Ciencia

Sea $t$ una fecha, $d$ una disciplina académica (matemáticas, lingüística, etc.) y $D(t, d)$ lo que se entendía por $d_i$ en la fecha $t$, una descripción de lo que en $t$ se consideraba la misión, relevancia, objetivo, etc. de $d$. Piénsese en, por ejemplo, $d = \text{‘matemáticas’}$. $D(t, d)$ ha sido prácticamente constante durante decenios. Pero ahora ha aparecido la IA, que ha comenzado a asumir tareas y resolver problemas que se consideraban nucleares en muchas disciplinas en fechas tan recientes como $t = \text{2020-01-01}$. ...

En una economía moderna, hay dos: la real y la monetaria. Ambas tienen vida independiente —como el cuerpo y el alma cartesianos—, hasta que no. La última vez que miré, los economistas todavía no tenían muy clara la interconexión entre ambas economías: qué intervenciones en la monetaria tienen un impacto positivo en la real y cómo las crisis en la primera se trasladan —o no— a la segunda. En la economía monetaria existe un solo bien, el dinero, muy legible, extremadamente fácil de medir y ponderar. Guarda además cierta correlación con los bienes de la economía real —a través de los precios— pero no se confunde con ellos. ...

Un artículo sobre «clientes sintéticos» para la realización de estudios de mercado (contratar clientes no sintéticos, por si no es evidente, resulta muy caro). Otro sobre un posible futuro de los papers mediado por el uso masivo de LLMs. Mucho se ha escrito sobre el desigual impacto de la IA en las distintas disciplinas y de cómo los sectores más inasequibles a ellas podrían convertirse en cuellos de botella. Jordan Dworkin traslada ese argumento al mundo de la investigación científica. ...

Este artículo explica detalladamente por qué los trenes de pasajeros en EEUU son tan lentos. En resumen: el uso principal de las líneas de ferrocarril determina su diseño y si aquel es el tráfico de mercancías —como en EEUU— el de pasajeros se resiente. Supongo que todo el mundo está al tanto del “cartel de citas de Elsevier”: en una serie de revistas de finanzas operaba un grupo, recientemente desmantelado, que traficaba con el “dinero de Monopoly” con el que se opera en la academia: citas y todas esas cosas. Véase el artículo enlazado para los detalles. ...

Tyler Cowen plantea la pregunta del millón: ¿En qué resultados científicos (publicados) podemos confiar?. Supongo que la respuesta está condicionada por el hecho de que es economista y que está anclado en su disciplina, que no es precisamente la química o las matemáticas. Csaba Szabo describe el funcionamiento interno de las «fábricas de artículos científicos», que venden autorías y manipulan datos para lograr publicaciones. The Hypothesis Trap nos recuerda una vez más cómo los científicos tienden a apegarse emocionalmente a sus propias hipótesis, lo que genera sesgos y resistencia al cambio. ...

¿Qué fue antes, la ciencia o la ingeniería? Tengo tres entradas al respecto. La primera arranca con una serie de comentarios sobre cómo el aprendizaje automático parece más ingeniería que ciencia propiamente dicha y cómo se suma a la lista de ejemplos que parecen demostrar cómo la ingeniería precedió a la ciencia (tesis que el autor considera una priori fuerte al entrar a discutir cada caso particular). Las otras son ilustraciones concretas de la tensión entre ciencia e ingeniería. Una de ellas discute nada menos que la historia de los primeros remedios para el escorbuto y la segunda, muy apropiadamente, tiene el nombre de What learning by doing looks like. ...

Poesía Hace poco se publicó un artículo en el que se estudiaban los resultados de un estudio ciego en el que a una serie de sujetos se les presentaban poemas escritos sea por humanos o por LLMs y se les preguntaba su opinión al respecto. No he leído el artículo, pero aquí están las opiniones no enteramente coincidentes al respecto de Tyler Cowen y de Jessica Hullman. Ajedrez Uno de los resultados más sorprendentes del prehistórico GPT-2 es que había aprendido a jugar al ajedrez sin que nadie le hubiese enseñado explícitamente. Cuatro años después, Dynomight ha retomado el asunto y ha escrito esto y esto. ...

Hay gente que discute a veces sobre cuál es el carro y cuál es el burro en el binomio ciencia-ingeniería. Mi opinión al respecto es irrelevante porque no va a cambiar nunca nada en ninguna parte. Pero aquel que quiera asentar la suya, debería leer con atención y desde esa perspectiva Will We Ever Get Fusion Power?. Lectura de la que extraigo (y, por el camino, traduzco): El entusiasmo por los tokamaks coincidió con un alejamiento de la teoría y un retorno a la investigación basada en el “constrúyelo y mira a ver qué aprendes”. Nadie sabía realmente por qué los tokamaks lograban resultados tan impresionantes. Los soviéticos no progresaron desarrollando un fundamento teórico sólido, sino simplemente siguiendo lo que parecía funcionar sin entender por qué. En lugar de un modelo detallado del comportamiento subyacente del plasma, el progreso en la fusión comenzó a producirse mediante la aplicación de “leyes de escala”, relaciones empíricas entre el tamaño y la forma de un tokamak y varias medidas de rendimiento. Los tokamaks más grandes funcionaban mejor: cuanto mayor el tokamak, más grande era la nube de plasma y más tiempo tardaba una partícula de esa nube en escapar de la zona de contención. De duplicarse el radio del tokamak, el tiempo de confinamiento podía cuatriplicarse. Con tantos tokamaks de diferentes configuraciones en construcción, los contornos de estas leyes de escala iban a poder explorarse en profundidad: cómo variaban con la forma, la fuerza del campo magnético y otros innumerables variables. ...

Voy a comenzar con una simulación inofensiva, set.seed(1) n <- 10000 sigma <- .1 x <- runif(n) # coeficientes: indep <- -1 b_0 <- .5 # variable objetivo: error <- rnorm(n, 0, sigma) y_0 <- indep + x * b_0 + error # modelo: modelo_0 <- lm(y_0 ~ x) summary(modelo_0) que da como resultado Call: lm(formula = y_0 ~ x) Residuals: Min 1Q Median 3Q Max -0.42844 -0.06697 -0.00133 0.06640 0.37449 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -1.001951 0.001967 -509.5 <2e-16 *** x 0.500706 0.003398 147.3 <2e-16 *** Residual standard error: 0.0989 on 9998 degrees of freedom Multiple R-squared: 0.6847, Adjusted R-squared: 0.6846 F-statistic: 2.171e+04 on 1 and 9998 DF, p-value: < 2.2e-16 Me he limitado a construir el típico conjunto de datos que cumple las condiciones de libro para poder aplicar la regresión lineal y he reconstruido los parámetros originales a través del resultado de esta: el término independiente (-1), la pendiente (.5), la desviación estándar del error (.1), etc. ...

A veces nos encontramos con problemas como: curar un orzuelo, calcular el área por debajo de una curva, medir la altura de la torre de una iglesia o estimar la elasticidad del consumo de un producto con respecto a su precio y utilizamos técnicas como preparar un ungüento de acuerdo con las instrucciones de una vecina octogenaria; pintar la curva sobre un cartón, recortarlo y pesarlo; preguntarle al párroco u obtener datos de precios, consumos y hacer algún tipo de regresión. Algunas de esas técnicas son tecnologías; otras, no. Todas las tecnologías son técnicas, pero no a la inversa. Una tecnología es una técnica basada en la ciencia. ...