8 de octubre del 2026
Introducción
Cuando la realidad se convierte en ecuación
Una órbita es expresable mediante una ecuación. Una epidemia a través de una curva. El clima con millones de datos procesados por modelos. Una población con una distribución estadística. Una célula mediante una imagen microscópica acompañada de parámetros que describen su comportamiento.
La ciencia parece hablar un lenguaje diferente al cotidiano. Utiliza símbolos, ecuaciones, gráficos, modelos, unidades de medida y sistemas de clasificación que permiten describir fenómenos con una precisión difícil de alcanzar en el lenguaje ordinario.
¿Ese lenguaje describe directamente la realidad o construye representaciones que nos permiten trabajar con ella?
La diferencia importa, ya que la ecuación no es un objeto natural, sin embargo, permite descubrir relaciones, formular predicciones y poner una prueba de hipótesis.
La ciencia no necesita copiar el mundo para conocerlo, pero sí construir representaciones suficientemente rigurosas para intervenir intelectualmente sobre determinados aspectos de él.
Las matemáticas: un lenguaje, pero no exactamente como los demás.
Llamar «lenguaje» a las matemáticas resulta útil, aunque la comparación tiene límites. Una lengua natural permite narrar una experiencia, formular preguntas, expresar emociones o construir ficciones. Las matemáticas persiguen otras funciones, como formalizar relaciones, establecer estructuras, cuantificar magnitudes y deducir consecuencias a partir de reglas explícitas.
En matemáticas, la potencia científica procede, en buena medida, de la posibilidad de operar sobre relaciones sin depender de la descripción verbal de cada caso .
Del fenómeno a la formalización
Supongamos que queremos estudiar la caída de un objeto. En la experiencia cotidiana encontramos un acontecimiento concreto: una piedra cae desde cierta altura, bajo determinadas condiciones. La física introduce variables, unidades y relaciones matemáticas. El fenómeno deja de aparecer como una sucesión particular y adquiere una estructura susceptible de cálculo.
Esta transformación tiene una consecuencia epistemológica: formalizar significa seleccionar .
No todo lo que sucede en una situación física entra en la ecuación. La temperatura, la forma del objeto, la resistencia del aire o la rotación terrestre resultan relevantes en un contexto y no tan importantes en otro.
La matemática aporta precisión, pero esa precisión siempre está vinculada a una decisión sobre qué aspectos del fenómeno son importantes o definitivos. Por eso la famosa capacidad de las matemáticas para «describir la naturaleza» no debe confundirse con una copia perfecta de ella. La representación matemática funciona porque establece una estructura manejable.
Un modelo científico no es una fotografía de la realidad
La palabra modelo se utiliza constantemente en ciencia, pero encierra una paradoja. Un buen modelo simplifica, si intentara reproducir absolutamente todas las propiedades de un sistema, dejaría de ser una herramienta manejable. La utilidad del modelo depende de la capacidad para conservar ciertas relaciones y descartar otras.
Nancy Cartwright llevó esta cuestión a una posición especialmente crítica al sostener que muchas leyes fundamentales funcionan sobre objetos altamente idealizados construidos dentro de modelos, no como descripciones literales de cada situación real.
El modelo como instrumento
Mary Morgan y Margaret Morrison desarrollaron una concepción especialmente influyente: los modelos actúan como mediadores entre teorías y mundo. No son sencillas ilustraciones de una teoría ni copias del objeto estudiado. Cumplen funciones propias dentro de la investigación científica.
Ronald Giere ha insistido en una dimensión pragmática semejante: los científicos utilizan modelos para representar determinados aspectos del mundo con propósitos concretos. La pregunta deja entonces de ser si un modelo reproduce «la realidad» en abstracto y pasa a ser qué aspecto representa, para qué finalidad y bajo qué condiciones.
Esta perspectiva permite comprender por qué dos modelos diferentes pueden representar correctamente un mismo fenómeno desde perspectivas distintas.
Por ejemplo, un mapa ferroviario y un mapa geológico no entran en contradicción porque representen de manera diferente un territorio. Cada uno selecciona propiedades distintas. La ciencia trabaja constantemente con operaciones de este tipo.
Simplificar no significa falsear sin más
Existe una tendencia a considerar que una representación científica simplificada es una representación defectuosa. Pero la cuestión es más compleja.
Un modelo de población tal vez supone individuos idénticos, un modelo económico asumir condiciones que rara vez aparecen en estado puro y un modelo físico ignorar variables secundarias. Estas simplificaciones no invalidan automáticamente el conocimiento producido. La pregunta relevante es qué permite hacer esa idealización.
El poder de lo que se omite
Toda representación científica contiene una economía de la atención. Al excluir ciertos factores, el investigador consigue observar otros con mayor claridad. La simplificación actúa como una operación analítica: elimina ruido para hacer visible una relación.
Esto introduce una dimensión crítica poco apreciada en la divulgación científica. Cuando se presenta un gráfico o una simulación como si fueran «la realidad», desaparecen las decisiones que hicieron posible esa representación.
Una curva epidemiológica no habla por sí misma. Detrás existen definiciones de población, variables seleccionadas, procedimientos estadísticos, datos disponibles y supuestos sobre el fenómeno.
Comunicar ciencia exige hacer visibles, al menos cuando resulten relevantes, esas condiciones de producción.
De la ecuación al modelo y del modelo a la simulación
La ciencia contemporánea trabaja cada vez más con simulaciones computacionales. La simulación no consiste simplemente en introducir números en un ordenador, supone traducir una serie de hipótesis y relaciones a un sistema formal capaz de ejecutar operaciones.
Por ejemplo, la computadora permite explorar escenarios que serían imposibles de reproducir directamente: evolución climática, dinámica de fluidos, formación de galaxias, propagación de epidemias o comportamiento de materiales.
Simular es experimentar con representaciones
La simulación introduce una situación epistemológica peculiar. No observamos directamente el fenómeno futuro, vemos el comportamiento de un modelo bajo determinadas condiciones.
Esto no convierte la simulación en ficción. Significa que su valor depende de la relación entre modelo, datos, supuestos, validación y fenómeno estudiado. La diferencia es esencial para la comunicación pública de la ciencia. Una predicción procedente de un modelo no equivale a una profecía, es una inferencia condicionada por una estructura de supuestos.
Por eso expresiones como «el modelo demuestra que» requieren cautela. En numerosos casos sería más preciso decir que el modelo genera un resultado bajo determinadas condiciones.
La realidad científica no aparece sin instrumentos
La ciencia moderna no accede a la naturaleza únicamente mediante los sentidos. Microscopios, telescopios, aceleradores, sensores, satélites, secuenciadores y detectores producen formas específicas de acceso al mundo. La medición convierte acontecimientos en magnitudes y registros comparables.
El instrumento no inventa arbitrariamente el fenómeno, pero sí determina qué aspecto del fenómeno entra en el campo de observación. Aquí aparece una idea fundamental para comprender la ciencia: observar también es construir una situación de observación.
Un detector de partículas no «ve» como ve una persona, registra interacciones según propiedades físicas y protocolos experimentales. Posteriormente, los datos se transforman en gráficos, imágenes o distribuciones estadísticas que requieren interpretación.
La representación científica es, por lo tanto, una cadena: fenómeno, instrumento, medición, datos, modelo, interpretación. Cada paso introduce decisiones y restricciones.
¿Existe una única representación correcta?
La historia de la ciencia ofrece numerosos casos en los que distintas representaciones han convivido.
Un mismo fenómeno físico admite formulaciones matemáticas diferentes. Un X sistema biológico puede estudiarse desde la genética, la ecología, la bioquímica o la teoría de sistemas. O una ciudad resulta representable como territorio, red de movilidad, distribución demográfica o sistema energético.
El pluralismo representacional no implica que todas las descripciones sean igualmente válidas.
Una representación científica debe responder a criterios, como coherencia, evidencia, capacidad explicativa, rendimiento predictivo, compatibilidad con observaciones y adecuación al problema investigado.
La cuestión es evitar una falsa alternativa entre dos posiciones: pensar que existe una única imagen transparente de la realidad o concluir que todas las representaciones son equivalentes.
La ciencia trabaja en un espacio intermedio: construye representaciones restringidas por el mundo.
La ciencia también tiene una gramática visual
El lenguaje científico no está compuesto únicamente por palabras y ecuaciones. Gráficos, diagramas, mapas, fotografías microscópicas, espectros, modelos tridimensionales y visualizaciones de datos forman parte de la comunicación científica.
Una gráfica no es una decoración añadida al artículo científico, constituye una forma de razonamiento.
La elección de escalas, ejes, categorías y colores modifica la información que el lector percibe con mayor facilidad. Una misma base de datos admite representaciones visuales diferentes, cada una capaz de destacar relaciones distintas.
Aquí la comunicación científica vuelve a encontrarse con la semiótica, aunque desde una perspectiva específica: la forma visual participa en la construcción de inteligibilidad.
Este punto dialoga naturalmente con ¿Por qué una imagen puede decir más que mil palabras? Símbolos y arte, pero introduce una diferencia importante. En el terreno científico, la imagen no busca únicamente evocar o sugerir; también debe conservar relaciones cuantitativas y permitir operaciones de comparación.
El nuevo problema: cuando las máquinas construyen representaciones
La expansión de la inteligencia artificial está introduciendo una cuestión inédita. Los sistemas de aprendizaje automático no trabajan siempre con representaciones diseñadas explícitamente por investigadores humanos. Las redes neuronales generan espacios internos de representación a partir de grandes cantidades de datos.
Investigaciones publicadas en 2025 han mostrado que las representaciones aprendidas por redes neuronales profundas no coinciden necesariamente con las estructuras utilizadas por los seres humanos para organizar conceptos visuales y semánticos. En ciertos experimentos, los sistemas mostraron una mayor dependencia de propiedades visuales frente a dimensiones semánticas utilizadas por las personas.
¿Una máquina necesita comprender como nosotros?
La pregunta adquiere relevancia para la ciencia. Los sistemas de IA ya participan en análisis de datos, generación de hipótesis, predicción molecular y otras fases de investigación. Una revisión de 2025 sobre grandes modelos de lenguaje y método científico destaca su utilización creciente en revisión bibliográfica, análisis, diseño experimental y generación de hipótesis, aunque subraya las limitaciones existentes para atribuirles descubrimientos científicos fundamentales de forma autónoma.
También existen aplicaciones en las que los modelos de IA generan representaciones útiles para la investigación científica. En química y ciencia de materiales, por ejemplo, evaluaciones recientes muestran capacidades prometedoras para extraer información de datos e instrumentos, pero dificultades persistentes en razonamiento espacial, integración multimodal e inferencias complejas.
Esto introduce una cuestión fascinante: la ciencia del futuro podría trabajar con representaciones que resulten eficaces para predecir sin ser inmediatamente intuitivas para un investigador humano.
La comunicación científica tendrá entonces un desafío adicional: explicar no solo qué ha descubierto un modelo, sino qué representación utilizó para llegar a ese resultado.
Comunicar ciencia es explicar cómo se construye el conocimiento
Una divulgación científica de calidad no consiste en traducir términos difíciles a palabras sencillas. Traducir es solo una parte de la tarea.
Comunicar ciencia significa mostrar qué se observó, cómo se midió, qué modelo se utilizó, qué supuestos intervienen, qué incertidumbres existen y hasta dónde alcanza la evidencia.
Cuando desaparecen estas condiciones, el lenguaje científico adquiere una apariencia de autoridad absoluta. El número parece incontestable porque está expresado con decimales, el gráfico parece objetivo porque utiliza coordenadas, la simulación parece profética porque ofrece imágenes detalladas, etc.
La precisión formal no elimina la incertidumbre epistemológica. Al contrario, una de las funciones esenciales de la comunicación científica consiste en explicar qué significa exactamente una determinada precisión.
Conclusiones: la ciencia no copia el mundo, construye formas rigurosas de conocerlo
¿Habla la ciencia un lenguaje propio? En cierto sentido, sí. Matemáticas, notación formal, gráficos, modelos, simulaciones y sistemas de medición forman una infraestructura comunicativa específica. Pero sería insuficiente entenderla como un idioma cerrado que simplemente traduce una realidad exterior.
La ciencia produce representaciones.
Las matemáticas formalizan relaciones. Los modelos seleccionan variables y simplifican sistemas. Los instrumentos transforman fenómenos en mediciones. Las simulaciones permiten explorar comportamientos dentro de estructuras computacionales. Las visualizaciones convierten conjuntos de datos en objetos perceptibles.
Nada de esto significa que la ciencia invente arbitrariamente su objeto. El mundo impone restricciones, por ejemplo, una predicción falla, un experimento contradice una hipótesis, un instrumento no reproduce el resultado esperado. La realidad responde.
La fuerza de la ciencia reside precisamente en esa relación entre construcción y resistencia.
La representación es construida… la evidencia no se fabrica a voluntad.
Comprender esta diferencia resulta especialmente importante en una época dominada por datos, simulaciones e inteligencia artificial. Cuanto más sofisticadas son nuestras herramientas para representar el mundo, mayor es la necesidad de saber qué representan, cómo lo hacen y qué queda fuera de su campo de visión.
La pregunta científica más interesante no siempre es «¿qué dice el modelo?». A menudo es otra: ¿Qué tuvo que decidirse para que el modelo pudiera decirlo?
FAQ
¿Las matemáticas son realmente el lenguaje de la ciencia?
Las matemáticas constituyen un lenguaje formal fundamental para numerosas ciencias, pero no agotan la comunicación científica. Observaciones, imágenes, gráficos, protocolos, modelos computacionales y lenguaje natural también forman parte de la práctica científica.
¿Qué es un modelo científico?
Es una construcción que representa determinados aspectos de un fenómeno o sistema con una finalidad concreta. Puede ser matemático, físico, computacional, estadístico o conceptual.
¿Un modelo científico tiene que ser verdadero?
No necesariamente en el sentido de reproducir literalmente todos los aspectos del mundo. Un modelo podría ser idealizado y, aun así, resultar científicamente útil si permite explicar, predecir o investigar determinados fenómenos. La filosofía contemporánea de la ciencia ha dedicado una atención considerable a esta cuestión.
¿Qué diferencia existe entre modelo y simulación?
Un modelo establece una representación formal de un sistema. Una simulación ejecuta determinadas relaciones de ese modelo para explorar su comportamiento bajo condiciones específicas. En la práctica científica ambos conceptos están estrechamente relacionados.
¿Los gráficos científicos son representaciones objetivas?
Son representaciones basadas en datos, pero su diseño incorpora decisiones sobre variables, escalas, categorías y formas de visualización. La objetividad científica no exige ausencia de decisiones, sino que esas decisiones sean limpias, justificables y algunas veces a control metodológico.
¿La inteligencia artificial está creando un nuevo lenguaje científico?
Todavía es prematuro hablar de un lenguaje científico autónomo de las máquinas. Sí existe, en cambio, una transformación importante: los sistemas de IA generan y utilizan representaciones internas cuya relación con las representaciones humanas constituyen actualmente un área activa de investigación.
Referencias bibliográficas
Cartwright, N. (1983). Cómo mienten las leyes de la física . Oxford University Press.
Giere, RN (2022). Cómo se utilizan los modelos para representar la realidad. Filosofía de la Ciencia, 89 (1), 1–16.
Morgan, MS, & Morrison, M. (Eds.). (1999). Modelos como mediadores: perspectivas sobre las ciencias naturales y sociales . Cambridge University Press.
Morrison, M. (2015). Reconstruyendo la realidad: modelos, matemáticas y simulaciones . Oxford University Press.
Frigg, R., & Hartmann, S. (2024). Modelos en la ciencia. En The Stanford Encyclopedia of Philosophy .
Zhang, Y., Khan, SA, Mahmud, A., et al. (2025). Explorando el papel de los grandes modelos de lenguaje en el método científico: De la hipótesis al descubrimiento. npj Artificial Intelligence, 1 , 14.
Jablonka, KM, et al. (2025). Explorando las limitaciones de los modelos de lenguaje multimodal para la investigación en química y materiales. Nature Computational Science, 5 , 952–961.
Mahner, FP, Muttenthaler, L., Güçlü, U., et al. (2025). Dimensiones subyacentes a la alineación representacional de redes neuronales profundas con los humanos. Nature Machine Intelligence, 7 , 848–859.
Comprender la ciencia.
Comprender la ciencia también significa aprender a leer sus representaciones. Sigue explorando El Observatorio para descubrir cómo las matemáticas, imágenes, lenguaje, tecnología e inteligencia artificial transforman nuestra manera de conocer el mundo.
Las ideas también encuentran una forma de hacerse visibles. Explora las colecciones de Momento Presente inspiradas en ciencia, filosofía, tecnología y pensamiento contemporáneo.
Descubre las colecciones de Momento Presente →
