideas o perder precisión si no hay revisión posterior.En definitiva, el bloqueo frente a la página en blanco no es tanto un problema de escritura como de claridad y de enfoque. Definir qué se quiere decir y decidir cómo estructurarlo son los dos pasos clave para poder avanzar en cualquier tipo de contenido.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/newsletterSi 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.
• 
  391. Cómo encontrar partners que impulsen tu investigación fuera de la academia 02.04.2026 30m

  Si eres investigador y piensas que “vender” tu investigación no va contigo, este episodio es para ti. Porque hay algo que conviene asumir: si quieres que tu investigación avance más allá del laboratorio, vas a necesitar conectar con empresas. No es solo una cuestión económica, es una cuestión de impacto.Una estrategia habitual para encontrar partners es el contacto directo, empresa a empresa. Funciona, pero tiene un problema claro: no es escalable. Requiere tiempo, esfuerzo y entrar en dinámicas de ventas y negociación que muchos investigadores no dominan o directamente evitan.En este episodio planteo una alternativa mucho más eficiente: los eventos de partnering. Son espacios diseñados para conectar investigadores, empresas e inversores en pocos días, concentrando múltiples reuniones con organizaciones que ya tienen predisposición a colaborar.Comparto mi experiencia reciente en BioEurope Spring 2026 (Lisboa), un evento internacional con más de 1.500 participantes. El funcionamiento es sencillo: accedes a una plataforma de matching, filtras perfiles según tus intereses y solicitas reuniones. Si hay interés mutuo, se agenda automáticamente un encuentro de 30 minutos durante el evento.En nuestro caso, acudimos con un objetivo claro: encontrar partners para avanzar un proyecto en oncología hacia ensayos clínicos, una fase donde la colaboración con empresa es imprescindible. A partir de ahí, identificamos compañías relevantes, enviamos mensajes muy concisos explicando qué hacemos y qué buscamos, y cerramos reuniones.Aquí hay una clave importante: la claridad. Tanto en los mensajes como en las reuniones, necesitas un pitch muy directo (2–3 minutos) donde se entienda rápidamente qué ofreces y qué necesitas. No es el lugar para presentaciones largas ni exceso de detalle técnico.Durante las reuniones pueden surgir oportunidades inesperadas, pero también es fácil perder tiempo si no se va preparado. Es fundamental revisar previamente la empresa, entender su actividad y evitar compartir información confidencial sin acuerdos previos. Si hay interés real, los siguientes pasos (como NDAs) deben moverse rápido.También es importante gestionar bien la parte económica: si estás explorando servicios, intenta obtener al menos un rango de precios durante la reunión. Y si te ofrecen algo, pide siempre validación: casos reales, resultados o evidencia.Además de las reuniones, estos eventos ofrecen otras oportunidades: stands de empresas donde interactuar sin cita previa y presentaciones donde startups explican su tecnología y buscan inversión, mostrando claramente cómo conectan ciencia y negocio.En definitiva, los eventos de partnering son una herramienta muy potente para cualquier investigador que quiera llevar su trabajo más lejos, permitiendo acceder de forma mucho más eficiente a partners que de otra manera serían difíciles de alcanzar.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/newsletterSi 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.
• 
  390. ¿Qué nos enseñan la creación musical y la improvisación sobre cómo surgen las ideas? 26.03.2026 27m

  En este episodio retomo una idea que llevaba tiempo rondándome: hasta qué punto los procesos de investigación, creación y composición musical comparten una misma lógica de fondo. No tanto a nivel superficial, sino en cómo se generan, organizan y conectan las ideas. A partir de mi experiencia reciente volviendo a Ableton Live, un software de producción musical que permite crear, editar y combinar sonidos mediante loops y pistas, utilizo la creación musical como un laboratorio para observar estos procesos en acción.El punto de partida es el modo sesión de Ableton, que permite trabajar de forma no lineal, combinando elementos en tiempo real. Esto introduce una improvisación que no es completamente libre, pero tampoco está encorsetada. El problema aparece cuando queremos que esa exploración tenga sentido: demasiadas opciones pueden bloquear el avance. Para evitarlo, propongo un método iterativo basado en reducir la complejidad, empezar con pocos elementos, explorar combinaciones, seleccionar las que funcionan y dejar reposar el material antes de tomar decisiones.A partir de esas combinaciones surgen bloques principales que luego se ordenan en el tiempo. La estructura no se define al inicio, sino que emerge después. El siguiente paso es trabajar las transiciones entre esos bloques, que son las que realmente dan coherencia al conjunto. Una vez construido ese esqueleto, se añaden nuevas capas y se refina el resultado en ciclos sucesivos, con cuidado de no caer en el perfeccionismo infinito.Este proceso conecta directamente con la escritura y, en general, con la generación de ideas. También con metodologías como Zettelkasten, donde pequeñas unidades se combinan para formar estructuras más complejas. La idea de fondo es clara: crear no es tanto partir de cero como diseñar un sistema que facilite conexiones interesantes dentro de un marco con ciertas restricciones.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/newsletterSi 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.
• 
  389. Hazte amigo del revisor 2 para mejorar tu investigación 18.03.2026 12m

  En este episodio parto de una idea bastante simple: la investigación no está aislada de nada, ni de la imaginación ni de los personajes ficticios. De hecho, muchas veces pensamos mejor cuando somos capaces de ponerle “caras” a procesos mentales que en realidad son abstractos. Por eso empiezo con algo muy reconocible, ese ángel y ese demonio que aparecían en los dibujos cuando había que tomar una decisión. No es tanto por lo psicológico, sino por lo práctico: ya desde pequeños hemos aprendido a representar conflictos internos con figuras.A partir de ahí doy un paso más y entro en el síndrome del impostor, que en el fondo es otra versión de esas voces, pero más sofisticada y bastante más incómoda. Aquí ya no hay equilibrio entre dos opciones, sino una voz dominante que nos hace dudar continuamente de nosotros mismos. Y lo interesante es que esta voz no hay que invocarla, aparece sola. Todos la conocemos y, aunque en algunos contextos sabemos gestionarla mejor que en otros, suele ser más un freno que una ayuda.Y entonces introduzco el tercer “personaje”, que es el núcleo del episodio: el famoso Revisor 2. Algo que empieza como meme pero que en realidad refleja muy bien una experiencia común en investigación. Ese revisor que te cuestiona todo, que encuentra problemas donde no los habías visto y que, en el peor de los casos, te complica bastante la vida. Pero precisamente por eso, porque es incómodo, puede ser útil si sabemos cómo integrarlo.La idea que propongo es bastante directa: ¿por qué no traer ese Revisor 2 a nuestro propio proceso de trabajo? Es decir, cuando estamos escribiendo, diseñando un experimento o desarrollando una idea, parar un momento e invitar a esa voz crítica. No como algo destructivo, sino como una herramienta para detectar huecos, errores o supuestos que estamos dando por buenos sin cuestionarlos. Es una forma de introducir crítica antes de que venga de fuera.Ahora bien, esto no es gratis. Igual que un revisor externo puede pasarse de la raya, nuestro Revisor 2 interno también puede hacerlo. Puede hacernos perder tiempo, sobredimensionar problemas o incluso desviarnos de lo que realmente queríamos hacer. Por eso la clave no es solo invocarlo, sino aprender a responderle. Filtrar, aceptar lo que aporta valor y descartar lo que no tiene sentido.Y aquí hay un punto que me parece importante: visualizarlo ayuda. Ponerle forma, nombre o incluso asociarlo a alguien concreto hace que ese proceso sea más manejable. Deja de ser una autocrítica difusa y pasa a ser casi un diálogo. Y eso, en la práctica, facilita mucho integrarlo en el día a día de la investigación.En el fondo, el mensaje es bastante sencillo: todos tenemos ya voces internas, algunas más útiles que otras. El síndrome del impostor no lo elegimos, pero el Revisor 2 sí podemos decidir cuándo y cómo utilizarlo. Y si se usa bien, puede convertirse en una herramienta bastante potente para mejorar cómo pensamos y cómo investigamos.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/newsletterEpisodios relacionados: 379, 374, 372, 370Si 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.
• 
  388. Lo que la bioquímica sabe del aceite de oliva virgen que los titulares de nutrición no cuentan, con Jesús de la Osada 11.03.2026 1h 4m

  ¿Qué sabemos realmente, a nivel molecular, sobre el efecto del aceite de oliva en la salud cardiovascular?Jesús de la Osada lleva más de treinta años investigando las bases moleculares de la aterosclerosis y el papel de los componentes de la dieta mediterránea en la salud cardiovascular. En este episodio repasa cómo se construye conocimiento riguroso en un área donde la divulgación de baja calidad abunda, y qué significa eso en términos de lo que podemos afirmar con fundamento sobre el aceite de oliva virgen extra.La investigación del grupo arrancó cuando los estudios disponibles medían únicamente colesterol total, un marcador tan poco específico que el aceite de oliva resultó neutro y quedó décadas fuera del foco. Con la llegada de modelos animales que reproducen aterosclerosis en semanas y el avance de la química analítica, el panorama cambió. El aceite de oliva virgen extra contiene cerca de 400 compuestos identificados. El candidato inicial, el ácido oleico por ser el componente mayoritario, fue descartado experimentalmente. El compuesto que concentra hoy el trabajo del grupo es el escualeno: el más abundante, el más estable durante el almacenamiento y el que se absorbe y acumula en órganos. Es además un intermediario universal en la biosíntesis de esteroles, lo que explica su presencia en organismos tan distintos como el olivo o el tiburón, y su coincidencia en las dos poblaciones con menor mortalidad cardiovascular históricamente documentada: la mediterránea y la japonesa.Estudiarlo de forma aislada presenta un problema importante: fuera de su matriz natural, el escualeno se oxida con facilidad. La solución que el grupo ha desarrollado en colaboración con el Instituto de Nanomateriales de Aragón es la encapsulación en nanopartículas que aíslan el compuesto y replican la protección que ejerce el propio aceite. En paralelo, trabajan con un aceite de oliva virgen enriquecido en escualeno y un compuesto fenólico, desarrollado junto a una empresa chipriota, cuyos resultados preliminares son prometedores.Dedicamos parte de la conversación a la diferencia entre evidencia in vitro y evidencia clínica, y por qué esa distinción es relevante para evaluar las afirmaciones que rodean a suplementos y nutracéuticos. El marco regulatorio para uso alimentario no exige demostrar eficacia, solo ausencia de toxicidad. Eso permite construir argumentos sobre mecanismos reales sin evidencia de que funcionen en humanos a las dosis habituales. No es necesariamente fraudulento, pero el salto entre ambas cosas rara vez se explicita.Hablamos también del estado actual del diagnóstico cardiovascular. Más allá del colesterol total y la distinción LDL/HDL, hay marcadores con mayor valor predictivo que no se usan de rutina: la Lp(a), el tamaño de las partículas de LDL, o la cuantificación de ApoB-100, que refleja el número de partículas en circulación independientemente del colesterol que transportan. La razón por la que estos marcadores no se incorporan de forma sistemática no es científica sino económica. Lo mismo ocurre con la farmacogenómica aplicada a estatinas: sabemos que los citocromos P450 implicados en su metabolismo tienen variantes con distinta actividad, pero la caracterización de cada paciente antes de prescribir sigue siendo la excepción, no la norma.Página Web del grupo: https://osada.unizar.esNuevos aceites: https://onlinelibrary.wiley.com/doi/10.1002/mnfr.70223Escualeno: https://onlinelibrary.wiley.com/doi/abs/10.1002/mnfr.201800136Aceite de oliva virgen: https://onlinelibrary.wiley.com/doi/10.1002/mnfr.201100668Nuevos modelos para estudio de aterosclerosis: https://www.imrpress.com/journal/FBL/11/1/10.2741/1852Si 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.
• 
  387. Cuando una proteína "huérfana" encuentra a su familia. Con Sebastián Brauchi 05.03.2026 53m

  En este episodio hablo con Sebastián Brauchi, investigador de la Facultad de Medicina de la Universidad Austral de Chile en Valdivia, sobre un trabajo que me llamó la atención desde el primer momento: la reclasificación de GPR89, una proteína que lleva décadas mirándosenos a la cara sin que supiéramos realmente quién era. Una proteína presente en plantas, animales y hongos, conservada durante más de mil millones de años, y cuya verdadera función quizás nunca habíamos interpretado correctamente. A veces no se trata de descubrir algo completamente nuevo, sino de mirar con otras herramientas algo que siempre ha estado ahí.GPR89 llevaba el nombre de receptor de proteína G casi por defecto, asignado en los tiempos del Proyecto Genoma Humano a proteínas de función desconocida. Lo que Sebastián y su equipo proponen, a través de análisis evolutivo comparado y herramientas de inteligencia artificial, es que en realidad estaríamos ante un transportador facilitativo con hermanas de familia que nadie ha descrito de forma rigurosa. La hipótesis se construye rastreando la proteína en distintos organismos, analizando qué partes de la secuencia se han mantenido intactas a lo largo del tiempo y cuáles han cambiado, y comparando estructuras predichas con millones de proteínas conocidas. Fue Luca Robertson, el doctorando que lleva el peso experimental del trabajo, quien descubrió durante ese rastreo bioinformático que GPR89 no es una rareza aislada sino que pertenece a una subfamilia entera de transportadores sin estudiar. Una proteína huérfana que, de repente, tiene apellidos y familia numerosa.Hablamos también de cómo funciona un laboratorio en el sur de Chile con recursos limitados —fabricando piezas de microscopio, escribiendo código propio, montando infraestructura de supercomputación desde cero— y de la filosofía que hay detrás: construir una operación lo más autocontenida posible para poder hacerse las preguntas que a uno le dan la gana sin depender de otros para lo básico. Una forma de trabajar que tiene tanto de pragmatismo como de vocación. Y terminamos con una de las ideas más honestas que se pueden decir en este oficio: que la pregunta del momento ya no es tanto cómo resolver los problemas sino qué vale la pena preguntarse. Ese juicio, esa capacidad de orientar la curiosidad, es lo que la automatización no va a reemplazar fácilmente, y lo que hay que cultivar en los estudiantes antes que cualquier otra cosa.Sobre Sebastián BrauchiBioquímico de formación, con doctorado bajo la supervisión de Ramón Latorre y postdoctorado en Harvard con David Clapham. Dirige su laboratorio en la Universidad Austral de Chile desde 2008. También es director de departamento, escalador de roca y, según él mismo, alguien que prefiere los cerros a los campus.EnlacesArtículo comentado en el episodio: https://www.csbj.org/article/S2001-0370(25)00471-4/fulltextPublicaciones de Sebastián: https://www.researchgate.net/profile/Sebastian-BrauchiContacto: sbrauchi@uach.clSi el episodio te ha resultado interesante, puedes apoyarlo dándole a like, suscribiéndote o compartiéndolo en tu plataforma habitual (Spotify, Apple Podcasts, iVoox, YouTube, etc.). Eso ayuda a que este podcast siga creciendo y llegue a más personas.
• 
  386. Más allá del código: cómo la IA redefine la ingeniería del software, con Jordi Cabot 26.02.2026 56m

  Hoy conversamos con Jordi Cabot, investigador en ingeniería del software en el Luxembourg Institute of Science and Technology (LIST) y profesor afiliado en la Universidad de Luxemburgo. Su trabajo se centra en cómo desarrollar better software faster: crear software más rápido y con menos errores mediante modelado, desarrollo dirigido por modelos e inteligencia artificial.Partimos de una pregunta central: ¿está la inteligencia artificial transformando radicalmente la ingeniería del software? Jordi defiende que el desarrollo de software es una ingeniería, no un arte. Igual que en la construcción de un edificio, primero se definen requisitos, luego se diseñan modelos y solo después se construye el sistema. El problema no es escribir código, sino asegurar que el software haga exactamente lo que el usuario necesita.Hablamos del desarrollo dirigido por modelos, donde el sistema se describe mediante modelos de datos, comportamiento e interfaz. A partir de ellos puede generarse automáticamente gran parte del código, dejando los aspectos más específicos para programación manual. Este enfoque, que hoy se comercializa como low-code, no es nuevo, pero está cobrando fuerza en el contexto actual.Analizamos también el llamado vibe coding, es decir, generar aplicaciones directamente en lenguaje natural con ayuda de modelos de lenguaje. Frente a esta aproximación, Jordi propone usar la IA para generar modelos (los “planos”) y no directamente el código final, lo que permite validar la estructura antes de construir el sistema y reducir errores ocultos.Abordamos la idea recurrente de que la IA hará desaparecer a los programadores. Según Jordi, cada revolución tecnológica ha generado ese temor, pero la realidad es que cuanto más fácil es crear software, más software se produce y mayor es la necesidad de profesionales capaces de entender, validar y diseñar sistemas complejos.También discutimos el concepto de software responsable: sistemas energéticamente sostenibles, sin sesgos, accesibles y adaptables a distintos perfiles de usuario. La IA puede facilitar esa personalización, pero también introduce riesgos que deben gestionarse con criterio.Finalmente, hablamos de su libro Research Rants y de los retos actuales del sistema científico: la presión por publicar, la competitividad extrema y el impacto creciente de la IA en la escritura y evaluación de artículos. Una conversación sobre software, inteligencia artificial y el futuro de la investigación.Enlaces:· Web de Jordi Cabot: https://jordicabot.com· Plataforma BESSER (low-code open source): https://besser-pearl.org/ · Libro Research Rants:  https://research-rants.com/ y https://lowcode-book.com/· Grupo en LIST: https://www.list.lu 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.
• 
  385. Cómo enfrentarnos a las evaluaciones de grants asistidas por IA 19.02.2026 24m

  ¿Te imaginas obtener un 94% o un 95% en una convocatoria Marie Curie y aun así quedarte fuera porque el corte está en el 96%? Eso es lo que ha ocurrido recientemente. Un umbral que hace unos años rondaba el 90–91% ahora se sitúa en cifras que rozan la perfección. Y no es un caso aislado: está pasando en proyectos europeos, ERC y otras convocatorias. El sistema se ha vuelto mucho más competitivo y la pregunta ya no es solo cómo escribir una buena propuesta, sino qué está cambiando para que necesitemos prácticamente la excelencia absoluta para entrar.Una de las causas más evidentes es el uso masivo de inteligencia artificial por parte de los solicitantes. Investigadores con buenas ideas y buen currículum, pero menos tiempo o habilidad de redacción, ahora pueden generar propuestas sólidas con apoyo de estas herramientas. Resultado: más solicitudes y, en promedio, mejor presentadas. Si aumenta el número de propuestas competitivas, el corte necesariamente sube.Pero el cambio también está en la evaluación. Cada vez hay más indicios de que se utilizan modelos de lenguaje para realizar un primer filtrado: cargar las bases, cargar la propuesta y pedir una evaluación por criterios. Después, el evaluador humano revisa las mejor puntuadas. Podemos debatir si es adecuado o no, pero lo prudente es asumir que puede estar ocurriendo y prepararse para ello.Eso implica actuar en dos niveles. Primero, competir mejor: leer en profundidad las bases, entender exactamente qué se evalúa y formular el proyecto con el lenguaje y las palabras clave que activan la máxima puntuación. No basta con tener buenas ideas; deben estar expresadas como espera la convocatoria. Segundo, simular el filtro algorítmico: evaluar nuestra propuesta con distintos modelos, varias veces, identificar patrones de debilidad y corregirlos de forma iterativa. No infinitamente, pero sí lo suficiente para eliminar puntos ciegos.Después llega la fase humana. Ahí importa la coherencia global, la claridad y la credibilidad científica. En ese punto es clave obtener feedback de supervisores, colegas con experiencia o incluso consultores especializados. Porque aunque la IA pueda filtrar, la decisión final sigue dependiendo de personas.Y una última idea estratégica: no apostar todo a una única convocatoria. Diversificar, buscar programas nicho menos masificados y reducir la densidad competitiva puede ser tan importante como optimizar el texto. La carrera investigadora implica aplicar de forma constante. Si el sistema cambia, nuestra manera de prepararnos también debe cambiar.Puedes contactarme a horacio@horacio-ps.com si quieres hablar más en detalle de todos estos procesos y recibir asistencia.
• 
  384. Investigación aplicada al agua y como sobrevivir a la maratón investigadora junto a Adrián López-Ballesteros 16.02.2026 52m

  Hoy hablamos de modelización hidrológica, pero también, y quizá sobre todo, de lo que significa investigar en España hoy.Adrián López-Ballesteros nos explica cómo se construye un modelo hidrológico, qué significa realmente eso de “gemelo digital”, cómo se calibra, por qué lo difícil no es montarlo sino hacerlo funcionar y cómo se utilizan estos modelos para responder preguntas del tipo “¿qué pasaría si…?”. Desde cambios en cultivos hasta escenarios de lluvias extremas, pasando por gestión de recursos hídricos e impacto ambiental.Entramos en dos casos muy concretos:A) Por un lado, el Mar Menor: qué está ocurriendo a nivel de cuenca, por qué la eutrofización no es un problema aislado sino sistémico y qué muestran los modelos cuando se evalúan distintas medidas de actuación. Una idea clave: las soluciones aisladas tienen efecto limitado; las combinaciones generan efectos sinérgicos mucho más relevantes. Ciencia aplicada que intenta dialogar con la administración y evaluar si las medidas que se están implementando realmente funcionan.B) Por otro lado, la DANA de Valencia (2024). Aquí la conversación se vuelve especialmente interesante: modelos hidrológicos e hidráulicos validados con “sensores sociales”, es decir, datos geolocalizados extraídos de redes sociales para contrastar hasta dónde llegó el agua y en qué momento. Ciencia frente a bulos. Modelización frente a ruido. Y una reflexión sobre cómo la frontera entre ingeniería e informática, la llamada hidroinformática, puede abrir nuevas vías de investigación y desarrollo de herramientas útiles para otros investigadores.Hablamos también de herramientas abiertas, de Google Earth Engine, de reducir la curva de aprendizaje de modelos complejos como SWAT y de qué significa “éxito” en investigación. Para Adrián, ser útil. Desarrollar herramientas que otros puedan usar. Cerrar el ciclo entre investigación, publicación y divulgación.Y, finalmente, entramos en la parte menos técnica pero más estructural: la carrera investigadora como maratón, o incluso como 90K. Becas predoctorales, Juan de la Cierva, Marie Curie, Ramón y Cajal. Competencia creciente. Inteligencia artificial y redacción de propuestas. Métricas, perfiles R1–R4, sesgo del superviviente, estabilidad, familia y decisiones personales.Una conversación honesta sobre incertidumbre, vocación, presión y equilibrio. Sobre cuándo seguir, por qué seguir y hacia dónde orientar la energía. Porque investigar no es solo publicar: es sostener en el tiempo una forma de estar en el mundo.Enlaces mencionados en el episodio:- Publicaciones de Adrián sobre Mar Menor y DANA: https://doi.org/10.1016/j.ijdrr.2025.105966 (DANA); https://doi.org/10.1016/j.jenvman.2025.125033 (Mar Menor 1); https://doi.org/10.1016/j.scitotenv.2022.160144 (Mar Menor 2); https://doi.org/10.1016/j.jhydrol.2021.127150 (Mar Menor 3)- Canal de YouTube de Adrián López-Ballesteros (@AdrLBallesteros): https://www.youtube.com/@AdrLBallesteros, https://youtube.com/playlist?list=PLc5YYSH07rwBuwL3ykA_m4CCsUJzi-VC6&si=BDtGt8OWNia3fPCH (📢Divulgación Científica🌍)- Documento “La carrera investigadora en España en una mirada”: https://www.fecyt.es/publicaciones/researcher-career-path-spain-glance- Recursos sobre perfiles R1–R4: https://www.upv.es/entidades/vinv/2025/10/03/descriptores-de-perfil-investigador-r1-r4/
• 
  383. Inteligencia artificial y comportamiento social: una mirada desde los sistemas multi-agente, con Carles Sierra 07.02.2026 50m

  Hoy exploramos el estudio de lo social desde la inteligencia artificial, centrándonos en los sistemas multiagente. Hablamos con Carles Sierra, investigador del IIIA-CSIC y referente internacional en este campo, sobre cómo los sistemas formados por múltiples agentes autónomos pueden ayudarnos a entender fenómenos sociales complejos como la cooperación, el conflicto, las normas o la confianza.Durante la conversación abordamos qué es exactamente un agente, cómo se define formalmente y qué implica que tenga autonomía, reactividad, proactividad y una dimensión social. Discutimos también dos enfoques principales para su diseño: los modelos basados en conocimientos, donde las reglas se programan explícitamente, y los modelos basados en datos, donde los agentes aprenden a partir de ejemplos. Además, hablamos del papel creciente de los modelos híbridos, que combinan grandes modelos de lenguaje con razonamiento simbólico para sortear algunas de las limitaciones actuales.Carles explica con detalle cómo su grupo utiliza estos enfoques para simular situaciones sociales reales. Un ejemplo especialmente interesante es el uso del juego cooperativo Hanabi como laboratorio para estudiar la teoría de la mente en agentes, es decir, su capacidad para inferir lo que otros agentes saben o creen. Este tipo de simulaciones no solo permite mejorar el diseño de agentes más sofisticados, sino también plantear hipótesis sobre el comportamiento humano desde una perspectiva computacional.La charla también aborda aplicaciones prácticas como la simulación de evacuaciones en contextos de emergencia o el uso de realidad virtual para entrenamiento. En todos estos escenarios es clave el trabajo conjunto con expertos en psicología, sociología o cuerpos de emergencia, lo que refuerza la dimensión multidisciplinar de esta línea de investigación.Hablamos además de la conexión con la teoría de juegos y la racionalidad, de cuellos de botella técnicos como la comunicación entre agentes, y de cómo los modelos de lenguaje actuales están empezando a ofrecer soluciones en ese frente. Carles comparte su visión sobre la evolución de este campo, los retos futuros y el contexto global, con referencias al crecimiento exponencial de la investigación en inteligencia artificial en países como China.En la parte final, reflexiona sobre su trayectoria, los momentos que más satisfacción le han dado como investigador y ofrece recomendaciones claras para quienes quieran adentrarse en este tipo de investigación.Recursos mencionados- Hanabi (juego cooperativo): https://boardgamegeek.com/boardgame/98778/hanabi- Teoría del equilibrio de Nash: https://en.wikipedia.org/wiki/Nash_equilibrium- Congreso IJCAI: https://ijcai.org/- Congreso AAMAS: https://aamas.org/- Proyecto ADA (China): red de satélites con LLMs embebidosPara contactar a Carles Sierra:- Instituto de Investigación en Inteligencia Artificial (IIIA-CSIC): https://www.iiia.csic.es/~sierra/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.