Precisión atómica y creación de nuevos materiales para IA

La investigación sobre el futuro de la inteligencia artificial en el ámbito de los materiales se basa, principalmente, en acortar significativamente los tiempos de desarrollo de componentes técnicos, desde baterías avanzadas hasta soluciones de conservación alimentaria y embalajes eficientes. Por ejemplo, se utiliza IA para diseñar materiales avanzados aplicados a tecnologías limpias, como paneles solares o baterías de última generación. Mientras que la creación tradicional de un nuevo material requiere habitualmente entre 15 y 20 años de investigación, el aprendizaje automatizado permite recortar notablemente estos plazos.

En el último año, han habido avances muy concretos tanto en la precisión atómica como en los materiales diseñados para potenciar la inteligencia artificial. Los hitos más relevantes se concentran en dos áreas: por un lado, relojes atómicos y nucleares que baten récords de exactitud; por otro, nuevos materiales y técnicas de fabricación que buscan chips de IA mucho más eficientes. El gran desafío de la IA es el consumo energético. La investigación se centra en superar las limitaciones del silicio y las arquitecturas tradicionales. Veamos algunas muestras de esto, según lo señala la misma IA. 

• Materiales multiferroicos sin "capa muerta": investigadores de la Universidad de Brown han logrado que la ferrita de bismuto conserve sus propiedades eléctricas y magnéticas incluso cuando se reduce a espesores de 1.6 nanómetros (unas pocas capas atómicas) . Históricamente, al adelgazar el material para integrarlo en chips, perdía sus propiedades útiles (el efecto "capa muerta"). Al solucionarlo, se abre la puerta a memorias y lógica que funcionen con voltajes muy bajos, reduciendo drásticamente el consumo.
• Descubrimiento de altermagnetismo: el mismo equipo de Brown observó que, en esa configuración ultrafina, el material desarrollaba propiedades altermagnéticas. Este estado combina lo mejor de los ferromagnetos (señales magnéticas fuertes y fáciles de leer) y los antiferromagnetos (rapidez y ausencia de campos magnéticos parásitos que interfieren entre componentes), ideal para dispositivos densos y de bajo consumo .
• Transistores sinápticos de bajo consumo: se ha publicado el desarrollo de un transistor ferroeléctrico basado en niobato de sodio (NaNbO₃) que emula la plasticidad sináptica del cerebro. El dispositivo consume tan solo 2.9 nJ por evento (estímulo eléctrico) y 5.44 pJ por evento (estímulo óptico), logrando una precisión de reconocimiento de patrones superior al 96% en simulaciones de redes neuronales .

Así temenos entonces materiales especiales para la "infraestructura" de la IA. Más allá de la computación, la industria está avanzando en materiales críticos para que los chips de IA funcionen. Se están desarrollando materiales de interfaz térmica de alta conductividad y materiales de empaquetado avanzado (como pastas de soldadura y hilos de oro ultrafinos) para manejar la enorme densidad de potencia y el calor de los procesadores de IA actuales.

Vemos que la precisión atómica avanza hacia una nueva generación de relojes (nucleares y ópticos) que redefinen los estándares de medida, mientras que el hardware para IA se encamina hacia materiales que permitan computar y almacenar información con un consumo energético órdenes de magnitud menor (agradezco a DeepSeek por los datos y la información). 

La enorme red de satélites planeada por SpaceX

SpaceX, la empresa aeroespacial liderada por Elon Musk, planea desplegar hasta un millón de satélites para combinar internet universal con centros de datos orbitales capaces de procesar inteligencia artificial con energía solar, sin depender de la electricidad en La Tierra. El objetivo de este proyecto, que se está planificando oficialmente desde este año 2026, es ofrecer conectividad global y procesamiento de IA desde el espacio.

Actualmente SpaceX tiene más de 9.600 satélites Starlink y busca alcanzar 15.000 satélites en 2031; el plan formal pide autorización para hasta un millón de satélites en órbita baja. El diseño de esta red prevé satélites interconectados por enlaces láser, en capas orbitales de hasta 50 km, con espacio reservado para evitar interferencias. 

La tecnología con que se desarrollará son chips de IA (como los de Nvidia) y energía solar para reducir costes energéticos y de refrigeración frente a centros terrestres. Se estima que los primeros satélites con IA estarán activos a fin de 2027 y en expansión en 2028. Esto es tremendo, porque la industria satelital está en una fase de crecimiento sin precedentes, con proyecciones de 500 millones de usuarios de banda ancha por satélite en 2030 y un impacto económico y social global de 250.000 millones de dólares. 

Todo ello tiene enormes implicaciones para el mundo. Se supone que así habrá cobertura universal, con satélites en órbitas LEO y GEO para zonas urbanas y remotas. Habrá también procesamiento IA en órbita, lo que reduce latencia y dependencia de infraestructura terrestre. Con ello se mejora la sostenibilidad, con energía solar en vez del alto consumo de centros de datos terrestres de hoy.

Suena extraordinario, pero hay varios retos, como lograr una coordinación regulatoria global, con una asignación de espectro clara para evitar interferencias. Lo que no cabe imaginarse es un cielo nocturno con un millón de satélites girando a nuestro alrededor. 

Más mandalas en arte 3D

Ya en varias publicaciones anteriores he puesto imágenes de mandalas en arte digital y realizados con herramientas informáticas. Los mandalas son diagramas simbólicos comunes en varias tradiciones espirituales, en especial el hinduismo y el budismo. Representan el macrocosmos y el microcosmos a través de un conjunto de círculos concéntricos y patrones recurrentes. De allí su nombre, que en sánscrito significa “círculo”. Aquí pongo otros más, hallados en la Web, con técnica 3D y colores llamativos, para el disfrute visual y espiritual. 

Una frase sobre la tecnología por Joseph Wood Krutch

"La tecnología hizo posible las largas poblaciones; las largas poblaciones hacen ahora a la tecnología indispensable".

Joseph Wood Krutch (1893-1970), escritor, crítico literario y naturalista estadounidense.

El arte digital de Nasty Taino

Hoy tenemos como ejemplo de arte digital al venezolano José Márquez (1998), mejor conocido en redes como Nasty Taino (@nastytaino_). Nacido en Caracas, Venezuela, es un ilustrador, diseñador gráfico y animador motion graphics, que comparte su propuesta con una comunidad de más de diez mil seguidores en sus redes, mientras trabaja con marcas y eventos como Golden y Cusica Fest.

Partió de experiencias analógicas, transitando desde el lápiz de grafito y el papel hasta el uso de diferentes programas y tabletas digitales. Esta formación tradicional le otorgó una comprensión de las formas y trazos, facilitando su adaptación a las interfaces tecnológicas. Hoy en día, sus ideas se materializan tras una pantalla, demostrando cómo la digitalización no sustituye la destreza del artista, sino que expande su lenguaje visual.

Su propuesta muestra una acabada pulcritud estética y una notable versatilidad. Al revisar su portafolio e Instagram, se aprecia una rica variedad de estilos, paletas de colores y atmósferas que se transforman según la época, la campaña o la temática. Las herramientas digitales le permiten explorar su creatividad al máximo sin estancarse en un único concepto, adaptando su trabajo a distintos formatos sin perder la identidad que caracteriza su firma artística.

El arte de Nasty Taino se extiende hoy al terreno multimedia, trascendiendo las piezas estáticas para abarcar logotipos, videos e ilustraciones animadas. Esta visión integral se refleja también en su canal de YouTube, donde imprime su particular estética mientras comparte conocimientos y consejos prácticos para aspirantes al arte digital. Vemos, pues, que es un creador versátil capaz de fusionar el dominio técnico tradicional con las infinitas posibilidades del universo digital.

Aquí pongo algunas de sus imágenes y los enlaces a su sitio Web y canal de YouTube. El texto de esta entrada tiene como base el trabajo de dos de mis estudiantes del curso de Estética Digital y Comunicación Multimedia, semestre 2026-1, y pongo también el buen video realizado por ellos para su presentación final, en el que entrevistan al artista.

https://nastytaino.com/

https://www.instagram.com/nastytaino_/

https://www.youtube.com/@nastytaino_

Gracias a mis alumnos Ariadna Chaparro y Gabriel Valles de la Escuela de Comunicación Social de la Universidad Central de Venezuela por el video y este trabajo.

Data, Big Data, Huge Data (y 6)

Terminamos esta serie de entradas relativas a la data, big data y la huge data, explicando, justamente, este último concepto, de muy reciente incorporación al canpo de la informática. Mientras que Big Data sentó las bases para procesar volúmenes masivos mediante computación distribuida y esquemas flexibles, la Huge Data emerge de la convergencia entre la hiperconectividad masiva, la descentralización de los dispositivos y la integración nativa con sistemas de inteligencia artificial de alta complejidad. 

En realidad Huge Data (datos masivos o datos enormes) no es un término técnico formal con una definición única y estandarizada como Big Data. En la industria y el ámbito académico, se usa principalmente de dos maneras: una evolución descriptiva que trasciende las capacidades del Big Data, y otra como una expresión enfática o incluso irónica, para referirse a un espacio informativo inmenso y descontrolado. El punto central de la discusión es que la Big Data tradicional ya no puede manejar la escala, velocidad y complejidad de los datos actuales, requiriendo nuevas arquitecturas y métodos de procesamiento.

La proliferación del Internet de las Cosas (IoT), por ejemplo, con sensores, vehículos inteligentes y diversos dispositivos activos, ha provocado que los datos crezcan a un ritmo exponencial. Por ejemplo, se estima que para 2030 habrá más de 300 ZettaB de datos en el mundo. Esto evidencia una insuficiencia en lor recursos actuales. Algunos expertos señalan que los sistemas actuales de Big Data no están preparados para manejar Huge Data; se necesita recurrir a inteligencia artificial (IA), aprendizaje automático (Machine Learning) y aprendizaje profundo (Deep Learning) para procesar eficientemente estos datos masivos y extraer valor de ellos.

Desde una perspectiva analítica y sociotécnica, la irrupción de la Huge Data intensifica los debates sobre la soberanía de la información y la gobernanza algorítmica. Cuando el volumen y la velocidad de los datos superan la capacidad de supervisión humana directa, los sistemas dependen de marcos automatizados de toma de decisiones. Esto plantea desafíos críticos en términos de opacidad sistémica, propagación de sesgos a macroescala y la necesidad de diseñar marcos éticos y semióticos sólidos que permitan interpretar no solo la cantidad de datos disponibles, sino la validez y el sentido de los constructos digitales generados.

Esto implica un cambio de enfoque. El núcleo ya no es solo la "recolección y almacenamiento" de datos, sino cómo usar análisis de alto rendimiento para convertir los datos en oportunidades de negocio y soporte para la toma de decisiones. Nos encontramos en una etapa de datos masivos que requiere de la IA para procesar y que la Big Data tradicional no puede manejar. ¿Qué representa esto para nosotros? De nuevo, aún es pronto para saberlo...

Data, Big Data, Huge Data (5)

Vamos ahora con las V con las que se definen de dimensiones fundamentales de lo que se entiende por Big Data:

• Volumen: es el tránsito de escalas de Megabytes y Gigabytes hacia Terabytes, Petabytes y Exabytes. El almacenamiento deja de medirse en archivos aislados para gestionarse en clústeres y data lakes distribuidos.
• Velocidad: se trata del ritmo vertiginoso al que los datos son creados, transmitidos y consumidos. Exige un procesamiento que evoluciona desde el clásico procesamiento por lotes (batch processing) hacia la analítica en tiempo real o en flujo (stream processing).
• Variedad: es la convivencia de datos estructurados (tablas SQL), semiestructurados (JSON, XML) y no estructurados (imágenes, audio, video, texto libre), eliminando la dependencia de esquemas preconcebidos antes de la ingesta.
• Veracidad: se trata de la incertidumbre y el "ruido" inherentes a los datos recopilados masivamente. Implica procesos rigurosos de limpieza, validación y normalización para garantizar la fiabilidad del análisis.
• Valor: es el propósito final del paradigma, que consiste en transformar inmensos volúmenes de datos brutos en conocimiento accionable, patrones latentes o modelos predictivos.

Este modelo descriptivo fue establecido por el analista Doug Laney en 2001, primero las tres V iniciales y luego las otras dos. Otros elementos se han ido incoporando pero estos siguen siendo los básicos.  

Por otro lado, el crecimiento de la Big Data ha implicado en los últimos años una tansformación de la arquitectura computacional. Para sostener esta evolución, la informática debió rediseñar sus fundamentos técnicos. 

Primero, pasar de la escala vertical a la escala horizontal. En lugar de equipar un solo servidor con más potencia (escalabilidad vertical), la Big Data utiliza clústeres de máquinas convencionales conectadas en red que trabajan en paralelo (escalabilidad horizontal).

Luego, el procesamiento distribuido. Surgen marcos de trabajo (frameworks) diseñados para dividir el cómputo y el almacenamiento entre múltiples nodos de forma tolerante a fallos (mecanismos como MapReduce, almacenamiento HDFS o motores de procesamiento en memoria).

Finalmente. el paso del Schema-on-Write al Schema-on-Read. En las bases de datos relacionales tradicionales, la estructura (esquema) debía definirse antes de guardar los datos (Schema-on-Write). En Big Data, los datos se almacenan en su estado bruto (Data Lakes) y la estructura se interpreta al momento de consultarlos o analizarlos (Schema-on-Read).

Esta Big Data actúa como el combustible primario del desarrollo contemporáneo del Machine Learning y la inteligencia artificial. La disponibilidad de volúmenes masivos de datos desestructurados permitió trascender los enfoques analíticos descriptivos tradicionales hacia la analítica predictiva, con modelos estadísticos avanzadas que identifican tendencias y anticipan eventos futuros; la analítica prescriptiva, algoritmos que sugieren rutas de acción optimizadas en tiempo real; y entrenamiento de modelos fundacionales, donde el procesamiento de petabytes de texto y gráficos para la creación de embeddings vectoriales y redes neuronales profundas.

Lo más notable de este progreso es que hemos pasado ahora a un nuevo nivel, que se ha comenzado a definir recientemente, que es la Huge Data. El concepto de Huge Data (a menudo abordado en la literatura especializada y en la estrategia tecnológica avanzada como la siguiente frontera tras el Big Data clásico) representa un salto tanto cuantitativo como cualitativo en la gestión, arquitectura y significado de la información digital. De esto seguiremos hablando en la entrada a continuación. 

Data, Big Data, Huge Data (4)

En su libro de 2019, Big Data, el profesor argentino, Walter Sosa Escudero, hace esta afirmación:

Uno de los enormes problemas de cualquier tecnología de moda es que viene acompañada de una jerga: un catálogo de extraños términos, muchos en inglés e intraducibles, que sirve tanto a efectos de designar objetos nuevos e imposibles de nombrar con los viejos términos, como de crear una innecesaria barrera de entrada, al solo efecto de impresionar a los novatos en las reuniones de amigos como si realmente fuese necesaria una nueva palabra para referirse al agua tibia. La propia expresión "big data" es una jerga. Cualquiera que haya permanecido durante quince minutos en una clase de inglés se da cuenta de que "big" significa "grande" y que "data" son"datos". No intentaremos ninguna traducción del término, porque no hay ninguna comunmente aceptada (he visto "gran dato", que parece una de las frases de Tarzán), y porque tampoco está claro que "big data" tenga un significado preciso.

No obstante y a pesar de que esta apreciación tiene validez, el concepto de Big Data parece estar claro y batante aceptado en el campo de la informática y la computación, más cuando están esas 5 V que nombré en la publicación de ayer y que mañana voy a definir. 

Data, Big Data, Huge Data (3)

Con el crecimiento de los sistemas y dispositivos informáticos, con la proliferación de compuadores personales y teléfonos celulares y en especial con el desarrollo de la internet, el flujo de datos se hizo cada vez mayor. Esta expansión llevó a pensar en una nueva escala del datum: la Big Data. En el ecosistema computacional, el paso de la data tradicional a la Big Data marca una transición cualitativa y cuantitativa; ya no se trata solo de la representación de hechos discretos mediante bits, sino de un cambio de paradigma en la arquitectura, la infraestructura y los métodos de captura, almacenamiento, procesamiento y análisis masivo de información.

Big Data (macrodatos o datos masivos) es, en esencia, un concepto que va más allá del simple "mucho dato". Se refiere a conjuntos de datos tan grandes, rápidos y diversos que superan la capacidad de las herramientas tradicionales para capturarlos, almacenarlos, gestionarlos y analizarlos en un tiempo razonable. La clave no está solo en el volumen, sino en que esa magnitud obliga a usar tecnologías y métodos de procesamiento completamente nuevos.

Por lo tanto, de define como Big Data al conjunto de datos cuyo volumen, velocidad de generación y diversidad temática o formativa superan las capacidades de los sistemas de software y hardware de procesamiento tradicional (como las bases de datos relacionales estándar o las arquitecturas cerradas). Mientras que la data tradicional se diseñaba para ser capturada en esquemas rígidos (filas y columnas) y procesada secuencialmente, el Big Data surge cuando la digitalización omnipresente (redes sociales, sensores IoT, logs de servidores, señales GPS, transacciones financieras) genera un flujo continuo e ininterrumpido de activos de información altamente desestructurados.

La Big Data no es solo una moda, es un cambio de paradigma técnico. Para manejar estas características, se necesitan infraestructuras que permitan el escalamiento horizontal (añadir más servidores en lugar de uno más potente) y el procesamiento distribuido. Herramientas como Hadoop o el procesamiento en la nube son fundamentales para repartir la carga de trabajo entre muchos equipos. Además, requiere de técnicas analíticas avanzadas (como el machine learning o la minería de datos) para encontrar patrones en ese caos aparente y transformar los datos brutos en información útil.

Como vemos, este es modelo relativamente nuevo, que ha crecido con el siglo XXI. Para entenderlo, se suele recurrir al modelo de las "V", establecido por el analista Doug Laney en 2001. Aunque han surgido más, estas son las primeras tres, que pasaron a ser cinco, son las fundamentales: Volumen, Velocidad, Variedad y además Veracidad y Valor. En la siguiente publicación veremos a qué se refieren estas palabras y cómo definen a la Big Data. 

Data, Big Data, Huge Data (2)

Continuando con la publicación de ayer sobre Data, Big Data, Huge Data, hay que hacer algunas precisiones más respecto al concepto de "data". Por ejemplo, en el desarrollo de softwares, el concepto de dato se opone al de programa. Mientras que el programa es el conjunto de instrucciones (el código) que le dice a la computadora qué hacer, los datos son los elementos que el programa manipula (como un documento de texto, una lista de clientes o los valores de una variable durante la ejecución). Para que los datos sean útiles, a menudo se acompañan de metadatos (datos sobre los datos), que describen su origen, formato o significado, facilitando su correcta interpretación por parte del sistema.

Ahora bien, desde un punto de vista más abstracto, la teoría de la información define el dato como una "diferencia" o falta de uniformidad en el mundo o en un sistema. Luciano Floridi, un filósofo de la información, propone que un dato es una entidad relacional que surge de una diaphora (diferencia). Por ejemplo, un punto negro en un fondo blanco constituye un dato porque hay una diferencia perceptible. Esta definición subraya que el dato no es un hecho aislado, sino que siempre implica una relación y un contraste que permite su identificación.

A nivel físico y lógico, toda data en un sistema informático se reduce a patrones binarios (ceros y unos o bits), organizados en unidades superiores como bytes, palabras y bloques. Sin embargo, en la arquitectura de software y bases de datos, la data se modela a través de capas de abstracción. Tenemos así tipos de datos primitivos, como números enteros, flotantes, caracteres, booleanos; y estructuras de datos, o sea formas organizadas de almacenar y manipular la data en memoria o disco (arrays, listas enlazadas, árboles, grafos, tablas relacionales).

Hoy en día, el concepto de data ha evolucionado drásticamente debido al volumen y la complejidad de los sistemas digitales. Tenemos distintas  tipologías, que se clasifican en estructurada (bases de datos SQL, tablas con esquemas rígidos), semiestructurada (JSON, XML, etiquetas que facilitan el parsing) y no estructurada (texto libre, archivos de audio, imágenes, video). También se presenta el llamado ecosistema de procesamiento, que va desde los sistemas tradicionales de almacenamiento transaccional (OLTP) y analítico (OLAP), hasta arquitecturas distribuidas de gran escala (como clústeres de procesamiento paralelo) y el entrenamiento de modelos de inteligencia artificial basados en representaciones vectoriales masivas (embeddings).

En resumen, el dato es el elemento discreto y cuantificable que, tras ser procesado e interpretado, se transforma en el conocimiento que impulsa la computación moderna. Muchos de estos datos me lo dio, justamente, la inteligencia artificial, que maneja enormes cantidades de datos, conocidos también como Big Data, de lo que hablaré en la siguiente publicación.

Data, Big Data, Huge Data (1)

Estos son tres términos y conceptos fundamentales para entender el mundo de hoy: data, big data y huge data. En estas publicaciones voy a ir desgranando y explicando brevemente cada una y cómo se relacionan y cómo intervienen en el ciberespacio y en la inteligencia artificial. En primér término, qué se entiende por "data".

En el campo de la informática y la computación, el término "data" (o datos) se refiere a la representación simbólica, cuantitativa o cualitativa de una variable, hecho, objeto o fenómeno del mundo real, estructurada de manera idónea para ser procesada, almacenada y transmitida por un sistema computacional. Visto de otra forma, es cualquier secuencia de uno o más símbolos, o una representación simbólica de un atributo o variable, que por sí sola carece de significado y requiere de interpretación y contexto para convertirse en información. Es la materia prima con la que trabajan los ordenadores.

Desde una perspectiva técnica, un dato es una unidad mínima de representación. En los sistemas modernos, esto se traduce casi universalmente en datos digitales, que se representan mediante el sistema binario de unos (1) y ceros (0). Un solo símbolo de estos se denomina datum, mientras que data es el plural o la masa de estos símbolos.

Los datos ("data", que es su término en plural) pueden adoptar diversas formas (números, texto, imágenes) y se organizan en estructuras como arreglos, grafos u objetos para su procesamiento. Además, se almacenan en medios físicos o lógicos y pueden encontrarse en tres estados: en reposo (almacenados), en tránsito (siendo transferidos) o en uso (siendo procesados por el CPU).

Ahora bien, podemos analizar su naturaleza a través de varias dimensiones. Primero, la distinción entre data, información y conocimiento. En teoría de la computación y gestión de sistemas, es importante no confundir estos tres niveles. La Data (datos) son hechos o símbolos crudos, discretos y sin contexto por sí mismos (por ejemplo, una secuencia de números como 05051959, o lecturas de sensores dispersas). Carecen de intencionalidad o significado operativo hasta que se les aplica un proceso de interpretación. Por otra parte, la nformación es el resultado de organizar, estructurar, filtrar o dotar de contexto a la data para reducir la incertidumbre (interpretar que 05051959 corresponde a la fecha 05/05/1959, mi día de nacimiento). Finalmente, conocimiento en este ámbito es la asimilación y aplicación práctica de la información mediante patrones, reglas y marcos analíticos por parte de un agente (humano o artificial). 

Aquí podemos remarcar también esa diferencia entre "dato" e "información", aunque en el lenguaje cotidiano se usen como sinónimos. El dato es la materia prima. Consiste en hechos o valores discretos sin un significado inherente por sí mismos. Por ejemplo, el número "40" o la palabra "Rojo" son datos aislados. La información, como vimos, es el resultado. Surge cuando los datos se procesan, se organizan en un contexto y se les atribuye un significado. Siguiendo el ejemplo anterior, si sabemos que "40" es la temperatura y "Rojo" es el color de una alerta, esos datos se han convertido en información útil.

Como vemos, es un concepto bien complejo, completo e interesante y de mucha pertinencia. En la siguiente publicación hablaremos más de lo que signfica hoy "data" y su relación con las otras nociones, big data y huge data.

Dormir, morir, renacer, Gandhi

Una frase del Mahatma en este día de los Fieles Difuntos:

"Cada noche, cuando voy a dormir, muero. Y a la siguiente mañana, cuando me levanto, he renacido". 

Mohandas Karamchand "Mahatma" Gandhi (1869-1948), abogado, político, activista y pacifista hindú.

Tres celebraciones entre ayer y mañana en imagen según la IA

El día de ayer, 31 de octubre, se celebró la fiesta de Halloween o Hallowe'en (All Hallows' Eve o All Saints' Eve) que corresponde a la víspera de la conmemoración cristiana occidental de Todos los Santos, que es hoy, 1 de noviembre, y precede al día de Los Fieles Difuntos, que es mañana día 2. Ya en otras ocasiones en este blog he hecho referncia a esas fechas y celebraciones y esta vez, para variar, le pedí a la inteligencia artificial de Gemnini AI que creara una imagen que reuniera esas tres festividades en un ambiente combinado. El resultado que muestro hoy aquí es bastante representativo, aunque por lo que se ve, hace mucha alusión a Latinoamérica y en particular a México. No obstante, me pareció bien logrado, así que aquí lo tienen, con título y todo: "Fin de semana sagrado". 

Külpe y su idea de estética

La estética que propuso el filósofo alemán, Oswald Külpe (1862-1915), fue una estética experimental y psicológica. Sobre la base de sus conceptos sobre la psicología experimental, buscaba explicar, mediante observación y experimentos, por qué ciertas formas, proporciones y obras artísticas producen placer estético. Para Külpe, la estética era la ciencia de los hechos y las leyes del placer estético.

Külpe siguió la línea del psicólogo alemán Gustav Fechner (1801-1887), quien proponía estudiar la belleza desde la experiencia concreta de las personas, no solo desde teorías filosóficas abstractas. Külpe se interesó especialmente por la sección áurea, la proporción en que la relación entre el todo y su parte mayor es igual a la relación entre esa parte mayor y la menor. Su explicación era que las proporciones consideradas bellas producen una especie de economía mental; el observador percibe variedad y armonía con el menor esfuerzo posible. Así, la belleza no sería una cualidad mágica del objeto, sino el resultado de cómo la mente procesa orden, equilibrio y diversidad.

Siguiendo su propia metodología, Külpe realizó estudios experimentales mostrando obras de arte a personas y pidiéndoles que registraran sus reacciones. Encontró que atributos como la forma, el orden, la simetría y la armonía se asociaban con la atracción estética. Sobre esta base cuestionó la teoría según la cual el disfrute estético depende sobre todo de la empatía, es decir, de “ponerse” imaginativamente en el objeto o en la expresión que contemplamos. En los informes de sus participantes, Külpe no encontró evidencia suficiente de esa empatía como condición universal del placer estético.

En resumen, para él, el objeto de estudio es el placer estético y sus leyes psicológicas. Su método es la experimentación y registros de reacciones ante obras o imágenes. De esta forma logra una explicación de la belleza basada en el orden, la simetría, la armonía y la economía del esfuerzo mental. Po lo tanto, la empatía no es necesariamente la base de toda experiencia estética. Külpe estudió la estética como un fenómeno medible y psicológico, centrado en cómo percibimos la forma, el orden y la proporción, más que en definiciones puramente metafísicas de la belleza.

La estética en una frase de Oswald Külpe

En la publicación anterior me referí a la idea que propuso el filósofo alemán Oswald Külpe con relación a la creación de pensamientos sin necesidad de recurrir a imágenes mentales. Una propuesta que en su momento recicbió críticas y aún hoy genera polémica. Pero Külpe también dedicó parte de su trabajo a estudiar la estética, enfocado en sus aspectos psicológicos y percecptivos. De esta línea conceptual parte esta afirmación:

La estética está marcada por un destino peculiar. Su objeto de estudio es tan conocido y valorado como el de casi cualquier otra disciplina. Sin embargo, es tan impopular como casi cualquier otra ciencia.

Como vemos, su aproximación es muy particular y sobre esta concepción versará la siguiente entrada.