La falta de validez de los experimentos piloto para medir la semana laboral de cuatro días

La idea de una semana laboral de cuatro días, o la reducción de la jornada laboral por el mismo salario, ha suscitado mucha atención en todo el mundo y se ha hecho cada vez más popular. Varios estudios de investigación han indicado que la jornada laboral reducida puede tener efectos positivos en el bienestar, el empleo, la economía y la productividad, pero también que presenta retos y no es adecuada para todo tipo de empresas.

En los últimos años se ha desarrollado una nueva oleada de programas piloto a pequeña escala que supuestamente ofrecen una mejor comprensión del concepto sobre el terreno. Sin embargo, para proporcionar información creíble y valiosa, los programas piloto deben estar bien diseñados, aplicados y evaluados. Con el fin de estudiarlos en detalle, Hugo Cuello, que es analista político senior español en el Innovation Growth Lab, ha redactado recientemente un informe publicado para la Comisión Europea, centrado en investigar en detalle sus resultados, alcance y limitaciones.

Es importante mencionar que ni el objetivo de este post ni el del "informe" es cuestionar la validez de la semana laboral de cuatro días, sino analizar las características cuantitativas de los proyectos piloto, sus indicadores de impacto y los principales problemas metodológicos, aportando información para que futuros proyectos piloto mejoren el conocimiento en la materia. Al igual que los experimentos de Renta Básica Universal, o cualquier otro experimento socioeconómico, los experimentos deben estar bien diseñados.

En este post, se muestra un resumen de las conclusiones del informe:

1. Un análisis causal deficiente del impacto del programa

El principal problema de los proyectos piloto es que no incluyen ningún análisis experimental o cuasiexperimental para medir el impacto causal del programa. La gran mayoría de los que implicaban al sector privado utilizaban comparaciones antes y después (pre-post) de la introducción de la intervención. Sin embargo, esto no basta para deducir el impacto del programa de cuatro días.

Este débil enfoque para medir la causalidad ha llevado a que cambios no relacionados con el impacto del programa se incluyan erróneamente como parte del efecto de la semana laboral de cuatro días

 

2. Falta de profundidad en el estudio y la información comunicada

Los programas piloto también tienen otros problemas en cuanto a datos y transparencia. De hecho, sólo unos pocos ofrecen información verificable y ninguno se ha publicado en una revista académica, por lo que no se han sometido a las mismas normas rigurosas que se exigen en las publicaciones científicas.

En algunos casos, falta la información estadística más básica, incluido si el resultado es estadísticamente significativo o no. Es decir, si el resultado es causa de error debido a variaciones aleatorias en la muestra. También falta información que cualquier investigador riguroso consideraría esencial, como tablas comparativas de referencia, pruebas de robustez o pruebas de sensibilidad.

Dado que ningún proyecto presentó públicamente un plan de análisis previo antes de lanzar el piloto, no sabemos si los indicadores que comunicaron son todos los que pensaban utilizar originalmente o si sólo se quedaron con los que mostraban los efectos deseados. Al analizar demasiados indicadores, la probabilidad de encontrar resultados positivos por azar es alta.

Por otra parte, los proyectos piloto se basan principalmente en encuestas, centradas en las percepciones de los empleados, que son muy vulnerables a los sesgos y a los errores de información. Algunas preguntas utilizan enfoques retrospectivos (poco aconsejables en el desarrollo de encuestas) para medir la productividad o la satisfacción laboral, pidiendo al empleado que recuerde el ritmo de trabajo antes del piloto y lo compare con el posterior. Algunas de las preguntas planteadas ni siquiera son pertinentes para medir lo que supuestamente intentan observar.
 

 

 3. Falta de referencias para ampliar el programa

Ni las empresas participantes ni sus empleados son una representación completa del tejido empresarial del país. Por ejemplo, en los programas piloto de la 4 Day Week Global, las empresas participantes pertenecen principalmente a los sectores de la informática, las telecomunicaciones y los servicios profesionales. Además, suelen estar mucho más convencidas, motivadas y abiertas al cambio, lo que significa que probablemente ya se encuentran en una senda de crecimiento.

En realidad, los pilotos los desarrollan empresas más o menos comprometidas con la causa. Es lógico, ya que deciden participar voluntariamente. Saber lo que funciona para ese grupo concreto puede aportar valor, pero nos dice muy poco sobre las posibilidades de ampliar la política a escala nacional: Que funcione para ellos no significa que vaya a funcionar para otros. Tampoco nos informa sobre posibles efectos heterogéneos o el efecto en otros sectores, tamaños o modos de gestión.

Por último, los pilotos tampoco ofrecen información sobre los costes reales de la intervención. Las empresas pasaron meses recibiendo formación y tutoría para introducir la semana laboral de cuatro días. Todos estos apoyos tienen costes, además de aquellos en los que incurre la empresa para cambiar sus sistemas internos.

En resumen, los programas piloto adolecen de un mal análisis causal del impacto del programa, falta de transparencia y mal uso de los datos. Además, se realizan con muestras pequeñas, sesgadas y poco representativas. En otras palabras, no aportan valor para saber dónde funciona y dónde no.

De hecho, los pilotos parecen haber sido diseñados con un claro interés propagandístico, mucho más preocupados por convencer que por explicar. Y hasta ahora les ha funcionado bastante bien, ya que es habitual encontrar artículos e informes muy poco críticos con sus resultados. Esto no significa que la semana laboral de cuatro días sea una mala idea, sino que debería investigarse y medirse más.

Una versión más detallada de las conclusiones del informe de Hugo Cuello aparece en el blog español Nada Es Gratis, que puede consultarse libremente.

Hoy en día, la mayoría de las luchas de los trabajadores giran en torno a la mejora de los salarios, las prestaciones o las condiciones de trabajo. Pero hasta la Gran Depresión de los años 30, los movimientos socialistas y obreros también lucharon por reducciones progresivas de la jornada laboral, y lo consiguieron. En el siglo XIX, el movimiento por una jornada laboral de diez horas dio paso a la demanda de ocho horas. Incluso en la década de 1930, la Federación Estadounidense del Trabajo apoyó una ley para reducir la semana laboral a treinta horas. Sin embargo, después de la Segunda Guerra Mundial, por diversas razones, la reducción del trabajo desapareció de la agenda. Se asumió la semana de cuarenta horas y el conflicto se centró en la compensación económica.

Hoy, la eliminación del trabajo asalariado puede parecer un sueño lejano, pero en su día fue el sueño de la izquierda. El movimiento obrero solía exigir jornadas más cortas en lugar de salarios más altos. La gente suponía que el futuro sería como el de los dibujos animados The Jetsons, cuyo protagonista trabaja dos horas a la semana, y el debate giraba en torno a lo que haría la gente después de liberarse del trabajo. En su conferencia "Las posibilidades económicas de nuestros nietos", John Maynard Keynes predijo que, en unas pocas generaciones,

el hombre se enfrentará a su verdadero y permanente problema: cómo utilizar su libertad de las acuciantes preocupaciones económicas, cómo ocupar el ocio, que la ciencia y el interés compuesto habrán ganado para él, para vivir sabia y agradablemente y bien.

Sin embargo, cuidado con el impacto del exceso de tiempo libre sobre la felicidad. Estoy casi convencido de que las utopías imaginarias de desaparición del trabajo no son una tierra de leche y miel. Pero de eso hablaremos en otro post.

Leer más

El amanecer de los robots humanoides: La próxima frontera de la inteligencia artificial

Durante décadas, los expertos en robótica se han centrado más o menos en controlar los "cuerpos" de los robots -sus brazos, piernas, palancas, ruedas y similares- mediante software orientado a fines específicos. Pero una nueva generación de científicos e inventores cree que el ingrediente hasta ahora ausente de la IA puede dar a los robots la capacidad de aprender nuevas habilidades y adaptarse a nuevos entornos más rápido que nunca. Quizá este nuevo enfoque pueda sacar a los robots de las fábricas y llevarlos a nuestros hogares.

Si está al tanto de la robótica, se habrá dado cuenta de que se ha producido una explosión de nuevas empresas de robots humanoideFs. ¿Por qué? ¿Por qué humanoides? ¿Por qué ahora? Benjie Holson
intenta crear una línea temporal a partir de sus propias conclusiones:

•     2018: Boston Dynamics publica su primer vídeo de parkour. El movimiento bípedo funciona lo suficientemente bien como para contar con él.
•     2019: Las redes neuronales profundas convolucionales hacen que la percepción (detección/localización de objetos) funcione lo suficientemente bien como para hacer manipulación.
•     2022: ChatGPT3 convence a todo el mundo de que el lenguaje natural va a funcionar lo suficientemente bien como para impulsar productos reales.
•     2023: Tesla publica vídeos de sus robots humanoides. Las empresas de capital riesgo se dan cuenta y la financiación de humanoides es de repente mucho más asequible.
•     2024: La clonación del comportamiento para su manipulación empieza a funcionar lo suficientemente bien como para demostraciones y vídeos técnicos.

2023 ha sido testigo de un tsunami de avances en el campo de la robótica, impulsado en gran medida por la proliferación de Foundation Models. Este avance no sólo ha sido tecnológico, sino también filosófico en términos de investigación.

Desde el punto de vista tecnológico, hemos visto cómo los avances en robótica han incorporado modelos específicos como GPT-3, PaLI y PaLM. Además, se han adoptado algoritmos de aprendizaje y componentes arquitectónicos como la autoatención y la difusión, aprovechando conjuntos de datos e infraestructuras subyacentes como VQA y CV.

Pero quizá el aspecto más emocionante haya sido el cambio de mentalidad en la investigación robótica. Este año marca un hito en la adopción de la filosofía del modelado de fundamentos: una ferviente creencia en el poder de la escalabilidad, las diversas fuentes de datos, la importancia de la generalización y las capacidades emergentes. Por primera vez, no nos limitamos a teorizar sobre la aplicación de estos principios a la robótica, sino que los ponemos en práctica.

¿Cómo hemos llegado a este apasionante punto?

Todo empezó en 2022, cuando la humanidad descubrió (o creó) lo más parecido a un artefacto mágico alienígena: los Grandes Modelos de Lenguaje (LLM). Estos "artefactos" funcionaban sorprendentemente bien en varios dominios del razonamiento lingüístico, pero no sabíamos muy bien cómo aplicarlos a la robótica.

A mediados de 2022, parecía que podíamos mantener el LLM en una "caja" controlada, ayudando en la planificación y el razonamiento semántico, pero sus resultados seguían siendo abstracciones de alto nivel. Al final de este primer acto, se decidió que el control de bajo nivel -la parte difícil de la robótica- aún debía desarrollarse internamente, quizá inspirándose en el LLM pero manteniéndolo separado de su funcionamiento arcano.

Este primer contacto entre la robótica y los LLM fue intrigante y emocionante, pero aún no transformador. Sin embargo, sentó las bases para los avances revolucionarios que hemos visto en 2023.

El siguiente texto está extraído de la página oficial de NVIDIA (marzo de 2024), y ha sido traducido libremente:

NVIDIA acaba de anunciar el Proyecto GR00T, un modelo básico de propósito general para robots humanoides, diseñado para impulsar su trabajo en pro de la robótica y la IA incorporada.

Como parte de esta iniciativa, la compañía también ha presentado un nuevo ordenador, Jetson Thor, para robots humanoides basado en el sistema en chip (SoC) NVIDIA Thor, así como importantes mejoras en la plataforma robótica NVIDIA Isaac™, que incluyen modelos de base de IA generativa y herramientas para simulación e infraestructura de flujo de trabajo de IA.

Fuente

En otras palabras, no van a construir robots, sino a desarrollar modelos básicos de uso general para robots (humanoides). Es decir, lo que quieren es algo así como desarrollar chips con software para poder entrenar robots más rápidamente, y que éstos sean capaces de entrenarse para muchas tareas.

Uno de los mayores problemas del entrenamiento de robots es que si este entrenamiento se hace con RL (aprendizaje por refuerzo), requiere miles y miles de experimentos, y esto es extremadamente costoso en términos de tiempo.

Los robots impulsados por GR00T, siglas de Generalist Robot 00 Technology, estarán diseñados para entender el lenguaje natural y emular movimientos observando las acciones humanas, con lo que aprenderán rápidamente coordinación, destreza y otras habilidades para navegar, adaptarse e interactuar con el mundo real.

Explicado de forma sencilla, NVIDIA pretende desarrollar el aprendizaje de los robots a través de lo que los investigadores denominan "aprendizaje por imitación". No es una técnica nueva, sino la otra alternativa a la RL para entrenar robots y hacer que aprendan nuevas tareas. En el aprendizaje por imitación, los modelos aprenden a realizar tareas, por ejemplo, imitando las acciones de un humano que teleopera un robot o utilizando un casco de realidad virtual para recoger datos sobre un robot. Se trata de una técnica que ha estado de moda durante décadas, pero que últimamente se ha hecho más popular entre los robots que realizan tareas de manipulación.

Así que, de hecho, NVIDIA está tratando de crear algunos chips que consuman poco y permitan a los robots de otros fabricantes ser capaces de aprender tareas de propósito general con más facilidad. Y de hecho, creo que la reducción del consumo energético será clave para la hipotética masificación de los robots en las industrias y la sociedad. Según Ted Xiao estas son las principales tendencias para el entrenamiento de robots con LLM, que se pueden consultar en su estupendo blog:

En realidad, Google presentó SayTap en julio de 2023 para comunicarse con un perro robot mediante órdenes. Desde entonces, se han logrado grandes avances.

Teniendo en cuenta la interacción humano-robot requerida, ahora tiene sentido para mí la apuesta de Meta por sus gafas VR Ray-Ban, o los movimientos de Apple hacia adelante controlando robots con smartphones, que creo que es el objetivo final.

Leer más

La historia de la publicación científica (II)

Tal y como describí en mi última post, el sistema actual de revisión por pares tiene su germen en el siglo XVIII, comenzó a involucrar a revisores externos a mediados del siglo XIX y no se volvió habitual hasta mediados del siglo XX.

La revisión por pares se convirtió en la piedra angular del método científico, pero hasta finales del siglo XIX la realizaba a menudo directamente un editor en jefe o un comité editorial. Los editores de revistas científicas en ese momento tomaban decisiones de publicación sin buscar la opinión de expertos externos, y dando por lo tanto más libertad a los propios autores. Por ejemplo, los cuatro artículos revolucionarios de Albert Einstein, comúnmente conocidos como Annus Mirabilis, y publicados en el número de 1905 de Annalen der Physik, fueron evaluados por el editor en jefe de la revista, Max Planck, y su coeditor, Wilhelm Wien, ambos futuros ganadores del Premio Nobel y expertos en los temas de estos artículos. En una ocasión mucho más tarde, Einstein criticó severamente el proceso de revisión externa, diciendo que no había autorizado al editor en jefe a mostrar su manuscrito "a los especialistas antes de imprimirlo" e informándole que "publicaría el artículo en otro lugar." – lo cual hizo, con modificaciones sustanciales.

Si bien algunas revistas médicas comenzaron a designar sistemáticamente revisores externos, sólo a partir de mediados del siglo XX esta práctica se extendió ampliamente y los revisores externos obtuvieron cierta visibilidad dentro de las revistas académicas, incluido el agradecimiento de los autores y editores. ¿Qué pasó? Sigamos detallando la historia.

Las revistas no eran las únicas instituciones destinadas a evaluar la calidad de la ciencia. En los organismos de financiación, la evaluación externa de las propuestas de subvención era bastante rara antes de la Segunda Guerra Mundial. Las organizaciones benéficas, como la Fundación Rockefeller, por ejemplo, generalmente dejaban las decisiones de financiación en manos de sus empleados, a quienes se confiaba la tarea de evaluar internamente si un científico merecía una subvención, independientemente de que entendieran o no la ciencia en juego. Las organizaciones de subvenciones asociadas con gobiernos o sociedades científicas eran más propensas a utilizar arbitraje externo, aunque la práctica no era de ninguna manera universal.

Tanto las revistas como los organismos de financiación comenzaron a poner más énfasis en el arbitraje externo después de la Segunda Guerra Mundial. Una de las razones del cambio hacia el arbitraje en las revistas fue la carga cada vez mayor que pesaba sobre los editores a medida que aumentaba el número de científicos (y artículos científicos) debido a la generosa financiación científica durante la Guerra Fría. Aunque a principios de siglo las revistas hacían todas las tareas de revisión internamente, en la década de 1950, los miembros del consejo editorial del semanario estadounidense Science se quejaron de que “la tarea de revisar y sugerir revisiones para cientos de artículos técnicos no un trabajo nada placentero ni satisfactorio”, y acordó comenzar a enviar artículos a expertos externos. De manera similar, cuando se fundó el American Journal of Medicine en 1946, su editor Alexander Gutman quería ofrecer a sus autores una publicación rápida (¿les suena familiar hoy en día?) y decidió gestionar las aceptaciones y rechazos casi exclusivamente por su cuenta. Sin embargo, a medida que la revista se hizo más popular, Gutman no pudo mantener el ritmo de la producción científica y, en la década de 1960, él también comenzó a enviar artículos para obtener opiniones externas.

Pero la creciente carga de trabajo en las revistas científicas no explica cómo el arbitraje se volvió crucial para la idea misma de rigor científico. El vínculo entre el arbitraje y la legitimidad científica parece haber surgido tras el dramático aumento de la investigación patrocinada por el gobierno en los Estados Unidos de la posguerra. Entre 1948 y 1953, el gasto federal en investigación científica en Estados Unidos se multiplicó por 25. La expansión masiva de la financiación gubernamental llevó a una mayor atención pública a los científicos y a peticiones de que la ciencia debería rendir más cuentas ante el público y ante el Congreso de los EE.UU. Los científicos, por otro lado, no estaban muy entusiasmados con la idea de que sus propuestas de subvención fueran evaluadas por personas sin formación científica.

La tensión entre esta rendición de cuentas y la autonomía científica alcanzó su punto máximo a mediados de la década de 1970, durante una controversia sobre las subvenciones de investigación otorgadas por la Fundación Nacional de Ciencias (NSF). Los primeros años de la década de 1970 fueron una época de creciente crisis económica para Estados Unidos, y tres legisladores, los congresistas republicanos John Conlan y Robert Bauman, y el senador demócrata William Proxmire, lanzaron una serie de ataques públicos contra subvenciones específicas que había otorgado la NSF. Los tres hombres acusaron a la NSF de otorgar subvenciones frívolamente (principalmente en ciencias sociales) y de desperdiciar el dinero de los contribuyentes en proyectos como un plan de estudios de sociología para la escuela secundaria y un estudio del estrés en ratas y monos. Bauman y Proxmire argumentaron que la mala toma de decisiones de la NSF justificaba mucho más control del Congreso sobre las subvenciones que concedían. No pensemos en un renovado interés de los políticos por la ciencia: simplemente se trataba de la campaña política que Jimmy Carter (que llegó a la presidencia en 1976) desplegó contra muchas instituciones en Washington.

En ese momento, los revisores de las revistas y de los pocos organismos de financiación que las utilizaban sistemáticamente habían llegado a esperar que sus identidades permanecieran en secreto para los autores, y el director de la NSF, H. Guyford Stever, consideró la solicitud de Conlan como una ruptura importante con el protocolo científico. Curiosamente, a mediados de la década de 1970 también fue el momento en que los estadounidenses llamaban cada vez más al arbitraje con un nuevo término: “revisión por pares” (peer review, en inglés).

Probablemente, el resto de la historia sea más conocida para los lectores actuales, y muchos de ellos conocerán el proceso secreto de revisión por pares que se lleva a cabo hoy en día para publicar un artículo de investigación en cualquier revista o conseguir una subvención. Sin embargo, la perversa creación del índice H como una de las peores ideas para medir el desempeño científico, la proliferación de revistas depredadoras, el aumento de los precios de publicación y las dificultades para la replicabilidad de los experimentos han convertido esta actividad en una locura, y han llevaron a perder gran parte de su rigor y prestigio incluso entre los científicos y la sociedad.

ChatGPT y su capacidad para crear textos largos que suenan naturales sobre cualquier tema científico ha traído las últimas malas noticias a este mundo, y aquí hay solo algunos enlaces a algunos de los síntomas más importantes de un sistema de publicación o perdición agonizante que está a punto de sufrir un gran impacto. implosión, con suerte:

• La explosión de datos falsos y desprestigio en la ciencia.
• ¿Cuántos artículos académicos se escriben con la ayuda de ChatGPT?
• Muchos están utilizando los LLM para reemplazar a los humanos (investigadores y participantes) en la investigación y el desarrollo.
• Cada vez es más difícil encontrar revisores científicos.
• El experimento académico de Google: cómo indexar artículos falsos y manipular indicadores bibliométricos.
• El personal de Springer Nature, editor de Nature y cientos de otras revistas científicas con sede en el Reino Unido, se declara en huelga por una disputa salarial.
  
  
  

Leer más

La historia de la publicación científica (I)

En enero de 1861, John Tyndall, físico de la Royal Institution de Londres, presentó un artículo a la revista Philosophical Transactions de la Royal Society de Londres. El artículo se titulaba "Sobre la absorción y radiación de calor por gases y vapores, y sobre la relación física entre radiación, absorción y conducción". Tras comprobar las propiedades de retención del calor de varios gases, Tyndall había llegado a la conclusión de que algunos eran capaces de atrapar el calor, por lo que se convirtió en uno de los primeros físicos en reconocer y describir esa base del efecto invernadero. Un mes después de su presentación, el artículo se leyó en voz alta en una reunión de la sociedad y, varios meses después, se imprimió una versión revisada del mismo.

Este proceso de publicación científica resultará familiar a los científicos modernos. Sin embargo, la experiencia de Tyndall con la revista Philosophical Transactions -en particular, con su sistema de revisión- fue muy diferente de la de los autores actuales. El seguimiento del artículo de Tyndall a través del proceso editorial de la Royal Society pone de relieve cómo funcionaba en la década de 1860 uno de los sistemas de revisión científica más consolidados del mundo. En lugar de confiar en los fríos informes anónimos de evaluadores externos para mejorar sus artículos, los autores intercambiaban extensas cartas personales con sus revisores.

La revisión científica no era habitual en las revistas científicas de 1861. Muchas publicaciones científicas comerciales, como Nature y Philosophical Magazine, aceptaban artículos sin apenas revisión externa, y la mayoría de las revistas del continente europeo se basaban en el criterio de editores altamente cualificados para determinar lo que se aceptaba o rechazaba. Las sociedades científicas británicas recurrían a menudo a la opinión de otros expertos en el campo del artículo.

Los trabajos enviados a Transactions se remitían a uno de los dos secretarios de la sociedad, los editores de facto de la publicación. Estos secretarios eran eminentes investigadores que organizaban el proceso de revisión y corrección y aportaban su propio juicio experto sobre los trabajos presentados para su publicación. Uno de los secretarios se ocupaba de las ciencias biológicas y el otro de las ciencias físicas.

En 1665, la Royal Society autorizó a su secretario, Henry Oldenburg, a publicar Philosophical Transactions de la Royal Society of London, considerada la primera revista científica del mundo. Oldenburg pensó inmediatamente que era prudente recabar este tipo de opiniones expertas sobre los trabajos que quería publicar.

Aunque Oldenburg fue sin duda una figura fundamental en la historia de la publicación científica, no fue el inventor de la revisión por pares. Ese honor corresponde sin duda a William Whewell, un polímata de la Universidad de Cambridge que también acuñó los términos "físico" y "científico". En 1831 Whewell sugirió que la Royal Society encargara informes escritos sobre los trabajos presentados para su publicación en Philosophical Transactions. Pensaba que esos informes deberían publicarse después en la nueva revista de la Sociedad, Proceedings of the Royal Society of London, con lo que se cumpliría el doble propósito de fomentar enriquecedores debates científicos y proporcionar material para la nueva publicación.

La Royal Society adoptó la sugerencia de Whewell de solicitar informes, pero rápidamente eliminó ese proceso. Algunos informes aparecieron en Proceedings, pero a mediados de la década de 1830 esa práctica había cesado. En su lugar, la Royal Society decidió que las opiniones de los árbitros eran útiles sobre todo para evitar la publicación de artículos embarazosos. A mediados del siglo XIX, el arbitraje de Philosophical Transactions estaba casi totalmente a cargo de dos secretarios (las que mencionamos en el caso de Tyndall), como veremos en los próximos párrafos.

George Gabriel Stokes

En 1861, el secretario de Ciencias Físicas era George Gabriel Stokes, uno de los físicos más respetados de la Gran Bretaña victoriana. Seguro que muchos de mis lectores habrán oído hablar de las ecuaciones de Navier-Stokes para modelizar los gases en régimen turbulento. Ocupó la cátedra Lucasiana de Matemáticas en la Universidad de Cambridge e hizo importantes contribuciones a la investigación sobre la dinámica de fluidos y la luz. También fue una figura significativa en la historia del proceso de revisión. Cuando Stokes comenzó su mandato como secretario en 1854, la Royal Society aún se tambaleaba tras una intensa controversia pública sobre el favoritismo en las Transactions. Para hacer frente a estos problemas, Stokes se encargó de normalizar el arbitraje de los artículos de las Transactions.

Tras recibir el artículo de Tyndall, "On the absorption and radiation of heat", Stokes dispuso que dos expertos revisaran el artículo. Uno de ellos era su mejor amigo, William Thomson (más tarde Lord Kelvin), sin duda el físico más importante de Gran Bretaña. El otro fue el propio Stokes, quien tenía un amplio conocimiento de la investigación física.

Al cabo de unas semanas, Thomson remitió un informe al Comité, el grupo de la Royal Society que tomaba las decisiones finales sobre los artículos que se aceptaban. Desgraciadamente, ese informe no se ha conservado, aunque la correspondencia de Thomson con Stokes sugiere que recomendaba su publicación.

Stokes, por su parte, no presentó un informe formal a la sociedad. En una carta a Thomson, mencionaba que "no redactó un informe sobre el artículo de Tyndall, sino que se limitó a recomendarlo".

Aunque dijo al comité que no estaba de acuerdo con las conclusiones de Tyndall sobre la relación entre conducción y radiación, afirmó que "si el autor deseaba que se conservara, había hecho un trabajo tan bueno que tenía, en mi opinión, derecho a conservarlo".

Stokes pudo hacer un informe verbal al comité en parte porque los informes de los revisores, en aquella época, no se compartían con los autores: estaban pensados para informar de la decisión del comité, no para ayudar a los autores con las revisiones. Sin embargo, Tyndall recibió comentarios sobre el artículo a través de otro canal: la correspondencia personal de Stokes.

Tyndall y Stokes

Stokes y Tyndall se conocían desde principios de la década de 1850. Los dos irlandeses se conocieron probablemente en una reunión de la Asociación Británica para el Avance de la Ciencia, y su interés común por la física les llevó a una relación profesional que duró toda la vida.

En una carta fechada el 7 de mayo de 1861, Stokes informó a Tyndall de que "su artículo se mandó imprimir el jueves pasado". Le dijo al autor que él había sido uno de los revisores y le sugirió cinco puntos en los que pensaba que Tyndall debía aclarar o reconsiderar sus argumentos. Algunas de las sugerencias eran menores. Por ejemplo, Stokes señaló acertadamente que el calor podía perderse en la sal gema del montaje experimental de Tyndall.

El comentario más significativo de Stokes se refería a la discusión de Tyndall sobre la relación entre conducción y radiación, la cuestión que Stokes había mencionado a Thomson. Tyndall sugería que los buenos conductores eran, por regla general, malos radiadores, y viceversa. Stokes le dijo a Tyndall que no creía que fuera necesariamente una "ley física" que los buenos conductores tuvieran que ser malos radiadores:

"Usted supone que en el caso de un buen radiador una molécula no pierde mucho movimiento por comunicación a las moléculas adyacentes porque ya lo ha perdido por comunicación al éter.... Pero a mí me parece que la pérdida por comunicación con el éter y la pérdida por comunicación con otras moléculas deben tener lugar de forma sensiblemente independiente la una de la otra."

El artículo publicado por Tyndall reflejaba cambios en respuesta a las cinco sugerencias de Stokes. En particular, Tyndall suavizó sus conclusiones sobre la conducción y la radiación y presentó su trabajo como una invitación a nuevos experimentos más que como una solución al enigma:

"¿Por qué los buenos conductores son, en general, malos radiadores y los malos conductores buenos radiadores? Estas y otras preguntas, que se refieren a hechos más o menos establecidos, todavía tienen que recibir sus respuestas completas."

Al hacer los cambios, Tyndall no parece haber cedido simplemente a la presión de un editor poderoso. De hecho, él y Stokes intercambiaron varias cartas más sobre el artículo. Stokes, que fue secretario de ciencias físicas de la sociedad durante más de 30 años, solía sugerir cambios a los autores a través de correspondencia personal. Tyndall pidió y recibió aclaraciones sobre varias de las críticas de Stokes. Estaba claro que valoraba el criterio de Stokes y se tomaba en serio sus ideas. En una carta, Tyndall le dijo a Stokes que no se sentía obligado a cambiar su artículo. Por el contrario, "cualquier punto sobre el que usted haya reflexionado, y respecto al cual haya llegado a una opinión opuesta a la mía, exige de mí una consideración muy cuidadosa antes de comprometerme a imprimir sobre el tema".

En resumen, con un proceso de revisión por pares tan elegante y caballeroso, ¿cómo hemos llegado al estado actual de la Ciencia hoy en día? Espero intentar explicarlo en el siguiente post.

Leer más

Cuando los retratos renacentistas eran el Tinder de la época

En el mundo actual de las aplicaciones para ligar, la búsqueda de la pareja perfecta está al alcance de la mano. Pero si retrocedemos unos siglos, encontrar una pareja adecuada implicaba una danza de apareamiento mucho más artística y, a veces, tortuosamente engañosa. Y en el siglo XVI, las fotos Tinder de la época eran los retratos de pintura, que obviamente solamente los aristócratas podían permitirse.

Como principal pintor de sociedad de la ciudad mercantil de Colonia, Barthel de Bruyn (1493-1555) fue esencialmente el Henry Cavill de su época: capturó toda la carne fresca aristocrática de la ciudad bajo su luz más favorecedora y húmeda. Su pintura artística llegó a captar los detalles de la personalidad de la persona.

Barthel de Bruyn desempeñó un papel poco conocido en la historia más famosa de búsqueda de pareja al estilo Tinder en el siglo XVI: la boda de Ana de Cléveris con el notorio coleccionista de esposas Enrique VIII. Como la tercera esposa del rey acababa de fallecer y se necesitaba urgentemente un heredero varón, se enviaron embajadores europeos para buscar entre las princesas continentales a las posibles novias mejor dotadas genéticamente. Las tres opciones en el mercado matrimonial internacional para un rey considerado hereje en la Europa católica eran:

•     la joven de dieciséis años, nacida en Dinamarca y recientemente viuda, Cristina, Duquesa de Milán,
•     o una de las hijas del duque de Cleves: Ana (24) o Amelia (22).

Cristina no tenía ningún interés en casarse con Enrique. Pero Ana y Amelia sí.

El embajador de Enrique, Christopher Mont, viajó a Düsseldorf, en Alemania, para conocerlas. Informó a su regreso que Lady Ana era una especie de supermodelo y que sería una mejor opción para el Rey. Volvió a Londres con retratos recientes de las dos hermanas realizados nada menos que por Barthel de Bruyn. El de Amelia ya no sobrevive, y el de Ana puede ser el cuadro sobre tabla conservado en el St. John's College de Oxford.

Temiendo que el retrato pudiera maquillar demasiado a Ana, Enrique recurrió al pintor de la corte Hans Holbein para que retratara también a la princesa alemana. Y en un movimiento que enorgullecería a cualquier experto moderno en Photoshop, Holbein se puso manos a la obra: utilizó un sombreado ingenioso para restar importancia a la nariz más grande de Ana e incluso eliminó las marcas de viruela que le había dejado un roce anterior con la viruela. Era el filtro de belleza original de Instagram.

Ana de Cléveris (de Bruyn)

Ana de Cléveris (Hans Holbein)

Enrique cayó instantáneamente en el engaño: el lienzo manipulado de Holbein presentaba a Ana como la esposa de rasgos suaves y aspecto regio con la que soñaba a finales de los cuarenta. Pero cuando llegó la mujer real, fue una masacre romántica. Enrique echó un vistazo a la Ana sin filtrar y enseguida murió de mil muertes en su interior, describiéndola como un "gran defecto" para su embellecido retrato.

Pero el daño ya estaba hecho. Cuando Enrique no pudo eludir la boda, se empeñó en divorciarse de Ana lo antes posible y no tardó en anular el matrimonio sin contemplaciones apenas unos meses después, aunque al final él y Ana siguieron siendo amigos en uno de los finales felices más incómodos de la historia.

Así que si algo nos enseña la saga del poco favorecedor selfie renacentista de Enrique es que ni siquiera los hombres más notorios de la historia eran inmunes a las trampas de un manipulador de imágenes experto. Desde los retratistas de la corte hasta los modernos filtros de Instagram, el engaño y las citas han estado siempre entrelazados en la desesperada búsqueda de compañía de la humanidad.

Leer más

Reseña de Inteligencia Artificial: Guía para seres pensantes

Se dice que John McCarthy dijo sobre la inteligencia artificial:

"En cuanto funcione, ya nadie la llamará inteligencia artificial."

Melanie Mitchell es profesora en el Santa Fe Institute, un lugar muy interesante para trabajar. Su investigación actual se centra en la abstracción conceptual, la creación de analogías y el reconocimiento visual en los sistemas de inteligencia artificial. Acabo de terminar su último libro, Inteligencia Artificial: Guía para seres pensantes, editado en castellano por Capitán Swing, y me ha gustado mucho. De hecho, encontré la cita inicial de McCarthy en su obra. Como supondréis, soy un ávido lector de libros, blogs y artículos relacionados con la IA y la robótica, y por eso considero que tengo cierto criterio para opinar entre diferentes obras.

El libro se compone de historias entrelazadas sobre la ciencia de la IA y la gente que hay detrás, y además rebosa de relatos clarividentes, cautivadores y accesibles de los trabajos modernos más interesantes y provocadores en este campo, aderezados con el humor y las observaciones personales de Mitchell.

En la mayoría de los libros introductorios a la IA, a menudo encontraba una vuelta de tuerca más en la desgastada lucha entre Deep Blue y Kasparov (no sé si el de Bakú está harto de que le pregunten), AlphaGo y Alan Turing. Sin embargo, Mitchell profundiza un poco más en la tecnología, en los fundamentos de los algoritmos, y todo con un lenguaje accesible.

El libro comienza con un trasfondo histórico -que no es muy habitual encontrarlo en este tipo de libros- sobre los orígenes de la programación simbólica y el enfoque de las redes neuronales. Tras el famoso Proyecto de Investigación de Verano de Dartmouth sobre Inteligencia Artificial en el verano de 1956, los investigadores tenían diferentes puntos de vista sobre esta disciplina. Esta base histórica constituye en sí misma una narración digna y convincente. Sin embargo, a lo largo del libro también se exploran con gran detalle amplios temas contemporáneos, como las aplicaciones de la IA en el reconocimiento de imágenes, los vehículos autónomos, el reconocimiento de la voz y la impresionante traducción que hoy proporcionan los populares motores de búsqueda...

Muchos de los retos que plantea la creación de máquinas plenamente inteligentes se reducen a la paradoja, muy popular en la investigación de la IA, de que "lo fácil es difícil". Los ordenadores han derrotado a campeones humanos de ajedrez y de Jeopardy, pero siguen teniendo problemas, por ejemplo, para averiguar si una foto incluye o no un animal. Las máquinas todavía son incapaces de generalizar, de entender la causa y el efecto o de transferir conocimientos de una situación a otra, habilidades que los homo sapiens empezamos a desarrollar en la infancia.

Sólo echo de menos que el libro se publicara antes de que aparecieran los LLM y, por tanto, la teoría para la comprensión del lenguaje natural se basa en teorías más antiguas. Así que esperemos que la autora actualice esta parte.

En resumen, esta obra interesará sobre todo a los tecnólogos que exploran los fundamentos computacionales y tecnológicos de la IA y las implicaciones actuales que estos aportan a la era digital.

Además, Melanie Mitchell también es autora del blog AI: A Guide for Thinking Humans que recomiendo encarecidamente y en el que desmitifica muchos de los titulares de actualidad.

Leer más