TEMAS

Los monográficos de

1er trimestre 2019 · N.o 95 · 6,90 € · investigacionyciencia.es

Complejidad
y caos La ciencia de los
fenómenos emergentes

00095

SISTEMAS DINÁMICOS ECOLOGÍA TEORÍA DE REDES NEUROLOGÍA

¿Qué es el caos La arquitectura Del metabolismo El cerebro, un

9 7 7 841 1 3 55668

determinista? de la biodiversidad a Internet sistema complejo

 ESPECIAL
MONOGRÁFICOS DIGITALES
Descubre los monográficos digitales que reúnen nuestros
mejores artículos (en pdf) sobre temas de actualidad

www.investigacionyciencia.es/revistas/especial
 Presentación

Más es diferente

¿Q ué tienen en común una

pila de arena, el clima,
los ecosistemas, el len-
guaje o la economía?
Aunque sin duda se trata de sistemas muy
punto de que su entendimiento exigía el
mismo grado de inspiración y creatividad
por parte de los investigadores. Un gran
número de constituyentes en interacción
no solo da lugar a un sistema mayor, sino
moderna teoría de redes (págs. 26 y 44)
acabarían asentando el estudio de los
sistemas complejos. Sistemas que, pese
a todas sus diferencias, han demostrado
obedecer una insólita cantidad de leyes
distintos, todos ellos comparten una im- a uno fundamentalmente distinto. Más comunes (pág. 36).
portante propiedad: pueden describirse es diferente. Tales leyes se han aplicado para des-
a partir de un gran número de constitu- En los últimos años, ese punto de vista cribir fenómenos tan variados como las
yentes básicos que interaccionan entre sí ha engendrado una nueva ciencia y una selvas tropicales, las mutaciones víricas,
mediante reglas sencillas. A su vez, esas nueva manera de entender el método los hormigueros y la evolución biológica
interacciones dan lugar a fenómenos nue- científico (pág. 47). Un indicio de que (pág. 52). Han servido para abordar con
vos, o «emergentes», los cuales generan el todo es algo más que la suma de las nuevas herramientas la estabilidad de los
un todo que es mucho más que la simple partes apareció en el último tercio del si- ecosistemas (pág. 60) o la dinámica del
suma de sus partes. glo xx de la mano de la teoría del caos, el cerebro (pág. 70). Y han permitido inves-
Tales fenómenos son los que intenta hecho aparentemente paradójico de que tigar con métodos físicos y matemáticos
describir la ciencia de los sistemas com- leyes deterministas puedan dar lugar a ámbitos hasta hace poco vedados al análi-
plejos. Una ciencia que en las últimas fenómenos intrínsecamente imposibles sis cuantitativo, como el lenguaje humano
décadas ha cobrado cuerpo propio y ha de predecir (pág. 6). Poco después, el ha- (pág. 78) o la propia deriva de la sociedad
comenzado a revelar toda una serie de llazgo de que numerosos sistemas natura- (pág. 88). Desde el metabolismo celular
leyes, muchas de ellas sorprendentemen- les parecen organizarse espontáneamen- hasta la evolución de la tecnología, la nue-
te universales, en sistemas tan dispares te en un estado que opera al borde del va ciencia de la complejidad ha venido
como las células, el cerebro, la tecnolo- desorden (pág. 18) y el nacimiento de la para quedarse. —La redacción
gía o la sociedad. El presente monográ-
fico ofrece un recorrido por sus principios
fundacionales (págs. 6-49) y por algunas CONJUNTO DE MANDELBROT:
de sus aplicaciones más representativas Las estructuras fractales
(págs. 52-94). subyacen a la dinámica
En 1972, en un famoso artículo cuyo de numerosos sistemas
título hemos tomado prestado para esta complejos.
presentación, el premio nóbel Philip W.
Anderson argumentó a favor del carácter
fundamental de las leyes emergentes. En
él Anderson no ponía en duda el postula-
do reduccionista que durante siglos había
dominado la ciencia; esto es, el hecho de
que todos los procesos físicos se hallen
controlados en última instancia por el
mismo conjunto de leyes elementales.
Sin embargo, sí enfatizó que ello no im-
plicaba la hipótesis construccionista: la
posibilidad de derivar el mundo a partir
de dichas leyes. Que todo pueda reducirse
a la física de partículas no implica que,
una vez conocidas sus reglas, seamos ca-
WOLFGANG BEYER, VÍA WIKIMEDIA COMMONS/CC BY-SA 3.0

paces de reconstruir el universo.

Así pues, la química no sería simple-
mente física aplicada, la biología no sería
química aplicada y la neurología no sería
biología aplicada. En cada nivel de organi-
zación surgen fenómenos completamente
nuevos y leyes que no guardan ninguna
relación obvia con las que rigen el nivel
anterior. Anderson defendió que esas le-
yes emergentes revestían un carácter tan
fundamental como las primeras, hasta el

Complejidad y caos  1
 SUSCRÍBETE A LA REVISTA

TEMAS
Ventajas para los suscriptores: Selecciones temáticas
 Envío puntual a domicilio
de nuestros
mejores artículos
 Ahorro sobre el precio de portada
27,60 € 22 € por un año (4 ejemplares)

 Acceso gratuito a la edición

digital de los números incluidos
en la suscripción

www.investigacionyciencia.es/suscripciones
Teléfono +34 934 143 344
Los monográficos de
 TEMAS 1.er trimestre 2019 · N.o 95

TEMAS

Complejidad y caos
1
Presentación
Más es diferente
La redacción

ENTENDER LA COMPLEJIDAD FENÓMENOS EMERGENTES

6 Caos 52 Complejidad en la frontera del caos

James P. Crutchfield, J. Doyne Farmer,
Norman H. Packard y Robert S. Shaw
18 Criticalidad autoorganizada
Per Bak y Kan Chen
26 Redes sin escala
Albert-László Barabási y Eric Bonabeau
36 Leyes universales
Terence Tao
GETTY IMAGES/AGSANDREW/ISTOCK
Ricard V. Solé, Jordi Bascompte,
Jordi Delgado, Bartolo Luque
y Susanna C. Manrubia
60 Redes mutualistas de especies
Jordi Bascompte y Pedro Jordano
70 Cuando las neuronas
sincronizan sus relojes
Raúl Vicente y Claudio R. Mirasso
EN PORTADA
Durante siglos, el paradigma
dominante en la ciencia ha
sido reduccionista. En los
últimos años, sin embargo,
varios avances han puesto
de manifiesto la importancia
de entender los fenómenos
emergentes. Del efecto ma-
riposa a la autoorganización

78 Lenguaje, redes y evolución y la teoría de redes, la nueva

44 La ciencia de redes cumple 20 años
Alessandro Vespignani
47 ¿Cómo deberían ser las teorías
de los sistemas complejos?
Sophia Kivelson y Steven A. Kivelson
Ricard V. Solé, Bernat Corominas Murtra ciencia de la complejidad ha
aportado un fructífero prisma
y Jordi Fortuny para entender fenómenos
tan dispares como el clima,
88 Complejidad, tecnología la evolución biológica o
y sociedad Internet­. Ilustración: Getty
Carlos Gershenson Images/agsandrew/iStock

Complejidad y caos  3
Entender la
 complejidad

GETTY IMAGES/AGSANDREW/ISTOCK
 Caos
ENTENDER L A COMPLE JIDAD
Hay orden en el caos: el azar tiene una forma geométrica subyacente.
El caos impone límites fundamentales a la predicción, pero también
sugiere relaciones causales donde nadie las había sospechado
James P. Crutchfield, J. Doyne Farmer, Norman H. Packard y Robert S. Shaw
E l gran poder de la ciencia descansa en la
capacidad de relacionar causa y efecto. A
partir de las leyes de la gravedad, por ejem-
plo, los eclipses pueden predecirse con mi-
les de años de antelación. Hay otros fenó-
menos naturales cuya predicción no es tan sencilla. Aunque los
movimientos de la atmósfera obedecen las leyes de la física en
la misma medida que los movimientos de los planetas, las pre-
dicciones meteorológicas se realizan todavía en términos de pro-
babilidades. El clima, el flujo de un torrente y el rodar de los
dados tienen, todos ellos, aspectos impredecibles. Al no apare-
cer una relación clara entre causa y efecto, decimos que estos
fenómenos poseen elementos aleatorios. Y, sin embargo, hasta
hace un tiempo pocas razones hacían dudar de que la predic-
tibilidad exacta podía alcanzarse, al menos en principio. Se su-
ponía que para ello bastaría con recoger y procesar una canti-
dad suficiente de información.
Este enfoque se ha visto alterado por un descubrimiento sor-
prendente: algunos sistemas deterministas muy simples pueden
EN SÍNTESIS
En contra de lo que se pensó durante largo tiempo, que un sistema esté
gobernado por leyes completamente deterministas no garantiza que su
comportamiento pueda predecirse en el futuro.
En un sistema caótico, minúsculas variaciones en las condiciones iniciales
derivan muy pronto en enormes diferencias en la evolución del sistema. Ello
implica que cualquier imprecisión microscópica en el conocimiento del estado
inicial se transformará con rapidez en una imprecisión a escala macroscópica.
Con todo, el comportamiento de un sistema caótico no es completamente
arbitrario: las leyes deterministas que lo rigen se traducen en regularidades
geométricas y estadísticas. Este nuevo paradigma ha transformado la manera
de hacer y entender la ciencia en numerosas disciplinas.
6  TEMAS 95
generar comportamiento aleatorio. Este azar es fundamental:
reunir más información no hace que se esfume. A la aleatoriedad
así generada la llamamos «caos».
Una aparente paradoja es que el caos es determinista, genera-
do por reglas fijas que no encierran en sí mismas ningún elemen-
to de azar. En principio, el futuro está enteramente determinado
por el pasado. Pero, en la práctica, las pequeñas incertidumbres
se agrandan, de suerte que, si bien el movimiento es predecible
a corto plazo, no lo es a largo plazo. Hay orden en el caos: bajo
este comportamiento errático subyacen elegantes formas geomé-
tricas que generan el azar, como ocurre con el tahúr que baraja
los naipes o el repostero que bate la masa del pastel.
El descubrimiento del caos ha creado un nuevo paradigma
en la construcción de modelos científicos. Por una parte, esta-
blece nuevos límites fundamentales en la capacidad de avanzar
predicciones. Pero, por otra, el determinismo inherente al caos
muestra que muchos fenómenos aleatorios son más predeci-
bles de lo que se había pensado. Mucha información de aspecto
aleatorio recogida en el pasado —y archivada porque se suponía
ORIGEN DEL CAOS: El establecimiento de una dinámica caótica
puede entenderse a partir de una serie de transformaciones de
estirado y plegado en un espacio abstracto, denominado «espacio de
configuraciones». El efecto se ilustra aquí con un retrato digitalizado
del matemático francés Henri Poincaré. La imagen inicial (0) es
sometida a una serie de estiramientos, como si estuviese dibujada
sobre una lámina elástica. Cuando la lámina se sale del recuadro,
se corta y se reinserta por el otro lado (1, el número en cada imagen
indica las veces que se ha aplicado la transformación). La repetición de
este proceso mezcla los píxeles de la imagen (2-18). En ocasiones,
algunos puntos regresan a su posición inicial, lo que provoca una
fugaz reaparición del retrato (47-48 y 239-241), un fenómeno conocido
como «recurrencia de Poincaré». En la naturaleza, dicho fenómeno
suele suceder tras un tiempo extremadamente largo, equiparable a la
edad del universo; ello implica que, en la práctica, toda la información
inicial acabará perdiéndose.
 0 1 2

3 4 5

7 10 18

47 48 237

239 240 241

BILL SANDERSON Y JAMES P. CRUTCHFIELD

Complejidad y caos  7
demasiado compleja— puede explicarse ahora a través de leyes
simples. El caos permite encontrar orden en sistemas tan di-
versos como la atmósfera, los grifos que gotean y el corazón. El
resultado es una revolución que está incidiendo en múltiples
ramas de la ciencia.
EL ORIGEN DEL AZAR
¿Cuál es el origen del comportamiento estocástico? El mo-
vimiento browniano ofrece un ejemplo clásico de azar. Si a través
del microscopio observamos una partícula de polvo suspendida
en agua, veremos que sigue un zigzag continuo y errático. Ello
se debe al bombardeo que sufre por las moléculas de agua próxi-
mas. Puesto que las moléculas de agua no se distinguen y su
número es muy elevado, el movimiento detallado de la partícula
de polvo resulta completamente impredecible. Aquí, la red de
influencias causales entre las subunidades puede llegar a ser
tan enmarañada que la pauta de comportamiento resultante
se vuelve absolutamente estocástica. El caos del que trataremos
aquí no requiere un gran número de subunidades o de influen-
cias no visibles. La existencia de comportamiento aleatorio en
sistemas muy simples nos obliga a reconsiderar las fuentes de
azar incluso en macrosistemas como el clima.
¿Por qué motivo es mucho más difícil predecir el movimiento
de la atmósfera que el del sistema solar? Ambos están cons-
tituidos por una gran cantidad de elementos, y ambos están
ANTECEDENTES HISTÓRICOS
Determinismo y predictibilidad
En el siglo xviii, el matemático francés Pierre Simon de Laplace sostuvo que las leyes de la naturaleza implicaban un determinismo
estricto y una predictibilidad completa por más que, en la práctica, las imperfecciones en las medidas exigiesen trabajar con pro-
babilidades. Más tarde, el también francés Henri Poincaré prefiguraría el punto de vista contemporáneo. Las pequeñas incertidum-
bres en el conocimiento de un sistema pueden crecer exponencialmente con el tiempo, lo que hace imposible predecir el futuro.
Laplace (1776)
«El estado presente del sistema de la naturaleza es evidente-
mente una consecuencia de lo que era en el momento anterior;
y, si imaginamos una inteligencia que en un instante dado abar-
cara todas las relaciones entre los entes de este universo, podría
decir las posiciones respectivas, los movimientos y las propie-
dades generales de todos esos entes en cualquier tiempo del
pasado o del futuro.
La astronomía física, la rama del conocimiento que hace
el honor más alto a la mente humana, nos da una idea, aun-
que imperfecta, de lo que sería tal inteligencia. La simplicidad
de la ley del movimiento de los cuerpos celestes y las relacio-
nes entre sus masas y distancias permite al análisis seguir su
movimiento hasta cierto punto; y, para determinar el estado
del sistema de estos grandes cuerpos en los siglos pasados o
futuros, le basta al matemático que sus posiciones y velocida-
des sean conocidas por la observación en cualquier momento
del tiempo. El hombre debe esta capacidad al poder del instru-
mento que emplea y al pequeño número de relaciones que uti-
liza en sus cálculos. Pero la ignorancia de las diversas causas
implicadas en la producción de sucesos, así como su compleji-
dad, junto a la imperfección del análisis, impide que lleguemos a
la misma certidumbre sobre la vasta mayoría de los fenómenos.
Por ello hay cosas inciertas para nosotros, cosas más o menos
probables, y buscamos compensar la imposibilidad de cono-
8  TEMAS 95
gobernados por la segunda ley de Newton, F = ma, la cual puede
considerarse un procedimiento sencillo para predecir el futu-
ro. Si las fuerzas que actúan sobre cierta masa son conocidas,
lo mismo ocurre con la aceleración. Se sigue de las reglas del
cálculo que, si la posición y la velocidad de un objeto pueden
determinarse en un instante dado, quedarán determinadas para
siempre.
Esta es una idea tan potente que el matemático francés del
siglo xviii Pierre Simon de Laplace se jactó en cierta ocasión
de que, si conociera la posición y la velocidad de todas las par-
tículas del universo, podría predecir el futuro para el resto de
los tiempos. Aunque ante este objetivo se interponen varias
dificultades prácticas evidentes, durante más de cien años nada
pareció oponerse a que esto fuese así, al menos en principio. La
aplicación literal del apotegma de Laplace al comportamiento
humano llevó a la conclusión filosófica de que este se halla
determinado y de que el libre albedrío no existe.
La ciencia del siglo xx ha presenciado el hundimiento del
determinismo de Laplace por dos razones muy diferentes. La
primera es la mecánica cuántica. Un dogma central de esta teoría
es el principio de incertidumbre de Heisenberg, el cual afirma
que hay una limitación fundamental en la exactitud con que
pueden medirse la posición y la velocidad de una partícula. Esta
incertidumbre proporciona una buena explicación para algunos
fenómenos aleatorios; entre ellos, la desintegración radiactiva.
cerlas determinando su diferente grado de probabilidad. Es así
como debemos a la debilidad de la mente humana una de las
más delicadas e ingeniosas de las teorías matemáticas, la cien-
cia del azar y la probabilidad.»
Poincaré (1903)
«Una causa muy pequeña que escapa a nuestra atención
determina un efecto considerable que no podemos dejar de
observar, y entonces decimos que el efecto es debido al azar.
Si conociésemos exactamente las leyes de la naturaleza y la
situación del universo en el momento inicial, podríamos pre-
decir exactamente la situación de ese mismo universo en un
momento posterior. Pero, aun cuando se diese el caso de que
las leyes de la naturaleza no tuvieran ningún secreto para
nosotros, incluso así solo podríamos conocer la situación inicial
aproximadamente. Si esto nos permitiese predecir la situación
siguiente con la misma aproximación, eso es todo lo que nece-
sitaríamos, y diríamos que el fenómeno había sido predicho, y
que está gobernado por leyes. Pero no siempre es así; puede
ocurrir que pequeñas diferencias en las condiciones iniciales
produzcan otras grandes en el fenómeno final. Un pequeño
error en las primeras producirá un abultado error en las segun-
das. La predicción se hace imposible y aparece el fenómeno
fortuito.»

Velocidad Velocidad
Posición
Un núcleo atómico es tan pequeño que el principio de incerti-
dumbre impone un límite fundamental al conocimiento de su
movimiento, imposibilitando así obtener suficiente información
para predecir cuándo se desintegrará.
Sin embargo, la fuente de la impredecibilidad a gran escala
debe buscarse en otro sitio. Algunos fenómenos macroscópicos
son predecibles y otros no. Esta distinción no tiene nada que
ver con la mecánica cuántica. Por ejemplo, la trayectoria de una
pelota de béisbol es predecible: un jugador se aprovecha de ello
cada vez que la atrapa. En cambio, la de un globo que vuela
impulsado por el aire que sale de él a gran velocidad no puede
predecirse. El globo da tumbos en momentos y lugares imposi-
bles de vaticinar. Pelota y globo obedecen las leyes de Newton;
entonces, ¿por qué el movimiento de este resulta mucho más
difícil de predecir que el de la bola?
El ejemplo clásico de esa dicotomía nos lo ofrece el mo-
vimiento de los fluidos. Bajo ciertas circunstancias, el discurrir
de un fluido es laminar (constante, estable y regular) y fácil-
mente predecible a partir de las ecuaciones. Bajo otras, es tur-
bulento (inconstante, inestable e irregular) y difícil de predecir.
La transición de un régimen a otro le resultará familiar a todo
aquel que haya viajado en avión y haya pasado súbitamente del
aire en calma a una tormenta. Pero ¿qué provoca la diferencia
esencial entre el flujo laminar y el turbulento?
Para entender el enigma que esto encierra, imagínese el lector
que está sentado al borde de un torrente. El agua corre y salpica
como si tuviese ideas propias, moviéndose primero de un modo
y luego de otro. Sin embargo, las piedras del lecho del torrente
están firmemente sujetas en su sitio, y los afluentes entran a
velocidades casi constantes. ¿A qué se debe, pues, el movimiento
aleatorio del agua?
En los años cuarenta del siglo xx, el físico soviético Lev Lan-
dáu proporcionó una explicación del movimiento estocástico
de los fluidos que dominó durante muchos años. Esta se basaba
en suponer que el flujo turbulento incluye muchas oscilaciones
distintas e independientes. A medida que un fluido se mueve más
deprisa y la turbulencia aumenta, esas oscilaciones se ponen en
ANDREW CHRISTIE
movimiento de una en una. Y aunque cada oscilación por sepa-
rado puede ser simple, su combinación complica el movimiento
y hace que el flujo resulte imposible de predecir.
EL ESPACIO DE ESTADOS, o de
configuraciones, permite representar
el comportamiento de un sistema
dinámico. Se trata de un espacio
abstracto cuyas coordenadas son
los grados de libertad del sistema.
El movimiento de un péndulo
(arriba) se halla completamente
determinado por su posición y
velocidad iniciales. Su estado queda
definido por un punto en un plano
cuyas coordenadas son la posición
y la velocidad (abajo). Mientras el
péndulo oscila de un lado al otro,
sigue una órbita en el espacio de
configuraciones. En el caso de un
Posición péndulo ideal sin rozamiento, la
órbita es una curva cerrada (abajo
a la izquierda); con rozamiento, la
órbita es una espiral que se acerca al
punto de reposo (abajo a la derecha).
Sin embargo, la teoría de Landáu no es correcta. El mo-
vimiento aleatorio aparece incluso en sistemas elementales, sin
necesidad de complicación o indeterminación. El matemático
francés Henri Poincaré se dio cuenta de ello a finales del si-
glo xix, cuando indicó que algunos fenómenos impredecibles
podían acontecer en sistemas en los que un pequeño cambio
en el presente causaba otro mucho mayor en el futuro. La idea
es clara si se piensa en una roca en equilibrio en lo alto de una
montaña. Basta un leve empujón a un lado o a otro para preci-
pitarla hacia abajo, tras lo cual dará tumbos por caminos com-
pletamente distintos. La roca es sensible a pequeños estímulos
solo en la cima de la montaña, pero los sistemas caóticos son
sensibles en cada punto de su movimiento.
Un ejemplo sencillo sirve para ilustrar cuán sensibles pueden
ser ciertos sistemas físicos a influencias externas. Imaginemos
un billar idealizado en el que las bolas corren por la mesa y
chocan sin pérdidas apreciables de energía. Con un simple gol-
pe, el jugador provoca una prolongada sucesión de colisiones.
Naturalmente, desea conocer el efecto de su golpe. ¿Durante
cuánto tiempo podría predecir la trayectoria de las bolas un
jugador con un control perfecto de su taco? Si ignorase un efecto
tan minúsculo como la atracción gravitatoria de un electrón
situado en el borde de la galaxia, ¡la predicción sería errónea
al cabo de un minuto!
Ese extraordinario aumento de la incertidumbre se debe
a que las bolas están curvadas, por lo que las pequeñas dife-
rencias en el punto de impacto se amplían en cada colisión.
Dicha ampliación es exponencial: crece en cada colisión, como
la reproducción de bacterias con espacio y alimento ilimitados.
Cualquier efecto, por pequeño que sea, adquiere rápidamente
proporciones macroscópicas. Esta es una de las propiedades
básicas del caos.
El crecimiento exponencial de los errores debido a la diná-
mica caótica es la segunda razón del fracaso del punto de vista
de Laplace. La mecánica cuántica afirma que las mediciones
iniciales no pueden ser totalmente precisas, y el caos asegura que
esas imprecisiones acabarán muy pronto con nuestra capacidad
de predecir. Sin caos, Laplace podría esperar que los errores
permaneciesen acotados o, al menos, que crecieran lo bastan-
te despacio para poder avanzar predicciones durante períodos
Complejidad y caos  9
 a b c

d e f

UN ATRACTOR es una región del espacio de estados que caracteriza el comportamiento de un sistema a largo plazo; es decir, la configuración
a la que tiende el sistema con el paso del tiempo. Estas figuras muestran distintos atractores en color azul; los estados iniciales se indican en
rojo. Las trayectorias (verde) acaban acercándose a los atractores desde el estado inicial. El tipo más simple de atractor es un punto fijo (a).
Este es el caso asociado a un péndulo con rozamiento, el cual llega siempre a la misma posición de reposo con independencia del modo en
que empiece a oscilar. El que sigue en complejidad es el ciclo límite (b), que forma un bucle en el espacio de configuraciones. Este describe
oscilaciones estables, como el movimiento de un reloj de péndulo o el latido del corazón. Las oscilaciones compuestas, o comportamiento
cuasiperiódico, corresponden a un atractor con forma de toro (c). Estos tres atractores son predecibles: el comportamiento del sistema puede
pronosticarse con exactitud. Los atractores caóticos, en cambio, corresponden a movimientos impredecibles y adquieren formas geométricas
más complejas. Aquí se ilustran los descubiertos por Edward Lorenz (d), Otto Rössler (e) y uno de los autores (Shaw, f).

largos de tiempo. Con caos, sin embargo, las predicciones están
rápidamente condenadas a devenir en graves inexactitudes.
GEOMETRÍA OCULTA
El marco general del que emerge el caos es la llamada teoría
de los sistemas dinámicos. Un sistema dinámico consta de dos
partes: la noción de estado (la información esencial sobre el
sistema) y una dinámica (una regla que describe cómo evolu-
ciona el estado en el tiempo). Su evolución puede representarse
en el «espacio de configuraciones», o «espacio de estados»: un
espacio abstracto cuyas coordenadas definen el estado. Dichas
coordenadas varían según el contexto. En el caso de un siste-
ma mecánico, pueden ser posiciones y velocidades; en el de un
modelo ecológico, las poblaciones de las diferentes especies que
lo componen.
El péndulo simple constituye un buen ejemplo de sistema
matemáticamente en una ecuación diferencial, que describe la
evolución de dicho estado. Conforme el péndulo oscila a un lado
y a otro, el estado se mueve a lo largo de una «órbita», o camino,
en ese plano. En el caso ideal de un péndulo sin rozamiento,
la órbita es un bucle; con rozamiento, describe una espiral que
converge a un punto a medida que el péndulo se frena.
La evolución temporal de un sistema dinámico puede de-
sarrollarse de manera continua o discreta en el tiempo. En el
primer caso hablamos de un flujo; en el segundo, de una apli-
cación (mapping). Un péndulo se mueve continuamente de un
estado a otro y, por ello, queda descrito por un flujo continuo
en el tiempo. El número de insectos que nacen cada año en una
cierta región o el intervalo temporal entre gotas sucesivas de un
grifo que gotea se explican de modo más natural mediante una
aplicación discreta en el tiempo.
Para saber cómo evoluciona un sistema desde un estado ini-
JAMES P. CRUTCHFIELD

dinámico. Todo lo que necesitamos para determinar su mo- cial dado, podemos recurrir a la dinámica (las ecuaciones del
vimiento son dos variables: posición y velocidad. El estado es, movimiento) para avanzar poco a poco a lo largo de la órbita.
pues, un punto en un plano cuyas coordenadas son la posición Para determinar de esta manera el comportamiento de un sis-
y la velocidad. Las leyes de Newton dan una regla, expresada tema, necesitamos un trabajo de cálculo que es proporcional al

10  TEMAS 95
 tiempo durante el que se deseamos seguir la órbita. En el caso A'
de sistemas simples, como un péndulo sin rozamiento, puede
ocurrir que las ecuaciones admitan una solución explícita; es
decir, una fórmula que exprese cualquier estado futuro en fun- A
ción del estado inicial. Una solución explícita proporciona un
atajo: un algoritmo simple que solo requiere introducir el estado B'
inicial y el tiempo final para predecir el futuro, sin necesidad de
pasar por todos los estados intermedios. Con una solución así,
el trabajo de cálculo necesario para seguir el movimiento es en B
esencia independiente del tiempo deseado. A modo de ejemplo,
dadas las ecuaciones del movimiento planetario y lunar, y las
posiciones y velocidades de la Tierra y la Luna, los eclipses A''
pueden predecirse con años de antelación.
En los inicios de la física, los éxitos a la hora de obtener A''
soluciones explícitas para numerosos sistemas simples hicieron B'
albergar la esperanza de que tales soluciones existirían para B A'
cualquier sistema mecánico. Por desgracia, hoy sabemos que A
no siempre ocurre así. El comportamiento impredecible de los
sistemas dinámicos caóticos no puede expresarse mediante una
solución explícita. Y, como consecuencia, no hay atajos para
predecir su comportamiento.
No obstante, el espacio de configuraciones proporciona una
poderosa herramienta para describir la evolución de un siste-
ma caótico. Su utilidad reside en la posibilidad de representar
dicho comportamiento de manera geométrica. Por ejemplo, un
péndulo con rozamiento terminará por detenerse. Eso significa
que su órbita se aproximará a un punto concreto del espacio
de configuraciones. Dicho punto no se mueve: es un punto fijo.
Y dado que atrae a las órbitas próximas, recibe el nombre de
«atractor». Si damos un pequeño empujón al péndulo, este aca-
bará regresando al mismo punto fijo. Todo sistema que con el
tiempo tienda al reposo quedará caracterizado por un punto
fijo en el espacio de configuraciones. Lo anterior constituye un
ejemplo de un fenómeno muy general: las pérdidas debidas
al rozamiento o a la viscosidad provocan que las órbitas en el
espacio de configuraciones acaben atraídas hacia una región
más pequeña de dicho espacio, una caracterizada por un nú-
mero menor de dimensiones. Toda región así recibe el nombre
de atractor. En términos simples, un atractor es aquella región
donde se asienta el comportamiento de un sistema.
Algunos sistemas no tienden al reposo a largo plazo, sino que
recorren periódicamente una sucesión de estados. Fijémonos en
un reloj de péndulo; en él, la energía perdida por rozamiento se
repone con la almacenada en un muelle o un peso. El péndulo
repite su movimiento una y otra vez. En el espacio de configu-
raciones, tal movimiento corresponde a un ciclo, a una órbita
periódica. Con independencia de cómo empiece a balancearse el
péndulo, el ciclo al que se aproxima a largo plazo es siempre el
mismo. Por ello, tales atractores se denominan «ciclos límite».
Otro sistema familiar con un ciclo límite es el corazón.
Un sistema puede tener varios atractores. Si así ocurre, di- LOS ATRACTORES CAÓTICOS poseen una estructura mucho más
ferentes condiciones iniciales pueden desembocar en atracto- compleja que los atractores predecibles. A gran escala, un atractor
ANDREW CHRISTIE (arriba), JAMES P. CRUTCHFIELD (abajo)

res distintos. El conjunto de puntos que evoluciona hacia un
mismo atractor se conoce como «cuenca de atracción». El reloj
de péndulo tiene dos cuencas: los desplazamientos pequeños
desde su posición de reposo lo devuelven de nuevo al reposo;
con desplazamientos grandes, sin embargo, el reloj empieza su
tictac y el péndulo ejecuta oscilaciones estables.
El atractor que sigue en complejidad es un toro: una figura
semejante a la superficie de una rosquilla. Este describe movi-
mientos que constan de dos oscilaciones independientes, lla-
mados a veces movimientos cuasiperiódicos; un ejemplo físico
caótico no constituye una superficie suave, sino una que se pliega
sobre sí misma. Esta ilustración muestra los pasos necesarios para
construir el atractor caótico más elemental: el atractor de Rössler
(abajo). Primero, las trayectorias próximas deben «estirarse», de
modo que diverjan de forma exponencial (arriba). En el caso ilustrado
aquí, la distancia entre trayectorias se ha multiplicado por dos.
Después, para que el objeto siga siendo compacto (de tamaño finito),
debe doblarse sobre sí mismo (centro): la superficie se pliega, de
suerte que sus dos extremos se encuentren. El atractor de Rössler ha
sido observado en numerosos sistemas físicos, desde fluidos hasta
reacciones químicas.

Complejidad y caos  11
 0 400 600

900 1100 1500

1700 2100 6000

EL ALEJAMIENTO EXPONENCIAL de las trayectorias inicialmente vecinas constituye la razón última por la que el caos lleva a la impre­
decibilidad. Una medición perfecta del estado inicial de un sistema correspondería a un punto en el espacio de configuraciones. Sin embargo,
toda medición es imprecisa, por lo que solo puede determinar una pequeña región en el espacio de estados; el verdadero estado inicial podría
hallarse en cualquier punto de dicha zona. Estas figuras muestran la evolución en el atractor de Lorenz. La incertidumbre en la medida inicial
queda representada por 10.000 puntos rojos. Inicialmente, estos se hallan tan próximos entre sí que resultan indistinguibles. Sin embargo,
a medida que el sistema evoluciona, se dispersan con rapidez. Primero forman un filamento que después se pliega sobre si mismo repetidas
veces. Al final, los puntos cubren todo el atractor: el estado final puede hallarse en cualquier lugar, por lo que la predicción se ha tornado
imposible. Las cifras de cada imagen indican el paso del tiempo en unidades de 1/200 segundos.

lo hallamos en los osciladores eléctricos. La órbita se enrolla Una característica importante de los movimientos cuasipe-
rodeando el toro en el espacio de configuraciones, de modo riódicos es que, a pesar de su complejidad, son predecibles.
que una frecuencia queda determinada por la rapidez con que Aun cuando la órbita no se repite nunca exactamente, si las fre-
JAMES P. CRUTCHFIELD

la órbita rodea el toro por el camino más corto, y la otra por la cuencias carecen de divisor común, el movimiento sigue siendo
rapidez con que lo hace alrededor del camino más largo. Los regular. Dos órbitas que comiencen cerca una de otra en el toro
atractores pueden ser también toros de más dimensiones, lo que permanecerán siempre cercanas, por lo que la predictibilidad a
representa la combinación de más de dos oscilaciones. largo plazo está garantizada.

12  TEMAS 95
 a b
LA LLEGADA DEL CAOS
Hasta los años sesenta del siglo xx, los puntos fijos, los ciclos
límite y los toros eran los únicos atractores conocidos. En 1963,
sin embargo, Edward Lorenz, del Instituto de Tecnología de
Massachusetts, descubrió un ejemplo de un sistema con pocos
grados de libertad que presentaba un comportamiento comple-
jo. Motivado por el deseo de entender la impredecibilidad del
tiempo meteorológico, partió de las ecuaciones de movimiento
de un fluido y, simplificándolas, obtuvo un sistema con tan solo
tres grados de libertad. A pesar de ello, el sistema se comportaba
de un modo aparentemente estocástico, uno que escapaba a
toda caracterización adecuada por cualquiera de los tres tipos
de atractor entonces conocidos. El atractor que observó, llama-
do hoy atractor de Lorenz, fue el primer ejemplo de atractor
caótico, o extraño.
Usando un ordenador para simular su modelo, Lorenz dilu-
cidó el mecanismo básico responsable del azar observado: las
perturbaciones microscópicas se amplificaban hasta afectar al
comportamiento macroscópico. Dos órbitas con condiciones
iniciales próximas se alejaban rápidamente una de otra de forma
exponencial, por lo que solo permanecían cercanas durante un
corto período de tiempo. Esa situación difería cualitativamente
de la descrita por los atractores no caóticos. En ellos, las órbitas
vecinas se mantienen cerca, los pequeños errores siguen acota-
dos y el comportamiento es predecible.
La clave para entender el comportamiento caótico se halla
en una simple operación de estirado y plegado que se produce
en el espacio de estados. La divergencia exponencial constituye
JAMES P. CRUTCHFIELD
una propiedad local: puesto que los atractores tienen tamaño
finito, dos órbitas que se encuentren en uno de ellos no podrán
divergir exponencialmente de manera indefinida. Como conse-
cuencia, el atractor deberá «plegarse» sobre sí mismo: aunque
c d
EL CAOS GENERA FRACTALES, estructuras que
no cesan de revelar nuevos detalles a medida
que las examinamos a escalas cada vez menores.
Como resultado, los atractores caóticos exhiben
una bella estructura microscópica. Michel Hénon,
del Observatorio de Niza, descubrió una regla
simple que estira y pliega el plano, cambiando
de sitio cada uno de los puntos. Estas imágenes
muestran aplicaciones sucesivas de la regla de
Hénon partiendo de un punto inicial. La forma
geométrica resultante (a) proporciona un ejemplo
simple de atractor caótico. Cada imagen amplía la
zona señalada en rojo en la anterior por un factor
de 10. Al repetir el proceso (b, c, d), la estructura
microscópica del atractor se manifiesta en detalle.
La ilustración en color muestra otra parte del
atractor de Hénon.
las órbitas diverjan y sigan caminos cada vez más alejados, en
algún momento habrán de acercarse de nuevo entre sí. Así pues,
en un atractor extraño las órbitas se mezclan de un modo muy
parecido a como lo hacen los naipes de un mazo cuando los
barajamos. El azar de las órbitas caóticas es consecuencia de
esta mezcla. El proceso de estirar y doblar se repite una y otra
vez, creando pliegues dentro de otros pliegues ad infinitum. Un
atractor caótico es, por tanto, un fractal: un objeto que siempre
revela nuevos detalles a medida que lo amplificamos.
El caos mezcla entre sí las órbitas en el espacio de configu-
raciones exactamente del mismo modo en que un panadero
mezcla los ingredientes cuando trabaja la masa. Para imaginar
lo que ocurre con las trayectorias vecinas en un atractor caótico,
coloquemos una gota de colorante azul en la masa. El amasado
consta de dos acciones: estirar la masa, con la consiguiente ex-
tensión del colorante, y plegarla sobre sí misma. Al principio, la
gota de colorante solo se alarga. Pero luego acaba por plegarse
sobre sí misma y, con el paso del tiempo, se estira y repliega
muchas veces. Una inspección detallada muestra que la masa
consta entonces de numerosas capas alternadas de color azul
y blanco. Tras veinte pasos, la gota inicial se ha estirado hasta
más de un millón de veces de su longitud original y su espesor
ha disminuido hasta la escala molecular. El tinte azul se mezcla
por completo con la masa. El caos opera del mismo modo, con la
diferencia de que, en vez de mezclarse con la masa, se mezcla en
el espacio de estados. Inspirado por esta imagen, Otto Rössler,
de la Universidad de Tubinga, propuso el ejemplo más elemental
de atractor caótico en un fluido.
INCERTIDUMBRE CRECIENTE
Cuando se llevan a cabo observaciones de un sistema físico, los
inevitables errores de medición impiden especificar su estado
Complejidad y caos  13
con total exactitud. Como consecuencia, el estado del sistema
no está situado en un punto único, sino en una pequeña región
del espacio de configuraciones. Aunque la incertidumbre cuán-
tica fija el tamaño mínimo que puede tener dicha región, en la
práctica diversas clases de ruido limitan la precisión de la medi-
ción e introducen errores bastante mayores. La pequeña región
especificada por las incertidumbres inherentes a la medición
resulta análoga a la gota de colorante en la masa.
Situar el sistema en una región pequeña del espacio de es-
tados mediante una medición proporciona cierta cantidad de
información. Cuanto más precisa sea nuestra medida, más cono-
cimiento obtendremos sobre el estado del sistema. En un sistema
no caótico, los puntos próximos permanecen cercanos entre sí a
medida que pasa el tiempo, por lo que la medición aporta una
cantidad de información que se conserva en el tiempo. Este es el
sentido en que tales sistemas pueden denominarse predecibles:
las mediciones iniciales contienen información que puede usarse
para predecir su comportamiento futuro. En otras palabras, los
sistemas predecibles son aquellos que no se muestran especial-
mente sensibles a los errores de medición.
Las operaciones de estirado y plegado de un atractor caótico
eliminan sistemáticamente la información inicial y la sustituyen
por otra nueva: los estirones amplían las incertidumbres en
escalas pequeñas, mientras que los pliegues acercan trayectorias
que estaban muy separadas y destruyen información en escalas
grandes. De esta manera, los atractores caóticos actúan como
multiplicadores que elevan las fluctuaciones microscópicas a
una escala macroscópica. Ello explica por qué no existen las
soluciones exactas, los atajos para predecir el futuro. Tras un
breve período de tiempo, la incertidumbre asociada a la me-
dición inicial cubre el atractor por completo y perdemos toda
capacidad de predicción: simplemente, no hay conexión causal
entre el pasado y el futuro.
Los atractores caóticos funcionan localmente como amplifi-
cadores de ruido. Una fluctuación pequeña, debida quizás a la
agitación térmica, causará una gran desviación en la posición de
la órbita poco después. Pero hay un aspecto importante en el que
los atractores caóticos difieren de los simples amplificadores de
ruido. Debido a que las operaciones de estirar y plegar son repe-
titivas y continuas, cualquier minúscula fluctuación acabará por
dominar el movimiento, y el comportamiento cualitativo será
independiente del nivel de ruido. Por ello, los sistemas caóticos
no pueden «silenciarse», por ejemplo, bajando la temperatu-
ra. Generan azar por sí mismos, sin necesidad de influencias
aleatorias externas. Ese comportamiento aleatorio se debe a
algo más que a la amplificación de los errores y a la pérdida de
la capacidad de predecir: se origina por la complejidad de las
órbitas generadas por los estiramientos y plegamientos.
Conviene advertir que tanto el comportamiento caótico como
el no caótico pueden darse en sistemas sin disipaciones, en los
que la energía se conserva. En ellos, las órbitas no se relajan
hacia un atractor, sino que permanecen confinadas en una su-
perficie que tiene asociada una cierta energía. Sin embargo, la
disipación es importante en muchos de los sistemas de mundo
real —si no en la mayoría— y cabe esperar que el concepto de
atractor sea de utilidad general.
CAOS EN LA NATURALEZA
Los atractores caóticos abren un nuevo campo en la teoría de
los sistemas dinámicos. Con todo, debemos preguntarnos por
su relevancia a la hora de explicar la aleatoriedad observada en
algunos sistemas físicos. La primera prueba experimental de
14  TEMAS 95
que los atractores se hallan tras el movimiento estocástico de
los fluidos fue más bien indirecta. El experimento en cuestión
fue efectuado en 1974 por Jerry Gollub, del Haverford College, y
Harry Swinney, de la Universidad de Texas en Austin. La prueba
resultó ser indirecta porque los investigadores no se concen-
traron en el atractor en sí, sino en las propiedades estadísticas
que lo caracterizan.
El sistema que examinaron era una célula de Couette, la cual
consta de dos cilindros concéntricos. El espacio entre ellos se
llena con un fluido y uno de los cilindros, o ambos, giran con
una velocidad angular fija. Según aumenta la velocidad angular,
el fluido exhibe pautas de comportamiento progresivamente
más complejas y con una dependencia temporal complicada.
Lo que hicieron Gollub y Swinney fue, en esencia, medir la
velocidad del fluido en un punto dado. Al incrementar la velo-
cidad de rotación, observaron transiciones desde una velocidad
constante en el tiempo hasta otra que variaba periódicamente
y, por último, a otra que cambiaba de forma aperiódica. Esta
transición hacia un movimiento aperiódico constituía el punto
central del experimento.
El experimento se había diseñado para decidir entre dos con-
cepciones teóricas que predecían comportamientos diferentes
del fluido a medida que cambiaba la velocidad de rotación. La
teoría de Landáu predecía que, al aumentar la rotación, se excita-
ría un número siempre creciente de oscilaciones independientes,
y que el atractor asociado sería un toro de muchas dimensiones.
Esta idea había sido puesta en duda por David Ruelle, del Ins-
tituto de Altos Estudios Científicos de París, y Floris Takens, de
la Universidad de Groninga. Adujeron argumentos matemáticos
que sugerían que era poco probable que el atractor asociado a
las ideas de Landáu apareciera en el movimiento de un fluido.
Por el contrario, sus resultados indicaban que cualquier toro de
muchas dimensiones debería originar un atractor caótico, como
había postulado Lorenz.
Gollub y Swinney encontraron que, para velocidades de
rotación bajas, el flujo no cambiaba con el tiempo: el atrac-
tor subyacente era un punto fijo. Al aumentar la velocidad, el
agua empezaba a oscilar con una frecuencia independiente que
correspondía a un ciclo límite atractor (una órbita periódica).
Y, si la velocidad de rotación aumentaba aún más, la oscilación
presentaba dos frecuencias independientes, lo que indicaba la
existencia de un atractor con geometría de toro bidimensional.
La teoría de Landáu predecía que, conforme se aumentara la
velocidad de rotación, la pauta debería continuar: aparecerían
gradualmente más y más frecuencias distintas. Sin embargo,
no ocurría así; más allá de cierta velocidad crítica de rotación,
aparecía de repente una banda continua de frecuencias. Esta
observación era coherente con el flujo determinista no periódico
HARRY L. SWINNEY Y ANKE BRANDSTATER, UNIVERSIDAD DE TEXAS EN AUSTIN
de Lorenz, lo que corroboró la idea de que los atractores caóticos
subyacían a la turbulencia de los fluidos.
Aunque el análisis de Gollub y Swinney apoyaba la idea de
que los atractores caóticos estaban tras el movimiento aleatorio
de los fluidos, su trabajo distaba mucho de ser concluyente. Era
deseable demostrar explícitamente la existencia de un atractor
caótico simple en los datos experimentales. Sin embargo, lo
normal es que en un experimento no se registren todos los as-
pectos de un sistema, sino tan solo unos pocos. Gollub y Swinney
no podían registrar, por ejemplo, todo el flujo de Couette, sino
solamente la velocidad en un punto. A partir de ahí, el atractor
debía reconstruirse a partir de un conjunto limitado de datos.
Está claro que esto no siempre puede hacerse: si el atractor es
demasiado complicado, algo se perderá. En algunos casos, sin
 t1 t2 t3

Salida del micrófono

t2 ,t3

tn+1
t1 ,t2

Micrófono tn
Tiempo
a c e
Datos Datos Datos

b d f
Modelo Modelo Modelo

UN GRIFO QUE GOTEA proporciona un ejemplo sencillo de un sistema capaz de experimentar una transición caótica. El atractor subyacente
se reconstruye representando los intervalos temporales entre cada par de gotas sucesivas (arriba). Los atractores reconstruidos con un grifo
real (a, c) guardan una clara correlación con los obtenidos a partir de variantes de la regla de Hénon (b, d). Las ilustraciones e y f corresponden
a un caudal elevado y probablemente representan secciones de otros atractores caóticos. Las gráficas emplean intervalos temporales como
coordenadas. El eje horizontal es tn, el intervalo temporal entre la gota n y la n–1. El vertical representa el intervalo temporal siguiente, tn+1, y el
tercero, perpendicular a la página, tn+2. Cada punto corresponde así a una terna de números (tn, tn+1, tn+2) de una muestra de 4094 datos. En las
ilustraciones b y d se ha añadido ruido simulado.

embargo, sí podemos reconstruir la dinámica a partir de un
número reducido de datos.
Una técnica introducida por los autores de este artículo y fun-
damentada matemáticamente por Takens posibilitó reconstruir
el espacio de configuraciones para buscar atractores caóticos. La
idea básica es que la evolución de toda componente individual
JAMES P. CRUTCHFIELD
espacio de configuraciones «equivalente», basta con observar un
componente y tratar los valores medidos a intervalos de tiempo
fijos (hace un segundo, hace dos segundos, etcétera) como si
fueran dimensiones nuevas.
Esos valores retrasados pueden considerarse nuevas coorde-
nadas que definen un punto en un espacio multidimensional de

de un sistema está determinada por los demás componentes estados. Repitiendo el procedimiento y tomando valores retra-
con los que interactúa. La información sobre los componentes sados con respecto a diferentes tiempos, se generan muchos de
relevantes se halla, pues, implícitamente contenida en la his- esos puntos. Se puede hacer uso entonces de otras técnicas para
toria de cualquier componente individual. Para reconstruir un determinar si esos puntos están o no en un atractor caótico. Aun-

Complejidad y caos  15
que esta representación es en muchos aspectos arbitraria, las
propiedades importantes de un atractor se conservan y resultan
independientes de los detalles de la reconstrucción.
Ilustraremos esta técnica con un ejemplo que tiene la ven-
taja de ser familiar y accesible a todos. La mayoría de la gente
conoce la pauta periódica de las gotas que caen de un grifo mal
cerrado. Puede suceder que el tiempo que transcurre entre go-
tas sucesivas sea muy regular, lo que ha mantenido despiertos
a muchos insomnes esperando la caída de la siguiente gota.
Sin embargo, menos conocido resulta el comportamiento de
un grifo cuando el caudal de agua es algo mayor. En general,
es posible encontrar un régimen en el que las gotas, aunque
caigan separadamente, lo hagan sin repetir nunca su cadencia,
como una batería que nunca repitiera lo que haya tocado antes.
Los cambios de la pauta regular a la aparentemente aleatoria
recuerdan la transición entre los flujos laminar y turbulento
de un fluido. ¿Podría ocurrir que un atractor caótico simple se
ocultara tras este fenómeno?
El estudio experimental de un grifo que gotea fue realizado en
la Universidad de California en Santa Cruz por uno de nosotros
(Shaw) en colaboración con Peter Scott, Stephen Pope y Philip
Martein. La primera parte del experimento consistía en dejar
caer las gotas de un grifo ordinario sobre un micrófono y medir
los intervalos temporales entre los pulsos sonoros resultantes.
Al representar gráficamente pares de intervalos temporales,
se obtiene una sección del atractor subyacente. En el régimen
periódico, por ejemplo, el menisco desde el que cae la gota se
mueve de forma suave y repetitiva, lo cual podría representarse
mediante un ciclo límite en el espacio de estados. Pero este mo-
vimiento suave es inaccesible en el experimento real: lo único
que registramos son los intervalos temporales entre las caídas
de las gotas. Podemos comprarlo a aplicar luz estroboscópica
sobre un movimiento cíclico y regular: si la sincronización es
la adecuada, no veremos más que un punto fijo.
La parte más interesante del experimento llegó cuando, en
efecto, encontramos atractores caóticos en el régimen no perió-
dico del grifo. Podía haber ocurrido que la aleatoriedad en la
caída de las gotas se debiese a influencias inobservadas, como
pequeñas vibraciones o corrientes de aire. Si así fuera, no habría
ninguna relación particular entre un intervalo y el siguiente,
por lo que el gráfico de los datos tomados de dos en dos solo
habría mostrado una mancha sin ningún rasgo distintivo. Sin
embargo, el hecho de que en las gráficas apareciese siempre
alguna estructura indicaba que el comportamiento estocástico
se apoyaba en un andamio determinista. En concreto, muchos
conjuntos de datos mostraron una forma de herradura, que es la
señal del sencillo proceso de estirado y plegado que exponíamos
más arriba. Esta forma característica puede considerarse una
«instantánea» del proceso de pliegue. Otros conjuntos de datos
más complejos pueden entenderse como secciones de atractores
de más dimensiones.
LOS LÍMITES DEL CAOS
Si un sistema es caótico, ¿en qué grado lo es? Una medida del
caos es la «entropía» del movimiento. Esta cantidad viene a
constituir un promedio del ritmo de estirado y plegado, o la
tasa media de creación de información. Otro dato indicador es
la dimensión del atractor. Si un sistema es simple, su compor-
tamiento debería poder describirse mediante un atractor de
pocas dimensiones en el espacio de estados, tal y como ocurre
con los ejemplos citados en este artículo. Para especificar el
estado de un sistema más complicado pueden ser necesarios
16  TEMAS 95
más números, con lo que el atractor correspondiente debería
tener más dimensiones.
La técnica de la reconstrucción, combinada con mediciones
de la entropía y de la dimensión, hace posible reconsiderar el
flujo de Couette estudiado por Gollub y Swinney. Así lo hicieron
varios miembros del grupo de Swinney en colaboración con dos
de nosotros (Crutchfield y Farmer). La técnica de reconstruc-
ción nos permitió obtener imágenes del atractor subyacente. En
este caso, las imágenes no demuestran claramente que haya un
atractor de pocas dimensiones, como sí sucede en otros siste-
mas, como el grifo que gotea. Sin embargo, las mediciones de la
entropía y de la dimensión revelan que el movimiento irregular
de un flujo de Couette cerca de la transición puede describirse
mediante atractores caóticos. Al aumentar la velocidad de ro-
tación en la célula de Couette, hacen lo propio la entropía y la
dimensión de los atractores subyacentes.
Hay un gran número de sistemas que exhiben un compor-
tamiento estocástico provocado por un atractor caótico. Entre
ellos, el diagrama de convección de un fluido calentado en una
caja pequeña; la oscilación de los niveles de las concentraciones
en reacciones químicas inestables; los latidos de las células del
corazón de pollo, y muchos osciladores eléctricos y mecánicos.
Esta forma simple de aleatoriedad ha aparecido asimismo en
simulaciones informáticas de fenómenos muy diversos, desde
la modelización de epidemias o la actividad eléctrica de una
neurona hasta oscilaciones estelares. Y la emergencia del caos
también se ha explorado en sistemas tan dispares como las
ondas cerebrales y la economía.
Con todo, hemos de enfatizar que la teoría del caos está lejos
de constituir una panacea. La existencia de muchos grados de
libertad puede hacer que aparezcan movimientos complicados
y aleatorios. E incluso cuando seamos capaces de determinar
que un sistema es caótico, esto por sí solo no aclara mucho. Un
buen ejemplo lo hallamos en las moléculas de un gas. Aunque
sabemos que se trata de un sistema caótico, ello no facilita la
predicción de su comportamiento. Son tantas las partículas que
intervienen que lo más a lo que podemos aspirar es a una des-
cripción estadística, y las propiedades estadísticas esenciales
pueden obtenerse sin tener en cuenta el caos.
Hay otras cuestiones en las que se desconoce el papel desem-
peñado por el caos. ¿Qué ocurre con los patrones que cambian
sin cesar, como las dunas del Sáhara o aquellos que aparecen
en un fluido completamente turbulento? No está claro que las
formas espaciales complejas puedan describirse de manera ade-
cuada mediante un único atractor en un espacio de configuracio-
nes. Pero quizá la experiencia con los atractores más elementales
sirva de guía para obtener una imagen más completa de estos
sistemas, en la que intervengan conjuntos de estructuras deter-
ministas similares a los atractores caóticos.
CAOS Y REDUCCIONISMO
La existencia del caos afecta al mismo método científico. El
procedimiento clásico para verificar una teoría consiste en hacer
predicciones y contrastarlas con los datos experimentales. No
obstante, si un fenómeno es caótico, las predicciones a largo
plazo se tornan intrínsecamente imposibles. Ello debe tenerse
en cuenta a la hora de evaluar los méritos de una teoría. El
proceso de verificación se vuelve mucho más delicado y debe
basarse en propiedades estadísticas y geométricas, más que en
predicciones detalladas.
El caos plantea un nuevo desafío al punto de vista reduccio-
nista, según el cual un sistema puede entenderse descompo-
niéndolo en sus partes constituyentes y estudiando cada una
por separado. Si esta idea ha prevalecido en ciencia, es en parte
porque hay numerosos sistemas en los que el comportamiento
del todo es realmente la suma de los comportamientos de sus
partes. El caos demuestra, sin embargo, que un sistema pue-
de exhibir un comportamiento complejo que emerge a partir
de interacciones simples pero no lineales entre unos cuantos
componentes.
El problema se ha agudizado en un amplio abanico de dis-
ciplinas, desde la física microscópica hasta la construcción de
modelos del comportamiento macroscópico de organismos bio-
lógicos. La capacidad para obtener un conocimiento detallado de
la estructura de un sistema ha experimentado enormes avances.
Sin embargo, la posibilidad de integrar ese conocimiento se ha
visto frenada por la falta de un marco conceptual apropiado
que permita describir cualitativamente el comportamiento. Por
ejemplo, ni siquiera con un mapa completo del sistema nervioso
de un organismo simple, como un nematodo, es posible deducir
su comportamiento. Y, de igual modo, la esperanza de hacer de
la física una ciencia completa a partir de un conocimiento cada
vez más pormenorizado de las interacciones y los constituyen-
tes elementales es totalmente infundada. La interacción entre
componentes a una escala puede inducir un comportamiento
global muy complejo en otra escala mayor. Un comportamiento
que, en general, no puede deducirse a partir del conocimiento
de los componentes individuales.
A menudo, el caos se considera en función de las limitaciones
que impone, como la falta de predictibilidad. Pero la naturaleza
puede usar el caos de manera constructiva. A través de la am-
plificación de pequeñas fluctuaciones, permite que los sistemas
naturales desarrollen comportamientos novedosos. Una presa
que escapa del ataque de un predador puede usar el control
caótico del vuelo como un elemento de sorpresa para evitar ser
capturada. La evolución biológica necesita variabilidad genéti-
ca. El caos proporciona una forma de estructurar los cambios
BOLETINES A MEDIDA
Elige los boletines según tus preferencias
temáticas y recibirás toda la información
sobre las revistas, las noticias y los
contenidos web que más te interesan.
www.investigacionyciencia.es/boletines
aleatorios, haciendo posible que dicha variabilidad se halle bajo
un control evolutivo.
El mismo progreso intelectual se basa en la inyección de
nuevas ideas y en nuevos modos de conectar las viejas. La propia
creatividad podría basarse en un proceso caótico que amplificase
selectivamente pequeñas fluctuaciones y las moldease hasta dar
lugar a los estados mentales macroscópicos que experimentamos
en forma de pensamientos. En algunos casos, esos pensamien-
tos pueden ser decisiones, o lo que experimentamos como un
ejercicio de nuestra voluntad. Desde esta perspectiva, el caos
proporciona un mecanismo que permite el libre albedrío en un
mundo gobernado por leyes deterministas.
Artículo publicado en Investigación y Ciencia, febrero de 1987
LOS AUTORES
James P. Crutchfield, J. Doyne Farmer, Norman H. Packard y Robert
S. Shaw han destacado por sus investigaciones pioneras en el estudio de los
sistemas caóticos. Crutchfield es catedrático de física en la Universidad de
California en Berkeley, donde dirige el Centro de Ciencias de la Complejidad.
Farmer es catedrático de matemáticas en la Universidad de Oxford y director
del programa de Economía de la Complejidad en el Instituto para el Nuevo
Pensamiento Económico, en la misma universidad. Packard ha sido profesor de
física en la Universidad de Illinois en Urbana-Champaign y actualmente es
director de Daptics, una compañía de inteligencia artificial. Shaw ha investigado
en la Universidad de California en Santa Cruz y en el Instituto de Estudios
Avanzados de Princeton.
PARA SABER MÁS
Geometry from a time series. Norman H. Packard, James P. Crutchfield,
J. Doyne Farmer y Robert S. Shaw en Physical Review Letters, vol. 45,
págs. 712-716, septiembre de 1980.
Dynamics: The geometry of behavior. Ralph Abraham y Chris Shaw, 2.a ed.
Basic Books, 1992.
Deterministic chaos: An introduction. H. G. Schuster, 3.a ed. Wiley-VCH, 1995.
Caos: La creación de una ciencia. James Gleick. Crítica, 2012.
Complejidad y caos  17
 ENTENDER L A COMPLE JIDAD

Criticalidad
autoorganizada
Los sistemas interactivos de gran tamaño pueden evolucionar hacia
un estado crítico: uno en el que un acontecimiento banal provoca
una catástrofe. Este fenómeno explica la dinámica de terremotos,
mercados y ecosistemas
Per Bak y Kan Chen

E s típico que, al producirse una catástrofe,

los analistas la atribuyan a una rara con­
junción de circunstancias o a cierta combi­
nación de poderosos mecanismos. Cuando
San Francisco sufrió un tremendo seísmo,
los geólogos ubicaron su origen en una inmensa zona inestable
coincidente con la falla de San Andrés. Cuando el mercado de
valores se vino abajo el Lunes Negro de 1987, los economistas
culparon al efecto desestabilizador de la informatización y auto­
matización de las transacciones. Cuando los registros fósiles re­
velaron la extinción en masa de los dinosaurios, los paleontólo­
gos la atribuyeron al impacto de un meteorito o a la erupción
de un volcán. Es posible que estas teorías sean correctas. Pero
sistemas tan grandes y complicados como la corteza terrestre,
el mercado de valores o un ecosistema no solo pueden romperse
por los efectos de un golpe titánico, sino también por la caída de
un alfiler. Los grandes sistemas interactivos se organizan perpe­
tuamente a sí mismos hasta llegar a un estado crítico. Cuando
eso ocurre, un acontecimiento menor puede causar una reac­
ción en cadena capaz de producir la catástrofe.
En el pasado, los grandes sistemas interactivos se han anali­
zado del mismo modo que los sistemas pequeños y ordenados.
Esto se debía, sobre todo, al éxito de los métodos desarrollados
para los sistemas reducidos. Se pensaba que el comportamiento
de un gran sistema podía predecirse estudiando por separa­
do sus elementos individuales y analizando sus mecanismos
microscópicos. A falta de una teoría mejor, los investigadores
dieron por hecho que la respuesta de un sistema de gran tamaño
sería proporcional a la magnitud de la perturbación. Estaban
convencidos de que su dinámica podía describirse en función
de un estado de equilibrio, perturbado de vez en cuando por
una fuerza exterior.
Sin embargo, hoy sabemos que muchos sistemas complicados
y caóticos son refractarios al análisis tradicional. En 1987, uno
de los autores de este artículo (Bak), Kurt A. Wiesenfeld y Chao
Tang, del Laboratorio Nacional de Brookhaven, en EE.UU., desa­
rrollamos un nuevo marco para explicar el comportamiento de
grandes sistemas, aquellos compuestos por millones y millones
de elementos que interactúan a pequeña escala. A tal fin propu­
simos la teoría de la criticalidad autoorganizada. Según esta, mu­
chos sistemas compuestos evolucionan de manera espontánea
hacia un estado crítico: uno en el que un acontecimiento banal
da inicio a una reacción en cadena capaz de afectar a un número
cualquiera de constituyentes. Aunque los sistemas compuestos
producen muchos más acontecimientos banales que catástrofes,
las reacciones en cadena de todos los tamaños posibles constitu­
yen una parte integral de su dinámica. Según nuestra teoría, el
mecanismo que conduce a sucesos de poca entidad es el mismo
que el que desencadena grandes acontecimientos.
La criticalidad autoorganizada es una teoría holística: las
características globales, como el número relativo de sucesos
grandes y pequeños, no dependen de los mecanismos micros­
cópicos. Resulta imposible, pues, comprender las características
globales del sistema analizando por separado las partes que lo
componen. Hasta donde sabemos, la criticalidad autoorganizada
es el único modelo o descripción matemática que ha dado pie
a una teoría holística de los sistemas dinámicos.
A lo largo de los años, varios experimentos y modelos teóricos
han puesto de manifiesto que muchos sistemas compuestos que
subyacen a la geología, la economía, la biología o la meteorología

EN SÍNTESIS

Algunos sistemas formados por un gran número de
constituyentes pueden evolucionar de manera es-
pontánea hacia un estado crítico. Cuando eso ocurre,
una pequeña perturbación puede provocar una reac-
ción en cadena de proporciones gigantescas.
Los sistemas que se encuentran en un estado
crítico autoorganizado se hallan a menudo al
borde del caos. Aunque las incertidumbres
crecen con el tiempo, lo hacen a un ritmo mu-
cho más lento que un sistema caótico típico.
Existen signos de criticalidad autoorganizada en fenóme-
nos naturales muy dispares, desde los movimientos sís-
micos y la economía hasta el tráfico rodado o la dinámica
de fluidos. El fenómeno podría explicar incluso algunos
aspectos fundamentales de la vida y la evolución biológica.

18  TEMAS 95
 LAS FICHAS DE DOMINÓ ilustran la criticalidad, la subcriticalidad
y la supercriticalidad. En el sistema crítico (arriba), las fichas se
QUESADA/BURKE Y DOMINO F/X

dispusieron al azar en la mitad de las casillas de una red. Al derribar

las de la fila inferior, se produjeron cascadas de todo tipo de tamaños.
En el sistema subcrítico (abajo a la izquierda), donde la densidad de
fichas era mucho menor, solo se produjeron cascadas pequeñas. El
sistema supercrítico (derecha), con una densidad superior a la crítica,
mostró en cambio una actividad explosiva.

Complejidad y caos  19
muestran signos de criticalidad autoorganizada. Este enfoque
ha mejorado nuestra comprensión del comportamiento de la
corteza terrestre, los mercados de valores y los ecosistemas.
PILAS DE ARENA
Dado que un sistema compuesto puede estar formado por un
gran número de elementos y gobernado por multitud de inte­
racciones, no es posible construir modelos matemáticos que
sean a la vez totalmente realistas y teóricamente manejables.
En consecuencia, los investigadores han de recurrir a modelos
simplificados e idealizados que reflejen las características bá­
sicas de los sistemas reales. Si dichos modelos demuestran ser
robustos con respecto a varias modificaciones, podremos usarlos
para extrapolar a situaciones reales los hallazgos efectuados
con ellos. Este enfoque ha sido de gran éxito en la mecánica
estadística del equilibrio, donde el estudio de modelos sencillos
ha permitido entender fenómenos universales en sistemas con
muchos grados de libertad.
Hay un sistema engañosamente simple que sirve de paradig­
ma para entender el fenómeno de criticalidad autoorganizada:
una pila de arena. Algunos investigadores han simulado su di­
námica mediante programas de ordenador; otros, como Glenn
A. Held y sus colaboradores, de IBM, han procedido a efectuar
experimentos. Tanto los modelos como los experimentos han
puesto de manifiesto las mismas características.
Held y sus colaboradores idearon un aparato que vertía arena
de manera lenta y uniforme, a razón de un grano por vez, sobre
una superficie circular plana. Al principio, los granos se quedan
cerca del lugar donde cayeron, pero pronto comienzan a formar
un pequeño montón de pendiente suave. De tanto en tanto,
cuando la pendiente se inclina demasiado en algún lugar de la
pila, los granos se deslizan ladera abajo, provocando un peque­
ño alud. Conforme vamos añadiendo más arena y la pendiente
media de la pila aumenta, crece también el tamaño medio de las
avalanchas. Algunos granos caerán por el borde de la superficie
circular. El montón deja de crecer cuando, en promedio, la arena
que añadimos se compensa con la que cae por el borde. En ese
momento, el sistema ha alcanzado el estado crítico.
Si añadimos un solo grano de arena a un montón que se halla
en estado crítico, podremos desencadenar un alud de cualquier
tamaño; en particular uno «catastrófico». No obstante, la ma­
yoría de las veces el grano caerá sin producir avalanchas. Puede
comprobarse que, incluso en los mayores desprendimientos,
apenas interviene una pequeña proporción de los granos api­
lados; por tanto, ni siquiera los acontecimientos catastróficos
hacen que la pendiente de la pila se desvíe significativamente
de la pendiente crítica.
Las avalanchas constituyen un tipo particular de reacción en
cadena, o «proceso de ramificación». Simplificando un poco la
dinámica de los aludes, podemos identificar los rasgos princi­
pales de esta reacción en cadena y confeccionar un modelo. Al
principio de la avalancha, un único grano se desliza ladera abajo
a causa de alguna inestabilidad en la superficie de la pila. El
grano solamente se detendrá si cae en una posición estable; de
lo contrario, continuará ladera abajo. Si en su descenso golpea
otros granos poco estables, provocará que caigan también. Cada
uno de esos granos puede detenerse o continuar cayendo y pro­
vocar la caída de otros granos. El proceso cesará cuando todas
las partículas activas se hayan detenido o hayan abandonado
la pila. Para medir el tamaño de la avalancha, basta con contar
el número de granos caídos. La pila mantiene una altura y pen­
diente constantes porque la probabilidad de que la actividad se
20  TEMAS 95
extinga queda compensada, en promedio, con la probabilidad de
que la actividad se ramifique. Como consecuencia, la reacción
en cadena mantiene un estado crítico.
Si la pendiente de la pila es menor que la crítica (un estado
subcrítico), las avalanchas serán de menor tamaño. Como con­
secuencia, una pila subcrítica crecerá hasta alcanzar el estado
crítico. Por el contrario, si la pendiente es mayor que la crítica
(un estado supercrítico), las avalanchas serán mucho mayores,
por lo que la pila se desmoronará hasta alcanzar una vez más
el estado crítico. Así pues, tanto los apilamientos subcríticos
como los supercríticos se ven arrastrados de forma espontánea
hacia el estado crítico.
¿Qué sucede si usamos arena húmeda en lugar de seca, o si
intentamos evitar las avalanchas con un parapeto? Al principio,
el montón húmedo produce avalanchas menores y a un ritmo
menor que el seco. Y, tras cierto tiempo, habrá crecido hasta
adquirir una pendiente mayor que su homólogo seco. Pero, antes
o después, también la pila húmeda alcanzará un estado crítico en
el que se producen aludes de todos los tamaños. Una dinámica
similar se observa en los apilamientos protegidos con parapetos.
En general, el estado crítico es robusto con respecto a pequeñas
modificaciones en las reglas del sistema.
Nuestro montón de arena posee dos características incon­
gruentes a primera vista: el sistema es localmente inestable
en múltiples lugares; sin embargo, el estado crítico es absolu­
tamente robusto. Por un lado, los rasgos específicos, como las
configuraciones locales de la arena, cambian sin cesar a causa
de las avalanchas. Por otro, las propiedades estadísticas, como la
distribución de tamaños de las avalanchas, permanecen esencial­
mente idénticas. Un observador que estudiase una región espe­
cífica de la pila podría identificar con facilidad los mecanismos
que provocan la caída de la arena, e incluso podría predecir si
se originarán desprendimientos en un futuro próximo. Sin em­
bargo, para un observador local las grandes avalanchas resultan
impredecibles, ya que estas son una consecuencia de la historia
total de la pila entera. Poco importa cuál sea la dinámica local:
las avalanchas persistirán de manera implacable y se producirán
con una frecuencia que no es posible alterar. La criticalidad es
una propiedad global del montón de arena.
Aun cuando sigamos añadiendo arena a un ritmo uniforme,
la cantidad de granos que caerán fuera de la pila variará enorme­
mente a lo largo del tiempo. Si dibujamos ese flujo de granos que
escapan en función del tiempo, veremos un patrón muy errático
caracterizado por intervalos de todas las duraciones. Las señales
de este tipo reciben el nombre de «ruido de parpadeo» (flicker
noise) o «ruido 1/f ». Durante largo tiempo, los científicos han
sospechado que este tipo de señal indica que la dinámica de un
sistema depende fuertemente de los acontecimientos pasados.
En contraste, el llamado «ruido blanco», una señal aleatoria,
implica que la dinámica presente no guarda ninguna correlación
con la pasada.
El ruido de parpadeo es extraordinariamente común en la
naturaleza. Se ha observado en la actividad del Sol, en la luz de
las galaxias, en la corriente eléctrica que atraviesa una resis­
tencia y en el fluir del agua en un río. De hecho, la ubicuidad
de este tipo de ruido constituye uno de los grandes misterios
de la física. La teoría de la criticalidad autoorganizada sugiere
una interpretación muy general. El ruido de parpadeo cons­
ta de una superposición de señales de todos los tamaños y
duraciones: señales producidas cuando un sistema dinámico
en estado crítico genera reacciones en cadena de todos los
tamaños y duraciones.
 100.000

Número de terremotos
10,000

1000

100

1
1 10 100 1000 10,000 100,000 1 10 100 1000 10,000 100,000

Energía liberada (unidades arbitrarias)

ESTE MODELO DE BLOQUES conectados por muelles simula los

terremotos en la corteza terrestre. Cada vez que la fuerza ejercida sobre
un bloque excede un valor crítico, el bloque se desliza y la fuerza se
transmite a los bloques adyacentes. Los cuadrados blancos representan
bloques en deslizamiento; cada cúmulo de ellos, un terremoto. El
modelo produce seísmos de todos los tamaños, desde el corrimiento de
un solo bloque hasta agrupaciones «catastróficas» que se extienden
por todo el sistema. El número total de deslizamientos en una misma
agrupación proporciona una medida de la energía liberada durante
un terremoto. La gráfica superior izquierda muestra los resultados
acumulados tras 10.000 simulaciones; como referencia, la gráfica
derecha ofrece la distribución correspondiente a terremotos reales
(ambas escalas son logarítmicas). Tanto los resultados del modelo como
los datos reales siguen una ley de potencias: el número de terremotos
de energía E es proporcional a 1/E b, donde b es una constante.

MOVIMIENTOS SÍSMICOS plástico (cuando la deformación se torna irreversible). En la

Nosotros y nuestros colaboradores hemos diseñado numerosos
modelos informáticos que exhiben criticalidad autoorganizada.
Dichos modelos nos han ayudado a entender la dinámica de
los terremotos, los ecosistemas y los fenómenos de turbulencia
en los fluidos.
Quizá sean los modelos sismológicos los que mayor éxito
han logrado. En 1956, los geólogos Beno Gutenberg y Charles F.
Richter, famoso por la escala que lleva su nombre, descubrieron
que el número de grandes terremotos guardaba una relación con
el de seísmos pequeños. Dicha relación se conoce hoy como ley
de Gutenberg-Richter: el número de terremotos que cada año
liberan cierta cantidad de energía, E, es proporcional a 1/E b,
donde b es un exponente cuyo valor ronda 1,5. Dicho valor es
universal, en el sentido de que no depende del área geográfica
concreta. Por tanto, los grandes terremotos escasean mucho más
que los pequeños. Si, por ejemplo, en una zona se produce cada
año un seísmo de energía 100 (en ciertas unidades), en el mismo
intervalo de tiempo se generarán unos mil pequeños temblo­
res de energía 1. Dado que el número de terremotos pequeños
guarda una relación sistemática con el de seísmos grandes, cabe
sospechar que ambos emanan del mismo proceso mecánico. La
ley de potencias constituye un signo de criticalidad autoorgani­
zada. Pero, para poner a prueba esta hipótesis, hemos de simular
el proceso que origina los terremotos.
Se cree que los seísmos están provocados por un mecanismo
de adherencia y deslizamiento: ciertas regiones de la corteza
terrestre se adhieren y, después, se deslizan. Cuando esto ocurre,
se liberan tensiones mecánicas que se propagan a regiones ad­
yacentes. Para reproducir este mecanismo en el laboratorio,
Vladimir Brobov y Mihail Lebyodkin llevaron a cabo un expe­
rimento consistente en aplicar presión a una barra de alumi­
JOHN R. DEECKEN
fase plástica, la barra generó una «falla» en la que dos partes
se deslizaban una contra otra. Bobrov y Lebyodkin observaron
«terremotos» cuyo tamaño y frecuencia quedaban relaciona­
dos por una ley de potencias. Al repetir los experimentos con
barras de niobio, obtuvieron los mismos resultados, a pesar
de que los mecanismos microscópicos de uno y otro material
son diferentes.
Por nuestra parte, diseñamos un modelo informático sencillo
que reproducía varias características de los seísmos. Nuestro
modelo consta de una placa elástica y una rígida. La elástica
queda representada por una matriz bidimensional de bloques,
cada uno de los cuales se halla conectado a sus cuatro vecinos
mediante muelles. Al comprimir el conjunto, los muelles ejer­
cen sobre los bloques una fuerza proporcional a la compresión
(modificar el tipo concreto de fuerza apenas produce cambios en
la dinámica). Al mismo tiempo, los bloques de la placa elástica
interaccionan con la placa rígida por rozamiento.
Cuando la fuerza ejercida por un muelle sobre un bloque
determinado excede cierto valor crítico, este comienza a des­
lizarse. Después, continua moviéndose hasta que la fuerza cae
por debajo del valor crítico. La fuerza «perdida» por el bloque
se transfiere por igual a sus cuatro vecinos. (Durante el proceso,
la energía potencial almacenada en los muelles se convierte
primero en energía cinética y después se disipa, cuando las
fuerzas de rozamiento frenan los bloques.) El modelo describe
la distribución de fuerzas antes y después de cada episodio, pero
no los movimientos de cada bloque ni otros detalles del proceso.
Al aumentar de manera progresiva y en una misma dirección
la fuerza que ejercemos sobre los bloques, comienzan a produ­
cirse terremotos. Estos son pequeños al principio, pero luego el
modelo evoluciona hacia un estado crítico, en el que se generan

nio, la cual representaba una región de la corteza terrestre. La seísmos tanto grandes como pequeños. En el estado crítico, el
presión provocó una transición desde el flujo elástico (en el que aumento uniforme de la fuerza aplicada se ve compensado por
la barra recupera su forma original cuando cesa la presión) al la liberación de fuerzas en los bordes de la placa.

Complejidad y caos  21
 EXPERIMENTOS
La criticalidad autoorganizada y los montones de arena
La teoría de la criticalidad autoorganizada formula una senci-
lla predicción sobre las pilas de arena. Cuando sobre un montón
de arena dejamos caer granos uno a uno, por lo general se pro-
ducirá el desprendimiento de unos pocos granos. Sin embargo,
de vez en cuando la caída de un solo grano podrá provocar una
avalancha de gran tamaño. Para verificar esta predicción, Glenn
A. Held y sus colaboradores de IBM concibieron en 1990 un
ingenioso experimento.
La mayor dificultad con que tropezaron los investigadores
fue construir un aparato capaz de aportar lentamente arena a la
pila, a razón de un grano por vez. Para ello, montaron un motor
de velocidad variable en un soporte de laboratorio y le acopla-
ron un embudo de 250 mililitros, en cuya salida se hallaba un
tubo capilar de 23 centímetros de largo y 2 milímetros de diáme-
tro. Después, llenaron el embudo con arena y lo inclinaron unos
dos grados con respecto de la horizontal, a fin de que los granos
de arena se deslizasen hacia el interior del tubo capilar pero sin
que cayesen por él.
Cuando el motor hacía girar el embudo en torno a su eje,
los granos de arena se alineaban en el tubo e iban viajando en
fila hasta el extremo. Al ajustar el ángulo del embudo y la velo-
cidad de rotación del motor, los investigadores lograron cali-
brar el aparato hasta hacer que cayera un grano cada 15 segun-
dos. Situaron entonces la boca del capilar a unos 10 cm de altura
sobre el platillo de una balanza.
La balanza tenía una precisión de 0,0001 gramos y una capa-
cidad de 100 gr. Cada grano de arena pesaba unos 0,0006 gr, y
una pila de arena de 4 cm de base pesaba 15 gr. Como soporte
de los montones, los autores usaron bandejas circulares de entre
1 y 8 cm de diámetro. Cada una estaba sujeta a una peana de
2,5 cm de altura y 0,5 cm de diámetro. Esta, a su vez, se encon-
traba conectada a una base circular de 4 cm
de diámetro. El montaje entero descansaba
sobre el platillo de la balanza. Los autores
construyeron un faldón de metal en torno a
la peana para evitar que la arena despren-
dida del montón cayera sobre el platillo; de
este modo, la balanza únicamente registraría
el peso de la pila.
La balanza fue cubierta con una caja
transparente para evitar que las corrientes
de aire la perturbasen o arrastrasen los gra-
nos de arena. Por último, todo el montaje se
instaló sobre una mesa pesada para minimi-
zar el efecto de las vibraciones.
En los primeros experimentos, Held y sus
colaboradores usaron partículas de óxido
de aluminio, aunque después comprobaron
En nuestro trabajo, estudiamos con detalle el compor­
tamiento del modelo después de que el sistema hubiera alcan­
zado el estado crítico. Cabe suponer que la corteza terrestre ha
evolucionado ya hasta su fase crítica, estacionaria, de modo
que los terremotos reales pueden simularse por los que tienen
lugar en el modelo en su estado crítico. En este, la energía li­
berada durante un terremoto guarda relación con el número
22  TEMAS 95
que la arena de playa servía igual de bien. Prepararon la arena
secándola en un horno, haciéndola pasar por una criba gruesa
y después por otra más fina. Conservaron los granos que atra-
vesaron la malla gruesa (con 8 hilos por cm), pero eliminaron los
que se colaron a través de la fina (10 hilos por cm).
Tras los preparativos, los autores llenaron el embudo de
arena y formaron una pila sobre una bandeja circular de 4 cm.
Para garantizar que el montón se estabilizase de forma natural,
dejaron caer granos sobre la pila durante varias horas. Después,
observaron avalanchas de arena caer en cascada ladera abajo.
Conforme la arena caía por los bordes de la bandeja, midieron
las fluctuaciones de la masa de la pila.
Cuando el ordenador detectaba un cambio de masa corres-
pondiente a un grano de arena, detenía la rotación del embudo
y, con ello, el flujo de arena. Una vez estabilizada la balanza de
nuevo, el ordenador registraba la masa y volvía a poner en mar-
cha el motor para reanudar el proceso de caída.
Los autores mantuvieron el sistema en funcionamiento
durante dos semanas, tiempo durante el que registraron la caída
de más de 35.000 granos de arena sobre la bandeja de 4 cm.
Observaron avalanchas de un amplio abanico de tamaños: la
masa de la pila fluctuó entre uno y varios centenares de granos
hasta varios miles de ellos. Ello sugería que la pila había alcan-
zado un estado crítico.
Sin embargo, cuando el equipo aumentó el diámetro de la
base de la pila usando una bandeja de 8 cm, vio que solo se pro-
ducían avalanchas de gran tamaño (de unos 4 gr). Así pues, las
pilas tan grandes no parecían exhibir criticalidad autoorgani-
zada. Los autores no consiguieron encontrar la razón por la cual
solo los montones de tamaño reducido evolucionaban hacia un
estado crítico.
Montaje experimental de Held y sus colaboradores.
GLENN A. HELD, CENTRO THOMAS J. WATSON DE IBM
de deslizamientos que se producen como consecuencia de una
inestabilidad individual ocurrida en un cierto «epicentro». Y,
de hecho, si contamos el número de terremotos de cada tama­
ño, obtenemos una distribución con forma de ley de potencias
similar a la de Gutenberg-Richter. Los terremotos catastróficos
corresponden a la región de alta energía en dicha curva, la cual
interpola suavemente entre los terremotos grandes y los peque­
ños. No existe un mecanismo particular que sea responsable de
los seísmos de gran tamaño.
Diseñamos modelos de dos, tres y cuatro dimensiones, en los
cuales cada bloque estaba conectado a sus vecinos por cuatro,
seis y ocho muelles, respectivamente. La dimensión determina el
exponente b de la ley de potencias. En la imagen típica de la reac­
ción en cadena, diferentes valores de b corresponden a distintos
acoplamientos entre los procesos de ramificación individuales.
Sergei P. Obukhov, del Instuto Landáu de Moscú, ha demostra­-
do que, en dimensión cuatro o superior, los procesos de ramifica­
ción individuales son en esencia independientes, siendo posible
de­terminar por medios analíticos que el valor de b es 1,5.
Las regiones activas de los terremotos reales son tridimensio­
nales. Hasta el momento, la única forma de predecir el valor de
b es mediante simulaciones por ordenador. No podemos esperar
que un modelo tan simplificado proporcione los exponentes
exactos de las distribuciones de terremotos reales. No obstante,
el modelo sugiere que las leyes de potencias deberían tener su
origen en sistemas con criticalidad autoorganizada, y que, por
tanto, la ley de Gutenberg-Richter sería una señal de que la
corteza terrestre se halla en un estado crítico perpetuo.
Investigadores de todo el mundo han aplicado la teoría de
la criticalidad autoorganizada para dar cuenta de otras pecu­
liaridades de los seísmos. Keisuke Ito y Mitsuhiro Matsuzaki,
de la Universidad de Kobe, lograron explicar la distribución
espacial de los epicentros gracias a un modelo ligeramente mo­
dificado. Este también daba cuenta de la ley de Omori, una
sencilla relación empírica acerca de los terremotos secundarios
de una magnitud determinada. Anne y Didier Sornette, de la
Universidad de Niza, estudiaron los intervalos que median entre
terremotos grandes y hallaron regularidades que podrían tener
importantes aplicaciones en la predicción de terremotos a largo
plazo. Y Jean M. Carlson y James S. Langer, de la Universidad de
California en Santa Bárbara, crearon un modelo unidimensional
que simulaba los movimientos de la corteza terrestre a lo largo
de una falla, el cual también evolucionaba de manera natural
hacia un estado crítico.
EN LA FRONTERA DEL CAOS
La teoría de la criticalidad autoorganizada no solo logra explicar
la evolución de los terremotos, sino también la distribución de
sus epicentros. Hace años que los investigadores saben que la
distribución espacial de todo tipo de objetos, desde montañas
y nubes hasta las galaxias o los vórtices en un flujo turbulento,
pueden describirse mediante leyes de potencias. Así, el número
de objetos comprendidos en el interior de una esfera de radio r
suele ser proporcional a r D para algún exponente constante D.
Tales distribuciones suelen ser fractales. La distribución de los
epicentros de los terremotos, por ejemplo, puede describirse
mediante tales patrones. Y aunque los fractales son ubicuos en la
naturaleza, el tipo de dinámica que los genera no ha comenzado
a entenderse hasta hace poco. En nuestra opinión, los fractales
pueden entenderse como «instantáneas» de procesos críticos
autoorganizados. Las estructuras fractales y el ruido de parpadeo
vendrían a ser, respectivamente, la huella espacial y la huella
temporal de la criticalidad autoorganizada.
La predicción de terremotos sigue siendo una tarea difícil. La
estabilidad de la corteza terrestre parece ser extremadamente
sensible a las condiciones iniciales. En ocasiones, acontecimientos
muy distantes del epicentro pueden afectar a la evolución de un
terremoto. Para evaluar la exactitud de las predicciones relativas
a un sistema dinámico, hemos de conocer con cierta precisión
tanto las condiciones iniciales como las reglas que gobiernan
su dinámica. En los sistemas no caóticos, como la órbita de la
Tierra alrededor del Sol, la incertidumbre se mantiene constante
en todo momento: podemos determinar la posición de nuestro
planeta dentro de un millón de años casi con la misma precisión
con que podemos determinarla hoy. En los sistemas caóticos, sin
embargo, las incertidumbres iniciales crecen exponencialmente
con el tiempo. Por regla general, es ese crecimiento exponencial
lo que nos impide efectuar predicciones a largo plazo.
Para verificar la precisión de las predicciones de nuestro
modelo sísmico, procedimos a efectuar dos simulaciones del
estado crítico. Una y otra se diferenciaban en una pequeña
fuerza aleatoria aplicada sobre cada bloque, lo representaba
pequeñas incertidumbres en la determinación de las condiciones
iniciales. Al ejecutar ambas simulaciones, comprobamos que la
incertidumbre inicial también crecía con el tiempo. Sin embar­
go, lo hacía mucho más despacio que en el caso de un sistema
caótico: en lugar de obedecer una ley exponencial, seguía una
ley de potencias. El sistema evoluciona al borde del caos. Este
comportamiento, conocido como «caos débil», aparece como
resultado de la criticalidad autoorganizada.
El caos débil se diferencia notablemente del caos absoluto.
Este último se caracteriza por una escala temporal más allá de
la cual resulta imposible efectuar predicciones. Los sistemas
caóticos débiles, sin embargo, carecen de dicha escala temporal,
por lo que sí permiten predicciones a largo plazo. Y, dado que
los sistemas críticos autoorganizados son débilmente caóticos,
cabe esperar que este fenómeno sea muy común en la natura­
leza. En concreto, sería muy interesante saber si la imprecisión
de las predicciones sismológicas, económicas o meteorológi­
cas aumenta según una ley potencial o una exponencial. La
diferencia es notable. Supongamos que las observaciones de
100 estaciones meteorológicas bastan para pronosticar el tiempo
con dos días de antelación. Si el tiempo meteorológico es plena­
mente caótico, las observaciones de 1000 estaciones alargarían
las predicciones hasta cuatro días; sin embargo, si fuese débil­
mente caótico, las mismas 1000 estaciones permitirían hacer
pronósticos con veinte días de anticipación.
AUTÓMATAS Y VIDA
Con un cambio de lenguaje y una pizca de imaginación, resulta
posible transformar el modelo del montón de arena o el de
terremoto en situaciones de otro tipo. Se ha demostrado, por
ejemplo, que el tráfico en una autopista también exhibe ruido
de parpadeo. En las retenciones, los constantes arranques y
paradas de los automóviles pueden entenderse como una serie
de «avalanchas» críticas que se propagan por el tráfico.
Los modelos de tráfico, los apilamientos de arena y los terre­
motos tienen en común que el número de constituyentes se
conserva en el tiempo. El número de granos de un montón de
arena es siempre igual a la cantidad de granos que dejamos caer
menos los que abandonan la pila. Tales leyes de conservación
son una característica de muchos sistemas que evolucionan es­
pontáneamente hacia un estado crítico. Sin embargo, la teoría
de la criticalidad autoorganizada no se limita a ellos.
En 1970, el matemático John H. Conway concibió un sis­
tema hoy famoso conocido como «juego de la vida». Se trata
de un autómata que remeda la evolución de una colonia de
organismos y que simula la generación de complejidad en la
naturaleza a partir de reglas muy sencillas. Al comenzar, las
piezas, u «organismos», se sitúan al azar sobre un tablero de
casillas cuadradas. Cada ubicación está, o bien ocupada por un
Complejidad y caos  23
organismo («viva»), o bien vacía («muerta»). Para determinar el
estado de una casilla en cada turno del juego, es preciso contar
el número de organismos que moran en sus ocho emplazamien­
tos vecinos. Si en torno a una celda dada hay dos casillas vivas,
su estado no cambiará. Si hay tres, en la celda aparecerá un
nuevo organismo si esta se hallaba muerta, o se conservará el
que ya habitaba en ella en caso de que estuviese viva. En los
restantes casos, los organismos mueren, ya sea por superpo­
blación (cuatro o más casillas vecinas ocupadas) o por soledad
(menos de dos celdas vecinas ocupadas). El juego prosigue por
si solo según estas reglas hasta alcanzar un estado periódico
con colonias estables [véase «El juego de la vida», por Agustín
Rayo; Investigación y Ciencia, diciembre de 2010].
Junto con Michael Creutz, del Laboratorio Nacional de
Brookhaven, estudiamos el juego de la vida de Conway a fin
de determinar si el número de emplazamientos vivos fluctuaba
con el tiempo de forma similar al tamaño de los aludes en el
montón de arena. Una vez que el sistema alcanzaba un estado
estacionario, añadíamos un organismo más en una posición
seleccionada al azar, esperábamos a que el sistema se estabili­
zara de nuevo y repetíamos el procedimiento. A continuación,
medimos el número total de nacimientos y de defunciones de la
«avalancha» desencadenada por cada perturbación adicional.
Hallamos que la distribución obedecía una ley de potencias,
indicativa de que el sistema se había organizado en un estado
crítico. Descubrimos también que la distribución de ubicaciones
vivas correspondía a un fractal descrito por una ley de potencias:
el número medio de casillas activas situadas a una distancia r
de una celda activa dada resultó ser proporcional a r D, con D
aproximadamente igual a 1,7.
¿Es este comportamiento crítico accidental, debido únicamen­
te a las reglas particulares inventadas por Conway? Para hallar la
respuesta, procedimos a construir variantes del juego de la vida.
Algunas fueron tridimensionales, en otras añadimos organismos
mientras el sistema aún se encontraba en evolución, y en otras los
introdujimos en lugares específicos y no al azar. En todos los casos,
observamos una evolución hacia un estado crítico que quedaba
caracterizado por leyes de potencias en las que, aparentemente,
el exponente solo dependía de la dimensión espacial.
Estos modelos podrían tener importantes ramificaciones en
la biología real. El juego de la vida puede verse como un mode­
lo simplificado de un sistema coevolutivo. Cada casilla puede
interpretarse como un gen de una especie muy sencilla, el cual
puede adoptar los valores 0 o 1. La estabilidad de cada valor de­
pende del entorno, expresado por los valores de los genes de las
especies vecinas. El proceso coevolutivo lleva al sistema desde
un estado inicial arbitrario hasta uno crítico, altamente organi­
zado y dotado de configuraciones complejas. Esa complejidad
guarda una íntima relación con la criticalidad de la dinámica.
De hecho, bien podría ocurrir que las teorías de la complejidad
y de la criticalidad resultasen ser la misma cosa.
El biólogo Stuart Kauffmann ha propuesto un modelo de evo­
lución en el cual las especies quedan representadas por ristras de
números (genes), los cuales interactúan tanto en el seno de una
misma especie como entre especies. La adaptación de una especie
concreta queda así acoplada a la adaptación de otras. Kauffmann
sugirió que la complejidad de la vida tal vez se hallase relacionada
con la existencia de un estado crítico. Y nuestros estudios pare­
cen indicar que, en efecto, la evolución puede tomar un sistema
sencillo y dotado de una dinámica aproximadamente aleatoria y
llevarlo hacia un estado crítico. De ser así, la evolución opera al
borde del caos. La extinción de los dinosaurios, por ejemplo, puede
considerarse análoga a una avalancha en la dinámica de la evo­
lución, sin que para ello sea necesaria la intervención de agen­-
tes externos como meteoritos o volcanes.
DE LA ECONOMÍA A LA TURBULENCIA
Philip W. Anderson, Brian W. Arthur, Kauffmann y uno de no­
sotros (Bak) hemos sugerido que las fluctuaciones económicas
podrían también corresponder a avalanchas en un estado crítico
autoorganizado. Benoît Mandelbrot ha analizado indicadores
económicos, como el índice Dow Jones, y ha encontrado en ellos
fluctuaciones similares a las del ruido de parpadeo. Los diver­
sos estados estacionarios metaestables de la economía podrían
corresponder a los diversos estados metaestables de un montón
de arena o de la corteza terrestre.
Los modelos tradicionales han supuesto que en la econo­
mía queda descrita por un estado de equilibrio estable, por lo
que las grandes fluctuaciones solo pueden deberse a impactos
externos que afectan de manera simultánea y por igual a va­
rios sectores. No obstante, a menudo es difícil identificar el
origen de las grandes crisis, como la Gran Depresión de los

EL «JUEGO DE LA VIDA», concebido por el matemático John H. Conway, es un autómata celular que, a partir de reglas sencillas, simula la
generación y evolución de organismos. Su dinámica sugiere que la teoría de la criticalidad autoorganizada podría explicar los ecosistemas
JOHN R. DEECKEN

y la evolución biológica. En estas imágenes, los cuadrados negros indican organismos vivos; los rojos, organismos que mueren, y los azules,
organismos nacientes. La primera viñeta muestra el estado de una colonia poco después de añadir un organismo a una configuración estable.
En la segunda y la tercera, la colonia evoluciona hacia un nuevo estado.

24  TEMAS 95

años treinta. Sin embargo, si la economía constituye un sistema
crítico autoorganizado, es de esperar que de manera periódica
se produzcan fluctuaciones a gran escala incluso en ausencia
de grandes trastornos.
Para verificar la viabilidad de estas ideas, los autores de este
artículo, en colaboración con José A. Scheinkman y Michael
Woodford, de la Universidad de Chicago, hemos creado un mo­
delo sencillo en el que los fabricantes de diversos productos
ocupan posiciones en un retículo bidimensional. Cada compa­
ñía se surte de otras dos situadas en posiciones adyacentes.
A continuación, fabrica nuevos productos que se esfuerza en
vender en el mercado. Si la demanda de los productos de cada
compañía varía ligeramente al azar, muchas compañías pue­
den experimentar una «avalancha» de producción y ventas.
Las simulaciones indican que dicho modelo tiende hacia un
estado crítico autoorganizado, al igual que una pila de arena.
Las grandes fluctuaciones constituyen propiedades intrínsecas
e inevitables de este modelo económico.
La teoría de la criticalidad autoorganizada también podría
encontrar aplicaciones en dinámica de fluidos. Hace tiempo
que se supone que, en un fluido turbulento, la energía se alma­
cena en vórtices y remolinos de todos los tamaños. Mandelbrot
ha sugerido que la disipación de energía se vería confinada en
una diminuta porción del espacio, localizada en una estructura
fractal compleja. Aunque ello parece concordar con los expe­
rimentos, no se ha concretado ninguna teoría ni cálculo que
respalde esta imagen.
En colaboración con Tang, hemos construido un modelo sim­
plificado de turbulencia que opera en un estado crítico autoor­
ganizado. Dicho modelo simula incendios forestales, suponiendo
que los «árboles» crecen uniformemente y arden —disipan ener­
gía— sobre un fractal. Puede considerarse que la disipación de
energía está causada por una sucesión de fuegos que se propagan
GETTY IMAGES/ LYSOGOR/ISTOCK
a modo de avalanchas. En el estado crítico, existe una distribución
de fuegos y bosques de todos los tamaños; en correspondencia
con el hecho de que, durante la turbulencia, la energía se alma­
cena en vórtices de todas las escalas. Aunque este modelo guarda
muy poca relación con la turbulencia en los líquidos, sí sugiere
que la turbulencia podría constituir un fenómeno crítico autoor­
LA DINÁMICA DE LOS ALUDES
admite una explicación sencilla
en la teoría de la criticalidad
autoorganizada. Según esta, las pilas
de nieve y otros sistemas naturales
evolucionan de manera espontánea
hacia un estado crítico, en el que
una pequeña perturbación puede
provocar enormes cambios. Este
marco teórico podría contribuir a
mejorar la predicción de catástrofes.
ganizado. Una consecuencia empírica de esta hipótesis es que,
al contrario de lo que suele suponerse, un régimen plenamente
turbulento no correspondería a un fenómeno caótico fuerte, sino
a uno débil, como ocurría en nuestro modelo sismológico.
Podemos imaginar ejemplos más exóticos de criticalidad auto­
organizada. A lo largo de la historia, las guerras y los períodos de
paz podrían haber dejado el mundo en un estado crítico, en el que
los conflictos y la desazón social se propagan como avalanchas.
La criticalidad autoorganizada podría incluso explicar cómo se
propaga la información a través de las redes neurales del cerebro.
En tal caso, no sería ninguna sorpresa que las tormentas de ideas
pudieran desencadenarse a partir de acontecimientos banales...
como, esperamos, leyendo este artículo.
Artículo publicado en Investigación y Ciencia, marzo de 1991
EL AUTOR
Per Bak y Kan Chen han destacado por sus trabajos en teoría de los sistemas
complejos. Bak, antiguo investigador del Laboratorio Nacional de Brookhaven
y la Universidad de Copenhague, entre otras instituciones, fue uno de los
coautores del primer artículo que propuso la idea de criticalidad autoorganizada.
Chen ha investigado en el Laboratorio Nacional de Brookhaven y en la
Universidad Nacional de Singapur.
PARA SABER MÁS
Self-organized criticality: An explanation of the 1/f noise. Per Bak, Chao
Tang y Kurt Wiesenfeld en Physical Review Letters, vol. 59, págs. 381-384,
julio de 1987.
Self-organized criticality and earthquakes. Anne Sornette y Didier Sornette
en Europhysics Letters, vol. 9, págs. 197-202, junio de 1989.
Self-organized criticality in the «game of life». Per Bak, Kan Chen y Michael
Creutz en Nature, vol. 342, págs. 780-782, diciembre de 1989.
A forest-fire model and some thoughts on turbulence. Per Bak, Kan Chen y
Chao Tang en Physics Letters, vol. 147, págs. 297-300, julio de 1990.
Experimental study of critical-mass fluctuations in an evolving sandpile.
Glenn A. Held et al. en Physical Review Letters, vol. 65, págs. 1120-1123,
agosto de 1990.
How nature works: The science of self-organized criticality. Per Bak.
Springer Verlag, 1996.
Complejidad y caos  25
 ENTENDER L A COMPLE JIDAD

Redes sin escala

Algunos sistemas complejos de apariencia muy dispar poseen
una misma arquitectura subyacente. El fenómeno reviste importantes
consecuencias en multitud de aplicaciones, desde el desarrollo
de fármacos hasta la seguridad de Internet
Albert-László Barabási y Eric Bonabeau

L as redes son ubicuas. El cerebro es una red

de células nerviosas conectadas por axones,
y las propias células son redes de molécu-
las conectadas por reacciones bioquímicas.
Las sociedades humanas son redes de in-
dividuos vinculados por relaciones afectivas y lazos familiares
o profesionales. A escala mayor, cabe representar mediante re-
des los ecosistemas y las cadenas tróficas. Y aparecen por do-
quier en la tecnología: sirvan de ejemplo Internet, las redes de
distribución de electricidad o los sistemas de transporte. Inclu-
so el idioma que usamos para llevar hasta el lector estos pensa-
mientos es una red compuesta por palabras enlazadas entre sí
por relaciones sintácticas.
No obstante, a pesar de su importancia y ubicuidad, la es-
tructura y las propiedades de las redes han sido grandes des-
conocidas hasta hace poco. ¿Cómo pueden las interacciones de
unos pocos nodos genéticos que funcionan de modo defectuoso
desembocar en un cáncer? ¿Por qué en algunos sistemas sociales
o de comunicaciones aparecen fenómenos que se difunden tan
rápido, como las epidemias o los virus informáticos? ¿Cómo es
posible que haya redes que sigan funcionando aunque fallen la
gran mayoría de sus nodos?
Tales preguntas han comenzado a recibir respuesta. A lo largo
de los últimos años, se ha descubierto que una gran variedad de
redes, desde la World Wide Web hasta el metabolismo celular
o las relaciones entre actores de Hollywood, están dominadas
por un número no muy grande de nodos que, sin embargo, se
hallan conectados a muchos otros. Las redes que contienen este
tipo de nodos centrales (hubs, en inglés) tienden a ser «libres de
escala». Esto quiere decir que algunos grandes nodos parecen
tener un número ilimitado de enlaces, y que ningún nodo es
representante típico de los demás. Estas redes se comportan de

LA WORLD WIDE WEB es una red sin escala: algunos nodos

tienen un número enorme de enlaces, mientras que la gran
mayoría de ellos apenas cuenta con unos pocos vínculos. Este
mapa, construido en 2003, representa las rutas más cortas
desde una página de prueba hasta otras 100.000. Los colores
similares representan direcciones web parecidas.

26  TEMAS 95
 BURCH/CHESWICK MAP; CORTESÍA DE LUMETA CORPORATION

Complejidad y caos  27
ciertas formas predecibles. Por ejemplo, son extraordinariamen-
te robustas ante fallos accidentales, al tiempo que sumamente
vulnerables a los ataques coordinados.
Estos hallazgos han cambiado cuanto creíamos saber acerca
del mundo complejo e interconectado que nos rodea. La existen-
cia de este tipo de nodos de gran tamaño, no considerados por
las teorías de redes tradicionales, ofrece indicios convincentes de
que numerosos sistemas complejos poseen una arquitectura es-
tricta y regida por leyes fundamentales: leyes que son válidas por
igual para las células, los ordenadores, los idiomas y la sociedad.
Estos principios organizativos tienen importantes consecuencias
en el desarrollo de fármacos, la seguridad de Internet, la lucha
contra las epidemias y otras aplicaciones.
UN NUEVO TIPO DE RED
Desde hace décadas, la ciencia ha venido tratando todas las redes
complejas como si fueran puramente aleatorias. Este paradigma
se retrotrae al trabajo de dos matemáticos húngaros, el inimi-
table Paul Erdó´s y Alfréd Rényi, estrecho colaborador suyo. En
1959, con miras a describir las redes observadas en las comuni-
caciones y en las ciencias biológicas, estos investigadores sugi-
rieron que tales sistemas podrían modelizarse interconectando
sus nodos mediante enlaces distribuidos al azar. La sencillez de
su método y la elegancia de algunos de sus teoremas insuflaron
nueva vida a la teoría de grafos y posibilitaron el nacimiento
de una especialidad matemática centrada en el estudio de las
redes aleatorias.
Una predicción importante de la teoría de redes aleatorias es
que, a pesar de que los enlaces de una red se hayan distribuido
al azar, el sistema resultante será profundamente democrático:
la mayoría de los nodos contará aproximadamente con el mismo
número de enlaces. En una red aleatoria, el número de enlaces
por nodo se atiene a una distribución de Poisson, acampanada,
y resulta muy poco probable hallar nodos que tengan un nú-
mero de enlaces mucho mayor o mucho menor que la media.
Las redes aleatorias reciben también el nombre de redes expo-
nenciales, ya que la probabilidad de que un nodo se encuentre
conectado con otros k nodos decrece exponencialmente para
valores grandes de k.
En 1998, junto con Hawoong Jeong y Réka Albert, de la Uni-
versidad de Notre Dame, nos embarcamos en un proyecto para
cartografiar la World Wide Web. En un principio, esperábamos
encontrar una red aleatoria: cuando un inter­nauta decide a
qué páginas vincular sus documentos, atiende solamente a su
interés particular; y, dada la diversidad de los intereses de cada
cual y el tremendo número de páginas entre las que elegir, cabía
suponer que la red de conexiones resultante mostrase un aspecto
aleatorio.
Las mediciones, sin embargo, mostraron otra cosa. Usamos
un programa que saltaba de unas páginas a otras y recopilaba
tantos enlaces como podía. Aunque este robot virtual cubría
tan solo una diminuta porción de la Web, el mapa que fue
construyendo reveló algo sumamente inesperado: que eran
unas pocas páginas muy bien conectadas las que, en esen-
cia, aseguraban la cohesión de la Web. Más del 80 por ciento
de las páginas recibían menos de cuatro enlaces; en cambio,
una minoría muy pequeña, inferior al 0,01 por ciento de los
nodos, tenía más de mil. (Una exploración posterior reveló la
existencia de un documento al que hacían referencia más de
dos millones de páginas.)
El recuento del número de páginas que tenían exactamente
k enlaces puso de manifiesto que su distribución seguía una ley
de potencias: la probabilidad de que un nodo tomado al azar
estuviera conectado con otros k nodos era proporcional a 1/k n.
El valor de n para los enlaces entrantes era aproximadamente 2.
Eso quiere decir que, por ejemplo, la probabilidad de que un
nodo reciba 10 enlaces es cuatro veces menor que la probabili-
dad de que reciba 5. Las distribuciones de potencias son muy
distintas de las distribuciones acampanadas que caracterizan
a las redes aleatorias. En concreto, las leyes de potencias no
tienen ningún máximo, sino que decrecen de forma monótona.
En escala logarítmica, la gráfica de una ley de potencias es una
línea recta. En contraste con la distribución democrática de
enlaces que se observa en las redes aleatorias, las leyes de po-
tencias describen redes en las que dominan unos pocos nodos
enormes, como Google.
En las redes aleatorias, tales nodos están sencillamente
prohibidos. Cuando comenzamos a cartografiar la Web, es-
perábamos que la distribución de nodos mostrase una forma
acampanada, como ocurre con la estatura en un gran grupo de
personas. Sin embargo, descubrimos que había varios nodos
que desafiaban toda explicación: algo así como si nos hubié-
ramos encontrado un número significativo de personas de 30
metros de alto. Ello nos indujo a acuñar la expresión «redes
sin escala».
LA UBICUIDAD DE REDES SIN ESCALA
Con el paso de los años se han descubierto estructuras sin escala
en una asombrosa diversidad de sistemas. Al estudiar la Web,
fijamos nuestra atención en la red virtual definida por los hi-
pervínculos entre páginas. Por su parte, los hermanos Michalis,
Petros y Christos Faloutsos analizaron la estructura material
de Internet. Para ello, estudiaron los enrutadores conectados
por fibra óptica y líneas físicas de otros tipos y hallaron que la
topología de esa red era también libre de escala.
Otros trabajos han descubierto que esa estructura sin escala
se da también en algunas redes sociales. Así, una investigación
llevada a cabo por las universidades de Boston y de Estocolmo
halló que, en Suecia, la red de relaciones sexuales seguía una
ley de potencias: aunque la mayoría de las personas solo había
tenido unos pocos compañeros sexuales a lo largo de su vida,
algunas habían tenido cientos. Otro estudio dirigido por Stefan
Bornholdt, de la Universidad de Kiel, llegó a la conclusión de que
la red de internautas conectados mediante el correo electrónico

EN SÍNTESIS

Diversas redes complejas comparten una impor-
tante propiedad: algunos nodos cuentan con un
enorme número de vínculos, mientras que la gran
mayoría de ellos tiene muy pocos. Tales sistemas
reciben el nombre de «redes sin escala».
Las redes sin escala poseen ciertas características
de interés. Por ejemplo, son muy robustas frente
a los fallos fortuitos en los nodos. Sin embargo,
resultan vulnerables a ataques dirigidos hacia los
nodos con mayor número de enlaces.
Tales redes son comunes en tecnología, economía
e incluso en biología celular. Su estudio prome-
te aplicaciones en numerosos campos, desde el
control de virus informáticos en Internet hasta el
diseño de nuevos fármacos.

28  TEMAS 95
 TIPOS DE REDES
Redes aleatorias y redes sin escala
Las redes aleatorias, semejantes a la red de carreteras de EE.UU.
(izquierda), constan de nodos interconectados al azar. En tales sis-
temas, la gráfica que representa la cantidad de nodos con un
número dado de vínculos es acampanada. La mayoría de los
nodos tiene un número similar de enlaces.
Las redes sin escala, en cambio, más semejantes al mapa de
líneas aéreas (derecha), contienen algunos nodos con un gran
número de enlaces (rojo). En ellas, la distribución vínculos por
Red aleatoria
El número de nodos con una cantidad determinada de enlaces
viene dado por una distribución acampanada
Media
Número de nodos
Número de nodos
Número de enlaces
también carecía de escala. Sidney Redner, de la Universidad
de Boston, halló que la red que forman los artículos científicos
a partir de las veces que se citan entre ellos seguía una ley de
potencias. Y Mark Newman, de la Universidad de Michigan,
examinó las colaboraciones entre investigadores en varias dis-
ciplinas, como medicina y ciencias de la computación, y halló
que estas también constituían redes sin escala, corroborando un
estudio efectuado por nosotros y que se centro en las redes de
matemáticos y neurólogos. (Curiosamente, uno de los mayores
nodos en la comunidad matemática resultó ser el propio Erdó´s,
quien escribió no menos de 1400 artículos con no menos de
500 coautores.)
Entre las empresas aparecen también redes sin escala. El aná-
lisis de la formación de alianzas en la industria biotecnológica
estadounidense ha descubierto varios nodos centrales: compa-
ñías como Genzyme, Chiron y Genentech, las cuales contaban
con un número desproporcionado de asociaciones con otras
empresas. Esa misma red fue examinada más a fondo por inves-
SLIM FILMS
tigadores italianos. Valiéndose de datos recopilados por la Uni-
versidad de Siena, con información sobre unos 20.000 acuerdos
nodo se rige por una ley de potencias del tipo N(k) ~ 1/k n, donde
N denota el número de nodos, k el de enlaces y n es una cons-
tante positiva. Mientras que la gran mayoría de los nodos tiene
un número escaso enlaces, unos pocos cuentan con un gran
número de ellos. En este sentido, decimos que la red carece de
una escala característica. En una representación doblemente
logarítmica, la gráfica de la distribución de nodos de una red sin
escala viene dada por una línea recta.
Red sin escala
El número de nodos con una cantidad determinada de enlaces
viene dado por una ley de potencias
del número de nodos
Logaritmo
Número de enlaces Logaritmo del número de enlaces
de investigación y desarrollo entre más de 7000 organizaciones,
hallaron que los grandes nodos descubiertos por los estadouni-
denses formaban parte de una red sin escala.
Incluso la red de actores de Hollywood (popularizada por el
juego «A seis pasos de Kevin Bacon», en el que los jugadores
tratan de llegar hasta Bacon pasando de unos actores a otros
por medio de las películas en que aparecieron juntos) carece
de escala. Aunque la mayoría de los intérpretes tiene solo unos
cuantos enlaces con otros, hay un grupo, como Rod Steiger y
Donald Pleasence, con miles de conexiones. (Dicho sea de paso,
en una lista de los actores más conectados, Bacon solo ocupaba
el puesto 876.)
También en el reino de la biología encontramos redes sin
escala. En colaboración con Zoltán Oltvai, de la Universidad No-
roccidental de EE.UU., hemos encontrado estructuras sin escala
en las redes del metabolismo celular de 43 organismos tomados
de los tres reinos de la vida; entre ellos, Archaeoglobus fulgidus
(una arquea), Escherichia coli (una bacteria) y Caenorhabditis
elegans (un organismo eucariota). En estas redes, las células se
nutren descomponiendo moléculas que, en el proceso, liberan
Complejidad y caos  29
energía. Cada nodo es una molécula, mientras que los enlaces
corresponden a las reacciones bioquímicas en las que esta par-
ticipa. La mayoría de las moléculas intervienen en solo una o
dos reacciones; sin embargo, hay unas pocas, como el agua o el
ATP, que intervienen en casi todas.
Asimismo, hemos descubierto que la red de interacciones
proteicas celulares también carece de escala. En ella, decimos
que dos proteínas están conectadas si interactúan entre sí. Cuan-
do investigamos la levadura de la cerveza, una de las células
eucariotas más sencillas y en la que actúan miles de proteínas,
descubrimos una topología sin escala: aunque casi todas las
proteínas interaccionaban solo con una o dos más, había unas
pocas vinculadas a un número enorme de ellas. Obtuvimos el
mismo resultado al analizar las redes proteicas de la bacteria
Helicobacter pylori, muy diferente de la levadura.
El estudio de la topología de las redes no ha hecho más que
revelar más y más redes sin escala. Este hallazgo plantea una
importante cuestión: ¿a qué se debe que sistemas tan diferentes
como una célula e Internet tengan una misma arquitectura y
obedezcan las mismas leyes? Estas estructuras no solo carecen
de escala, sino que comparten otra propiedad: por razones que
aún ignoramos, el valor de n que caracteriza la ley de potencias
1/k n tiende siempre a estar comprendido entre 2 y 3.
DINERO LLAMA DINERO
Tal vez una pregunta más profunda sea por qué la teoría de
redes aleatorias no logra explicar la existencia de nodos de gran
tamaño. Un examen más minucioso del trabajo de Erdó´s y Rényi
revela dos causas.
Al desarrollar su modelo, Erdó´s y Rényi supusieron que, antes
de establecer los enlaces de la red, ya disponían del inventario
completo de nodos. Sin embargo, el número de nodos de la Web
es todo menos constante: en 1990 solo tenía una página, pero
hoy incluye miles de millones. La mayoría de las redes expe-
rimentan una expansión similar. En 1890, en Hollywood solo
había una docena de actores; hoy son más de medio millón. Y
hace tres decenios Internet apenas disponía de unos cuantos
enrutadores, pero su número ha ido creciendo hasta alcanzar
Ejemplos de redes sin escala
RED NODOS
Moléculas que extraen energía
Metabolismo celular
de los alimentos
Hollywood Actores y actrices
Internet Enrutadores
Proteínas que contribuyen a regular
Red proteica reguladora la actividad celular
Colaboración en investigaciones
científicas Científicos
Relaciones sexuales Personas
World Wide Web Páginas web
30  TEMAS 95
millones. En estos casos, los nodos recién llegados se conectan
a los que ya existían. Por tanto, gracias a la naturaleza crecien-
te de las redes reales, los nodos más antiguos tienen mayores
oportunidades de adquirir nuevos enlaces.
Por otra parte, no todos los nodos son iguales. En el momento
de decidir a cuáles vamos a enlazar nuestra página web, pode-
mos elegir entre miles de millones de ubicaciones. Ahora bien,
¿quién conoce de la Web algo más que una diminuta porción?
Y ese subconjunto que nos es familiar suele incluir los sitios
más conectados, ya que son los más fáciles de hallar. La simple
acción de vincularse a ellos ejercita y refuerza el sesgo a su
favor. Este proceso de «enlazamiento preferencial» se da por
doquier. En Hollywood, los actores más conectados son los que
tienen mayores posibilidades de ser elegidos para nuevos pape-
les. En Internet, los enrutadores más conectados, por lo común
con un mayor ancho de banda, son los más deseables para los
nuevos usuarios. En la industria biotecnológica estadounidense,
las compañías bien establecidas tienden a atraer más alianzas,
con lo que aumenta su credibilidad para futuras asociaciones.
Análogamente, los artículos más citados en la bibliografía cien-
tífica incitan a un número mayor de investigadores a leerlos y a
citarlos, fenómeno que Robert K. Merton ha denominado «efecto
Mateo», en alusión al pasaje del Evangelio de San Mateo: «Pues
a quien tiene se le dará, y poseerá en abundancia».
Estos dos mecanismos, el crecimiento y el enlazamiento
preferencial, explican la existencia de nodos hiperconectados:
conforme van apareciendo nuevos nodos, estos tienden a conec-
tarse a los sitios con más enlaces; y estos últimos, ya populares,
adquieren muchos más vínculos que sus vecinos. Semejante
proceso de «dinero llama dinero» favorecerá por lo general a
los nodos más antiguos, que contarán con mayores posibilidades
de llegar a ser grandes nodos.
En colaboración con Réka Albert, hemos desarrollado si-
mulaciones por ordenador que demuestran que una red en
crecimiento en la que exista un mecanismo de enlazamiento
preferencial se convertirá en una red sin escala, en la que la
distribución de nodos seguirá una ley de potencias. Aunque este
modelo teórico es simplista y hay que adaptarlo a situaciones
ENLACES
Participación en la misma reacción
bioquímica
Actuar en la misma película
Conexiones por fibra óptica o de otro tipo
Interacciones entre proteínas
Coautoría en publicaciones
Contacto sexual
Hipervínculos entre páginas
 DINÁMICA DE CRE CIMIENTO

Así se gesta una red sin escala

Este ejemplo muestra el crecimiento de una red que comienza con 2 nodos y acaba con 11. Cada vez que se incorpora un nuevo
nodo (verde), este se vinculará de manera preferente a uno de los nodos ya existentes (rojo) que tenga un gran número de conexio-
nes. Estos dos mecanismos básicos, crecimiento y enlazamiento preferencial, acabarán originando una red en la que un número
reducido de nodos presentará una cantidad muy elevada de enlaces.

concretas, parece confirmar nuestra explicación de la ubicuidad
de las redes sin escala en el mundo real.
El crecimiento y el enlazamiento preferencial pueden ayudar
a explicar la presencia de redes sin escala incluso en sistemas
biológicos. Se ha descubierto, por ejemplo, que las moléculas
más conectadas de la red metabólica de E. coli tienden a tener
una historia evolutiva muy antigua: se cree que algunas de ellas
son remanentes del llamado «mundo del ARN» (el estadio evo-
lutivo previo a la aparición del ADN) y que otras participan en
algunas de las vías metabólicas más antiguas.
Curiosamente, el mecanismo de enlazamiento preferencial
suele ser lineal: si el nodo A tiene el doble de conexiones que
B, la probabilidad de que un nodo recién llegado se vincule a
A dobla a la probabilidad de que lo haga con B. Redner y sus
colaboradores de la Universidad de Boston, así como otros in-
vestigadores, han examinado distintos tipos de enlazamiento
preferencial y han encontrado que, si el mecanismo supera la
linealidad (por ejemplo, si la probabilidad de conectarse a A
es cuatro veces mayor que la de vincularse a B, en el ejemplo
anterior) un solo nodo tenderá a acaparar casi todas las conexio-
nes. En estos casos en los que «el ganador se queda con todo»,
la red acabará adoptando la topología de una estrella, con un
solo nodo central.
UN TALÓN DE AQUILES
A medida que la humanidad se ha ido haciendo cada vez más de-
pendiente de las redes de energía eléctrica y de comunicaciones,
ha cundido una inquietud: ¿hasta qué punto son fiables estas
redes? La buena noticia es que los sistemas complejos pueden
ser muy resistentes a los fallos accidentales. De hecho, aunque
en cada instante dejan de funcionar cientos los enrutadores de
Internet, el conjunto de la red nunca suele sufrir un percan-
ce serio. Los sistemas vivos son igualmente robustos: rara vez
acusamos las consecuencias de los miles de errores (mutacio-
nes, plegamientos incorrectos de proteínas) que se producen en
nuestras células. ¿A qué se debe esta robustez?
SLIM FILMS
hecho, así ocurre en las redes aleatorias: si en ellas eliminamos
una fracción crítica de nodos, el conjunto se descompondrá en
múltiples islas incomunicadas entre sí. En cambio, las simula-
ciones de las redes sin escala refieren una historia muy distinta.
Si los escogemos al azar, podrían fallar hasta el 80 por ciento de
los enrutadores de Internet y, aun así, los restantes seguirían
formando un conjunto compacto en el que, dados dos nodos
cualesquiera, seguiría existiendo al menos una ruta entre ellos.
Lo mismo ocurre con las redes de interacción entre proteínas
de una célula: nuestras mediciones indican que, incluso tras
un número elevado de mutaciones aleatorias, las proteínas no
afectadas seguirían trabajando conjuntamente.
En general, las redes sin escala exhiben una sorprendente
robustez frente a los fallos accidentales. Dicha propiedad se
debe a la inhomogeneidad de su estructura topológica. Eliminar
nodos de manera aleatoria afecta sobre todo a los más peque-
ños, ya que estos son mucho más numerosos que los grandes.
Sin embargo, eso casi no altera la topología, ya que los nodos
pequeños poseen muchos menos enlaces los grandes, los cuales,
en cambio, están conectados prácticamente a todo. Pero esta
dependencia estructural de los grandes nodos tiene un incon-
veniente: la vulnerabilidad ante los ataques.
Gracias a varias simulaciones, hemos descubierto que bas-
taría con eliminar unos cuantos nodos vitales de Internet para
que el sistema se escindiera en grupos diminutos de enrutadores
aislados. De igual modo, los experimentos con levadura han
demostrado que suprimir las proteínas más conectadas aumenta
significativamente la probabilidad de matar al organismo. Tales
nodos son clave, por lo que, si una mutación los torna disfun-
cionales, es muy probable que la célula muera.
Que la estabilidad de una red dependa de la existencia de
grandes nodos será ventajoso o no según el sistema. Sin duda,
la resistencia frente a fallos aleatorios resulta beneficiosa tanto
para Internet como para las células. Por otro lado, que una célula
dependa de algunas proteínas muy interconectadas proporcio-
na a la investigación farmacológica una estrategia para hallar

La intuición nos dice que la avería de un número grande dianas terapéuticas y dar con tratamientos que solo acaben con
de nodos provocará la inevitable fragmentación de la red. De algunas bacterias o células malignas, sin dañar a los tejidos

Complejidad y caos  31
sanos. Sin embargo, el riesgo de que un pequeño grupo de pi-
ratas informáticos bien informados pueda echar abajo toda una
infraestructura de comunicaciones dirigiendo ataques certeros
a algunos nodos clave es motivo de grave preocupación.
Este talón de Aquiles de las redes sin escala suscita otra
cuestión apremiante: ¿cuántos nodos son esenciales para man-
tener la red? Algunas investigaciones sugieren que bastaría con
eliminar entre un 5 y un 15 por ciento de los nodos principales
para que el sistema se viniera abajo. En el caso de Internet,
nuestros experimentos inducen a pensar que un ataque muy
bien coordinado que eliminase en primer lugar al nodo más
grande, luego al segundo en tamaño, y así sucesivamente, pro-
vocaría un colapso serio tras haber anulado unos pocos nodos.
Por tanto, tal vez la forma más eficaz de evitar ataques dañinos
consista en proteger bien los nodos principales. Con todo, aún
hace falta mucho trabajo para conocer con precisión el grado de
fragilidad de cada red específica. Por ejemplo, ¿es posible que
la quiebra de unas pocas compañías provocase el desplome de
toda la industria biotecnológica de EE.UU.?
EPIDEMIAS SIN ESCALA
El conocimiento de las redes sin escala nos ayuda a entender la
difusión de virus informáticos, las epidemias y las modas. Las
teorías de difusión, ampliamente estudiadas desde hace dece-
nios tanto en epidemiología como en mercadotecnia, hablan
de un umbral crítico necesario para que llegue a producirse
Posibles repercusiones
de las redes sin escala en...
Computación
n Las redes informáticas sin escala, como la World Wide
Web, son muy resistentes a los fallos fortuitos. Sin
embargo, resultan vulnerables ante ataques coordinados.
n Erradicar virus informáticos, incluso los ya conocidos,
podría resultar imposible.
Medicina
n Las campañas de vacunación podrían alcanzar su
máxima eficacia si se concentrasen en aquellas personas
que mantienen un gran número de contactos con otras.
No obstante, la identificación de tales individuos puede
ser difícil.
n Cartografiar las redes proteicas de las células humanas
podría facilitar el descubrimiento y el control de los efec-
tos secundarios de un medicamento. Identificar las molé-
culas clave que intervienen en ciertas enfermedades
podría ayudar a crear nuevos fármacos.
Economía
n El conocimiento de los vínculos entre empresas, sectores
y economías nacionales podría facilitar su supervisión y
control a fin de evitar las quiebras en cadena.
n El estudio de la propagación de información en una red
sin escala podría ayudar a diseñar nuevas técnicas publi-
citarias.
32  TEMAS 95
un contagio que alcance a toda una población. Cualquier virus,
enfermedad o moda cuya tasa de contagio sea inferior a ese
valor umbral acabará por extinguirse sin remedio; sin embargo,
una vez superado, proliferará exponencialmente y acabará por
invadir el sistema.
Sin embargo, Romualdo Pastor Satorras, de la Universidad
Politécnica de Cataluña, y Alessandro Vespignani, del Centro de
Física Teórica de Trieste, han llegado a una conclusión inquietan-
te: han descubierto que, en una red sin escala, el valor umbral es
cero. Es decir, que todos los virus, incluso los poco contagiosos,
se extenderán y permanecerán en el sistema. Este resultado
explica por qué Love Bug, el virus informático que consiguió
cerrar el Parlamento británico en el año 2000, seguía siendo
todavía uno de más extendidos un año después de su presunta
erradicación. Dado que los grandes nodos se hallan conectados
a otros muchos, es probable que uno de ellos acabe infectado.
Y, cuando eso ocurra, traspasará el virus a todas sus conexiones,
con lo que acabará poniendo en peligro a otros grandes nodos,
desde los cuales el virus se propagará al sistema entero.
Por su parte, los virus biológicos se propagan por redes de
contactos entre personas. Y, dado que en muchos casos estas
redes también parecen carecer de escala, ello sugiere que tal
vez deberíamos revisar toda la investigación publicada sobre
epidemias y topología de una red. En una red sin escala, la
política sanitaria consistente en vacunar aleatoriamente a la
población podría fracasar con facilidad, ya que sería probable
que dejase sin vacunar a varias personas con un gran número
de conexiones. Para garantizar que no se ha omitido a ningún
nodo de gran tamaño, habría que vacunar a casi todo el mundo.
La vacuna contra el sarampión, por ejemplo, ha de cubrir al 90
por ciento de la población para resultar eficaz.
Sin embargo, ¿no convendría que los médicos se centrasen
en los individuos más conectados? La investigación en redes sin
escala indica que esta segunda estrategia podría ser eficaz aun
cuando la inmunización alcanzase solamente a una pequeña
parte de la población, siempre que esa fracción incluyese a todos
los nodos de gran tamaño. Por supuesto, identificar a los grandes
nodos de una red social resulta mucho más difícil que hacerlo en
redes de otro tipo. No obstante, Reuven Cohen y Shlomo Havlin,
de la Universidad Bar-Illan de Israel, y Daniel ben-Avraham, de
la Universidad Clarkson, han propuesto una solución: inmuni-
zar a una pequeña parte, escogida al azar, de los conocidos de
algunos individuos tomados a su vez al azar. De esta manera es
muy probable que se seleccionen grandes nodos, ya que estos
se encuentran conectados con mucha gente. Esto, sin embargo,
suscita algunos dilemas éticos. Por ejemplo, si se supone que
es posible identificar a las personas más conectadas, ¿deberían
tener estas prioridad en la inmunización y los tratamientos?
Con todo, la detección y el tratamiento de los grandes nodos de
una red social podría constituir la solución más pragmática en
la distribución de vacunas en países que carecen de recursos
para atender a toda la población.
En muchos contextos comerciales, lo que se desea no es de-
tener epidemias, sino provocarlas. Las campañas de mercado-
tecnia suelen estar dirigidas a los grandes nodos. Semejante
estrategia, como es obvio, no es ninguna novedad. En los años
cincuenta, un estudio financiado por los laboratorios Pfizer re-
veló el importante papel de estos nodos en la rapidez con que
una comunidad de médicos procede a recetar un nuevo fármaco.
Hace tiempo que los agentes comerciales saben intuitivamente
que ciertos clientes resultan mucho más eficaces a la hora de di-
fundir las excelencias de productos y modas. Ahora, los trabajos
 V U L N E R A B I L I DA D

La robustez de las redes aleatorias y sin escala

En una red aleatoria, el fallo fortuito de cierto número de nodos (arriba) puede fragmentar el sistema en islas ­incomunicadas. Las
redes sin escala, por el contrario, ofrecen un mayor robustez frente a tales fallos (centro); sin embargo, son muy ­vulnerables a los
ataques coordinados contra los nodos centrales, aquellos que presentan un gran número de enlaces (abajo).

Red aleatoria: fallo fortuito de nodos

Nodo Nodo averiado

Antes Después

Red sin escala: fallo fortuito de nodos

Nodo central Nodo averiado

Antes Después

Red sin escala: ataque contra grandes nodos

Nodo central atacado

Nodo central

Antes Después
SLIM FILMS

Complejidad y caos  33
sobre redes sin escala están proporcionando el marco científico
y matemático para sondear con mayor rigor este fenómeno.
REDES REALES
A pesar de la ubicuidad de las redes sin escala, existen nu-
merosas y destacadas excepciones. Por ejemplo, las redes de
carreteras y de energía eléctrica de EE.UU. no parecen ser li-
bres de escala. Tampoco lo son la mayoría de las redes que se
observan en ciencia de materiales; en las redes cristalinas, los
átomos tienen todos el mismo número de enlaces con sus veci-
nos. Y en otros casos los datos no son concluyentes. El tamaño
relativamente pequeño de las redes tróficas, que plasman las
interdependencias de presas y depredadores, impide determinar
con claridad a qué tipo pertenecen. Y la ausencia de mapas de
conectividad del cerebro ha impedido conocer la naturaleza de
esta importante red.
Pese a que averiguar si una red carece de escala importa si se
quiere comprender el funcionamiento del sistema, existen otros
parámetros que también merecen atención. Uno de ellos es el
«diámetro» de la red, o la longitud del mayor de los caminos
mínimos entre dos nodos cualesquiera.
Por último, la topología de una red es solo uno de los aspectos
que hace falta conocer para entender su comportamiento. Por
ejemplo, puede haber mecanismos que dificulten que un nodo
adquiera cada vez más enlaces, lo que podría impedir que una
red se hiciera libre de escala (como ocurre en la red de carreteras
en EE.UU., por ejemplo). En las cadenas tróficas, ciertas presas
son más fáciles de atrapar que otras, lo que tiene profundas
consecuencias para el ecosistema en su conjunto. En el caso de
las redes sociales, los lazos familiares son mucho más fuertes que
los que mantenemos con simples conocidos, por lo que resulta
mucho más probable que acaben propagando enfermedades

M U N D O P E Q U E Ñ O Y A G R U PA M I E N T O

El mundo es un pañuelo
En 1967, Stanley Milgram, psicólogo
social de Harvard, envió varios cientos de
cartas a residentes en Nebraska, pidién-
doles que las remitieran a otros conoci-
dos suyos con la intención de que, final-
mente, el mensaje acabara llegando a un
destinatario concreto: un agente de bolsa
de Boston. Para reconstruir las trayec-
torias de las cartas, Milgram pidió a los
participantes que le mandasen una pos-
tal cuando transfiriesen la carta a otra
persona. Milgram observó que las cartas
que finalmente llegaron a su destino final
habían pasado, en promedio, por seis
individuos. Ese hallazgo ha fundamen-
tado la opinión popular de que hay «seis
grados de separación» entre dos perso-
nas cualesquiera.
A pesar de que el trabajo de Mil-
gram a duras penas puede considerarse
concluyente (entre otras cosas, porque
la mayoría de las cartas nunca llegaron
Muchas redes se organizan en
grupos de nodos muy interco-
nectados entre sí. Por ejem-
plo, tales grupos podrían incluir Agrupaciones en distinto
páginas web dedicadas a la nivel jerárquico
Casa Milà de Gaudí (amarillo),
las cuales estarían conectadas
a su vez a otros grupos dedi-
cados a Gaudí, a la arquitec-
tura modernista o a Barcelona
(verde). Al mismo tiempo, estos
últimos podrían estar vincu-
lados a páginas web dedica-
das a arquitectos famosos o la
arquitectura en general (rojo).
al destinatario), se ha descubierto que
otras redes comparten esta propiedad
de «mundo pequeño». Por ejemplo, casi
todos los metabolitos intracelulares pue-
den conectarse mediante una ruta de tan
solo tres reacciones. En la Web, que con-
tiene miles de millones de páginas, es
posible llegar desde un sitio hasta otro
cualquiera con una media de 19 clics.
La propiedad de mundo pequeño
no entraña necesariamente la presen-
cia de ningún principio mágico orga-
nizador. Incluso una red aleatoria, con
vínculos establecidos al azar, será un
mundo pequeño. Supongamos que cada
uno de nosotros tiene unos mil conoci-
dos. Si cada una de esas personas cono-
ciera a otras mil, tendríamos a un millón
de personas a dos pasos de distancia, a
mil millones a tres y a toda la población
mundial a cuatro. A la vista de lo ante-
rior, que dos personas cualesquiera estén
conectadas por seis grados de separación
podría parecer casi trivial. Sin embargo,
un examen más cuidadoso revela conse-
cuencias más profundas.
El cálculo anterior, muy simplista,
supone que las personas que nosotros
conocemos no se conocen entre sí. En
realidad, la sociedad se encuentra frag-
mentada en grupos integrados por indi-
viduos de rasgos afines (como sus intere-
ses o su nivel de ingresos, por ejemplo).
Este hecho ha sido muy estudiado en
sociología desde hace décadas, tras el
trabajo seminal de Mark Granovetter en
los años setenta. Dicho agrupamiento
se ha observado en otros muchos tipos
de redes. En 1998, Duncan Watts y Ste-
ven Strogatz, de Cornell, lo identificaron
en una variedad de sistemas, desde la red
eléctrica de EE.UU. hasta la red neuronal
del gusano Caenorhabditis elegans.
A primera vista, las agrupaciones
de nodos muy interconectados pare-
cen ir contra la topología de las redes sin
escala, en las que un pequeño número de
grandes nodos conectan todo el sistema.
Sin embargo, ambas propiedades son
compatibles: una red sin escala puede
tener un alto índice de agrupamiento si
pequeñas agrupaciones de nodos muy
interconectados se vinculan a grupos
mayores y menos cohesionados (figura).
Este tipo de agrupamiento jerárquico
parece darse en un gran número de sis-
temas, desde la Web (donde los grupos
corresponden a páginas dedicadas a un
mismo tema) hasta las células (donde los
agregados son grupos de moléculas con
una función determinada).
SLIM FILMS

34  TEMAS 95

o información. Y en los sistemas de transporte, transmisión o
comunicaciones, uno de los principales factores es la posibilidad
de que se congestionen enlaces específicos. Un tráfico excesivo
por un enlace determinado puede provocar que este se venga
abajo y, a su vez, congestionar los enlaces vecinos que intenten
absorber el tráfico. Y los propios nodos no tienen por qué ser
homogéneos (ciertas páginas de la Web, por ejemplo, son mucho
más interesantes que otras), lo que puede alterar el mecanismo
de enlazamiento preferencial.
Debido a estos y otros factores, ha sido solo hace poco que
hemos empezado a descubrir el comportamiento de los sistemas
sin escala. Así, inmunizar a las personas con más contactos en
una red social puede que no baste para frenar una epidemia,
ya que, además del número de contactos, puede que haya que
considerar también su frecuencia y su duración.
Nuestro estudio de las redes complejas ha dejado de lado
los detalles concretos que caracterizan a enlaces y nodos. Sin
embargo, gracias a ello hemos podido entrever algunos de los
principios organizadores que rigen estos sistemas aparentemen-
CORTESÍA DE HAWOONG JEONG
te incomprensibles. Como mínimo, el conocimiento que hemos
adquirido nos ha obligado a replantearnos muchas cuestiones
básicas. Hasta hace poco, cuando alguien deseaba estudiar la
congestión en Internet o un nuevo protocolo de direccionamien-
to, se usaba como modelo una red aleatoria. Pero hoy sabemos
que Internet es una red libre de escala, cuyo comportamiento
ESTE MAPA DE
LAS PROTEÍNAS
que interaccionan
en una levadura pone
de manifiesto que
ciertas proteínas muy
interconectadas son clave
para la supervivencia de
la célula. En rojo se han
representado las proteínas
esenciales, cuya eliminación
entraña la muerte de la levadura.
En naranja aparecen aquellas cuya
eliminación frenaría el crecimiento
celular. Los colores verde y amarillo
representan proteínas de interés menor
o desconocido, respectivamente.
difiere en gran medida del de una red aleatoria. Conocer las
propiedades de estas redes será de utilidad en otros campos;
en particular, cuando los investigadores vayan más allá de la
topología y exploren la intrincada y sutil dinámica que exhiben
los sistemas complejos .
Artículo publicado en Investigación y Ciencia, julio de 2003
LOS AUTORES
Albert-László Barabási y Eric Bonabeau han destacado por sus contribuciones
a la teoría de redes y de los sistemas complejos. En 1999, Barabási propuso el
concepto de redes sin escala y el mecanismo de crecimiento que da lugar a tales
sistemas; hoy dirige el Centro para la Investigación de Redes Complejas de la
Universidad Nororiental de Estados Unidos. Bonabeau es científico jefe de
Icosystem, una consultora que aplica conceptos de teoría de redes.
PARA SABER MÁS
Emergence of scaling in random networks. Albert-Lázsló Barabási y Réka
Albert en Science, vol. 286, págs. 509-512, octubre de 1999.
Statistical mechanics of complex networks. Réka Albert y Albert-László
Barabási en Reviews of Modern Physics, vol. 74, págs. 47-97, enero de 2002.
Linked: The new science of networks. Albert-László Barabási. Perseus
Publishing, 2002.
Evolution of networks: From biological nets to the Internet and WWW.
J. F. F. Mendes y Sergei N. Dorogovtsev. Oxford University Press, 2003.
Complejidad y caos  35
 ENTENDER L A COMPLE JIDAD

Leyes
universales
Varios sistemas complejos muy dispares presentan el mismo
comportamiento a gran escala. Aunque el fenómeno se ha observado
en todo tipo de contextos, su fundamentación matemática sigue
planteando numerosas preguntas
Terence Tao

L a matemática moderna nos proporciona una

poderosa herramienta para modelizar las
situaciones del mundo real, ya se trate de
fenómenos naturales, como el movimiento
de los planetas o las propiedades fisicoquí-
micas de un material, o artificiales, como el mercado de valores
o las preferencias de voto de un electorado.
Al menos en principio, los modelos matemáticos pueden
aplicarse al estudio de sistemas extremadamente complejos,
integrados por un gran número de componentes en interacción
mutua. En la práctica, sin embargo, solo sabemos resolver con
precisión los casos más simples, como aquellos en los que inte-
raccionan únicamente dos o tres agentes. Así, mientras que la
derivación matemática de las líneas espectrales del átomo de
hidrógeno (en el que un solo electrón orbita en torno al núcleo)
puede enseñarse a estudiantes de carrera, las del sodio (con
once electrones) quedan fuera del alcance de los ordenadores
más potentes. El problema de los tres cuerpos, consistente en
predecir el movimiento de tres masas ligadas por la ley de la
gravitación universal, goza de fama por haber sido el único que
dio dolores de cabeza a Newton. Al contrario de lo que sucede
con dos masas, se cree que la solución del problema de los tres
cuerpos no puede expresarse de manera simple, y que este solo
puede resolverse de forma aproximada mediante algoritmos
numéricos. Esa incapacidad para llevar a término los cálculos
cuando interaccionan un gran número de componentes ha sido
apodada «maldición de las dimensiones».
Sin embargo, cuando el número de componentes se torna
lo suficientemente elevado, ocurre algo fascinante: por algu-
na razón, las propiedades colectivas del sistema vuelven a ser
predecibles, quedando gobernadas por leyes simples de la na-
turaleza. Más notable aún, las leyes macroscópicas que rigen
el sistema completo resultan en gran medida independientes
de las que describen las interacciones microscópicas entre sus
componentes. Podemos reemplazar los constituyentes micros-
cópicos por otros muy distintos y, aun así, obtener el mismo
comportamiento a gran escala. Cuando eso sucede, decimos que
la ley macroscópica es universal.
La universalidad se ha observado matemática y empírica-
mente en contextos muy diversos, algunos de los cuales anali-
zaremos a continuación. En ciertos casos, el fenómeno se en-
tiende bien. En otros muchos, sin embargo, la causa última de

EN SÍNTESIS

En ocasiones, las leyes que gobiernan el compor-
tamiento colectivo de un sistema resultan prác-
ticamente independientes de su estructura mi-
croscópica. Cuando eso ocurre, se dice que la ley
macroscópica es universal.
La universalidad se ha observado en ámbitos físi-
cos y matemáticos tan diversos como la estadística,
la física de las transiciones de fase, la física nuclear,
los modelos de matrices aleatorias y la teoría de
números.
En algunos casos, como la ley de los grandes nú-
meros o el teorema del límite central, el fenómeno
se entiende bien. En otros muchos, sin embargo, la
causa matemática que subyace a la universalidad
aún se desconoce.

36  TEMAS 95
THINKSTOCK/CLAUDELUX

FORMAS RECURRENTES: Las geometrías fractales exhiben un patrón que se repite a sí mismo a todas las escalas. A menudo, la ausencia de
una escala de distancias característica marca la aparición de una ley universal.

Complejidad y caos  37
la universalidad sigue siendo un misterio. La cuestión de por
qué las leyes universales emergen tan a menudo en los sistemas
complejos constituye un área muy activa de la investigación
matemática actual. Y, aunque aún estamos lejos de hallar una
respuesta satisfactoria, durante los últimos años se han logrado
algunos avances alentadores.
LA UNIVERSALIDAD EN ESTADÍSTICA
Las elecciones presidenciales estadounidenses de noviembre
de 2008 fueron terriblemente complejas. Más de cien millones de
personas de cincuenta estados estaban llamadas a votar. Cada
una de ellas se había visto influida por todo tipo de factores: la
retórica de los candidatos durante la campaña, los medios de
comunicación, rumores, impresiones personales o discusiones
con amigos y familiares. Además, había millones de votantes
indecisos; su actuación era impredecible y, en algunos casos, tal
vez incluso aleatoria. La misma incertidumbre persistía entre
los distintos estados: aunque en algunos se perfilaba un claro
ganador, en al menos una docena de ellos el resultado podía
decantarse en cualquier dirección.
Parecería imposible predecir el desenlace de una situación
así. Por supuesto que se hicieron encuestas —­cientos de ellas—,
pero en cada una se entrevistó solo a unos pocos centenares o
millares de potenciales votantes, una fracción
insignificante del total. A menudo, los datos
fluctuaban y ofrecían predicciones contra-
dictorias. No todos los sondeos merecían La misma ley
la misma confianza y no había dos or- de distribución
ganizaciones que hubiesen empleado
exactamente los mismos métodos.
se observa en
Sin embargo, antes de que termi- las energías de
nase la noche electoral, el resulta-
do pudo pronosticarse con bas-
resonancia de los núcleos
tante precisión. Especialmente atómicos, los tiempos de
llamativas fueron las predicciones
del analista y estadístico Nate Sil-
espera de los autobuses
ver: a partir de un estudio ponderado de Cuernavaca o
de todas las encuestas disponibles, Sil- la secuencia de
ver acertó el desenlace en 49 de los 50
estados, así como el de las 35 elecciones números primos
al Senado que también se celebraban aquel
día. (La única excepción fue Indiana, estado
en el que Silver pronosticó que ganaría John
McCain, pero donde finalmente ganó Barack Obama por un
ajustado 0,9 por ciento.)
Esa precisión puede explicarse a partir de un resultado
matemático conocido como ley de los grandes números. En el
caso que nos ocupa, dicha ley garantiza que, siempre que en
una encuesta participe un número suficientemente elevado de
personas elegidas al azar, las predicciones del sondeo tenderán
a converger a los resultados reales, con un margen de error que
dependerá del número de entrevistados. Por ejemplo, en una
encuesta en la que participen mil personas, el margen de error
rondará el 3 por ciento.
La ley de los grandes números es universal. Con indepen-
dencia de que participen cien mil votantes o cien millones, el
margen de error seguirá aproximándose al 3 por ciento. No
importa que el sondeo se haya llevado a cabo en un estado que
otorgó a McCain el 55 por ciento de los votos o en uno en el
que Obama obtuvo el 60 por ciento de las papeletas. Tampoco
que se trate de un estado compuesto por una masa homogénea
de urbanitas adinerados de raza blanca o, por el contrario, de
38  TEMAS 95
uno con un gran número de etnias y clases sociales. Al final,
todos esos detalles se tornarán irrelevantes y el margen de error
seguirá rondando el 3 por ciento. El único factor verdaderamen-
te significativo es el tamaño de la muestra: cuanto mayor sea
esta, menor será el margen de error. La inmensa complejidad
de cientos de millones de votantes queda así reducida a unos
pocos números.
La ley de los grandes números no constituye ni mucho menos
el único ejemplo de ley universal. Hace décadas que esta clase de
comportamiento se viene observando en todo tipo de sistemas
complejos, con independencia de cuáles sean sus constituyentes
elementales y de cómo interaccionen entre sí. En el caso de la
ley de los grandes números entendemos bien el principio ma-
temático que subyace a esa universalidad; de hecho, se enseña
de manera habitual en las clases de probabilidad y estadística.
En otras situaciones, sin embargo, nuestra comprensión mate-
mática del fenómeno dista mucho de ser completa.
Después de la ley anterior, tal vez el siguiente ejemplo por
orden de importancia lo hallemos en el teorema del límite central
(llamado a menudo «teorema central del límite»). Este se aplica a
cantidades que surgen como combinación de un gran número de
componentes que fluctúan de manera aleatoria e independiente.
A grandes rasgos, nos dice que, si ninguno de dichos componen-
tes ejerce una influencia predominante, la can-
tidad en cuestión quedará aproximadamente
distribuida según una campana de Gauss, o
distribución normal. Decimos que esta ley
es universal porque se cumple con in-
dependencia de cuántos componentes
haya y de cómo fluctúe cada uno de
ellos (si bien se torna más exacta a
medida que aumenta el número de
componentes).
El teorema del límite central
se hace patente en una asom-
brosa variedad de estadísticas: la
frecuencia de accidentes de tráfico;
las variaciones de altura, peso y otras
características propias de cada especie
animal; las pérdidas o ganancias debidas
al azar, o las velocidades de las partículas
en un sistema físico. El tamaño, la anchura, la
posición del máximo e incluso las unidades de
medida de cada distribución varían de un caso a otro, pero en
todos ellos podrá reconocerse una campana de Gauss.
Esa convergencia no se debe a ninguna conexión micros-
cópica entre fenómenos tan diversos como un accidente de
automóvil, la altura de una persona, los beneficios de una
operación bursátil o las velocidades de las estrellas. Aparece
como consecuencia de que, en todos esos casos, la «estructura
macroscópica» es siempre la misma: una cantidad surgida a
partir de múltiples contribuciones pequeñas e independientes.
Que el comportamiento macroscópico de un sistema pueda no
depender de sus detalles microscópicos constituye la esencia
misma de la universalidad.
Dicha universalidad resulta extremadamente útil en todo
tipo de industrias, ya que convierte en manejables situaciones
que, de otro modo, serían de una complejidad intratable. Gracias
al teorema del límite central, las aseguradoras pueden controlar
el riesgo de las pólizas sin necesidad de conocer los complicados
detalles que intervienen en un accidente de tráfico, los astróno-
mos logran medir el tamaño y la posición de galaxias distantes
 de habitantes comienza por el dígito indicado
Fracción de ciudades alemanas cuyo número
0,30
0,25
0,20
0,15
0,10
0,05
1 2 3 4
Primer dígito en el número de habitantes
DÍGITOS MÁS Y MENOS PROBABLES: La ley de Benford establece
que, en un amplio abanico de fenómenos naturales, los números
que empiezan por 1 son mucho más comunes que el resto.
Este histograma reproduce la distribución del primer dígito en
las cifras correspondientes al número de habitantes de todas las
ciudades alemanas según el censo de 2011. Las barras indican
la frecuencia relativa de cada dígito; los puntos rojos, las
predicciones de la ley de Benford.
sin resolver las enrevesadas ecuaciones de la mecánica celeste,
y los ingenieros de comunicaciones son capaces de predecir los
efectos del ruido y las interferencias sin saber cómo se generan.
No obstante, la universalidad del teorema del límite central no es
absoluta. Existen casos en los que el teorema no puede aplicarse,
razón por la que algunas magnitudes presentan distribuciones
distintas de una campana de Gauss.
Algunos primos lejanos del teorema del límite central pro-
porcionan leyes universales para otras magnitudes. Un ejemplo
lo hallamos en la ley de Benford, que dicta cómo se distribuye el
primer dígito de ciertas cantidades grandes, como la población
de un país o el saldo de una cuenta corriente. Sus predicciones
resultan algo contraintuitivas, pues, por ejemplo, establecen que
una cantidad estadística arbitraria cuenta con una probabilidad
CHRISTOPH PÖPPE/SPEKTRUM DER WISSENSCHAFT. FUENTE: OFICINA FEDERAL DE ESTADÍSTICA DE ALEMANIA, DATOS DE 2011.
seis veces mayor de empezar por 1 que por 9. Entre otras aplica-
ciones, esta ley —que puede explicarse a partir del teorema del
límite central y las propiedades de los logaritmos— se ha usado
para detectar fraudes contables, ya que los números inventados,
al contrario de los que surgen de forma natural, no se ajustan
a la ley de Benford.
En un espíritu similar, la ley de Zipf gobierna la manera
en que se distribuyen ciertas cantidades estadísticas, como la
población de los mayores países del mundo o la frecuencia con
que aparecen las palabras más comunes de un idioma. Esta ley
nos dice que la magnitud de la cantidad en cuestión resulta
inversamente proporcional a su rango (es decir, a la posición
que ocupa en la tabla que las ordena de mayor a menor). Así, la
décima palabra más usada en un texto aparecerá en torno a la
mitad de veces que la quinta. La ley no suele funcionar demasia-
do bien para los dos o tres primeros elementos de la lista, pero
se cumple con bastante buena aproximación para los siguientes.
Sin embargo, al contrario de lo que ocurre con el teorema del
límite central o con la ley de Benford, cuyo origen matemático
se entiende bien, la ley de Zipf constituye básicamente una ley
empírica derivada de la observación, que, por el momento, ca-
rece de explicación matemática satisfactoria.
TRANSICIONES DE FASE
Las leyes universales que hemos mencionado hasta ahora descri-
ben el comportamiento de magnitudes estadísticas individuales:
cantidades numéricas que surgen a partir de la combinación de
un gran número de contribuciones pequeñas e independientes.
Sin embargo, existen otras leyes universales cuyo dominio de
aplicación va más allá de la simple estadística numérica. Por
ejemplo, las que gobiernan las transiciones de fase en física y
química.
Como todos hemos aprendido en la escuela, la materia puede
presentarse en diferentes estados, o fases. Estos incluyen los
tres estados clásicos (sólido, líquido y gaseoso), pero también
otros más exóticos, como plasma o superfluido. Los materiales
5 6 7 8 9
ferromagnéticos, como el hierro, pueden encontrarse magnetiza-
dos o sin magnetizar. También hay sustancias que conducen la
electricidad a determinadas temperaturas pero que se tornan
aislantes a otras. En general, el estado en que se encuentra un
material depende de factores como la temperatura y la presión
(en algunos sustancias, la cantidad de impurezas también de-
sempeña un papel relevante).
A presión fija, la mayoría de los materiales adopta una fase
cuando su temperatura supera cierto valor crítico y otra a tem-
peraturas menores. Sin embargo, el comportamiento más inte-
resante surge cuando la temperatura se halla muy próxima al
punto crítico que separa ambos dominios. El material, que no se
encuentra por completo en ninguno de los dos estados, tiende a
dividirse en regiones con bellas geometrías fractales, cada una
de las cuales se encontrará en una de las dos fases.
En la naturaleza existen infinidad de materiales, cada uno
de ellos caracterizado por una serie de parámetros fundamen-
tales, como la temperatura de ebullición. Físicos y químicos
han ideado una ingente cantidad de modelos para describir las
diferentes sustancias y sus transiciones de fase. En ellos, suele
considerarse que cada átomo o molécula se encuentra unido a
sus vecinos por un número de enlaces asignado mediante reglas
probabilísticas.
Desde un punto de vista microscópico, todos esos modelos
difieren unos de otros. A modo de ejemplo, consideremos las
dos figuras de las páginas siguientes. Ambas reproducen la es-
tructura a pequeña escala de dos modelos de percolación típicos
(aquellos que describen cómo se filtra un líquido a través de
una sustancia porosa o, de manera más general, las diferentes
formas de conectar nodos en un retículo). La primera muestra
un mosaico de celdas hexagonales, cada una de las cuales puede
interpretarse como una molécula en uno de dos estados posibles.
La segunda corresponde a un retículo en el que cada nodo repre-
senta una molécula, y cada arista, un enlace, el cual puede estar
activado o no. Podemos pensar que tanto las baldosas como los
enlaces tienden a cambiar de estado cuando cierto parámetro,
como la temperatura, alcanza un valor crítico.
Las imágenes ilustran la situación cuando ambos sistemas
se encuentran muy próximos al punto crítico. En ambos casos
aparecen regiones conexas, ya sea mediante baldosas del mis-
mo color o mediante enlaces activos. Sin embargo, si examina-
mos dichas zonas «desde lejos» y analizamos sus propiedades,
comprobaremos que las diferencias entre un modelo y otro
desaparecen. Las distintas regiones conexas adoptan formas y
tamaños aleatorios, pero su estructura es casi siempre fractal:
si ampliamos una porción cualquiera de una de esas zonas, su
aspecto resultará muy similar al de la región completa.
Cerca del punto crítico, algunas cantidades, como el número
de regiones conexas, sus tamaños o la frecuencia con que dos
Complejidad y caos  39
 PERCOLACIÓN CRÍTICA: Existen varias maneras de modelizar las filtraciones de un fluido por un medio poroso. En un modelo de celdas
(arriba), cada casilla puede encontrarse «llena» (amarillo) o «vacía» (azul). En un modelo reticular (página opuesta), las uniones entre nodos
pueden estar activas (marcadas) o inactivas (sin marcar). Estas imágenes muestran el aspecto de uno y otro modelo durante una transición
de fase. En ambos casos se observa la aparición de regiones conexas cuyos tamaños recorren todas las escalas: un comportamiento
universal típico de los cambios de fase.

puntos cualesquiera quedan conectados, obedecen sencillas
leyes de potencias (similares en cierto modo a la ley de Zipf,
aunque no del todo idénticas). Tales leyes se han observado en
todo tipo de fenómenos y surgen en casi cualquier modelo que
describa transiciones de fase continuas. Al igual que ocurre con
otras leyes universales, los detalles microscópicos del sistema
tal vez afecten a los valores concretos de algunos parámetros,
como la temperatura crítica, pero la estructura básica de la ley
resulta idéntica en todos los materiales y modelos.
Al contrario de lo que sucede con las leyes universales «clá-
sicas», como el teorema del límite central, la razón última por
la que en las transiciones de fase emerge un comportamiento
universal aún no se entiende bien. Los físicos cuentan desde
hace años con algunos argumentos heurísticos que explican o
confirman buena parte de esas leyes, basados en una potente
—aunque no del todo rigurosa— herramienta, llamada grupo
de renormalización. Sin embargo, la obtención de una demos-
tración formal del fenómeno constituye un reto pendiente y un
área de investigación muy activa. En agosto de 2010, el mate-
mático de la Universidad de Ginebra Stanislav Smirnov recibió
la medalla Fields por establecer de manera rigurosa la validez
un espectro discreto: una secuencia de puntos esparcidos a lo
largo de una recta.
Tal vez el ejemplo más cotidiano de un espectro discreto lo
hallemos en las frecuencias usadas por las emisoras radiofóni-
cas: frecuencias del espectro electromagnético pertenecientes
a la banda de radio, las cuales podemos sintonizar ajustando
el dial de nuestro aparato receptor. A fin de evitar las interfe-
rencias, dichas frecuencias suelen mantenerse relativamente
separadas unas de otras.
Otro caso familiar de espectro discreto lo encontramos en las
líneas de emisión atómicas; es decir, en las frecuencias de la luz
que, según las leyes de la mecánica cuántica, pueden radiar y ab-
sorber los electrones de un orbital atómico. Aquellas frecuencias
pertenecientes a la parte visible del espectro electromagnético
dan a los distintos elementos sus colores característicos, desde
el azul del argón (que, curiosamente, suele ser el gas empleado
en las luces «de neón» —el neón emite luz naranja—), hasta el
amarillo del sodio. En los elementos simples, como el hidrógeno,
las líneas espectrales siguen una pauta regular y las ecuaciones
de la mecánica cuántica pueden resolverse de manera exacta con
relativa facilidad. En los más pesados, sin embargo, las líneas
CHRISTOPH PÖPPE/SPEKTRUM DER WISSENSCHAFT

de estas leyes en algunos modelos fundamentales, como el de
percolación en un retículo triangular.
NÚCLEOS ATÓMICOS Y TEORÍA DE NÚMEROS
Antes de concluir nuestro recorrido por las leyes universales,
me gustaría mencionar un ejemplo más cercano a mi área de
investigación. En este caso, el objeto de estudio no es una mag-
nitud numérica, como ocurre con el teorema del límite central,
ni una forma geométrica, como en las transiciones de fase, sino
se complican y no resulta nada sencillo deducir su estructura a
partir de primeros principios.
Aunque menos conocido, un fenómeno análogo tiene lugar en
los procesos de dispersión de neutrones por un núcleo atómico
pesado, como el de uranio 238. Las leyes del electromagnetismo
y las interacciones nucleares, combinadas con la mecánica cuán-
tica, nos dicen que, para ciertos valores de la energía, el neutrón
atravesará el núcleo sin inmutarse; pero, para otros, conocidos
como «energías de resonancia», el neutrón rebotará contra el

40  TEMAS 95
 núcleo. La estructura interna de un núcleo atómico resulta tan
intrincada que, hasta la fecha, nadie ha logrado calcular las
energías de resonancia mediante técnicas analíticas ni numé-
ricas. Ello nos deja a solas con los datos empíricos como única
opción para describir el fenómeno.
Dichas energías de resonancia presentan una distribución
de sumo interés. No son independientes unas de otras, sino
que parecen obedecer cierta «ley de repulsión» que hace poco
probable que dos resonancias consecutivas se encuentren de-
masiado cerca (algo similar a lo que ocurre con las frecuencias
de radio, solo que debido a un fenómeno natural y no a una
regulación administrativa). En los años cincuenta, el célebre
físico Eugene Wigner propuso un modelo matemático para ex-
plicarlas: un ejemplo de lo que hoy denominamos modelos de
matrices aleatorias.
Los detalles matemáticos de tales modelos resultan demasia-
do técnicos para describirlos aquí. Baste decir que, en general,
pueden interpretarse como una colección de masas conectadas
por muelles cuyas constantes de elasticidad han sido escogidas al
azar. Un sistema así oscila («resuena») con ciertas frecuencias ca-
racterísticas. Wigner postuló que, en el caso de un núcleo atómico
de gran tamaño, sus resonancias guardarían ciertas semejanzas
con las de un modelo de matrices aleatorias; en particular, que
ambas obedecerían la misma ley de separación. Dado que en un
modelo de matrices aleatorias dicha ley sí puede demostrarse de
manera rigurosa, eso explicaría de manera heurística el compor-
tamiento de los núcleos atómicos.
CHRISTOPH PÖPPE/SPEKTRUM DER WISSENSCHAFT
Por supuesto, un núcleo atómico no guarda ninguna seme-
janza con una colección de muelles; entre otras razones, porque
el primero obedece leyes cuánticas, y el segundo, clásicas. Hoy
sabemos que dicho comportamiento constituye la manifestación
de una ley universal común a un gran número de espectros, al-
gunos de los cuales poco podrían tener que ver con los núcleos
atómicos o con los modelos de matrices aleatorias. Por ejemplo,
la misma distribución se ha observado en los tiempos de espera
de los autobuses en la ciudad mexicana de Cuernavaca (sin que,
de nuevo, dispongamos de una explicación convincente sobre
su origen).
Quizá la manifestación más inesperada de la universalidad de
dicha ley provenga de un área completamente desconectada: la
teoría de números. Los números primos se distribuyen de forma
irregular entre los enteros; pero, si llevamos a cabo un análisis
espectral de dicha distribución, observaremos la existencia de
ciertas oscilaciones —en ocasiones denominadas «música de los
números primos»— cuyas frecuencias quedan descritas por una
secuencia concreta de números complejos: los ceros no triviales
de la función zeta (z) de Riemann, estudiada por Bernhard Rie-
mann en 1859 (para la discusión que sigue, no resulta necesario
conocer la definición precisa de la función zeta). En principio,
dicha secuencia numérica codifica todo lo que deseemos saber
sobre los números primos.
Una de las cuestiones abiertas más famosas en matemá-
ticas es la hipótesis de Riemann, la cual conjetura que todos
los ceros no triviales de la función zeta se encuentran situa-
dos sobre la misma recta del plano complejo. Dicha hipótesis
implica consecuencias de primer orden en teoría de números
y, en particular, en lo que atañe a los números primos. Y, si
bien es cierto que deja varias preguntas sin resolver (en parte
porque no nos dice demasiado acerca de cómo se distribuyen
exactamente los ceros en la mencionada recta), existen sobrados
indicios numéricos de que los ceros no triviales de la función
zeta obedecen la misma ley que se observa en la dispersión de
neutrones y en otros sistemas físicos: en particular, los ceros
parecen «repelerse» entre sí de un modo que coincide, con
una precisión asombrosa, con las predicciones de la teoría de
matrices aleatorias. La descripción formal de esta ley recibe el
nombre de hipótesis del «conjunto unitario gaussiano» (GUE,
por sus siglas en inglés, un ejemplo fundamental de modelo
de matrices aleatorias). Al igual que ocurre con la hipótesis de
Riemann, por ahora nadie ha conseguido demostrarla, pero
también implica consecuencias de suma importancia para la
distribución de los números primos.
Complejidad y caos  41
 Los orígenes de esa conexión entre la «música de los núme-
ros primos» y los niveles de energía de los núcleos atómicos se
remontan al año 1972. La historia, hoy legendaria en círculos
matemáticos, trata de un encuentro casual en el Instituto de
Estudios Avanzados de Princeton entre el matemático Hugh
Montgomery y el célebre físico Freeman Dyson. Por aquel en-
tonces, Montgomery investigaba la distribución de los ceros de
Frecuencia relativa
la función zeta; en concreto, las propiedades de cierta cantidad
estadística conocida como función de correlación entre pares
de ceros. En su libro Stalking the Riemann hypothesis («Al
acecho de la hipótesis de Riemann»; Pantheon Books, 2005),
Dan Rockmore, matemático e ingeniero informático del Colegio
Universitario Dartmouth, relata así el episodio:
Tal y como lo recuerda Dyson, él y Montgomery se ha-
bían cruzado alguna vez en la guardería del Instituto de
Estudios Avanzados al ir a llevar o a buscar a sus hijos,
pero nunca se habían presentado formalmente. Pese a la
fama de Dyson, Montgomery no veía razón para hacerlo:
«¿De qué vamos a hablar?», habría argumentado al ser
preguntado por el asunto. Al final Montgomery cedió y,
tras presentarse, el afable físico preguntó al joven experto
en teoría de números sobre su trabajo. Este comenzó a
explicarle sus resultados sobre la función de correlación a
dos puntos, pero, al poco, Dyson le frenó en seco: «¿Ha ob-
tenido esto?» y garabateó una ecuación. Montgomery casi
cayó al suelo de la sorpresa: Dyson acababa de escribir la
función del seno cardinal correspondiente a la correla-
ción entre pares de ceros. [...] Mientras que Montgomery
había recorrido el camino propio de un experto en teoría
de números para llegar a una «versión» de la función de
correlación inspirada en los números primos, Dyson había
obtenido la misma fórmula a partir del estudio de los
niveles de energía en los modelos de matrices aleatorias.
A principios de los años ochenta, el hallazgo de Montgomery
y Dyson recibió considerable apoyo numérico gracias al trabajo
de Andrew Odlyzko, matemático de la Universidad de Minneso-
ta. Por supuesto, ello no significa que las propiedades de los
números primos dependan de la energía nuclear ni que la física
atómica esté gobernada por los números primos. Sin embargo,
sí sugiere la existencia de una ley tan universal que emerge en
todo tipo de ámbitos, desde la física nuclear y los modelos de
matrices aleatorias hasta la teoría de números.
El mecanismo último que subyace a dicha ley está aún por
descubrir. En particular, no contamos con una explicación con-
vincente —no digamos ya una demostración formal— de por
qué los ceros de la función zeta obedecen la hipótesis del GUE.
Sin embargo, existe una cantidad nada despreciable de traba-
jo riguroso que apoya la universalidad de esta hipótesis. Hoy
sabemos que, además del GUE, otros muchos modelos de ma-
trices aletorias obedecen la misma ley universal. Y aunque esas
demostraciones rigurosas aún no se han extendido al ámbito de
la teoría de números o a la física atómica, sí apoyan de manera
indirecta la validez de la ley en tales casos.
Aunque no entraré en los argumentos técnicos empleados en
dichos trabajos, sí esbozaré una de las ideas clave que, junto con
mi colaborador Van Vu, ahora en Yale, tomamos prestada de una
antigua demostración del teorema del límite central elaborada
en 1922 por Jarl Lindeberg. En términos del análogo mecánico
de muelles y masas mencionado arriba, la estrategia consiste
en reemplazar uno de los muelles por otro escogido al azar y,
después, demostrar que la distribución de frecuencias no se ve
42  TEMAS 95
1,0
.
.. ...
. .
0,8
. .
. .
. .
.
. .
0,6
. .
.
. .
0,4 . .
.
. .
.
. .
0,2 ..
. ..
. ...
. .....
.. . . .. .... .....
0,0
0,0 0,5 1,0 1,5 2,0 2,5 3,0
Distancia normalizada entre dos ceros consecutivos
ESPECTRO UNIVERSAL: Los ceros de la función zeta de Riemann
parecen distribuirse de un modo muy similar a las frecuencias de
resonancia que aparecen en algunos modelos de matrices aleatorias
usados en física nuclear. La figura muestra la distribución «empírica»
(obtenida a partir del cálculo numérico de miles de millones de ceros
de la función zeta, rojo) y las predicciones de la teoría de matrices
aleatorias (azul). La razón última de este comportamiento común
todavía se desconoce.
alterada de forma significativa. Al aplicar esta operación a cada
uno de los muelles, el modelo de matrices acaba convirtiéndose
en uno muy diferente, pero las propiedades esenciales de la dis-
tribución no se ven afectadas. Gracias a ello, puede demostrarse
CHRISTOPH PÖPPE/SPEKTRUM DER WISSENSCHAFT, A PARTIR DE «THE 10 22-ND ZERO OF THE RIEMANN ZETA FUNCTION»; ANDREW M. ODLYZKO
que clases enteras de modelos de matrices aleatorias obedecen
básicamente la misma ley.
Se trata de un área de investigación muy activa y en la que los
avances se suceden con rapidez. En 2011, de manera simultánea
a la aparición de mi trabajo con Vu, László Erdó´s, ahora en el
Instituto de Ciencia y Tecnología de Austria, Benjamin Schlein,
de la Universidad de Bonn, y Horng-Tzer Yau, de Harvard, ob-
EN DYNAMICAL, SPECTRAL, AND ARITHMETIC ZETA FUNCTIONS; AMERICAN MATHEMATICAL SOCIETY, 2001.
tuvieron otras demostraciones relativas a la universalidad en
los modelos de matrices aleatorias a partir de ideas tomadas
de la física matemática.
LOS LÍMITES DE LA UNIVERSALIDAD
Existen otras muchas leyes universales en matemáticas y físi-
ca. Los ejemplos mencionados aquí no suponen más que una
pequeña fracción de todas las leyes de este tipo que, a lo largo
de los años, se han descubierto en áreas que van desde los siste-
mas dinámicos hasta la teoría cuántica de campos. Buena parte
de las leyes macroscópicas de la física, como las empleadas en
termodinámica o dinámica de fluidos, son universales, ya que
los detalles microscópicos del sistema se tornan irrelevantes
excepto por su influencia en el valor de ciertos parámetros, como
la viscosidad, la compresibilidad o la entropía.
Con todo, incluso el principio de universalidad tiene sus li-
mitaciones. El teorema del límite central, por ejemplo, predice
una distribución gaussiana para toda cantidad surgida a partir
de múltiples contribuciones pequeñas e independientes. Pero,
como todo teorema, falla cuando sus requisitos no se satisfacen.
Si consideramos la distribución de alturas entre todos los huma-
nos adultos (hombres y mujeres), veremos que no obedece una
ley gaussiana. Ello se debe a que un solo factor, el sexo, ejerce
un impacto tan predominante sobre la altura que sus efectos
no pueden enmascararse por las fluctuaciones aleatorias de
los factores genéticos o ambientales.
El teorema del límite central también falla cuando las con-
tribuciones individuales no fluctúan de manera independiente,
sino correlacionada, por lo que tienden a crecer o menguar
al unísono. En tales casos, las distribuciones pueden mostrar
«colas gruesas» (conocidas coloquialmente como «cisnes ne-
gros»), en las que la magnitud en cuestión se aleja de la media
mucho más de lo que predice el teorema del límite central.
Este fenómeno reviste gran importancia en finanzas, sobre to-
do cuando se intenta modelizar el comportamiento de algunos
productos financieros complejos. Un ejemplo lo hallamos en
las obligaciones de deuda garantizada (CDO, por sus siglas
en inglés), las cuales se construyen agregando hipotecas. Su
riesgo puede estimarse a partir del teorema del límite central
siempre y cuando las hipotecas fluctúen de manera indepen-
diente. Sin embargo, en la reciente crisis financiera —un ejem-
plo de libro de cisne negro—, esa condición de independencia
se vino abajo de forma espectacular, lo que ocasionó enormes
pérdidas a los tenedores de CDO y a sus aseguradoras. Como
siempre, un modelo matemático solo es válido en tanto que lo
sean sus hipótesis.
Una tercera situación en la que el principio de universalidad
falla se da cuando el sistema carece de suficientes grados de li-
bertad. Por ejemplo, los cosmólogos se basan en leyes universales
para describir el movimiento de galaxias enteras; sin embargo,
calcular la trayectoria de un satélite sometido a la influencia
gravitatoria de tres cuerpos puede convertirse en un problema
de complejidad abrumadora.
De igual modo, las leyes de la mecánica de fluidos pierden su
validez cuando consideramos sistemas de escala mesoscópica,
aquellos mayores que una molécula pero menores que la escala
típica a partir de la cual podemos aplicar leyes universales. Así
sucede en el torrente sanguíneo: las células que componen la
sangre presentan un tamaño considerable en comparación con el
diámetro típico de los vasos, por lo que deben considerarse como
un sistema de agentes mesoscópicos que exhibe un compor-
tamiento complejo. Lo mismo ocurre con los fluidos coloidales,
como el barro, así como con algunos nanomateriales o con los
puntos cuánticos. En general, modelizar el comportamiento de
tales sistemas plantea verdaderos retos.
Por otro lado, hay un gran número de situaciones macros-
cópicas en las que simplemente no parece que rija ninguna ley
universal, sobre todo cuando intervienen agentes humanos. El
mercado de valores nos brinda un buen ejemplo. Pese a todos
los esfuerzos, nadie ha hallado una ley universal que describa
las fluctuaciones de la Bolsa; al igual que en el ejemplo men-
cionado más arriba, el teorema del límite central no parece ser
aplicable. Una razón estriba en que, toda vez que se detecte una
regularidad, aparecerán agentes que la explotarán hasta que
desaparezca. Por el mismo motivo, encontrar leyes universales
en macroeconomía viene a ser como disparar a un blanco en
constante movimiento. Según la ley de Goodhart, siempre que en
los datos económicos aparece una regularidad estadística y esta
se convierte en objeto de acción política, dicha regularidad acaba
desmoronándose (aunque, irónicamente, puede argumentarse
que la ley de Goodhart sí constituye un ejemplo de ley universal).
Por último, existen situaciones gobernadas por leyes univer-
sales en las que, sin embargo, resulta casi imposible emplear di-
chas leyes para hacer predicciones. El movimiento de un fluido,
por ejemplo, queda descrito por las ecuaciones de Navier-Stokes.
Estas se emplean para pronosticar el tiempo meteorológico,
pero sus soluciones son tan complejas e inestables que, aun
con la ayuda de las computadoras más potentes, el tiempo solo
puede predecirse con una o dos semanas de antelación. (Por
«inestable» queremos decir que incluso un pequeño error en las
mediciones o en los cálculos numéricos puede generar grandes
cambios en las predicciones.)
Así pues, entre los sistemas macroscópicos que obedecen al-
guna ley universal y los fenómenos simples que pueden estudiar-
se a partir de leyes fundamentales media un extenso territorio.
En él conviven sistemas demasiado intrincados para describirlos
a partir de primeros principios y, al mismo tiempo, demasiado
simples para ser universales. Un amplio abanico de posibilida-
des, en definitiva, para acomodar la complejidad de la vida tal
y como la conocemos.
Artículo publicado en Investigación y Ciencia, febrero de 2015
© Dædalus, the Journal of the American Academy of Arts & Sciences, 2012
Traducido con el permiso de MIT Press Journals
EL AUTOR
Terence Tao es catedrático de matemáticas en la Universidad de California en
Los Ángeles. Entre sus muchos logros se cuenta la demostración de que la
secuencia de números primos incluye progresiones aritméticas de longitud
arbitraria. En 2006 fue galardonado con la medalla Fields por sus contribuciones
a los campos de las ecuaciones en derivadas parciales, la combinatoria, el
análisis armónico y la teoría de números.
PARA SABER MÁS
The 1022-nd zero of the Riemann zeta function. Andrew M. Odlyzko en
Dynamical, spectral, and arithmetic zeta functions, dirigido por M. van
Frankenhuysen y M. L. Lapidus. American Mathematical Society, 2001.
Disponible en www.dtc.umn.edu/~odlyzko/doc/zeta.10to22.pdf
Random matrices: Universality of ESD and the circular law. Terence Tao,
Van Vu y Manjunath Krishnapur en The Annals of Probability, vol. 38, n.o 5,
2010. Disponible en arxiv.org/abs/0807.4898
Random matrices: Universality of local eigenvalue statistics. Terence Tao
y Van Vu en Acta Mathematica, vol. 206, n.o 1, marzo de 2011. Disponible
en arxiv.org/abs/0906.0510
A second draft of a non-technical article on universality.
Terence Tao en terrytao.wordpress.com/2010/09/14/
a-second-draft-of-a-non-technical-article-on-universality.
Versión preliminar de este texto en el blog personal del autor;
incluye imágenes, referencias y aclaraciones adicionales.
EN NUESTRO ARCHIVO
Problemas físicos con muchas escalas de longitud. Kenneth G. Wilson en IyC,
octubre de 1979.
La misteriosa ley del primer dígito. Juan M. R. Parrondo en IyC, diciembre
de 2002.
Números y palabras. Juan M. R. Parrondo en IyC, febrero de 2003.
Más sobre números y palabras. Juan M. R. Parrondo en IyC, marzo de 2003.
El espectro del riemannio. Brian Hayes en IyC, enero de 2004.
La percolación, un juego de mosaicos aleatorios. Hugo Duminil-Copin en IyC,
enero de 2012.
Un nuevo pilar para la física estadística. Daniel Meyer y Dirk Schleicher
en IyC, marzo de 2012.
Complejidad y caos  43
 ENTENDER L A COMPLE JIDAD

La ciencia de redes
cumple 20 años
La idea de que cualquier persona del mundo está conectada con
cualquier otra por medio de una cadena de tan solo seis conocidos fue
explicada matemáticamente hace dos décadas. Lo que en su momento
pareció ser un hallazgo circunstancial acabaría teniendo enormes
repercusiones
© AF-STUDIO/ISTOCKPHOTO

Alessandro Vespignani

44  TEMAS 95

E n 1998, Duncan Watts y Steven Strogatz,
por entonces ambos en la Universidad Cor-
nell, presentaron un modelo de redes co-
nocido como «mundo pequeño». Dicho
modelo reconciliaba las propiedades de
agrupamiento y de distancias entre nodos que exhiben muchas
de las redes que encontramos cada día. Como físico estadísti-
co, aún recuerdo las discusiones que surgieron al respecto: su
trabajo resultaba interesante, pero no parecía ser más que una
variante exótica de las redes regulares a las que todos estába-
mos acostumbrados por aquel entonces.
Sin embargo, a medida que científicos de diferentes campos
fueron asimilando la idea, se hizo evidente que el modelo de
Watts y Strogatz encerraba profundas implicaciones para en-
tender la dinámica y las transiciones de fase en todo tipo de
fenómenos, desde los procesos de contagio hasta la difusión
de información. Su trabajo marcó el inicio de una nueva era
que acabaría consagrando la ciencia de redes como un campo
multidisciplinar.
MUNDOS PEQUE ÑOS
Antes de que Watts y Strogatz publicaran su artículo, los al-
goritmos usados para describir el crecimiento de una red se
basaban en procesos como el propuesto décadas antes por los
matemáticos Paul Erdó´s y Alfréd Rényi. Dichos procesos se
caracterizan por una falta de conocimiento sobre los princi-
REDES Y FENÓMENOS COMPLEJOS:
Una red no es más que una estructura formada
por un conjunto de nodos unidos entre sí
mediante enlaces. Estas representaciones se
emplean para analizar todo tipo de fenómenos
biológicos, sociales y tecnológicos, desde las
interacciones entre proteínas hasta el contagio de
enfermedades o las comunicaciones por Internet.
pios que guían la creación de nuevos enlaces, y parten de la
suposición de que dos nodos pueden conectarse al azar con
una probabilidad dada. Ello genera redes aleatorias, en las
que la longitud media del camino entre dos nodos (definida
como el número más pequeño de enlaces que deben recorrerse
para llegar de un nodo a otro) viene dada por el logaritmo del
número total de nodos. Como consecuencia, las redes alea-
torias permiten explicar una de las propiedades del fenóme-
no de mundo pequeño, popularizado en los años sesenta por
Stanley Milgram y también conocido como «seis grados de
separación»: la idea de que cualquier persona del planeta está
conectada con cualquier otra a través de una cadena de, como
mucho, seis conocidos.
Sin embargo, la construcción aleatoria no reproduce el ele-
vado grado de agrupamiento que se observa en las redes reales.
Este fenómeno queda ejemplificado por el lema «los amigos de
mis amigos son mis amigos»: la probabilidad de que tres perso-
nas sean todas amigas entre sí en una red social es generalmente
mucho más alta de lo que cabría esperar en una red construida
a partir de un proceso puramente aleatorio.
Para superar ese conflicto entre aleatoriedad y agrupamiento,
Watts y Strogatz propusieron un modelo cuyo punto de inicio
era una red regular (una en la que el esquema de conexiones de
un nodo y sus vecinos se repite para todos los nodos, como por
ejemplo en una retícula cuadrada) con un alto grado de agru-
pamiento. Después, permitieron que los enlaces se redistribuye-
Complejidad y caos  45
 TOPOLOGÍA
Cómo construir
un mundo pequeño
En 1998, Duncan Watts y Steven Stro-
gatzdescribieron un modelo de genera-
ción de redes que permitía explicar muchas
de las propiedades observadas en las redes
del mundo real. Dicho modelo partía de
una red regular; es decir, una en la que el
Red regular
patrón de conexiones entre un nodo y sus
vecinos es idéntico para todos los nodos surgir atajos entre nodos distantes (rojo).
(izquierda). Después, permitía que los enla- Dicho proceso daba lugar al fenómeno
ces ya existentes se redistribuyesen al azar de «mundo pequeño»: dos nodos cuales-
(derecha), de modo que comenzaban a quiera pueden siempre conectarse a tra-
ran entre los nodos de manera aleatoria, con una probabilidad
de «recableado» (p) fija para todos los enlaces. Al variar p, el
modelo interpolaba entre una red regular (p → 0) y una red
completamente aleatoria (p → 1).
Para valores muy pequeños de p, la red resultante es una
malla regular con un alto grado de agrupamiento. Sin embargo,
para valores modestos de este parámetro comienzan a aparecer
atajos entre nodos distantes, lo que reduce de manera drástica
la distancia promedio entre pares de nodos. Watts y Strogatz
mostraron que, para un amplio intervalo de valores de p, era
posible encontrar redes que exhibiesen un agrupamiento elevado
y, a la vez, una distancia corta entre nodos. Ello reconciliaba el
alto agrupamiento de la red con el fenómeno de mundo pequeño.
UNA NUEVA CIENCIA
En un principio, el modelo de Watts y Strogatz fue considerado
una mera explicación del fenómeno de seis grados de separación.
Sin embargo, su mayor impacto probablemente fuera allanar el
camino a otros estudios sobre la manera en que la estructura
de una red influye en el tipo de fenómenos dinámicos que esta
puede soportar.
Poco después llegó otro trabajo fundamental: en 1999, Albert-
László Barabási y Réka Albert propusieron el modelo de cre-
cimiento de redes conocido como «enlazamiento preferencial».
En este, los nuevos nodos que se van añadiendo a una red que-
dan enlazados preferentemente con aquellos que ya presentan
un alto número de conexiones. El amplio espectro de comporta-
mientos emergentes y transiciones de fase que exhibían las redes
construidas según los modelos Watts-Strogatz y Barabási-Albert
atrajo la atención de científicos de numerosos campos.
A ello siguió una cadena de descubrimientos que enfatizaron
la relación entre la estructura compleja de dichas redes y todo
tipo de fenómenos del mundo real. Por ejemplo, la conectivi-
dad característica de las redes de mundo pequeño demostró ser
clave para entender la estructura de la World Wide Web o la
comunicación entre las regiones anatómicas y funcionales del
cerebro. Y poco después comenzaron a analizarse otras pro-
piedades estructurales de las redes complejas, lo que ayudó a
caracterizar y a entender la arquitectura de numerosos sistemas
vivos y artificiales, desde las redes subcelulares hasta ecosiste-
mas enteros o incluso Internet.
Hoy los investigadores se benefician de una potencia de
cálculo sin precedentes, de la existencia de enormes cantidades
46  TEMAS 95
Red de mundo pequeño
vés de una cadena formada por muy pocos
enlaces, al tiempo que los nodos vecinos
de cualquier nodo se encuentran muy enla-
zados entre sí.
de datos y de las nuevas técnicas de modelización computacio-
nal. Todo ello ha permitido tender puentes entre la dinámi-
ca individual de los nodos de una red y los comportamientos
emergentes que esta exhibe a nivel macroscópico. Sin embargo,
nuestro entendimiento de la topología de una red aún se basa en
la inmediatez y simplicidad de los modelos de mundo pequeño
y enlazamiento preferencial. No en vano, la relevancia de ambos
modelos en distintos campos de la ciencia acabaría sentando
las bases del campo multidisciplinar que hoy conocemos como
teoría de redes.
Integrar conocimientos y métodos de áreas tan dispares como
las ciencias sociales, la física, la biología, la informática y las
matemáticas aplicadas no fue fácil. Se necesitaron varios años
para encontrar un terreno común, acordar definiciones y valorar
los diferentes enfoques que cada campo había adoptado para
estudiar las redes. De hecho, semejante proceso continúa aun
hoy, con todas las trampas y dificultades inherentes al trabajo
interdisciplinar. Con todo, las últimas dos décadas han visto
nacer una vibrante comunidad en torno a la ciencia de redes, con
sus propias revistas especializadas, institutos de investigación y
conferencias a las que asisten miles de científicos.
Veinte años después de su publicación, el modelo de Watts
y Strogatz acumula miles de citas. Los autores concluían su ar-
tículo diciendo: «Esperamos que nuestro trabajo estimule más
estudios sobre las redes de mundo pequeño». Pocas veces una
afirmación se ha demostrado más profética.
Artículo publicado en Investigación y Ciencia, diciembre de 2018
Artículo original publicado en Nature, vol. 558, págs. 528-529, 2018.
Traducido con el permiso de Nature Research Group © 2019
Con la colaboración de
EL AUTOR
Alessandro Vespignani investiga en el Instituto de Ciencia de Redes y en el
Laboratorio para la Modelización de Sistemas Biológicos y Sociotécnicos, ambos
en la Universidad Nororiental de EE.UU., en Boston.
PARA SABER MÁS
Collective dynamics of «small-world» networks. Duncan J. Watts y Steven
H. Strogatz en Nature, vol. 393, págs. 440-442, junio de 1998.
Emergence of scaling in random networks. Albert-László Barabási y Réka
Albert en Science, vol. 286, págs. 509-512, octubre de 1999.
© NATURE
 UN SISTEMA formado por
un gran número de elementos
en interacción da lugar a
fenómenos emergentes. Por su
propia naturaleza, las teorías que
los describen no pueden efectuar
predicciones totalmente detalladas
ni completas. ¿Cómo aplicar en tales
casos el método científico?

ENTENDER L A COMPLE JIDAD

¿Cómo deberían ser

las teorías de los sistemas
complejos?
Los criterios usados para juzgar su validez son más delicados
de lo que sugiere una visión simplista del método científico
Sophia Kivelson y Steven A. Kivelson

D esde pequeños nos enseñan que el método

científico es un camino seguro hacia la ver-
Pero en la ciencia de los sistemas complejos, las teorías nunca
pueden ser ni totalmente correctas en sentido cuantitativo ni
© MATJAZ SLANIC/ISTOCK

dad objetiva. Uno de sus elementos básicos completas en sentido cualitativo. En un influyente artículo de
es que existen comprobaciones empíricas 1972 titulado «More is different», el físico y premio nóbel Philip
de una teoría que son cuantitativas e inde- W. Anderson enfatizó que existe una profunda diferencia con-
pendientes de la opinión humana. ceptual entre las propiedades de los constituyentes individuales

Complejidad y caos  47
 SciLogs de un sistema y las características emergentes que presenta el
agregado.
Basándonos en esa idea, demostraremos aquí que la ciencia
de los sistemas complejos requiere estructuras intelectuales
La mayor red de blogs completamente distintas que extiendan el concepto de verdad
científica. Comenzaremos discutiendo un asunto clave: ¿qué
de investigadores científicos significa comprender un sistema complejo?

Psicología 2.0 y mHealth
Salud y enfermedad en la era digital
Manuel Armayones
Universidad Abierta de Cataluña
Esto no salía en mi libro
de Ciencias
Mitos sobre historia y didáctica de la ciencia
Luis Moreno Martínez
Instituto de Historia de la Medicina
y de la Ciencia López Piñero
La bitácora del Beagle
Avances en neurobiología
Julio Rodríguez
Universidad de Santiago de Compostela
Neurociencia computacional
Inteligencia artificial para la psicología
y la neurociencia
Carlos Pelta
Universidad Complutense de Madrid
Dos ranas viejas
Cruzando límites entre la psicología
y la criminología
Nereida Bueno Guerra
Universidad Pontificia Comillas
En perspectiva
Del mundo subatómico al cosmos
Cristina Manuel Hidalgo
Instituto de Ciencias del Espacio
Y muchos más...
¿Eres investigador y te gustaría unirte a SciLogs?
Envía tu propuesta a
redaccion@investigacionyciencia.es
EL PROBLEMA DE LA PREDICCIÓN
Para centrar la discusión, consideremos tres ejemplos. El prime-
ro es el clima, un caso clásico de sistema complejo. Los insupe-
rables obstáculos que dificultan la construcción de una teoría
predictiva del clima quedan ilustrados en la famosa historia
de la mariposa cuyo aleteo produce efectos imprevistos en el
siguiente huracán en el golfo de México.
Si juzgásemos las teorías científicas solo por la posibilidad
de falsar cuantitativamente sus predicciones, todas las teorías
sobre la dinámica del clima quedarían descartadas. Si ya es im-
posible realizar predicciones climáticas precisas en períodos de
tiempo cortos, mucho más lo es en escalas de décadas. Pero ello
no significa que no puedan obtenerse resultados significativos.
De hecho, quienes investigan en sistemas complejos adquieren
una comprensión intuitiva de qué requisitos predictivos hay que
demandar a una teoría.
Con todo, las diferencias cuantitativas entre la evolución de la
temperatura global y las predicciones teóricas han sido aducidas
como prueba de que la modelización del clima está irremedia-
blemente condenada al fracaso. Los consiguientes debates sobre
el papel de la acción humana en el cambio climático ponen de
manifiesto la importancia de llegar a un acuerdo sobre cómo juz-
gar una teoría. Disponer de estándares precisos y ampliamente
aceptados para decidir si los modelos climáticos son correctos
es crucial para una comunicación fluida entre individuos con
diferente formación técnica.
El segundo ejemplo atañe a la teoría BCS (Bardeen-Cooper-
Schrieffer) de la superconductividad, una de las descripciones
más satisfactorias de un fenómeno emergente en física. La teo-
ría no solamente fue reconocida con el Nobel a John Bardeen,
Leon N. Cooper y J. Robert Schrieffer, sino que es la base de
otra media docena de premios Nobel. Asimismo, proporcionó el
empuje intelectual decisivo que permitió unificar la electricidad
y el magnetismo con la interacción nuclear débil. Sin embargo,
hasta la fecha resulta imposible predecir de forma cuantitativa
propiedades básicas de los superconductores, como su tempe-
ratura de transición (Tc) o, simplemente, si cierto material será
o no superconductor.
Ello no ha impedido que la teoría BCS sea un éxito por su
simplicidad, aplicabilidad, profundidad intelectual y belleza.
Pero lo que hace que BCS constituya una «buena explicación»
de la superconductividad no es su capacidad para describir la
naturaleza de forma completa y precisa. Su mérito reside en
que permite traducir datos físicos a un lenguaje interpretable
y, a la vez, retiene la integridad de los fenómenos en suficiente
medida como para tener poder explicativo.
El ejemplo del cambio climático ilustra vivamente los peli-
gros de albergar expectativas poco realistas sobre una teoría de
los fenómenos complejos. Sin unos estándares bien definidos y
ampliamente aceptados, la opinión pública no puede distinguir
entre afirmaciones contrapuestas. El hecho de que la teoría BCS
se acepte universalmente muestra que tales estándares existen,

www.scilogs.es a pesar de que en estos momentos sean en gran medida tácitos.

Por ello, es necesario articularlos de una forma clara.

48  TEMAS 95
 Un tercer ejemplo muy ilustrativo es la teoría de la super-
conductividad a alta temperatura. Los superconductores con
temperaturas de transición por encima de la temperatura de
ebullición del aire (nitrógeno) se descubrieron hace más de trein-
ta años. Desde entonces, la exploración de sus propiedades ha
sido uno de los temas más activos de investigación en física. Ha
habido progresos destacados, tanto teóricos como experimenta-
les. Pero, como se recuerda en la introducción de innumerables
artículos, aún no existe consenso en lo referente a la teoría de
la superconductividad de alta temperatura.
En parte, ello refleja la ausencia de un acuerdo sobre qué
debe abarcar tal teoría. Lo que a menudo se quiere decir en esos
artículos es que ninguna de las teorías existentes puede expli-
car cuantitativamente las observaciones experimentales que se
presentan. Por otra parte, se acepta la imposibilidad de que una
teoría pueda explicar todos los fenómenos complejos que se ob-
servan en estos materiales: esta debe ocuparse solo de aquellos
que se consideren esenciales. Más aún, mientras que para al-
gunos hechos empíricos (como las variaciones de Tc) se requiere
una explicación semicuantitativa, para otros bastaría con una
descripción más cualitativa.
FENÓMENOS ESENCIALES
El propósito de una teoría de los sistemas complejos es, en
principio, dar cuenta de los fenómenos esenciales. Sin embargo,
no está claro cuáles son esas propiedades esenciales ni qué tipo
de precisión o poder predictivo se necesita para dar el proble-
ma por entendido. En los casos en los que es posible compro-
bar los aspectos cualitativos de la teoría, solamente se aceptan
como esenciales un conjunto de propiedades cuidadosamente
seleccionadas, como los exponentes críticos en las teorías de las
transiciones de fase. La razón no es apriorística, sino que esas
son las cantidades que podemos comparar cuantitativamente
con las predicciones de la teoría.
Que los criterios para evaluar este tipo de teorías tienen que ir
más allá de una aplicación ingenua del método científico es algo
intrínseco al estudio de los fenómenos emergentes. Habitualmente,
las teorías satisfactorias son ensalzadas por su elegancia y belleza.
Pero esto resulta problemático, ya que conlleva el uso de crite-
rios subjetivos (propensos a distorsiones culturales, psicológicas
o ambas), así como una selección sesgada de qué elementos son
esenciales y cuáles no son más que complicaciones irrelevantes.
Es obvio que la ciencia constituye una empresa humana y,
como tal, es vulnerable a elementos subjetivos. Tomando prestada
la terminología de Thomas Kuhn, la «ciencia normal» solo puede
tener lugar dentro de los límites del paradigma existente. Más allá
del conocimiento adquirido en los libros de texto, a los estudian-
tes se les enseña implícitamente a evaluar las teorías desde una
dimensión estética. Lo inefable se considera a menudo «bello»,
y es necesario tener en cuenta, junto con estándares más tradi-
cionales, criterios asociados a las ideas de simplicidad, elegancia
y capacidad de comprensión. Ahora bien, si queremos evitar el
uso de conceptos tan subjetivos y culturales como el de belleza,
hay que definir de otra forma el significado de esos términos.
HACIA UNA EVALUACIÓN OBJETIVA
Esa es la cuestión. Es necesario —desde el punto de vista tanto
filosófico como práctico— establecer criterios apropiados y su-
ficientemente objetivos para evaluar las teorías de los sistemas
complejos. Veamos algunas propuestas.
Aplicados a una teoría, términos como belleza y elegancia se
refieren, en realidad, a la eficiencia a la hora de comprimir co-
nocimientos. El grado ideal de compresión depende de la finitud
del intelecto humano. Así, no esperaríamos de una teoría de la
superconductividad de alta temperatura un grado de simplicidad
tan extremo que permitiera expresar toda la física básica en un
solo tuit. Pero tampoco que requiriese toda una vida de aplicado
estudio para apreciar sus aspectos más elementales. El nivel
óptimo de simplicidad estaría, pues, ajustado a las capacidades
del intelecto humano. Así se tendría en cuenta la comprensión
humana, pero sin descansar sobre el concepto de belleza, que
puede estar determinado culturalmente.
En cambio, no parece que los criterios para distinguir entre
fenómenos esenciales y no esenciales sean algo tan innato. An-
tes bien, exigimos que una teoría exitosa identifique aquellos
aspectos de los fenómenos observables que ella misma establece
como esenciales. Es difícil imaginar qué clase de consideraciones
apriorísticas podrían haber identificado los exponentes críticos
como un aspecto esencial de las transiciones de fase. Solo en el
marco de la descripción aceptada identificamos los exponentes
críticos como propiedad «universal» clave, y concluimos que una
teoría que esté en desacuerdo cuantitativo con los exponentes
observados debería descartarse.
Sería deseable que la teoría definitiva de la superconducti-
vidad de alta temperatura resolviera preguntas como: ¿por qué
Tc es alta en ciertos materiales? ¿Existe alguna explicación de
las perturbaciones que producen pequeños cambios de Tc? Y
sobre todo, ¿puede la teoría predecir un método para aumentar
sustancialmente Tc o descubrir nuevos superconductores de alta
temperatura?
«More is different» hizo hincapié en un aspecto conceptual:
las teorías de los fenómenos emergentes son tan «fundamen-
tales» como las que describen las partículas individuales. Sin
embargo, dejó sin explorar las inevitables diferencias entre estos
dos tipos de investigaciones. Los estándares cuantitativos usados
tradicionalmente para juzgar el éxito de las teorías microscópi-
cas no pueden trasladarse sin más a la ciencia de los sistemas
complejos, hay que adaptarlos. En nuestra opinión, una teoría
satisfactoria debería identificar qué características del sistema
deben ser objeto de atención. Y, de forma más general, debería
perseguir la máxima compresión posible del conocimiento.
Artículo publicado en Investigación y Ciencia, enero de 2019
Artículo original publicado en Nature Physics, vol. 14, págs. 426-427, mayo de 2018.
Traducido con el permiso de Nature Research Group © 2019
Con la colaboración de
LOS AUTORES
Sophia Kivelson es estudiante del Programa de Sistemas Simbólicos de la
Universidad Stanford. Steven A. Kivelsones profesor en el Departamento
de Física Aplicada de la misma universidad.
PARA SABER MÁS
More is different. Philip W. Anderson en Science, vol. 177, pág. 393, 1972.
Defining emergence in physics. Sophia Kivelson y Steven A. Kivelson en
npj Quantum Materials, vol. 1, art. 16.024, 2016.
EN NUESTRO ARCHIVO
Claves de la superconductividad a altas temperaturas. Graham P. Collins
en IyC, octubre de 2009.
Comprender la complejidad. Geoffrey West en IyC, julio de 2013.
La naturaleza de la prueba científica en la era de las simulaciones.
Kevin Heng en IyC, mayo de 2015.
Complejidad y caos  49
Fenómenos
 emergentes

GETTY IMAGES/AGSANDREW/ISTOCK
 FENÓMENOS EMERGENTES

Complejidad en la
frontera del caos
Los hormigueros, la macroevolución, las selvas tropicales y el cerebro
comparten un rasgo común: son sistemas complejos dotados de
propiedades especiales a medio camino entre el orden y el desorden
Ricard V. Solé, Jordi Bascompte, Jordi Delgado, Bartolo Luque y Susanna C. Manrubia

L a física nos demuestra que podemos construir

unaimagen coherente del universo partien-
do de principios básicos a menudo muy sim-
ples. Nos basta con la mecánica de Newton
para entender el movimiento de los cometas
y predecir sus trayectorias. Se trata de leyes deterministas, en
las que, dadas ciertas condiciones iniciales, el futuro del siste-
ma quedará bien definido. En este sentido, determinismo y pre-
dicción parecen indisociables.
El determinismo newtoniano se tambaleó con la llegada de la
mecánica cuántica. Esta nos hizo ver que el mundo microscópico
de los átomos y las partículas posee un límite más allá del cual
las certidumbres se convierten en probabilidades. Ya entrada la
segunda mitad del siglo xx, un nuevo marco conceptual vendría
a introducir nuevos elementos en el cuerpo teórico de la ciencia.
Gracias a los trabajos de Illya Prigogine y sus colaboradores, de
la Universidad Libre de Bruselas, comenzaron a aplicarse herra-
mientas de la física al estudio de sistemas complejos alejados
del equilibrio, ya fueran químicos o biológicos.
Se había observado que, en determinadas reacciones quími-
cas y bajo condiciones adecuadas, un sistema que debería tender
hacia un estado de equilibrio homogéneo mostraba oscilaciones
periódicas macroscópicas y adquiría unas sorprendentes es-
tructuras espaciales con forma de ondas espirales. Semejante
resultado no parecía compatible con una interpretación estricta
de la segunda ley de la termodinámica, la cual nos dice que la
entropía y, por tanto, el desorden aumentan siempre. Así pues,
nada tiene de especial que el hallazgo de tales fenómenos se
recibiera con escepticismo. Boris Belousov, uno de los pioneros
en este campo, vio rechazado un artículo porque, en opinión del
editor de la revista en que debía publicarse, su «descubrimiento
supuestamente descubierto» (sic) era del todo imposible. No
obstante, esa reticencia inicial no impidió que comenzaran a
verse estructuras de ese tipo en multitud de sistemas físicos,
químicos y biológicos.
Más tarde, con el descubrimiento del caos determinista en
sistemas dinámicos simples, se demostró que bajo algunos fenó-
menos manifiestamente complicados podía subyacer un orden
oculto. Una sola ecuación determinista podía generar dinámi-
cas aparentemente aleatorias o erráticas que jamás se repetían.
Y lo que era aún más sorprendente: los fenómenos caóticos
eran, pese a su carácter determinista, impredecibles. Bastaba

EN SÍNTESIS

Muchos sistemas complejos se hallan a medio ca-
mino entre el orden y caos. En un hormiguero, por
ejemplo, es necesario cierto orden para mantener
cohesionado el sistema. Sin embargo, este debe
también ser lo suficientemente flexible para poder
adaptarse y transmitir la información.
Un análisis detallado revela que tales propiedades
coinciden con las que exhiben los sistemas físicos
durante las transiciones de fase. En tales puntos
«críticos» aparecen fluctuaciones de todos los ta-
maños y su comportamiento queda descrito por
leyes de potencias y estructuras fractales.
Ese comportamiento marginal podría explicar
la emergencia de la complejidad en la naturaleza
y la capacidad para procesar información. Se ha
observado en contextos muy diversos, desde los
ecosistemas y la evolución de las especies hasta las
colonias de insectos y el cerebro humano.

52  TEMAS 95
 EL ORDEN PUEDE SURGIR ESPONTÁNEAMENTE en sistemas químicos. Esta figura muestra el resultado de una simulación tridimensional de
RICARD V. SOLÉ

la reacción de Belousov-Zhabotinski, obtenida por Mario Markus y Benno Hess, del Instituto Max Planck de Fisiología Molecular de Dortmund.
Las zonas más claras indican una mayor concentración de uno de los reactivos. Partiendo de una mezcla homogénea de sustancias químicas, el
sistema se autoorganiza hasta dar lugar a ondas macroscópicas, observables a simple vista, que surgen del desorden molecular.

Complejidad y caos  53
una imprecisión mínima en el conocimiento de las
condiciones iniciales (por ejemplo, en las variables
climáticas locales en un instante dado) para que esta
se propagara exponencialmente hasta convertir la
predicción en pura entelequia, alejada de la evolu-
ción real. Se había puesto la primera piedra de una
futura teoría de la complejidad.
Pero complejidad no era necesariamente sinóni-
mo de complicación. Lo que sí exigía era abandonar
nuestra intuición lineal de los fenómenos y reem-
plazarla por una visión del mundo basada en la no
linealidad. A finales de los años ochenta, el empleo
de ordenadores cada vez más potentes, sumado al
desarrollo de nuevas herramientas matemáticas,
permitió comprobar que tanto la geometría como
la dinámica de muchos sistemas naturales podían
abordarse desde enfoques simples.
Se fue aceptando así la existencia de propiedades
emergentes: aquellas que aparecen en un sistema
no lineal como resultado de la interacción entre sus
partes y que no pueden explicarse a partir de las
LAS PROPIEDADES EMERGENTES surgen como resultado de las interacciones
propiedades de sus elementos constituyentes. Una no lineales entre los elementos que componen un sistema complejo. Las inte­
colonia de hormigas, por ejemplo, es capaz de llevar racciones entre hormigas (arriba) dan lugar al comportamiento colectivo de
a cabo tareas de gran complejidad, como explorar su la colonia. De igual modo, las simulaciones de la dinámica ecológica de presas
entorno, construir galerías o decidir una fuente de y depredadores (abajo) generan estructuras ordenadas. Aunque la dinámica
alimento entre dos posibles. Pero, consideradas de una global restringe la dinámica de los elementos individuales, la primera no puede
en una, ninguna hormiga puede acometer por sí sola obtenerse a partir de la segunda.
semejantes tareas. Decimos que el comportamiento
social del hormiguero emerge a partir de las interac-
ciones entre las hormigas (elementos simples), y no
es reducible a las propiedades de un individuo de la
colonia. Lo mismo ocurre con el cerebro y las neuro-
nas que lo forman o con un ecosistema y las especies
que lo integran. Se trata, en definitiva, de sistemas
complejos: sistemas cuyas propiedades emergen a
partir de las interacciones entre los elementos que
los componen.

COMPLEJIDAD Y PUNTOS CRÍTICOS

Muy pronto se comprendió que los sistemas com-
plejos aparecen a medio camino entre el orden y el
desorden. Por un lado, el orden es necesario para
almacenar información y mantener la estabilidad
de las estructuras. Sin embargo, también se precisa
flexibilidad para transmitir la información. En los
últimos años se ha propuesto una hipótesis general
acerca del origen de la complejidad. Sus autores
han sido, entre otros, Jim Crutchfield, de la Univer­
sidad de California en Berkeley; Stuart Kauffman,
del Instituto Santa Fe de Sistemas Complejos; Chris
Langton, del Centro de Estudios No Lineales en Los
Álamos, y Per Bak, del Laboratorio Nacional de Brook-
haven. La hipótesis de la frontera del caos, como se la
XAVIER ESPADALER (arriba); RICARD V. SOLÉ (abajo)

denomina, establece que la complejidad aparece en

unas condiciones muy especiales conocidas desde
antaño por la física: los puntos críticos en los que tienen lu­
gar las transiciones de fase. Los sistemas complejos serían el
resultado de una evolución hacia dichos puntos.
Hallamos un ejemplo de este tipo de transiciones en un trozo
de hierro cuando lo enfriamos lentamente desde cierta tempe-
ratura. Modelicemos el sólido mediante una red de pequeños
imanes, para los que supondremos que solo hay dos orienta-
ciones posibles: «arriba» y «abajo». Dos elementos adyacentes
adoptarán la misma orientación —la configuración de mínima
energía— siempre que no haya perturbaciones externas que lo
impidan. A alta temperatura, la interacción es insignificante
y los elementos están desordenados, por lo que no se aprecia
ninguna estructura macroscópica. A baja temperatura, los ele-
mentos interaccionan entre sí, se establece cierto orden y crean

54  TEMAS 95
 un imán permanente homogéneo. Pero en el punto crítico, co-
nocido como temperatura de Curie, orden y desorden coexisten.
Esta coexistencia conlleva una propiedad muy frecuente en los
sistemas complejos naturales: la aparición estructuras fractales,
o autosemejantes, que se caracterizan por presentar el mismo
aspecto básico a distintas escalas.
Numerosos fenómenos complejos, como los movimientos
sísmicos, la dinámica de los montones de arena o la macroevo-
lución, tienden de forma espontánea hacia el punto crítico. Pese
a su naturaleza dispar, tales sistemas exhiben propiedades co-
munes. En todos ellos encontramos elementos en interacción
que poseen la capacidad de amplificar perturbaciones fortuitas.
Estas pueden ser, según el caso, pequeñas tensiones en las pla-
cas tectónicas, la caída de un grano de arena sobre el montón
o la aparición de nuevas especies. La amplificación de la per-
turbación inicial puede provocar grandes cambios: terremotos
intensos, avalanchas o la extinción de especies. Y, si medimos la
intensidad de los terremotos en función del número de seísmos,
comprobaremos que la curva obtenida sigue una distribución
decreciente: los terremotos de poca intensidad son mucho más
frecuentes que los catastróficos.
Existen muchas funciones decrecientes, ya sean de tipo lineal,
exponencial, etcétera. Estas forman, de hecho, un conjunto in-
finito. Sin embargo, de entre este conjunto de funciones, solo
hay unas que se corresponden con el comportamiento de un
sistema en el punto crítico: las llamadas leyes de potencias. En
la naturaleza abundan los fenómenos donde se manifiestan las
leyes de potencias. Y donde estas se cumplen puede descubrirse
también la existencia de propiedades fractales.
SELVAS TROPICALES
La selva tropical puede servirnos de guía. Una fracción de los
ecosistemas que componen la pluviselva contiene un número
ingente de especies distintas. A la hora de explicar semejante
biodiversidad, compiten dos teorías. La primera, que llamare-
mos de equilibrio, postula que la diversidad es el resultado de
una larga coevolución en un ambiente estable. Las especies han
pugnado hasta ocupar distintos nichos ecológicos ya predefini-
dos. La segunda teoría, de no equilibrio, parte de la observación
de que los ecosistemas que han sufrido una perturbación muy
pequeña o muy grande muestran una biodiversidad limitada,
en tanto que los ecosistemas que han experimentado un grado
de perturbación intermedio suelen desarrollar mayores niveles de
diversidad de especies.
Las perturbaciones impiden que la competencia entre espe-
cies sea sin cuartel («competencia incompleta») y generan, ade-
más, nuevas oportunidades y microclimas. Las perturbaciones
del ecosistema pueden ser exógenas y endógenas. Un ejemplo
típico de perturbación endógena nos lo da la caída de los árboles
en la selva. Hablamos de árboles que alcanzan hasta 60 metros
de altura, cubiertos de gigantescas lianas. Una vez abatido, el
árbol deja un claro en la vegetación por donde la luz irrumpe
en el suelo. Las condiciones de temperatura y humedad se ven
modificadas bruscamente y las semillas que dormitaban inician
una carrera por ocupar el vacío que se acaba de abrir. Pero, a
veces, la caída de un árbol arrastra a otros vecinos, pudiendo
entonces generar claros de cientos de metros cuadrados.
El estudio de la dinámica de los claros demuestra que estos
contribuyen de forma muy importante al mantenimiento de
la diversidad. ¿Podría ser la dinámica de los claros observada la
resultante de un fenómeno crítico? Así es. Dos de los autores
de este artículo (Solé y Manrubia) hemos analizado un mapa de
los claros de la pluviselva panameña de Barro Colorado, carto-
grafiada a principios de los años ochenta. El estudio preliminar
permitió concluir que este ecosistema mostraba una estructura
fractal. La distribución de tamaños de los claros seguía, además,
una ley de potencias, según cabría esperar de un sistema que se
encuentra en el punto crítico.
Este resultado apoyaba la hipótesis de la existencia de fe-
nómenos naturales que siguen leyes de potencias, al tiempo
que demostraba que el sistema se hallaba en un estado de no
equilibrio. Para corroborar sus conclusiones y generalizarlas,
los integrantes del grupo de sistemas complejos de la Univer-
sidad Politécnica de Cataluña desarrollamos una simulación
por ordenador en la que el bosque original, formado por unas
200 especies arbóreas, se sustituía por un conjunto de autómatas

LAS ESTRUCTURAS FRACTALES aparecen con

frecuencia cuando un sistema alcanza el estado crítico.
La imagen superior muestra un mapa de la selva de la
isla de Barro Colorado, en Panamá. Cada píxel denota un
área de 1 km × 0,5 km, y los puntos negros indican zonas
de la bóveda forestal con una altura inferior a 10 metros,
lo que refleja una reciente caída de árboles (izquierda).
RICARD V. SOLÉ

El análisis de este mapa revela que se trata de un

gigantesco fractal vivo, muy posiblemente resultante de
la evolución de la selva hacia un estado crítico.

Complejidad y caos  55
celulares del mismo tipo (como si fuera una sola especie), dis-
puestos sobre una rejilla bidimensional, donde cada uno interac-
cionaba solo con sus vecinos. Introdujimos reglas de nacimiento
y muerte muy simples, así como un algoritmo de interacción
entre elementos que imitaría la competencia por la luz y los
recursos. Por último, dimos cabida a la caída de árboles: en
nuestra simulación, el árbol que moría destruía totalmente la
zona circundante, cuya extensión era proporcional al tamaño
del árbol caído.
Pese a la simplicidad de las reglas empleadas, las propiedades
observadas en los puntos críticos resultaron ser esencialmente
las mismas, con independencia de que se tratase de un modelo
general o de otro más detallado. Si nuestro sistema estaba en
un punto crítico, el modelo debía ser capaz de reproducir todos
los fenómenos recogidos en el mapa de campo.
El modelo computacional mostraba distintos comportamien-
tos, unos muy ordenados y otros muy desordenados. A medio
camino entre ambos, la mortalidad, la intensidad de la interac-
ción y otros parámetros se situaban en el dominio de lo que
esperaríamos como biológicamente razonable. A esa franja o
dominio le hemos dado el nombre de «bosque complejo», donde
la comparación entre los datos procedentes del bosque real y los
generados por el modelo muestra un ajuste cuantitativo sorpren-
dente. El resultado de la simulación es virtualmente idéntico al
bosque observado, lo que sugiere que el mapa del bosque real
es una fotografía de un sistema complejo en el punto crítico.
El modelo permite, además, simular experimentos totalmente
inaccesibles al ecólogo de campo, así como observar y medir
las fluctuaciones de la biomasa a lo largo del tiempo. Estas
fluctuaciones son también de tipo fractal.
MUTACIONES VÍRICAS
Podríamos preguntarnos si, como sugiere la teoría, estas pro-
piedades de los puntos críticos (no linealidad, emergencia y
autosemejanza) se presentan en todos los sistemas complejos;
es decir, si son universales. Tomemos un ecosistema muy dis-
tinto del estudiado hasta ahora: las poblaciones de retrovirus, o
virus dotados de un genoma de ARN, como el VIH. El término
retrovirus alude a su capacidad de copiar ARN en ADN mediante
una enzima específica, la transcriptasa inversa. La presencia del
virus desencadena una respuesta inmunitaria. Esta respuesta
sería contundente si los virus no modificaran la estructura mo-
lecular de las proteínas de su cápside a través de mutaciones
génicas. La tasa de mutación de los retrovirus es altísima, se-
gún ha puesto de manifiesto Martin Nowak, de la Universidad
de Oxford, quien ha analizado la relación existente entre esa
frecuencia y la longitud del genoma vírico. En el caso del virus
del sida, la transcriptasa inversa comete entre 1 y 10 errores por
tanda de replicación, lo que supone una tasa de mutación un
millón de veces mayor que la de un genoma celular típico. Esta
tasa de mutación, concluye Nowak, es la óptima para eludir la
respuesta inmunitaria.
Sin embargo, la mutabilidad no puede alcanzar niveles ar-
bitrariamente desmesurados, ya que entonces esas partículas
infecciosas perderían su identidad biológica y su eficacia. Vol-
vemos, pues, a encontrarnos con los dos extremos anteriores:
orden (población vírica totalmente homogénea) y desorden
(una colección de moléculas aleatorias). No obstante, aquí nos
hallamos frente a una dificultad añadida: la aparición de una
amplia colección de formas mutantes no permite hablar de
especie en un sentido estricto. Antes bien, deberemos referir-
nos a las «cuasiespecies moleculares» definidas por Manfred
56  TEMAS 95
Eigen y Peter Schuster, del Instituto Max Planck de Química
Biofísica de Gotinga. El modelo matemático de Eigen y Schuster
describe la evolución de una población en la que existe una
secuencia maestra, que es la que se reproduce más eficazmente.
Si la replicación está acompañada de mutaciones, la población
estará formada por la secuencia maestra y sus mutantes: la
cuasiespecie.
Explorando la tasa de mutación, nuestro modelo computacio-
nal adaptado a la población de retrovirus permite demostrar la
existencia de transiciones de fase. Para tasas de mutación muy
bajas, la secuencia maestra domina y la población mutante es
un residuo que se deriva de la primera. Pero, a medida que la
mutabilidad crece, la secuencia de mutantes va ganando terreno
hasta que, para una tasa de mutación crítica, la población se
convierte en un conjunto de secuencias aleatorias, y el virus,
como entidad biológica, desaparece. Se ha alcanzado lo que en
la teoría de Eigen se denomina la catástrofe de error.
En las poblaciones de retrovirus reales hallamos valores de
la tasa de mutación muy cercanos a la catástrofe de error. Los
retrovirus, pues, muestran un comportamiento complejo en la
frontera entre el orden y el desorden. Schuster ha demostrado,
mediante argumentos teóricos, que este punto crítico confiere
al retrovirus la máxima adaptabilidad frente a la selección cons-
tante llevada a cabo por el sistema inmunitario.
HORMIGUEROS E INFORMACIÓN
La explicación de la complejidad a través de los puntos crí-
ticos de las transiciones de fase halla también respaldo en el
comportamiento de los insectos sociales. El éxito evolutivo de
estos artrópodos reside en su capacidad para operar como un
solo organismo. Sin embargo, para obtener un comportamiento
global coherente, es preciso que las interacciones entre indivi-
duos den lugar a correlaciones que abarquen el sistema entero.
¿Emerge este orden global en un punto crítico, en el filo del caos?
Nuevamente, los modelos teóricos, que predicen la existencia de
una transición de fase, se ven respaldados por las observaciones
experimentales.
El grupo de Nigel Franks, de la Universidad de Bath, en el
Reino Unido, estudió la autoorganización de las colonias de
hormigas del género Leptothorax. Estas colonias muestran un
comportamiento global sorprendente. Si contamos el número
de individuos activos (en movimiento, realizando alguna tarea)
a lo largo del tiempo, comprobaremos que el número fluctúa
con una periodicidad de unos 25 minutos.
Podríamos creer que esta periodicidad está ya definida en
cada una de las hormigas, de suerte que el ciclo de actividad solo
fuera un reflejo de su sincronización. No obstante, los experi-
mentos son concluyentes: la actividad individual es totalmente
aperiódica —caótica, para ser exactos—, sin ningún tipo de re-
gularidad intrínseca. Al agregar individuos, vemos la aparición
paulatina de un comportamiento colectivo hasta que, para cierta
densidad de hormigas, comienzan a aparecer las oscilaciones. Si
seguimos aumentando el número de elementos hasta densidades
mucho mayores que las naturales, estas oscilaciones se tornan
regulares. Y, una vez más, el comportamiento global surge de la
interacción entre las partes, al tiempo que controla la actividad
de cada una de ellas.
Una observación experimental adicional indica que las co-
lonias suelen poseer una densidad de hormigas cercana a un
valor muy bien definido. Si intentamos modificar su entorno
para aumentar la densidad, la colonia redefine sus fronteras
(acarreando material cercano) para volver a su densidad natural.
 60

70 20
60 10
50

40 70
60
P2

30 50
40
20
30

10 20 P1
10

LA EVOLUCIÓN BIOLÓGICA puede también entenderse como un proceso que opera al borde del caos. Supongamos que una especie dada
queda definida por dos propiedades, P1 y P2 (como longitud y peso corporal, por ejemplo). En un ecosistema dado, algunas combinaciones de
ellas serán más apropiadas para la supervivencia que otras. Ello puede representarse en un «paisaje» cuya altura denota la puntuación de
cada par de valores (izquierda). En principio, la distribución de características de una especie tenderá a situarse en alguno de los máximos. Sin
embargo, cada especie posee un paisaje adaptativo que resulta de su interacción con el ambiente y con el resto de las especies. Cuando se
produce un cambio, tales paisajes se modifican y todas las especies deben reajustar su posición. Esta dinámica de cambio constante, en la que
lo que está en juego es la persistencia y no una mejora adaptativa, se conoce con el nombre de «carrera de la Reina Roja», en honor al popular
personaje de Lewis Carroll (derecha). Sus propiedades han sido relacionadas con las de un sistema en estado crítico.

Este resultado señala que existe una densidad crítica en la que
el sistema se comporta como un todo, a medio camino entre el
orden y el desorden.
Para desentrañar ese fenómeno de los insectos sociales, uno
de los autores (Solé) introdujo en el modelo computacional la
noción de red neural fluida. Las redes neurales se han venido
empleando desde principios de los años ochenta en modelos
de sistemas cognitivos muy diversos. Estos modelos permiten
reproducir propiedades colectivas de los sistemas neurales, como
la memoria asociativa, partiendo de elementos e interacciones
simples. En las sociedades de insectos, en el sistema inmunitario
y en las redes de ordenadores encontramos, además, una propie-
dad nueva: la fluidez, que se manifiesta cuando las conexiones
entre elementos cambian con el tiempo como consecuencia del
movimiento aleatorio o por otras causas. Debido a la fluidez,
faltan en el hormiguero la memoria a largo plazo y otras pro-
piedades que atribuimos al cerebro.
Solé, en colaboración con Octavio Miramontes, del Colegio
Imperial de Londres, y Brian Goodwin, del Instituto Santa Fe,
desarrolló un modelo basado en redes neurales fluidas en el que
se profundiza en las analogías entre un hormiguero y el cerebro.
En el modelo, cada hormiga pasa a ser una neurona, y las inte-
racciones entre neuronas son las habituales en una red neural
clásica. El modelo cuenta con una propiedad adicional, peculiar
de los hormigueros reales: la activación espontánea de los in-
dividuos. Después de quedar inmóvil, un individuo puede volver
a la actividad, ya sea por interacción (otro individuo activo lo
activa) o de forma espontánea. Las activaciones espontáneas
son caóticas, y así se introdujeron en el modelo.
Las simulaciones por ordenador mostraban las mismas pro-
piedades dinámicas observadas en los experimentos de Franks.
RICARD V. SOLÉ
periódicas, de modo que cuando todos los individuos se han
desactivado, la activación de uno de ellos se propaga en forma
de onda coherente a través de todo el sistema. Entre ambos
extremos existe una densidad crítica, en la que aparece una
oscilación coherente, aunque no periódica, que, una vez más,
constituye una transición de fase.
¿Qué logra el sistema en ese punto crítico? Puesto que el hor-
miguero en cuanto tal maneja información, podemos analizar en
el modelo computacional la transferencia de información para
distintas densidades. Aplicando las herramientas matemáticas
de la teoría de Shannon, descubrimos que la información trans-
mitida se hacía máxima en el punto crítico, a una densidad igual
a la observada experimentalmente por Franks.
Este resultado encierra un interés doble. Por una parte, ve-
mos que las hormigas emplean un punto crítico para transmitir
información. Pero, además, constituye la primera prueba de una
predicción realizada por Crutchfield y Langton: la computación
(entendida aquí como la capacidad de un sistema complejo para
captar y procesar información) podría aparecer en la natura-
leza en la frontera del caos. Estos autores postularon que una
de las propiedades de los sistemas complejos es su capacidad
para interaccionar con el entorno y procesar la información
recibida. Para ello se requiere cierto grado de orden interno,
ya que de otro modo sería imposible almacenar información.
Pero, al mismo tiempo, esa información debe ser manipulable,
lo que obliga al sistema a poseer cierta flexibilidad interna; es
decir, cierto grado de desorden. Las hormigas estudiadas por
Franks son, muy posiblemente, el primer ejemplo claro de un
sistema natural que lleva a cabo un proceso de computación en
la frontera del caos.

A baja densidad, las fluctuaciones son muy irregulares: los in- EVOLUCIÓN BIOLÓGICA
dividuos, aunque se activan, no pueden propagar sus cambios. El papel de las propiedades emergentes y su aparición en las
A grandes densidades, las fluctuaciones del sistema se tornan proximidades de puntos críticos han movido a algunos inves-

Complejidad y caos  57
 AU T O O R G A N I Z AC I Ó N

Transiciones de fase y complejidad

Existen varios tipos de transiciones de
fase observables en sistemas físicos, quí­
micos y biológicos. Las transiciones de
segundo orden están asociadas a siste­
mas que, al alcanzar el punto crítico, pier­
den algún tipo de simetría. El cambio de un
estado a otro se produce entonces de for­
ma suave. El ejemplo más conocido es la
transición de fase que experimentan cier­
tos materiales magnéticos, descrita a través
del llamado «modelo de Ising». En este, los
átomos del material se modelizan mediante
espines con dos orientaciones posibles,
«arriba» y «abajo».
En dos dimensiones, cada espín interac­
ciona únicamente con sus cuatro vecinos­
más cercanos, situados a derecha, izquier­-
da, arriba y abajo. Su tendencia natural les
hace alinearse y adoptar el mismo estado,
lo que corresponde a la configuración de
menor energía. A alta temperatura, sin
embargo, las perturbaciones de origen tér­
mico interfieren con la interacción, agitando
al azar los valores de cada espín. De este
modo, el sistema aparece muy desordenado
(izquierda). Si calculamos la magnetización
total (la suma de todos los espines), el resul­
tado será cero.
Al enfriar el sistema, la interacción va
ganando terreno sobre la entropía hasta
que, para cierta temperatura (la tempera­
tura de Curie), el sistema alcanza el punto
crítico (centro). Cuando eso ocurre, apare­
cen grupos de espines alineados de todos
los tamaños. De hecho, lo que observamos
son estructuras fractales. Si analizamos el
tamaño de estos agregados y estudiamos
la frecuencia con que aparecen, encontra­
remos una ley de potencias:
N(S) ~ 1/S b ,
donde N(S) indica el número de agregados
de tamaño S y b es una constante. Estas
leyes son características de los sistemas en
estado crítico, aunque no exclusivas de ellos.
Finalmente, si seguimos enfriando el
sistema, la interacción vencerá al desorden
térmico, aparecerá una magnetización
espontánea y se uniformizará la distribu­
ción de espines en favor de una dirección
dada (derecha).
En este caso, para llegar al punto crí­
tico hemos tenido que ajustar «a mano» un
parámetro externo: la temperatura. Pero
¿puede un sistema complejo alcanzar de
manera espontánea dicho estado?
Esta pregunta fue resuelta de forma
satisfactoria por el físico danés Per Bak,
quien en 1987 introdujo la noción de «cri­
ticalidad autoorganizada». El ejemplo más
sencillo de sistema crítico autoorganizado es
tan simple como un montón de arena sobre
el que vamos dejando caer granos lenta­
mente. En tal caso, la pendiente de la pila de
arena evolucionará de manera espontánea
hacia un valor crítico: uno en el que la caída
de un solo grano puede desencadenar alu­
des de todos los tamaños. Estas avalanchas
presentan una distribución de tamaños dada
por una ley de potencias. De forma simi­
lar, otros sistemas alcanzan dicho estado
mediante otros mecanismos. Por ejemplo,
la aparición de una nueva especie en un eco­
sistema puede generar un proceso de extin­
ción que afecte a una, dos o incluso a un
gran número de especies.

Temperatura supercrítica (desorden) Temperatura crítica Temperatura subcrítica (orden)

tigadores a pensar que la evolución biológica a gran escala, la
macroevolución, también se desarrolla en la frontera del caos.
Varias líneas de prueba respaldan esta idea. Por un lado, la
fluctuación temporal del número de familias de algunos grupos
biológicos es compatible con lo que cabría esperar de un sistema
crítico. Por otro, el proceso evolutivo origina una filogenia que
podemos representar en forma de árbol, el cual va ramificándo-
se conforme van apareciendo nuevas especies u otros taxones.
Esta estructura dendriforme es fractal. Lo ha demostrado Bru-
no Burlando, de la Universidad de Génova, quien ha analizado
las relaciones existentes entre distintos niveles taxonómicos
cambie la escala taxonómica. Si contamos el número de géneros
que contienen una, dos o más especies, vemos que aparecen or-
denados siguiendo una distribución de potencias, característica
de las estructuras fractales.
Disponemos, además, de una información valiosa acerca de la
dinámica de la evolución: los espectros de extinción de especies
en el tiempo y el alcance de tales episodios. El 99,99 por ciento
de las formas vivientes que han aparecido sobre la Tierra se han
extinguido. Los procesos de extinción y de adaptación de las
especies al medio aparecen íntimamente imbricados en la teoría
darwinista de la selección natural. Frente a un medio cambiante,
RICARD V. SOLÉ

(especie-género, género-orden, etcétera) y ha descubierto que las las especies capaces de adaptarse, en las que se supone cierta
regularidades que aparecen en las relaciones entre grupos taxo- variabilidad en el seno de la población, dejan descendencia,
nómicos revelan la existencia de leyes invariantes aun cuando se mientras que las menos aptas desaparecen.

58  TEMAS 95
 Si la adaptación confiere ventaja a la especie, cabe enton-
ces presumir que los grupos más persistentes serán los menos
propensos a desaparecer, dado que se hallan mejor adaptados
al ambiente. Pero del análisis de los patrones de extinción se
desprende algo muy distinto. La probabilidad de extinción de un
grupo cualquiera se muestra constante a lo largo del tiempo, y
no depende de cuánto llevara existiendo en el planeta. ¿Cómo
resolver esta paradoja?
A principios de los años setenta, Leigh Van Valen, de la Uni­
versidad de Chicago, propuso un enfoque alternativo de la evo­
lución. Van Valen considera las interacciones entre especies
como una carrera de armamentos, en la que cada especie in-
tenta mejorar su posición dentro del ecosistema. Ello significa
que, además de interaccionar con el medio físico, interacciona
con el ambiente biótico; es decir, con las restantes especies. Un
cambio en la situación de una especie inducirá cambios en las
demás, y la alteración operada en estas influirá a su vez en la
primera, que por consiguiente deberá experimentar otro cam-
bio, y así sucesivamente. Ese proceso de mutua interferencia
admite una formalización en el marco de la teoría de juegos.
En ella, llegamos a la conclusión de que la especie cambia solo
para persistir. La selección natural no mejora la adaptación de
la especie, solo la mantiene. Las especies incapaces de cambiar
a la velocidad necesaria se extinguen.
Por consiguiente, lo que vemos en el curso de la evolución
son los elementos de un sistema complejo en el que lo único
importante es seguir jugando. De ahí que esta argumenta-
ción de Van Valen sea conocida como «hipótesis de la Reina
Roja», en referencia al célebre personaje de Lewis Carroll
que le explica a Alicia cómo, para permanecer en el sitio, no
hay que dejar de correr. Una consecuencia a la que llega este
modelo matemático es, justamente, que las tasas de extinción
son constantes.
Bajo esa equiprobabilidad de duración de las especies que
aflora en la macroevolución podría ocultarse una dinámica in-
trínseca. Kauffman ha elaborado un modelo de evolución que
intenta sacarla a la luz. El modelo considera un conjunto de
especies relacionadas entre sí y que poseen la capacidad de
evolucionar. Cada especie puede cambiar para mejorar su po-
sición en el ecosistema. Al hacerlo, las especies con las que se
encuentra relacionada se resienten en su adaptación, y deben,
a su vez, cambiar para reforzarla. Todas las especies que inter-
vienen en ese juego siguen, pues, una regla fundamental: han
de potenciar su adaptación en el grado en que les sea posible.
Cada cambio de una especie obliga a las demás a cambiar, y así
el sistema evoluciona hacia un punto crítico.
Una vez alcanzado dicho estado crítico, se aprecia que cier-
tas partes del sistema permanecen inalteradas durante largo
tiempo (no evolucionan), mientras que otras se modifican con
rapidez. Ambas situaciones se dan en la naturaleza. Por su parte,
el modelo de Kauffman proporciona un marco teórico donde
adquieren sentido los datos relativos a las extinciones de espe-
cies ya mencionadas.
Del modelo de Kauffman se desprende que las propiedades
globales de la evolución biológica nacerían de un fenómeno de
tipo dinámico que algunos autores han denominado «atractor
evolutivo». Esta definición pone de manifiesto la existencia de
un estado final que atrae al sistema hacia el punto crítico. Una
vez alcanzado, la propia búsqueda de una adaptación mejor por
parte de los elementos genera inestabilidades que se propagan
a todas las escalas. Las inestabilidades, por su parte, pueden
arrastrar consigo a las especies que las generaron, razón por la
cual las extinciones, incluidas algunas de las principales, vinie-
ron causadas por una inexorable dinámica crítica.
EL CEREBRO HUMANO
El funcionamiento del cerebro humano, por fin, constituye otro
ejemplo de un sistema complejo cercano a un punto crítico.
La aplicación de la teoría del caos al estudio de las ondas ce-
rebrales indica la existencia de caos determinista. También se
ha observado que los estados patológicos de actividad cerebral
muestran ondas muy ordenadas y otras muy desordenadas. En
el estado de normalidad convergen ambos aspectos: las ondas
son aperiódicas, pero permiten, al propagarse por la corteza,
sincronizar miles de millones de neuronas de forma ordenada.
Investigaciones recientes han permitido comprobar que las tran-
siciones de fase pueden desempeñar un papel muy importante
en la dinámica del cerebro.
El grupo de Hermann Haken, de la Universidad de Stuttgart,
en colaboración con Scott Kelso, del Instituto de Sistemas Com-
plejos de Florida, ha demostrado que, bajo ciertas circunstancias,
los cambios en la actividad cerebral macroscópica responden
a una estructura de transiciones de fase. Mediante técnicas de
magnetoencefalografía, estos investigadores exploraron el tipo
de transición que presentaba la actividad cerebral en sujetos
que recibían un estímulo cuya frecuencia iba variando lenta-
mente con el tiempo. Mientras persistía el estímulo externo, y
sincronizado con él, los sujetos realizaban una actividad física.
Para ciertos valores dados del estímulo, la actividad cerebral
macroscópica presentaba una súbita transición dinámica. El
estudio cuantitativo de dicha transición reveló la existencia de
un fenómeno crítico.
Estos investigadores han sugerido la posibilidad de que el
cerebro opere normalmente cerca de estos puntos críticos, y
han desarrollado un modelo teórico que da cuenta de los resul-
tados obtenidos. Cerca de dichos puntos, el cerebro poseería la
capacidad óptima de manejar y procesar información. De ser
así, tal vez el sistema más complejo que conocemos se encuentre
también en la frontera del caos.
Artículo publicado en Investigación y Ciencia, mayo de 1996
LOS AUTORES
Ricard V. Solé, Jordi Bascompte, Jordi Delgado, Bartolo Luque y Susanna
C. Manrubia trabajan en teoría de sistemas complejos y sus aplicaciones a los
fenómenos naturales. Solé es investigador en la Universidad Pompeu Fabra de
Barcelona y miembro del Instituto Santa Fé, en Nuevo México; Bascompte es
catedrático en la Universidad de Zúrich; Delgado investiga en la Universidad
Politécnica de Cataluña; Luque es profesor en la Universidad Politécnica de
Madrid, y Manrubia es investigadora en el Centro Nacional de Biotecnología,
también en Madrid.
PARA SABER MÁS
A theoretical model of phase transitions in the human brain. V. K. Jirsa et al.
en Biological Cybernetics, vol. 71, págs. 27-35, mayo de 1994.
Information at the edge of chaos in fluid neural networks. R. V. Solé
y O. Miramontes en Physica D, vol. 80, págs. 171-180, enero de 1995.
Self-similarity in rainforests: Evidence for a critical state. R. V. Solé
y S. C. Manrubia en Physical Review E, vol. 51, págs. 6250-6253, junio de 1995.
Are critical phenomena relevant to large-scale evolution? R. V. Solé
y J. Bascompte, en Proceedings of the Royal Society B, vol. 263, págs. 161-168,
febrero de 1996.
Phase transitions and complex systems: Simple, nonlinear models capture
complex systems at the edge of chaos. R. V. Solé, S. C. Manrubia, B. Luque,
J. Delgado y J. Bascompte en Complexity, vol. 1, págs. 13-26, marzo de 1996.
Complejidad y caos  59
 FENÓMENOS EMERGENTES

Redes mutualistas
de especies
Las interacciones entre las plantas y los animales que las polinizan
y dispersan sus semillas forman complejas redes de interdependencias.
Tales redes constituyen la arquitectura de la biodiversidad
Jordi Bascompte y Pedro Jordano

L a diversidad de una selva tropical ha fascina-

do siempre a los naturalistas. Imagínese pa-
seando por una de estas catedrales biológi-
cas, rodeado de árboles gigantescos cargados
de lianas y epífitas. Sobrecogidos, pensamos
que esos ecosistemas son inmutables. Pero no hay tal estabili-
dad en el majestuoso bioequilibrio aparente. Entre otras cosas,
depende del servicio que unas especies dispensan a otras. Por
ejemplo, la reproducción de más del 90 por ciento de las espe-
cies de árboles y arbustos en estas regiones tropicales no sería
posible sin los insectos y otros animales de los que depende la
polinización de sus flores y la dispersión de sus semillas. Los
tucanes toco, por ejemplo, consumen los frutos de los árboles
de manduvi en el Pantanal de Brasil. A cambio de esta recom-
pensa, dispersan las semillas lejos del árbol madre, favorecien-
do así su regeneración natural. Sin ese auxilio, las semillas cae-
rían bajo el árbol, donde no tendrían ninguna oportunidad de
germinar. Así las cosas, si desaparecieran estos animales, todas
esas especies de árboles dejarían de reproducirse y se converti-
rían en fantasmas ecológicos sin descendencia.
Por desgracia, no se trata de una situación hipotética. La
caza selectiva de grandes mamíferos y aves que desempeñan
una función muy importante en la dispersión a larga distancia
puede tener consecuencias catastróficas para la regeneración del
bosque tropical. Además, la fragmentación de esa masa forestal
y la pérdida de hábitat que acarrea causan la desaparición de
polinizadores y frugívoros de los que dependen los árboles para
su regeneración exitosa. La selva es más vulnerable de lo que
aparenta.
BENEFICIO MUTUO
Estas dependencias en beneficio mutuo, o mutualistas, entre
una especie animal y otra vegetal han desempeñado una fun-
ción muy importante en la generación de la biodiversidad en
GETTY IMAGES/ORIOL BORRUT/ISTOCK

EN SÍNTESIS

El mejor modo de considerar las interrelaciones en-
tre las plantas y los insectos que propagan su polen
no es tomando en cuenta pares de especies, sino
la red de conexiones de ese tipo que se producen
en un ecosistema.
Las redes naturales de dependencia benéfica
mutua, o redes «mutualistas», son heterogéneas:
poseen algunos nodos con un gran número de
conexiones. Esa propiedad es común a otras redes
complejas, como Internet.
Sin embargo, las redes mutualistas presentan al-
gunas propiedades propias, como una estructura
«encajada» y asimétrica. Esa arquitectura resulta
fundamental para establecer la robustez y la bio-
diversidad de un ecosistema .

60  TEMAS 95
 UNA GRAN PARTE DE LAS PLANTAS
con flores necesitan para su polinización
el concurso de animales, como este
abejorro. El insecto traslada el polen de
una flor a otra, requisito determinante
para la reproducción exitosa de la planta.
A cambio obtiene néctar, polen u otro
tipo de recursos. Se trata de una relación
de beneficio mutuo.

Complejidad y caos  61
la Tierra. Hoy sabemos que las especies vegetales que producen
flores polinizadas por animales se han diversificado mucho más
que sus primas hermanas cuyas flores poliniza el viento. Las
plantas con flor proporcionaron un nuevo nicho ecológico para
los insectos, los cuales se diversificaron y, con ello, facilitaron
la diversificación de las plantas. Plantas e insectos han ido de
la mano y se han proporcionado oportunidades mutuas. De la
misma manera, las interacciones entre plantas y animales fru-
gívoros probablemente se originaron hace unos 300 millones
de años, al inicio del Pérmico, con subsiguientes radiaciones
adaptativas relacionadas con esas interacciones. Por tanto, este
tipo de relación de dependencia mutua ha constituido un verda-
dero motor para la génesis de la diversidad orgánica.
La importancia de las relaciones mutualistas no escapó al
ojo naturalista de Charles Darwin. Poco después de publicar su
famoso Sobre el origen de las especies, Darwin dedicó un libro
entero a las formas específicas por las que las orquídeas atraían
a sus insectos polinizadores. Eso marcó el nacimiento de una
fecunda línea de investigación, con tanto éxito que incluso per-
mitió hacer una predicción de una naturaleza similar a la de
los físicos que predijeron la existencia de Neptuno basándose
en las perturbaciones de la trayectoria de sus planetas vecinos.
Angraecum sesquipedale es una orquídea que se descubrió en
Madagascar en tiempos de Darwin. Tiene una corola muy larga.
Esta característica llevó a Darwin a predecir la existencia de un
insecto polinizador con una trompa de una longitud similar. Fue
solo cuestión de tiempo encontrarlo. Se trata de una polilla, un
esfíngido (Xantophan morgani-predicta), cuya trompa tiene la
increíble longitud de 40 centímetros. Este caso ilustra perfec-
tamente la atención que han merecido las relaciones de ajuste
perfecto entre un par de especies.
Ejemplos semejantes aparecen en portadas de libros y emo-
cionan al ser humano, pero seguramente son más la excepción
que la regla. Las relaciones mutualistas no se restringen a pa-
res independientes. En general, intervienen decenas e incluso
LA POLINIZACIÓN no es la única etapa del ciclo biológico de
una planta que requiere la participación de un animal. Muchas
especies vegetales (más del 90 por ciento en ecosistemas con una
gran diversidad biológica, como las selvas tropicales) dispersan sus
semillas gracias a animales como esta Tangara cyanocephala de Brasil.
A cambio, el ave consume la pulpa que rodea la semilla. De nuevo,
ambas especies obtienen un beneficio.
62  TEMAS 95
cientos de especies en tupidas redes de relaciones. Hasta hace
poco, apenas sabíamos algo sobre la organización de esas redes
de interdependencias, a pesar de que para entender cómo se
organiza la vida en la Tierra y cuán frágil es dependemos en
buena medida de conocer bien dichas redes.
El gran reto actual es entender cómo la biodiversidad, en
su sentido global de red, responderá ante una variedad de per-
turbaciones: la pérdida de hábitat, las invasiones biológicas, la
sobreexplotación de los recursos naturales o el cambio climático.
Por ejemplo, ¿cómo afectará la extinción de una especie a estas
redes de interdependencias? ¿Se verán afectadas solo una o dos
especies, o, por el contrario, iniciará una avalancha de coex-
tinciones que se propagarán por toda la red? Para responder a
ese elenco de cuestiones, decidimos formar equipo con nuestro
colega Jens Olesen, de la Universidad de Aarhus, que había
estudiado redes de polinización por todo el mundo.
Empezamos recopilando una extensa base de datos de redes
mutualistas, tanto de polinización como de frugivoría. Y toma-
mos prestadas herramientas y conceptos que los físicos y so-
ciólogos habían desarrollado para abordar problemas similares
sobre otro tipo de redes, como Internet o las interacciones entre
empresas dentro de un mercado de transacciones económicas.
Echemos un vistazo, antes de proseguir, a ese otro tipo de redes.
Pasemos de las especies en un ecosistema a los servidores en
Internet, de extinciones biológicas a errores en servidores y
ataques cibernéticos.
LA RED DE INTERNET
En muchas facetas, nuestra vida se halla ahora entreverada con
Internet, una red compleja de ordenadores que cubre el planeta
y constituye el soporte material por donde fluye información de
todo tipo. Sea para consultar un dato histórico, bajar música o
comprar entradas para un evento deportivo, Internet no tiene
par. La idea de unir ordenadores fue concebida a finales de los
años sesenta del pasado siglo en el seno de la Agencia de Proyec-
­tos Avanzados de Investigación para la Defensa, organismo es­
tadounidense que controlaba la investigación militar. Se dispo-
nía de un conjunto de superordenadores incomunicados entre
sí y se pensó en las ventajas de su interconexión. La idea pasó
a las universidades y luego al uso público.
Internet adquirió vida propia y fue creciendo, autoorganizán-
dose de forma parecida a un ser vivo. La evolución de Internet
se basa en decisiones locales de necesidad inmediata. Al igual
que las redes mutualistas son el producto de millones de años
de evolución, ningún ingeniero ha diseñado a red de Internet.
¿Qué arquitectura tiene esa red gigantesca? ¿Y hasta qué punto
afecta dicha arquitectura a su robustez ante errores en servi-
dores o ataques de piratas informáticos? Para entenderlo, los
investigadores empezaron por acudir a los modelos matemáticos
de redes que se usaban por entonces, representaciones muy
sencillas que se dejaban tratar analíticamente.
UNA MIRADA MATEMÁTICA
Paul Erdó´s fue un matemático singular. Tenía una capacidad
de trabajo impresionante (solía definir a un matemático como
una máquina que transforma café en teoremas) y le gustaba
trabajar en equipo. Sin residencia fija y con un número mínimo
de enseres personales que cabían en una vieja maleta, se dedi-
caba a viajar por el mundo visitando amigos matemáticos a los
ANDRE GUARALDO
que proponía colaborar en algún problema. Uno de los temas que
despertó su interés fue la teoría de grafos, la descripción mate-
mática de las redes. Junto a su colega Alfred Rényi, definieron
 CHARLES DARWIN, el padre de la teoría de la evolución por
selección natural, estaba fascinado por el grado de convergencia
entre la morfología de algunas orquídeas y la de los insectos
polinizadores. Tres años después de publicar El origen de las especies,
escribió otro libro dedicado a esta cuestión.

una serie de teoremas sobre grafos aleatorios, la representación

más simple de una red.
La receta para construir una red o grafo aleatorio es muy
sencilla. Se empieza con una serie de nodos (estos pueden re-
presentar ordenadores o genes, por ejemplo). De esos nodos,
se escogen dos al azar y se unen mediante un vértice, o co-
nexión (dos ordenadores conectados por cable o dos genes que
se activan mutuamente). Se repite este paso básico un número
determinado de veces. Al final de esa construcción aleatoria,
se obtiene una red. Advertiremos que se trata de una red bas-
tante homogénea, pues todos los nodos presentan un número
de conexiones que apenas fluctúa alrededor de una media bien
definida. La probabilidad de encontrar un nodo con más enlaces
decrece muy rápidamente con el número de conexiones. En este
tipo de red no existen nodos hiperconectados.
Hace unos pocos años, cuando los físicos comenzaron a ocu-
parse de las redes complejas, como Internet, descubrieron que
no había tal homogeneidad en las redes abordadas. Antes bien,
las redes reales se revelaban mucho más heterogéneas: aunque
la mayoría de los nodos tenían un número pequeño de conexio-
nes, algunos estaban mucho más conectados de lo que cabía
esperar del azar. En Internet, no todos los servidores tenían la
misma importancia; algunos eran verdaderos «concentradores»
(hubs, en inglés), con cientos o miles de conexiones. En este
caso, el número medio de conexiones por nodo da muy poca
información; la varianza es demasiado grande. Distribuciones
tan heterogéneas recuerdan a las que describen la distribución
de recursos económicos por persona, con una diferencia abismal
entre los pobres y unos pocos multimillonarios.
JORDI BASCOMTE Y PEDRO JORDANO; IMAGEN PRODUCIDA CON FOODWEB3D (www.foodwebs.org)
Poco a poco se empezó a estudiar otras redes complejas, como
las redes de interacciones genéticas. En estas se representa qué
genes, mediante proteínas, activan a otros genes en una red de
regulación que es fundamental para el desarrollo de un orga-
nismo. La red de regulación puede considerarse el mapa de la
vida, cuyo funcionamiento no puede reducirse a las moléculas
constituyentes. Entender esta red de regulación es vital para
combatir enfermedades genéticas. La célula, en cierta medida,
funciona como Internet.
Otro tipo de redes que habían sido analizadas por los ecólo-
gos desde hacía tiempo eran las redes tróficas, las cuales repre-
sentan quién se come a quién en un ecosistema. Los ecólogos se
adelantaron al trabajo de los físicos. Ya habían introducido una
serie de conceptos y medidas que estos reinventarían años más
tarde. La mayoría de esas nuevas redes estudiadas presentaba
también una distribución muy heterogénea de interacciones. In-
dependientemente de que en cada red la identidad de los nodos
fuera diferente, todas ellas compartían un patrón arquitectónico,

LAS INTERACCIONES MUTUALISTAS entre las plantas y los animales que las polinizan o dispersan sus frutos tejen redes de interdependencia
complejas, semejantes a la que se ve en esta ilustración. Este ejemplo corresponde a la comunidad de plantas y polinizadores de una localidad
de Groenlandia estudiada por Jens M. Olesen, de la Universidad de Aarhus. Cada nodo verde representa una especie vegetal; cada nodo
amarillo, una animal. Un insecto y una planta están conectados si el primero poliniza a la segunda. Estas redes complejas representan la
arquitectura de la biodiversidad. Sin tales interacciones, sería imposible la persistencia de las especies que componen la comunidad.

Complejidad y caos  63
 a e
b f
c g
d h
tal vez el reflejo de un proceso de crecimiento similar. Los físicos,
acostumbrados a buscar procesos generales, abandonaron el
modelo de red aleatoria de Erdó´s y Rényi, ya que no describía
esta característica ubicua de las redes complejas. Había que
sustituirlo por otro modelo. ¿Cómo generar de forma simple
redes tan heterogéneas?
Albert-László Barabási, por entonces profesor del departa-
mento de física de la Universidad de Notre Dame en Indiana,
junto a su doctoranda Réka Albert, pensaron en un mecanismo
muy sencillo para reproducir la estructura de Internet y otras
redes heterogéneas. Imagine el lector que disponemos de un
conjunto de nodos iniciales y que, en cada iteración, se añade a
la red un nuevo nodo, el cual se conecta a otro preexistente con
una probabilidad proporcional a su número de interacciones.
Este es un proceso del tipo «los ricos se hacen todavía más ricos»
(o principio de San Mateo), un proceso multiplicativo muy fre-
cuente en los sistemas biológicos. Si se repite esta operación un
número de veces lo suficientemente grande, al final se obtendrá
una red tan heterogénea como las redes reales. Es esta, pues,
una receta fácil para obtener redes complejas, conocida por
«modelo de conexión preferencial». Llegado aquí, Barabási se
cuestionó: ¿cuál es la implicación de esta distribución heterogé-
nea de interacciones para la estabilidad de las redes generadas?
EL TALÓN DE AQUILES
En un influyente artículo publicado en el año 2000, Barabási,
Albert y el investigador posdoctoral Hawoong Jeong ilustraron
de forma gráfica de qué modo afecta a Internet la distribución
heterogénea de sus interacciones. Partieron de una red aleatoria
del estilo de las estudiadas por Erdó´s y Rényi y fueron eliminan-
do un número progresivamente mayor de nodos para ver cómo
quedaba la red resultante. Emplearon dos estrategias distintas
para eliminar nodos. En primer lugar, los escogieron al azar.
64  TEMAS 95
LA ARQUITECTURA de las
redes mutualistas determina en
gran medida las consecuencias
de la extinción de especies. En
este ejemplo, correspondiente
a la comunidad ilustrada en la
figura anterior, se va eliminando
sucesivamente una especie
vegetal (flecha). Se empieza con
la planta más generalista, y se
da por supuesto que las especies
de plantas y animales que se
quedan sin ninguna conexión
se extinguen. Como puede
apreciarse, la extinción de unas
pocas especies estrechamente
conectadas puede ejercer
efectos catastróficos para la
red resultante. La arquitectura
de estas redes mutualistas
determina en gran medida
cómo se propagan tales
perturbaciones.
Ello simulaba lo que un ingeniero llamaría error aleatorio de
un servidor. La segunda estrategia consistía en un ataque diri-
gido. Simulaba lo que haría un pirata informático destructivo,
que no derribaría cualquier servidor, sino que iría a por el más
conectado para causar el mayor daño posible.
Barabási y su equipo observaron que las redes aleatorias, con
su distribución de interacciones homogénea, eran siempre muy
frágiles ante los errores estocásticos. Bastaba que se eliminase
una pequeña fracción de nodos para que la red original se frag-
mentase en subredes desconectadas entre sí. Pero la situación
era muy diferente cuando la red de partida mostraba una dis-
tribución heterogénea de interacciones, como la observada en
Internet. Si la eliminación de nodos se realizaba al azar, la red se
mantenía intacta, aun cuando se eliminara una fracción impor-
tante de ellos. Era una red muy robusta ante la caída aleatoria
JORDI BASCOMPTE Y PEDRO JORDANO; IMAGEN PRODUCIDA CON FOODWEB3D (www.foodwebs.org)
de servidores. La razón hay que buscarla en los concentradores,
nodos altamente conectados que aglutinan toda la red a su al-
rededor. Como son muy pocos, es improbable dar con ellos en
una selección aleatoria. En cambio, si se empezaba eliminando
el nodo más conectado, luego el segundo, y así sucesivamente,
la red se mostraba muy frágil: bastaba la eliminación de unos
pocos de estos nodos muy conectados para que la red se frag-
mentara. Los concentradores, que proporcionan robustez frente
a fallos aleatorios, constituyen a su vez el talón de Aquiles de
Internet ante ataques dirigidos.
LA RED DE LA BIODIVERSIDAD
Inspirados por los estudios sobre la estructura de Internet y
otras redes complejas, nos propusimos buscar patrones arqui-
tectónicos universales en nuestras redes mutualistas. El primer
paso consistió en caracterizar su grado de heterogeneidad, como
los físicos habían hecho con Internet y otros ecólogos con las
redes de dependencia trófica. Computamos las distribuciones de
 conectividad, es decir, con qué probabilidad
una planta, por ejemplo, es polinizada por
una, dos,... n especies de insectos. ¿Serían
las distribuciones de frecuencias de conecti-
vidades similares a las halladas en Internet?
a b
1 1
2 2
3 3
4 4

Plantas

Plantas
El patrón que observamos fue muy gene- 5 5
ral y robusto. En la mayoría de los ejemplos, 6 6
la heterogeneidad de las redes biológicas 7 7
se acercaba a la de otras redes complejas. 8 8
Exhibían, pues, una amplia variabilidad 9 9
en el número de interacciones por espe- 10 10
cie. Aunque la mayoría de las especies solo 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
interaccionaban con un grupo restringido Animales Animales
de otras, las había altamente generalistas,
mucho más conectadas de lo que cabría es- c
perar en un modelo aleatorio. No obstante,
en comparación con Internet y otras redes 5
tecnológicas, había una probabilidad ligera-
10
mente más pequeña de encontrar especies
altamente conectadas. Los matemáticos 15
Plantas

dirían que las distribuciones de conecti-

vidad estaban truncadas para valores muy 20
elevados; es decir, a partir de cierto grado
de conectividad, disminuía la probabili- 25
dad de encontrar especies con un nivel
30
superior de generalización. 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
Las redes mutualistas, al ser mucho Animales
más heterogéneas que una red aleatoria, se
muestran más robustas ante la extinción de REDES ENCAJADAS: En estas gráficas, las cifras numeran especies de plantas y animales;
especies al azar. Pero, al no alcanzar el grado los cuadros negros denotan la existencia de una relación mutualista entre ellos. La
de heterogeneidad de otras redes complejas, gráfica a representa una red de relaciones encajada perfecta (el cuadrado delimita el
tampoco adolecen de su fragilidad ante la «núcleo» de la red, en el que todos los miembros se relacionan unos con otros); la b, una
red aleatoria, y la c, una red auténtica entre plantas y polinizadores (en una red encajada
pérdida de las especies más generalistas.
perfecta, todos los cuadros negros estarían a la izquierda de la curva).
Las redes mutualistas parecen, pues, tener
lo mejor de ambos mundos.
¿Cuál es la razón de que las distribucio-
nes de conectividades estén truncadas? Se han avanzado varias solo mantienen relaciones especializadas muestran predilección
explicaciones complementarias. Explicitemos la nuestra: si bien por interaccionar con especies generalistas. Más exactamente,
no hay razón por la que, en principio, dos servidores de Internet si ordenamos a las especies de plantas de la más especialista a
no puedan estar unidos, algunos pares planta-animal, en cam- la más generalista, vemos que, en general, las especies animales
JORDI BASCOMPTE Y PEDRO JORDANO; FIGURA ORIGINALMENTE PUBLICADA EN LOS PROC. NATL. ACAD. SCI. (PNAS), EE.UU.

bio, no pueden interaccionar. Existen interacciones prohibidas. con las que interaccionan se hallan incluidas en conjuntos cada
Por ejemplo, un insecto no puede polinizar una planta si es un vez mayores, como si se tratara de muñecas rusas unas dentro
inmigrante que llega al ecosistema pasada la época de floración de otras; de ahí el apelativo de «encajadas».
del vegetal; ni una especie de ave pequeña puede dispersar una De esta distribución encajada se derivan dos propiedades
especie de planta cuyos frutos excedan el tamaño de las comisu- importantes. Primero, existe un núcleo en la red, constituido
ras bucales del pájaro. Estas conexiones prohibidas reducen la por un número pequeño de plantas y animales generalistas que
probabilidad de que incluso los altamente generalistas puedan interaccionan entre sí. Se genera una estructura redundante, con
interaccionar con todas las especies, limitando así la frecuencia una fracción elevada de interacciones del total. Este núcleo es
de especies con un número muy elevado de interacciones. robusto ante la pérdida de algunas de sus interacciones y, por
tanto, proporciona rutas alternativas para los flujos de materia
MU ÑECAS RUSAS y energía. Desde el punto de vista de la coevolución, esas pocas
La distribución del número de conexiones por especie es solo un especies actúan como un vórtice coevolutivo que puede deter-
primer paso para entender la arquitectura de las redes mutua- minar la dirección coevolutiva de la red entera.
listas. Esta distribución nos permite determinar, por ejemplo, En segundo lugar, en una red encajada la especialización es
cuál es el número medio de interacciones por especie, pero no asimétrica. Las especies especialistas de uno de los conjuntos
contiene información sobre la identidad de las interacciones. Por (por ejemplo, el de los animales) tienden a interaccionar solo
botón de muestra, desconocemos si los frugívoros que dispersan con las generalistas del otro conjunto. Este fenómeno confiere
las semillas de una especie de planta son los mismos que los que mecanismos de persistencia para los especialistas, ya que los
dispersan otra especie. Nuestro grupo, con la incorporación de generalistas de los que dependen suelen ser más abundantes y
Carlos J. Melián, doctorando de uno de los autores, tomó prestado menos fluctuantes, al contar con muchos y diversos recursos.
para este caso el concepto de «distribución encajada», de uso en Por lo tanto, la propiedad encajada de las redes creadas las hace,
ecología de islas. En una distribución encajada, las especies que según parece, más robustas. Para analizar esas implicaciones

Complejidad y caos  65
dinámicas con más detalle, se requiere el uso
de modelos matemáticos y simulaciones con
ordenador.
La teoría existente se ceñía a la descripción
de un par de especies que interaccionan de
forma muy predeterminada. Un primer paso
para desarrollar modelos de redes mutualistas
lo dio Miguel Angel Fortuna, doctorando de
uno de los autores. Fortuna elaboró un modelo
dinámico que describía exactamente la red de
interacciones de una comunidad. Lo comparó
con un modelo nulo similar: con las mismas
especies e interacciones, aunque estas últimas
asignadas al azar. Se buscaba entender hasta
qué punto resultaba determinante la arquitec-
tura de las redes ante las alteraciones, ante la
destrucción del hábitat y la pérdida de espe-
cies. El trabajo teórico de Fortuna estableció
que la heterogeneidad y la naturaleza encajada
de las redes mutualistas las hacía más resis-
tentes a la pérdida de hábitat. Aunque algunas
especies se extinguen antes, la red mantiene
su funcionalidad hasta valores de destrucción
mayores.
De forma similar, Jane Memmott, de la Uni-
versidad de Bristol, junto a Nickolas Waser y
Mary Price, ambos en la Universidad de Cali-
fornia en Riverside, han repetido en dos redes
de polinización los experimentos de elimina-
ción secuencial de nodos en Internet y otras re-
des ecológicas. Se proponían simular las conse-
cuencias del declive general en la población de
polinizadores. Para ello, los fueron eliminando
progresivamente del más especialista al más
generalista, y observaron cómo se propagaban
RED DE INTERACCIONES PROTEICAS
dichas extinciones por la red mutualista. Estas
de la mosca del vinagre. La fisiología y la
redes mutualistas se manifestaron bastante función de los organismos depende de
robustas ante los procesos de extinción, lo que, estos mapas de interacciones.
una vez más, se atribuyó a su alta heterogenei-
dad y a su carácter encajado. La arquitectura
de tales redes mutualistas las hace, pues, más
robustas ante los efectos perniciosos de las extinciones. establecidas entre plantas e insectos herbívoros. En estas inte-
racciones antagonistas se desatan «carreras de armamentos»
CONVERGENCIA Y COMPLEMENTARIEDAD coevolutivas. Vale decir: los grupos de plantas desarrollan una
El hecho de que estas redes mutualistas sean encajadas puede sustancia defensiva que les permite escapar de la herbivoría.
sorprender a algunos biólogos evolutivos, ya que la teoría espe- Con el tiempo, la selección natural hará que un grupo de insec-
raba encontrar compartimentos, grupos de especies que inte- tos desarrolle una contradefensa y pueda alimentarse de dicho
raccionasen de forma muy característica y generados mediante grupo de plantas. Así se generarán grupos de especies en mutua
FIGURA ORIGINALMENTE PUBLICADA EN NATURE POR GIOT Y COLABORADORES

especialización paralela. Sin embargo, las redes encajadas son interacción, aunque más o menos aislados de otros grupos.
mucho más cohesivas. John N. Thompson, de la Universidad de Para someter a prueba estos diferentes modos de organiza-
California en Santa Cruz, ha visto en esta estructura encajada la ción, hemos contado con la colaboración de Thomas Lewinsohn,
consecuencia de dos fuerzas coevolutivas: la complementariedad de la Universidad de Campinas, quien ha estado estudiando
y la convergencia. La longitud de la corola de una flor ha de ser redes de interacciones antagonistas entre plantas e insectos
complementaria con la longitud de la trompa de un polinizador herbívoros. Con la comparación entre estos dos tipos de inte-
para que se produzca una interacción mutuamente beneficiosa racciones coevolutivas podremos avanzar en nuestra compresión
entre ambas especies. A esta interacción pueden añadirse otras de los mecanismos que conducen a esos patrones. Los resultados
especies, por el mecanismo de convergencia de caracteres. Así, preliminares apuntan a que las redes antagonistas presentan
diversas especies vegetales convergerían a la morfología de la otro tipo de organización: en su mayor parte, se hallan estruc-
planta original para beneficiarse del concurso del polinizador, turadas en compartimentos y no se encuentran, por tanto, tan
y viceversa. cohesionadas como las redes mutualistas. Pero siempre cabe
Las dos fuerzas coevolutivas reseñadas difieren a buen se- observar estructuras mixtas, y los compartimentos pueden, a
guro de las que se dan en redes antagonistas; por ejemplo, las su vez, estar organizados de forma encajada.

66  TEMAS 95
 DEPENDENCIAS DÉBILES Y ASIMÉTRICAS
Hasta ahora hemos descrito la estructura de las redes mutualis-
tas utilizando información binaria, es decir, considerando que
una planta y un animal, o bien interaccionan, o bien no lo hacen.
Pero falta cuantificar la fuerza de tales interacciones. ¿Son las
interacciones fuertes por lo general? ¿Son mayoritariamente
débiles? ¿Son muy heterogéneas, como sucedía con el número
de interacciones por especie?
De esas cuestiones nos ocupábamos ya en un artículo que
publicamos en Science en abril de 2006. Exponíamos, en primer
lugar, que la fuerza de las interacciones mutualistas, es decir, el
grado de dependencia recíproca entre pares de especies animal-
planta, resultaba muy heterogénea: muy débil en la mayoría de
los pares de especies y, en unos pocos, muy fuerte. Ese patrón
coincidía con el que se había observado para redes tróficas y para
otros tipos de redes abióticas, como las redes de aeropuertos y
las de coautoría de trabajos científicos.
En segundo lugar, se trataba de interacciones asimétricas. Si
una planta, sea por caso, depende mucho de un polinizador, este
apenas depende de la planta. Las interacciones de dependencia
recíproca fuerte resultaron muy escasas. La conjunción de inte-
racciones débiles y asimétricas favorecen, presumiblemente, la
persistencia de las especies en la comunidad. Si cada especie de
cada par que interacciona dependiera fuerte y simétricamente
de la otra especie, una disminución poblacional en una de las
especies comportaría la reducción de la otra, lo que a su vez
dificultaría la recuperación de la primera. Este tipo de efecto
en cascada hacia la extinción resulta mucho más improbable
cuando hablamos de interacciones débiles y asimétricas. Esta
argumentación cobró mayor consistencia teórica al introducir
las predicciones de un sencillo modelo matemático.
Dada la estructura de las redes mutualistas descrita anterior-
mente, y consideradas las potenciales implicaciones que tiene
para la persistencia de la biodiversidad, cabe preguntarse por los
mecanismos ecológicos, evolutivos y coevolutivos que producen
estos patrones de red. Una primera aproximación nos la ofrece,
FIGURA ORIGINALMENTE REALIZADA POR WILLIAM R. CHESWICK (http://www.cs.bell-labs.com/~ches/map/)
como hemos adelantado, el estudio de modelos de crecimiento
de redes. La teoría constituye aquí una pieza importante del
rompecabezas que estamos armando, porque nos permite explo-
rar posibilidades que serían muy difíciles de acometer mediante
observaciones de campo o experimentos en el laboratorio.
Paulo R. Guimarães, entonces doctorando de uno de los auto-
res y hoy investigador posdoctoral en el Instituto de Física de
la Universidad de Campinas, estudió modelos parecidos al de
interacción preferencial que habían diseñado los físicos. A partir
de ellos podían explicarse algunos patrones observados en estas
redes, a través de mecanismos muy generales de crecimiento de
la red. Pero con ese enfoque se nos ofrece solo una parte de la
información. Para entender mejor los procesos biológicos que
llevan a redes con estructura encajada y dependencias débiles y
asimétricas, hemos de determinar qué características ecológicas
tienen las distintas especies que tejen la red y su relación evolu-
tiva. En otras palabras, hasta entonces habíamos considerado las
redes coevolutivas como si todas las especies fueran idénticas,
divergentes solo en número de interacciones y distintas en fun-
ción de con quién interaccionaban. Se trataba ahora de adornar
cada uno de los nodos con características propias de esa especie.
FILOGENIAS Y ECOLOGÍA
¿Hasta qué punto la historia evolutiva de las plantas y los ani-
males condiciona la arquitectura de las redes mutualistas? Para
abordar la cuestión necesitábamos una herramienta estadística:
el «método comparado», que tiene en cuenta el parentesco entre
especies, su proximidad en el árbol filogenético. Se parte del
supuesto de que las especies no son entidades independientes
entre sí, sino que poseen una historia común.
Enrico Rezende acababa de doctorarse en la Universidad
de California en Riverside y tenía experiencia con este tipo de
contrastes filogenéticamente independientes. Desde que se unió
a nuestro grupo como investigador posdoctoral, su trabajo ha
demostrado que, en casi la mitad de las grandes redes, hay una
señal filogenética significativa para el número de interacciones
CONEXIONES ENTRE
SERVIDORES DE INTERNET:
En esta figura, cada nodo
representa un servidor; dos
servidores están unidos
si entre ellos media una
conexión física que les
permita comunicarse.
Algunas propiedades de
las redes de interacciones
entre plantas y animales son
similares a las observadas en
otras redes complejas, como
Internet.
Complejidad y caos  67
 por especie e importante para saber con quién se interacciona.
Dicho de otro modo: las especies filogenéticamente emparen-
tadas tienden a tener un papel similar en la red.
La arquitectura de las redes mutualistas no puede, pues, ex-
plicarse exclusivamente mediante caracteres inmediatos, como
la adaptación o la abundancia local de especies. La historia evo-
lutiva permite interpretar los patrones de las redes creadas. Des-
de la perspectiva de la conservación de la biodiversidad, significa
que las avalanchas de extinciones, subsiguientes a la extinción
de una determinada especie, afectarán a especies emparentadas,
ya que todas ellas tienden a interaccionar con el mismo conjunto
de especies. En ese proceso se va podando el árbol taxonómi­-
co de una forma sesgada y, por tanto, cae la riqueza taxonómica
de un modo más drástico de lo que cabría esperar. Tal y como
demostrábamos en un artículo publicado en Nature en agos­
to de 2007, las extinciones no se limitan a eliminar especies:
borran páginas enteras de la historia evolutiva.
Número de nodos
Los patrones arquitectónicos de las redes mutualistas pueden
venir explicados por múltiples factores. Sabemos ya que hay un
componente histórico, pero eso no excluye ningún mecanismo
causal. Características ecológicas, como el tamaño corporal de
las especies o su forma de vida, podrían dar cuenta de los pa-
trones arquitectónicos observados. Para comprobar qué meca-
nismos guardan una correlación más estrecha con los patrones
de interacción, recurrimos a análisis que tenían en cuenta la
filogenia y analizaban diversos factores ecológicos. De estos aná-
lisis se concluye que la fenología (en qué épocas del año una
especie está presente), la amplitud de la distribución geográfica
y la abundancia local predicen bien el número de interacciones
por especie. Por tanto, los patrones arquitectónicos de las redes
mutualistas pueden explicarse mediante una combinación de
factores, tanto históricos como contemporáneos.
En resumen, las interacciones mutualistas desarrolladas en la
naturaleza tejen redes complejas caracterizadas por una topolo-

Número de nodos
Número de nodos

Número de nodos

Número de enlaces Número de enlaces Número de enlaces Número de enlaces

JORDI BASCOMPTE Y PEDRO JORDANO

REDES HOMOGÉNEAS Y REDES HETEROGÉNEAS: A la izquierda se muestra la red de carreteras en el este de EE.UU. a finales del siglo xix.
A la derecha, las conexiones entre aeropuertos en Brasil servidas por la aerolínea Varig. La distribución del número de conexiones por nodo
es muy diferente entre ellas. La red de carreteras ilustra un patrón aleatorio de enlaces entre nodos: la mayoría de las poblaciones cuenta con
un número similar de conexiones, las cuales siguen una distribución acampanada en torno a un valor medio. En cambio, la red de vuelos no
tiene un número medio de enlaces característico: existen nodos muy conectados (los grandes aeropuertos) y otros con muy pocas conexiones,
las cuales casi siempre son a aeropuertos grandes. Aquí la distribución de enlaces por nodo es muy heterogénea, caracterizada por «colas
gruesas» (la probabilidad de que haya nodos con un gran número de enlaces no disminuye muy deprisa). Muchas redes complejas, incluidas
las redes mutualistas, Internet y las redes de regulación génica, siguen este patrón heterogéneo.

68  TEMAS 95
 LAS REDES MUTUALISTAS son muy heterogéneas (la mayoría de las especies interaccionan con otras pocas, pero existen algunas muy
conectadas), encajadas (los especialistas interaccionan con subconjuntos bien definidos de las especies que interaccionan con los generalistas)
y con dependencias débiles y asimétricas (si una planta depende mucho de un animal, el animal apenas dependerá de esa planta).
gía bien definida y universal. Se trata de redes muy heterogéneas,
cohesionadas y basadas en dependencias débiles y asimétricas
entre especies. Con independencia del tipo de mutualismo estu-
diado (polinización o dispersión de las semillas), de la localidad
geográfica, de las especies componentes y de otras variaciones,
todas las redes presentan un patrón común. Estos patrones de
red desempeñan un papel muy importante para la persistencia­
de las especies y, por tanto, construyen la arquitectura de la bio-
diversidad. Estos resultados ilustran las relaciones entre la es-
tructura y la robustez de estas redes complejas, y pueden ser a
la vez de interés para científicos que trabajan con otros tipos de
redes. Por ejemplo, en una reunión de expertos organizada por
la Reserva Federal de Nueva York con el objetivo de evaluar la
estabilidad de la red de préstamos entre bancos de EE.UU., se
discutieron los patrones de las redes mutualistas y se buscaron
sus equivalentes en la red económica. Esto resalta la naturaleza
interdisciplinar de estos estudios.
La arquitectura no puede descomponerse en el estudio de
pares de especies, como tampoco podemos entender el desarro-
llo embrionario estudiando solo genes aislados. Entender la
organización de estas interacciones como redes complejas de
interdependencia, en lugar de limitarse a pares aislados de es-
pecies, puede ayudarnos a comprender con mayor profundidad
las condiciones por las que se sustenta la vida.
A menudo equiparamos biodiversidad al número de espe-
cies que existe en un ecosistema. Pero existe otro componente
JORDI BASCOMPTE Y PEDRO JORDANO
de igual relevancia: la forma en que interaccionan las especies
implicadas. La desaparición de las interacciones resulta tan per-
judicial y presenta efectos de tan largo alcance, comenta Daniel
H. Janzen, de la Universidad de Pennsylvania, como la extinción
de las especies. Si lo que otorga a una escultura móvil de Alexan-
der Calder su sensación de ingravidez característica es la forma
en que los elementos componentes se hallan interrelacionados,
aquí las interacciones entre plantas y animales adquieren una
arquitectura bien definida, un estilo particular inconfundible
que influye en la persistencia de una comunidad biológica sujeta
a perturbaciones.
Artículo publicado en Investigación y Ciencia, septiembre de 2008
LOS AUTORES
Jordi Bascompte y Pedro Jordano han destacado por sus estudios sobre
biodiversidad y sobre interacciones entre especies en el contexto de la teoría de
redes complejas. Bascompte es en la actualidad catedrático de ecología de la
Universidad de Zúrich. Jordano es profesor de investigación en la Estación
Biológica de Doñana.
PARA SABER MÁS
Invariant properties in coevolutionary networks of plant-animal
interactions. Pedro Jordano et al. en Ecology Letters, vol. 6, págs. 69-81,
enero de 2003.
The nested assembly of plant-animal mutualistic networks. Jordi Bascompte
et al. en Proceedings of the National Academy of Sciences, vol. 100,
págs. 9383-9387, agosto de 2003.
The geographic mosaic of coevolution. John N. Thompson. Chicago University
Press, 2005.
Asymmetric coevolutionary networks facilitate biodiversity
maintenance. Jordi Bascompte et al. en Science, vol. 312, págs. 431-433,
abril de 2006.
Specialization and generalization in plant-pollinator interactions.
Dirigido por Nicolas Waser y Jeff. Ollerton. University of Chicago
Press, 2006.
Plant-animal mutualistic networks: The architecture of biodiversity. Jordi
Bascompte y Pedro Jordano en Annual Review of Ecology, Evolution and
Systematics, vol. 38, págs. 567-593, 2007.
Complejidad y caos  69
 FENÓMENOS EMERGENTES
Cuando las neuronas
sincronizan sus relojes
La sincronización neuronal representa uno de los mejores ejemplos de
coordinación temporal del tejido nervioso. También ilustra la necesidad
de nuevos métodos para entender el funcionamiento del cerebro
Raúl Vicente y Claudio R. Mirasso
N uestra actividad cerebral sustenta desde
funciones corporales básicas para la vida
hasta los actos cognitivos mas complejos y
abstractos: deseos, miedos, ideas... Sin em-
bargo, nuestro conocimiento sobre la ma-
nera en que el cerebro lleva a cabo sus funciones progresa con
cierta lentitud. ¿Seremos algún día capaces de entender su fun-
cionamiento? Como veremos a lo largo del artículo, el encéfa-
lo comparte ciertas propiedades con un conjunto más amplio
de sistemas. Su estudio puede ofrecer estrategias que permitan
entender cómo de la actividad eléctrica de millones de neuro-
nas pueden emerger los actos mentales.
Existen programas ambiciosos que tratan de solventar dicha
situación. El Proyecto Blue Brain, dirigido por Henry Markram,
de la Escuela Politécnica Federal de Lausana, ha incorporado
cuantiosos datos en un modelo de columna cortical (módulo
básico de la corteza cerebral) con la mayor fidelidad biológica
alcanzable hoy en día. No obstante, si bien se trata de un gran
avance, la recreación de una parte del cerebro en un ordenador
no resolverá numerosas cuestiones sobre su funcionamiento y
sus propiedades a una escala global. Dadas ciertas característi-
cas del encéfalo, resulta improbable que el conocimiento de las
propiedades de los elementos que forman el sistema nervioso
conduzca de manera directa a entender cómo estos se alían para
generar las propiedades del sistema global. En otras palabras,
mientras que el estudio de unas cuantas células del hígado o del
riñón puede llevar a inferir las funciones del órgano en cuestión,
las intrincadas interacciones entre neuronas dotan al cerebro de
propiedades y capacidades que no pueden deducirse a partir
EN SÍNTESIS
El cerebro comparte con otros sistemas El estudio de los sistemas complejos adap-
de la naturaleza la capacidad de autoor- tativos puede ayudar a comprender mejor
ganizarse y dar lugar a comportamientos la manera en que el cerebro representa y
emergentes. procesa la información.
70  TEMAS 95
de las características individuales de esas células nerviosas ni de
sus interacciones más elementales.
La estrategia reduccionista de aislar las partes que componen
un sistema para su estudio, aunque exitosa en otros campos,
debe complementarse con herramientas nuevas que expliquen
cómo los elementos de un sistema se autoorganizan y originan
las propiedades emergentes. De estas y otras cuestiones rela-
cionadas se ocupa la ciencia de los sistemas complejos, que en-
cuentra en el cerebro uno de sus ejemplos más representativos.
UN SISTEMA COMPLEJO ADAPTATIVO
Los sistemas complejos tienen la capacidad de generar com-
portamientos organizados a partir de agentes o elementos que
siguen reglas relativamente simples y que actúan de forma des-
centralizada; es decir, sin que ningún agente maestro dirija de
forma predeterminada la actividad del resto. Es conveniente
recordar aquí que todo sistema biológico es abierto (intercambia
materia y energía con el exterior), y que se encuentra alejado del
equilibrio termodinámico gracias a la presencia de gradientes
energéticos, por lo que la emergencia temporal de organización
y complejidad en seres vivos resulta compatible con la segunda
ley de la termodinámica.
Los sistemas complejos pueden ser de origen muy diverso:
desde una colonia de hormigas (la hormiga reina se dedica casi
en exclusiva a producir nuevas hormigas, no a dirigirlas), hasta
el sistema inmunitario, pasando por los huracanes o los ecosis-
temas. La mayoría de ellos suelen compartir unas características
comunes, entre las que destaca el hecho de estar compuestos
ISTOCK/HUNG MENG TAN (hormigas); NASA (huracán Isabel)
por un elevado número de elementos que interaccionan entre
La sincronización neuronal ejemplifica cómo un proceso diná-
mico y flexible puede modular la respuesta neuronal, con im-
portantes consecuencias para la percepción, la memoria o el
comportamiento.
SISTEMAS COMPLEJOS Y AUTOORGANIZACIÓN: Los sistemas complejos se
hallan formados por un gran número de elementos simples que interaccionan
entre sí de forma local, no centralizada. Sin embargo, ello puede dar lugar a
procesos de organización a escala global. Algunos ejemplos son las colonias de
insectos, el clima, el tráfico rodado o el sistema nervioso.

Complejidad y caos  71

INTERACCIONES NEURONALES: Las interacciones básicas
entre neuronas pueden reproducirse a través de simulaciones por
ordenador. La aparición de una actividad descentralizada pero
coordinada es característica de muchos otros sistemas complejos.
sí a través de una intrincada topología (muchas veces flexible
y sujeta a modificaciones) y de forma no lineal, es decir, las
interacciones no obedecen al principio de proporcionalidad
(un estímulo el doble de intenso no tiene por qué generar una
respuesta el doble de vigorosa).
También nuestro sistema nervioso, como sistema complejo
que es, presenta estas y otras propiedades esenciales. Ello le
permite adquirir la capacidad de autoorganizarse y dar origen
a sus propiedades emergentes. Estas suelen ilustrarse como
un cierto orden o patrón autoorganizado de actividad, visible
cuando se mira al sistema desde una perspectiva global, pero
que no es reducible o predecible a partir de sus interacciones
fundamentales. Se trata, pues, del surgimiento de un nuevo
nivel de organización que incluye toda una variedad de pro-
cesos globales, con características cualitativas distintas de las
de los elementos que forman el sustrato. Por ello, es probable
que múltiples estados mentales o conductas que genera nuestro
cerebro constituyan, al igual que ocurre en otros sistemas com-
plejos, procesos emergentes; es decir, que resultan de la acción
coordinada entre elementos que cooperan de forma inconsciente
desde un nivel más bajo para producir de forma espontánea un
cierto orden o coherencia en un nivel superior.
Las ideas, los conceptos y las herramientas que se están
desarrollando para el estudio de los sistemas complejos y sus
propiedades emergentes pueden aportar la clave que facilite
parte de la explicación de cómo comportamientos complejos,
coordinados y adaptativos pueden aparecer en sistemas tan
distribuidos y descentralizados como el sistema nervioso. Es
por ello por lo que una mejor comprensión de la aparición de
fenómenos emergentes en otros sistemas complejos nos ayuda-
rá a entender cómo la interacción entre millones de neuronas
puede dar lugar a funciones cognitivas de alto nivel y, quizás,
a la consciencia. Gracias en parte a estas ideas, se reconoce la
necesidad de analizar el encéfalo desde una perspectiva colec-
72  TEMAS 95
tiva o global que complemente el estricto punto de vista re-
duccionista. Un paso intermedio en este intento corresponde
a la integración de la información que se recoge del cerebro
cuando se analiza a escalas espaciales y temporales distintas.
En este contexto, el fenómeno de la sincronización neuronal es
un buen ejemplo de cómo una propiedad colectiva y emergente,
en este caso un patrón temporal de actividad autoorganizado,
puede tener consecuencias importantes en el funcionamiento
del sistema nervioso.
COMUNICACIÓN NEURONAL Y SINCRONIZACIÓN
El cerebro, lejos de ser una amalgama uniforme de células ner-
viosas, muestra un alto grado de especialización anatómica y
funcional. Sus áreas se encargan de ejecutar tareas específicas.
El cerebro necesita, pues, poseer mecanismos que posibiliten
la comunicación y la combinación eficaz de la información
procesada por redes neuronales que se encuentran segregadas
espacialmente. Una solución posible sería la existencia de fibras
nerviosas que, originadas en los subsistemas, convergieran en
una misma región cerebral que evaluase de forma simultánea
los resultados de las operaciones y los combinase de manera
apropiada.
Si bien la convergencia anatómica hacia ciertas regiones
jerárquicamente superiores es un hecho bien corroborado,
hay serias dificultades para que este mecanismo explique por
sí solo la fenomenología existente. Un voluminoso cuerpo de
resultados indica que el sistema nervioso utiliza otras estra-
tegias para coordinar la comunicación entre diversas áreas o
conjuntos de neuronas. Una de las hipótesis más populares en
esta dirección es la sincronización neuronal: la descarga eléc-
trica más o menos simultánea de dos o más neuronas. Dicha
teoría propone la formación temporal de grupos de neuronas
sincronizados entre sí como el proceso subyacente a la com-
binación o integración de la dinámica local de las redes parti-
cipantes. La clave reside en que, dependiendo de si un grupo
de neuronas se halla sincronizado o no, estas pueden afectar
de manera diferente las posteriores etapas de procesamiento
neuronal. Tal efecto se basa en que la llegada simultánea (en
sincronía) de una serie de impulsos eléctricos a una neurona
induce una respuesta mayor que cuando los impulsos llegan
de forma dispersa en el tiempo (asíncrona). Así, el control o
modulación de la sincronización resulta en una manera efec-
tiva de comunicación neuronal.
La teoría de la sincronización neuronal es hoy en día más
amplia y general que la descripción básica que hemos dado aquí.
Su importancia estriba en que supuso un cambio de paradigma:
a un proceso dinámico y autoorganizado como es la sincronía, se
le asigna una función neuronal concreta y relevante. Con todo,
perduran en la actualidad preguntas abiertas en el campo de la
sincronización y coordinación neuronal.
A pesar de que se ha observado en pruebas experimentales la
sincronización entre neuronas que pertenecen a áreas cerebrales
remotas, surge la cuestión de cómo grupos de células nervio-
sas distantes entre sí y que necesitan decenas de milisegundos
para comunicarse (una cantidad nada despreciable cuando ha-
© ISTOCKPHOTO / ANDREY PROKHOROV
blamos de dinámica neuronal) pueden alcanzar un estado de
sincronización y acabar emitiendo impulsos eléctricos de forma
simultánea. Los mecanismos neuronales necesarios para que se
produzca este curioso efecto siguen siendo un tema candente de
investigación. A continuación exponemos una parte de nuestro
trabajo que aborda dicha temática. Dado el carácter teórico de
nuestros resultados, será conveniente introducir de forma breve
 la idea del modelado matemático de la actividad neuronal para
después retomar la cuestión de la sincronización simultánea
desde otra perspectiva.
MODELOS DE LA ACTIVIDAD NEURONAL
Para estudiar la actividad cerebral se han desarrollado dife-
rentes técnicas experimentales, cada una de las cuales observa
el cerebro a una determinada escala. Las técnicas basadas en
resonancia magnética nuclear son muy populares, puesto que
permiten el barrido casi completo del volumen cerebral con
una alta resolución espacial. Sin embargo, en su versión de re-
sonancia magnética funcional ofrece una precisión temporal
muy pobre, lo que mengua su valor para el estudio de procesos
en los que la dinámica neuronal rápida sea de interés. En el otro
extremo se encuentran métodos basados en electrofisiología,
con una gran precisión temporal pero, en general, limitados: o
bien se «escucha» solo un pequeño número de células cercanas
a algún electrodo intracraneal, o bien se capta la actividad neu-
ronal desde el cuero cabelludo, con la consecuente pérdida de
detalle espacial, como ocurre en las aplicaciones más estándares
de electroencefalografía o magnetoencefalografía.
En la actualidad no existe la técnica perfecta que combine
una alta resolución espacial y temporal y que abarque una región
considerable del cerebro. Por ello, la construcción de modelos
matemáticos puede ayudar a complementar las medidas experi-
mentales en al menos dos sentidos. Primero, permite sintetizar
en un marco conceptual simplificado el gran volumen de datos
que se obtienen a partir de las técnicas experimentales, un paso
MICHAEL A. COLICOS, UNIVERSIDAD DE CALIFORNIA, SAN DIEGO
IMPULSOS SIMULTÁNEOS: Una neurona del hipocampo recibe, a través de sus dendritas, numerosos impulsos provenientes
de otras células nerviosas. La probabilidad de que la neurona acabe originando un pulso ella misma depende, entre otros factores,
de la simultaneidad con que los impulsos lleguen a cierta región de su soma.
que resulta esencial a la hora de discernir entre varias hipótesis
y guiar hacia predicciones específicas comprobables en nuevos
experimentos. En segundo lugar, facilita la realización de ex-
perimentos teóricos o simulaciones por ordenador que serían
difíciles de ejecutar en un laboratorio: en un modelo matemático
pueden variarse parámetros o explorar con gran detalle varia-
bles difíciles de controlar en experimentos reales con el fin de
entender su función dentro del sistema.
Los modelos matemáticos y computacionales representan,
con mayor o menor nivel de detalle, la evolución temporal de
la variable dinámica que deseamos investigar. A nivel celular, la
mayoría de los modelos neurofisiológicos se centran en estudiar
la diferencia de voltaje que se establece a través de la membrana
de la neurona (potencial de membrana) en función del mo-
vimiento de cargas eléctricas (corrientes iónicas) que circulan
entre el exterior y el interior de la célula nerviosa.
Un modelo matemático que cuenta con gran aceptación
en la comunidad neurocientífica es el de Alan Lloyd Hodgkin
y Andrew Huxley (modelo de HH), por el que ambos autores
fueron galardonados con el premio Nobel de Fisiología en 1963.
Este modelo, que consta de varias ecuaciones diferenciales
no lineales acopladas entre sí, supuso una de las primeras
explicaciones cuantitativas de los mecanismos implicados en
la generación de potenciales de acción (breves pulsos eléc-
tricos que la mayoría de las neuronas usan como moneda de
información). La ecuación más relevante del modelo describe
la evolución temporal del potencial de membrana en térmi-
nos de tres corrientes iónicas: potasio, sodio y una tercera
Complejidad y caos  73
 C L AV E S D E L C O M P O R TA M I E N T O E M E R G E N T E
El cerebro, un sistema complejo
El sistema nervioso presenta las propiedades típicas de los siste-
mas complejos. A continuación se detallan algunas.
• Un número elevado de componentes. Unos 100.000 millo-
nes de neuronas de formas y tamaños variados forman parte
del cerebro humano. Para apreciar la magnitud de tal número,
un dato útil: existen 15 veces más neuronas en nuestra cabeza
que seres humanos en el planeta.
• Una intrincada red de vecinos. El principal responsable de la
compleja estructura del sistema nervioso es la peculiar mor-
fología de las neuronas. Unas expansiones de su cuerpo celu-
lar les permiten establecer conexiones (sinapsis) con miles
de otras neuronas y otras células. El número de enlaces entre
neuronas en el cerebro humano se estima que es del orden
de 1015. Si bien las conexiones sinápticas siguen ciertos patro-
nes de conectividad para formar circuitos neuronales específi-
cos, en general puede afirmarse que las redes neuronales son
enmarañadas y complejas.
• Una red flexible y dinámica. El plan general de la organi-
zación sináptica del cerebro parece determinado por nues-
que reúne varias corrientes de diversos orígenes (corriente
de fuga). Para representar la interacción entre varias neuro-
nas, el modelo suele complementarse con la incorporación del
efecto de las corrientes sinápticas (corrientes originadas por
la llegada de impulsos provenientes de otras neuronas). Las
corrientes iónicas pueden depender, a su vez, del estado del
potencial de membrana. Si el potencial se halla por encima de
un cierto valor umbral, los iones de sodio empezarán a fluir a
través de ciertos canales de la membrana; en caso contrario,
los canales iónicos asociados resultarán menos permeables y
apenas existirá circulación de carga.
El modelo de HH (o versiones modificadas) se ha utiliza-
do en infinidad de trabajos teóricos para explicar resultados
experimentales. Desde el punto de vista computacional, quizá
su mayor desventaja radica en que, debido a su complejidad,
resulta lento de resolver. Por este motivo, cuando se trata de
analizar el comportamiento de un conjunto grande de neu-
ronas (digamos, más de 10.000) conectadas entre sí, suelen
considerarse más ventajosos modelos que, aun dando cuenta
solo de los rasgos cualitativos de la respuesta de la neuro-
na, presentan una menor complejidad y, por tanto, son más
eficientes y rápidos de simular a nivel computacional. Entre
los más destacados por su sencillez y velocidad de cálculo se
encuentra el modelo Integrate and Fire (I&F). Dicho método
consta de una sola ecuación que describe la evolución temporal
del voltaje a través de la membrana cuando este se encuen-
tra por debajo del umbral de generación de un potencial de
acción. Asume que cuando este potencial llega a dicho valor
umbral (fenómeno por lo general causado por la acumulación
temporal de potenciales sinápticos), la membrana generará un
potencial de acción cuyo efecto podrá propagarse a neuronas
vecinas. Después de un corto tiempo, volverá a caer por debajo
del valor umbral.
74  TEMAS 95
tra genética. Durante el desarrollo, los genes que heredamos
guían qué zona del cerebro va a estar conectada con qué otra
y qué clase de neuronas ocuparán las distintas áreas. Ello per-
mite que los miembros de una misma especie compartan una
serie de capacidades y comportamientos generales, ya que
poseen una estructura cerebral similar. Sin embargo, esto es
solo el plan general: el detalle fino de las conexiones neuro-
nales se modifica de forma constante gracias a la experiencia
individual con el mundo exterior. De esta manera, la actividad
cerebral inducida por los estímulos del entorno —entre ellos,
las interacciones personales— fomenta la creación de nuevos
enlaces neuronales y la degradación de antiguas conexiones.
Esa «plasticidad» de las redes neuronales constituye la base
de propiedades que permiten que eventos de la vida dejen su
huella en un cerebro dinámico y flexible.
• Retroalimentación. Numerosos circuitos neuronales for-
man bucles: la actividad en una zona del cerebro, una vez
procesada y transmitida a otras áreas, puede volver a afec-
tar a la zona de partida. En términos generales, esta caracte-
rística puede desempeñar distintas funciones. Una de las más
importantes es que los bucles proporcionan la posibilidad de
Ya que el modelo I&F no describe la evolución dinámica del
pulso por encima del umbral, y dado que la apertura de varios
canales iónicos a través de la membrana se produce en general
cuando el potencial cruza dicho umbral, no implica ecuacio-
nes adicionales para las corrientes iónicas. Gracias a su menor
complejidad, dicho modelo puede simular un gran número de
neuronas en un tiempo razonable, lo que permite explorar de
forma más efectiva la riqueza dinámica de la población neuronal
en su conjunto.
SINCRONIZACIÓN BASADA EN EL RELEVO
Como ya exponíamos, un problema fascinante al que todavía
no se ha encontrado una explicación satisfactoria es el de la
aparición, durante ciertas tareas cognitivas, de una actividad
neuronal sincronizada y simultánea en regiones corticales se-
paradas. Al respecto, hemos propuesto un mecanismo sencillo
capaz de inducir dicha sincronización.
La idea básica puede resumirse de la siguiente manera.
La conexión directa y recíproca entre dos grupos remotos de
neuronas, a pesar de representar posiblemente la topología
más efectiva de comunicación, no suele conducir a una sincro-
nización simultánea entre ambas redes. Ello se debe a que el
tiempo requerido para la propagación axonal de impulsos entre
los dos grupos de neuronas tiende a desestabilizar cualquier
estado en el que ambas poblaciones neuronales descarguen
impulsos de forma simultánea. Por otra parte, un esquema
donde una red neuronal gobierne unidireccionalmente la diná-
mica de otras dos poblaciones hará que estas últimas tiendan
a sincronizarse, ya que recibirán las mismas «instrucciones».
Esta última solución, sin embargo, no permite la comunica-
ción entre los dos grupos de neuronas receptoras, puesto que
estos solo responden a la actividad impuesta por una población
externa y no son sensibles a ningún cambio que el otro grupo
 autorre­gulación de un proceso, de manera simi-
lar a como un termostato reajusta la tempera-
tura de una habitación ante variaciones térmi-
cas. Así pues, la estabilidad y adaptabilidad de
múltiples procesos controlados por el cerebro
dependen de este tipo de circuitos.
• Interacciones no lineales. La interacción entre
los constituyentes básicos (las neuronas) suele
ser, como en el resto de los sistemas complejos,
de carácter no lineal. En otras palabras, aunque
se conozca la respuesta de una red neuronal
ante una serie estímulos o señales por sepa-
rado, no puede predecirse con facilidad cómo
lo hará cuando varios de esos estímulos actúen
de forma simultánea. Típicamente, la respuesta
consistirá en algo más complejo que la simple
suma de las respuestas individuales.
Red de neuronas corticales: Dibujos de Ramón y Cajal de neu-
ronas corticales humanas distribuidas en láminas.
de neuronas receptoras pueda sufrir. Las dos configuraciones
ofrecen por separado comunicación o sincronización, pero no
ambas a la vez.
¿Es posible unificar de alguna manera estas dos propiedades
tan deseables bajo un único esquema? Como mostraremos a
continuación, si dos poblaciones neuronales interactúan bidi-
reccionalmente a través de una población intermedia, ambas
propiedades podrían ser compatibles. Una perturbación a una
de las poblaciones se propagará al resto (comunicación), a la vez
WIKIMEDIA COMMONS / DE: «ESTUDIO COMPARATIVO DE LAS ÁREAS SENSORIALES DEL CEREBRO HUMANO», SANTIAGO RAMÓN Y CAJAL, 1899
que las dos poblaciones acopladas de manera indirecta tenderán
a exhibir una actividad simultánea (sincronización) gracias a la
dinámica de la población intermedia.
Para verificar tal propuesta, simulamos computacional-
mente tres poblaciones o áreas neuronales y observamos qué
ocurría al acoplarlas de distintas maneras. Cada una de las
poblaciones estaba compuesta por unas 4000 neuronas des-
critas por el modelo de I&F. Con el fin de imitar en lo posible
la composición de las áreas de la corteza cerebral, el 80 por
ciento de esas neuronas se eligieron como excitatorias (su
activación tiende a generar más actividad en las neuronas
que contacta); el 20 por ciento restante, como inhibitorias
(realizan justo lo contrario). Dentro de cada población, cada
neurona se conectó con unas 400 de su alrededor y con unas
40 de otra población. Así, existían dos tipos de enlaces: los de
corta distancia (conectaban neuronas de la misma población)
y los de largo alcance (unían neuronas de distintas áreas). La
lejanía entre las poblaciones se simuló haciendo que los impul-
sos generados por una neurona tardaran unos 8 mili­segundos
en propagarse a otra población, tiempo mucho mayor que el
que supusimos que tarda el mismo impulso en alcanzar células
nerviosas de su misma población (en este caso, solo 1 milise-
gundo). Tal y como mostraron los datos, nuestra hipótesis se
vio corroborada.
CIRCUITOS TÁLAMO-CORTICALES
Nuestra simulación presenta, pues, un mecanismo que, gracias
a una población intermedia, puede originar una actividad co-
herente y simultánea entre dos poblaciones de neuronas muy
separadas entre sí. Los resultados sugieren que la presencia en
circuitos neuronales de la «conectividad por relevo», o indirecta,
podría contribuir a la integración a gran escala de información
procesada en distintas regiones.
La discusión recogida hasta ahora se basa en modelos mate-
máticos que, aunque cualitativamente pueden dar una descrip-
ción del comportamiento neuronal, no dejan de ser una versión
simplificada e idealizada de un sistema real. La pregunta inme-
diata que surge es: ¿existen en el cerebro estructuras en las que
el patrón de conectividad que hemos estudiado sea relevante?
Dentro de la compleja red del cerebro destaca la asociación
bidireccional y radial que el tálamo posee con la corteza cere-
bral. Diversos autores, incluyendo al neurocientífico Rodolfo
Llinás, de la Universidad de Nueva York, han señalado que el
acoplamiento recíproco de áreas corticales distintas con núcleos
talámicos diferentes podría constituir la base del procesamiento
cortical distribuido, incluso de la emergencia de la conciencia.
Importante para nuestro propósito es que ciertos núcleos talá-
micos proporcionan un puente para la comunicación entre áreas
corticales, formando una configuración similar a la propuesta
antes para la sincronización por relevo.
A través de la experimentación se ha comprobado la función
que desempeñan los circuitos tálamo-corticales para mantener
la sincronía a larga distancia. También se ha observado que
ciertas lesiones del tálamo (la hipotética población intermedia
en nuestro esquema) pueden destruir la coherencia o sincronía
entre áreas corticales, dejando invariantes otros aspectos de la
dinámica neuronal. Cabe mencionar que uno de los requisitos
más importantes para que el modelo matemático exhiba sincro-
Complejidad y caos  75
 M E CA N I S M O S D E AU T O O R G A N I Z AC I Ó N

El origen de la sincronización neuronal

A pesar de estar formado por miles de millones de neuronas independientes, el cerebro funciona como un todo cohesionado, una
propiedad característica de los sistemas complejos. Una de las hipótesis más populares para explicar la coordinación entre partes
del cerebro es la sincronización neuronal: la capacidad de dos grupos distantes de neuronas de activarse al unísono. ¿Cómo surge
esa sincronización?

Vía directa: ausencia de sincronización

La conexión directa y recíproca entre dos grupos remotos de dad de las neuronas de las poblaciones conectadas (1 y 3) no
neuronas no suele conducir a una sincronización simultánea. guardan una relación de sincronía (las franjas de las distintas
Dadas tres poblaciones de neuronas, dos de ellas conectadas poblaciones no se encuentran bien alineadas). Ello se refleja
entre sí y una aislada (a), las gráficas inferiores (b) represen- en la simultaneidad (correlación) de los impulsos neuronales
tan en el eje vertical 100 neuronas escogidas al azar de cada en dos poblaciones (c). El valor en el origen de esta gráfica es
población. Cada punto en la gráfica marca el momento en bajo, lo que indica que la mayoría de los impulsos no ocurren
que la neurona correspondiente genera un impulso. Si todas de forma simultánea entre ambas poblaciones. La lejanía
las células disparasen a la vez en una población, deberíamos entre los grupos de neuronas y el tiempo necesario para que
observar líneas verticales más o menos rectas. los potenciales de acción de una viajen por los axones hasta
Puede apreciarse que, a pesar de que las neuronas de una llegar a la otra provocan que, en este tipo de conexión, las
misma población se hallan sincronizadas entre sí, la activi- áreas neuronales no consigan sincronizarse.

b Disparos neuronales c Correlogramas

de los disparos neuronales
Población 1 Población 2 Población 3

a Población intermedia desconectada de las poblaciones 1 y 3

10

Número de coincidencias
3
1

(1 y 3) por segundo
5
2

0
0 100 200 300 400 500 –80 –40 0 40 80
Tiempo (milisegundos) Desplazamientos (milisegundos)

Vía indirecta: sincronización eficiente

¿Qué ocurre cuando una tercera población media la gan impulsos en un corto intervalo de tiempo. En consecuen-
conexión? (a) En un inicio, las neuronas de cada pobla- cia, las gráficas de correlación (c) muestran un máximo en el
ción emiten pulsos a tiempos distintos. Sin embargo, con el origen. También se observa que este patrón se repite con una
transcurso del tiempo la interacción entre ellas permite que periodicidad de unos 30 milisegundos, valor cercano al pe-
las poblaciones conectadas de manera indirecta (1 y 3) se ríodo de oscilación natural de la población (el que hubiera
autoorganicen y acaben pulsando al unísono. Dicha transi- existido sin la interacción entre poblaciones). Ello indica que
ción es rápida y robusta. No importa en qué estado comen- el grado de sincronización entre poblaciones puede variar
zaran las neuronas: una vez conectadas, tras unos cientos de con independencia de la frecuencia de oscilación, otra de las
milisegundos llegan al estado de sincronía (b). variables más importantes de la dinámica neuronal. La pre-
Aunque los impulsos no son exactamente simultáneos, las sencia de una población de «relevo», o enlace, entre los dos
franjas estrechas y bien alineadas entre las neuronas de las grupos demuestra que la comunicación y la sincronización a
poblaciones 1 y 3 indican que la mayoría de las ellas descar- distancia no son resultados incompatibles.

b Disparos neuronales c Correlogramas

Población 1 Población 2 Población 3

a Comunicación a través de los disparos neuronales

de una población intermedia de las poblaciones 1 y 3
10
Número de coincidencias
(1 y 3) por segundo

5
1 2 3

0
0 100 200 300 400 500 –80 –40 0 40 80
Tiempo (milisegundos) Desplazamientos (milisegundos)

76  TEMAS 95
 MEDIADOR DE LA COMUNICACIÓN: En este
corte coronal del cerebro (derecha) se destacan el
tálamo y las conexiones bidireccionales de algunos
de sus núcleos con la corteza. La geometría básica
de estas conexiones sugiere que ciertos núcleos
talámicos ejercen de puente para la comunicación
entre distintas zonas corticales. Ello podría explicar
la sincronización neuronal en estas últimas.
Corte coronal
nización simultánea es que la población intermedia se encuentre
equidistante de las poblaciones que queremos sincronizar. En
principio, esto no sería posible en el sistema tálamo-cortical,
puesto que las diversas áreas corticales se encuentran a diferente
distancia del tálamo.
Sin embargo, se ha demostrado que el tiempo que tarda un
impulso en viajar desde el tálamo a áreas corticales distintas
es casi el mismo, con independencia de la distancia que vaya
a recorrer. ¿Cómo es posible? La evolución se ha preocupado
de dotar a los axones (a aquellos más largos) de una mayor
mielinización, que les permite propagar impulsos de forma más
rápida, de manera que compensa la mayor separación. A fin de
cuentas, el tálamo sí se encuentra temporalmente equidistante
de la mayor parte de la corteza, por lo que resulta ideal para
mediar en su comunicación y su sincronización.
SINCRONIZACIÓN, COMUNICACIÓN E INTEGRACIÓN
En resumen, el cerebro pertenece a una clase de sistemas, los
sistemas complejos y adaptativos, con los que comparte la ca-
pacidad de mostrar propiedades emergentes y adaptarse al
entorno. La sincronización neuronal constituye una de estas
propiedades de gran importancia para la comunicación e inte-
gración de información procesada en redes neuronales distantes.
Tal combinación resulta un requisito clave para compensar la
especialización funcional del cerebro y dar lugar a una percep-
ción coherente.
A pesar de que el estudio de los sistemas complejos en ge-
neral se encuentra todavía en su infancia, su influencia deja
WIKMEDIA COMMONS/JOHN A. BEAL/CC BY 2.5
sentirse cada vez más en diferentes áreas de investigación. La
neurociencia no es una excepción: aumentan los laboratorios
que apuestan por adoptar una perspectiva interdisciplinar y glo-
bal estudio del cerebro. A causa de la estructura y funcionalidad
flexible, distribuida y descentralizada del sistema nervioso, sería
extraño que una propuesta puramente reduccionista resultase
satisfactoria sin la ayuda de ideas provenientes del estudio de
sistemas complejos, o, más en concreto, de la biología de sis-
Corteza
Tálamo
temas. Dicha disciplina se preocupa de recuperar una visión
holística de los organismos, tratando de integrar información
e interrelaciones a niveles fundamentales dentro de un enfoque
global para considerar un sistema biológico como un todo, y
no como una simple mezcolanza de estructuras o mecanismos
encadenados.
Abordar un problema desde diversos puntos de vista suele ser
altamente beneficioso, y si la ciencia no lineal y la de los sistemas
complejos están ayudando a que esto ocurra en neurociencia,
su contribución habrá sido enorme. En todo caso, parece que la
gran pregunta seguirá abierta por mucho tiempo.
Artículo publicado en Mente y Cerebro, marzo de 2012
LOS AUTORES
Raúl Vicente investiga en el Instituto de Ciencias de la Computación de la
Universidad de Tartu, en Estonia. Claudio R. Mirasso es catedrático de física e
investigador en el Instituto de Física Interdisciplinar y Sistemas Complejos de la
Universidad de las Islas Baleares.
PARA SABER MÁS
Synaptic self. Joseph LeDoux. Penguin Books, 2003.
La termodinámica de la vida. Eric D. Schneider y Dorian Sagan. Tusquets
Editores, 2008.
Dynamical relaying can yield zero time lag neuronal synchrony
despite long conduction delays. Raúl Vicente et al. en PNAS, vol. 105,
págs. 17.157-17.162, noviembre de 2008.
Dynamic control for synchronization of separated cortical areas through
thalamic relay. Leonardo L. Gollo, Claudio R. Mirasso y Alessandro E. P. Villa
en Neuroimage, vol. 52, págs. 947-955, septiembre de 2010.
Theta band zero-lag long-range cortical synchronization via hippocampal
dynamical relaying. Leonard L. Gollo, et al. en PLOS ONE, vol. 6, e17756,
marzo de 2011.
Cognitive and perceptual functions of the visual thalamus. Yuri B. Saalmann
y Sabine Kastner en Neuron, vol. 71, págs. 209-223, julio de 2011.
Complejidad y caos  77
FENÓMENOS EMERGENTES

Lenguaje,
redes
y evolución
La teoría de redes y la física de sistemas complejos
aportan nuevas pistas sobre los orígenes
y la evolución del lenguaje
Ricard V. Solé, Bernat Corominas Murtra y Jordi Fortuny

78  TEMAS 95
 EL LENGUAJE HUMANO SE ESTRUCTURA EN MÚLTIPLES NIVELES.
A partir de unas reglas de composición simples, los fonemas pueden
combinarse en sílabas, estas en palabras y, gracias a la sintaxis, las
palabras pueden formar oraciones de un poder expresivo ilimitado.
Nuevas técnicas de análisis tradicionalmente asociadas a la matemática
y la física están ayudando a entender los orígenes de esta complejidad.

Complejidad y caos  79
E l empleo de un sistema de comunicación
simbólico capaz de transmitir información
compleja constituye un rasgo exclusivo de
nuestra especie. Aunque ciertos animales pa-
recen poseer algunos de sus elementos pre-
cursores, el nivel de desarrollo del lenguaje humano carece de
émulo en el mundo natural. Tampoco existe ninguna máquina
que logre acercarse —aún— a sus extraordinarias cualidades.
Para numerosos científicos, fue la aparición del lenguaje lo que
cambió para siempre nuestra manera de adaptarnos al mundo;
gracias a él, habríamos dejado de ser una especie más para con-
vertirnos en una capaz de transformar el entorno. Pero ¿cómo
tuvo lugar la transición desde el protolenguaje hacia el sistema
comunicativo complejo y plenamente desarrollado con el que
contamos hoy? ¿Qué elementos hicieron posible ese cambio?
Como ha señalado el lingüista Derek Bickerton, el lenguaje
no deja fósiles, por lo que para responder a tales preguntas nos
vemos obligados a recurrir a datos indirectos. Así, al estudiar
los cambios culturales relacionados con el arte o con la fabri-
cación de herramientas a lo largo de la evolución humana,
se observan transiciones que parecen obedecer a sucesivas
mejoras en nuestras facultades cognitivas y —suponemos—
comunicativas. El aumento del volumen del cerebro y de las
zonas asociadas al habla ha permitido asimismo inferir po-
sibles transiciones en el grado de complejidad del lenguaje.
Durante los últimos años, también la genética ha comenzado
a aportar elementos de análisis, como el descubrimiento del
gen FoxP2, cuya mutación causa trastornos en el habla. Su
secuencia genética en los neandertales coincide con la nuestra,
lo que sugiere que algunos de los aspectos clave del lenguaje
ya se encontraban presentes en aquella especie.
La existencia de tales indicios corrobora otra afirmación de
Bickerton: «Nada ocurre en el mundo sin que deje una marca,
por sutil e indirecta que esta sea». A lo largo de la historia, el
análisis de esas marcas, su naturaleza y sus orígenes (genéticos,
culturales, o ambos) ha dado lugar a grandes debates en el ám-
bito de la lingüística. Estos, sin embargo, han permanecido casi
siempre alejados de la ciencia empírica, basada en la validación
de hipótesis y la propuesta de modelos teóricos.
consecuencia de la interacción entre los componentes indivi-
duales del sistema, no pueden explicarse a partir de la simple
«suma» de estos. El lenguaje humano pertenece a esta clase de
sistemas. Al igual que un hormiguero no puede describirse como
un simple agregado de insectos, tampoco el lenguaje se limita
a la yuxtaposición de un conjunto de palabras.
En una serie de trabajos recientes hemos abordado el estudio
cuantitativo del lenguaje desde esta perspectiva sistémica. A
pesar de que las lenguas del mundo exhiben diferencias no-
tables en su léxico y gramática, todas ellas parecen compartir
unos patrones de organización universales y leyes estadísticas
comunes. El análisis de esas pautas genéricas nos ha permitido
profundizar en varios aspectos relativos a los orígenes de la com-
plejidad en el lenguaje, desde los mecanismos que rigen la
adquisición de la sintaxis en el niño hasta la caracterización del
lenguaje humano como un sistema de comunicación eficiente,
flexible y con una capacidad informativa ilimitada.
EL MUNDO PEQUE ÑO DEL LENGUA JE HUMANO
A la hora de abordar el problema de la arquitectura del lenguaje,
un enfoque nuevo y prometedor se apoya en la teoría de redes,
un campo que ha experimentado un desarrollo espectacular
durante las últimas décadas. La idea esencial consiste en tratar
las palabras como elementos básicos, determinar ciertas pro-
piedades que permitan conectarlas y estudiar la estructura del
entramado resultante.
A modo de ejemplo, consideremos el conjunto de voces que
denotan animales y llevemos a cabo el siguiente experimento:
fijaremos un límite de tiempo de algunos segundos y, durante
ese intervalo, pronunciaremos los nombres de todos los anima-
les que acudan a nuestra mente. Si el lector lo intenta, tal vez
obtenga una lista como
perro, gato, caballo, delfín, ballena, cachalote...
A medida que el tiempo se vaya agotando, es probable que
comiencen a aparecer animales menos comunes y que nos cues-
te más hallar nuevos ejemplos. En cualquier caso, lo que sí
sucederá es que la secuencia generada estará lejos de resultar
azarosa. Dos palabras contiguas casi siempre guardan algún

Esa situación ha comenzado a cambiar hace poco. Durante
los últimos años, la lingüística ha visto nacer un programa de
investigación interdisciplinar caracterizado por el empleo de
herramientas tradicionalmente asociadas a la matemática y a la
física estadística. Entre ellas destaca el análisis de los sistemas
complejos y la forma en que estos experimentan transiciones
bruscas entre sus niveles de organización. En física, llamamos
sistemas complejos a aquellos que, formados por un gran nú-
mero de elementos, exhiben propiedades «emergentes». Estas
se caracterizan por el hecho de que, aunque aparecen como
PÁGINAS ANTERIORES: INVESTIGACIÓN Y CIENCIA, SEGÚN DISE ÑO ORIGINAL DE RICARD V. SOLÉ Y IOSEBAH SANTIAGO
tipo de relación, ya sea porque denotan animales de compañía,
marinos, o tal vez porque pertenecen a alguna clase poco co-
mún en nuestra vida cotidiana, como reptiles o insectos. Para
elaborar la lista, nuestro cerebro recurre a asociaciones con un
claro sentido semántico: relaciona distintas propiedades (como
tamaño, hábitat o familiaridad) y su evaluación en términos de
semejanza determina la elección del siguiente animal.
El experimento que acabamos de describir fue llevado a cabo
en 2010 por investigadores de la Universidad de Navarra lide-
rados por Joaquín Goñi y Pablo Villoslada, con la colaboración

EN SÍNTESIS

Durante los últimos años la lingüís-
tica ha visto nacer un programa de
investigación caracterizado por el
empleo de la teoría de redes, la física
de sistemas complejos y la teoría de
la información.
Esas herramientas han puesto de
manifiesto que, a pesar de sus di-
ferencias, las distintas lenguas del
mundo comparten ciertos patrones
de organización universales y siguen
leyes estadísticas comunes.
El estudio de la conectividad de las
redes lingüísticas permite explicar
numerosos fenómenos, como la poli-
semia (en apariencia ineficiente, pues
introduce ambigüedad) o la organiza-
ción en categorías semánticas.
Investigaciones recientes sobre la
emergencia de la sintaxis en el niño
o sobre la capacidad informativa del
lenguaje han permitido abordar de
manera novedosa el problema de los
orígenes del lenguaje.

80  TEMAS 95
 REDE S SEMÁNTICAS

Perro, gato, león, jirafa...

El estudio cuantitativo de las propiedades emergentes del len-
guaje se basa en la teoría de redes complejas. Para ello, se parte
de un grupo de palabras, se consideran las relaciones que exis-
ten entre ellas y se analizan las propiedades estadísticas del
entramado resultante.
El esquema reproducido aquí se basa en un experimento rea-
lizado en 2010 en el que se pidió a un grupo de participantes
que enunciaran los nombres de todos los animales que acudían
a su mente. El resultado simboliza una red de relaciones semán-
ticas entre términos que denotan animales. En ella se aprecia
la existencia de módulos (conjuntos de vocablos más relacio-
nados entre sí que con el resto, grupos de colores) y de palabras
puente (aquellas que conectan varios módulos, nodos amarillos).
Estas características facilitan enormemente la navegación por la
red, lo cual supone una ventaja a la hora de realizar numerosas
tareas cognitivas.
Varios estudios han demostrado que las redes lingüísti-
cas son redes sin escala. Estas se caracterizan por poseer un
pequeño número de nodos mucho más conectados que el resto,
lo cual permite llegar de un punto a otro con enorme rapidez. En
las redes semánticas, estos «superconectores» serían las pala-
bras muy polisémicas, lo que explicaría la razón de ser de este
fenómeno universal (en apariencia ineficiente, dada la ambigüe-
dad que implica).

Animales domésticos

Perro
Aves
Animales marinos Gato

Insectos
Pez

Pingüino
CORTESÍA DE LOS AUTORES. FUENTE: «THE SEMANTIC ORGANIZATION OF THE ANIMAL CATEGORY: EVIDENCE FROM SEMANTIC VERBAL

Osos
FLUENCY AND NETWORK THEORY», J. GO Ñ I ET AL. EN COGNITIVE PROCESSING, VOL. 12, N. O 2, PÁGS. 183-196, MAYO DE 2011

Reptiles
Zoo

Cocodrilo

Primates Mono Anfibios

Gorilas Orangután

Macaco Raros
Chimpancé

Tormenta de animales: Las relaciones de significado entre palabras pueden inferirse a partir de las listas de términos que
un grupo de sujetos enuncia de manera espontánea, ya que dos palabras consecutivas siempre suelen guardar algún vínculo semántico.
El tamaño relativo de los nodos simboliza la frecuencia con la que aparecen las diferentes palabras en las listas dadas por los probandos.

Complejidad y caos  81
de uno de nosotros (Corominas Murtra). Al repetir la tarea con
numerosos sujetos, fue posible obtener una lista cada vez mayor
de palabras y trazar una red semántica a partir de las relaciones
de significado existentes entre ellas. La organización de la red
reveló la presencia de módulos: agrupaciones cuyos elementos se
encontraban más conectados entre sí que con el resto de la red.
Estos se correspondían con conjuntos de animales clasificables
como domésticos, de zoológico, insectos, reptiles o primates,
entre otros.
Esa estructura modular refleja con claridad una organización
basada en categorías. Pero el experimento mostró algo más: la
existencia de «animales puente», aquellos que permiten saltar,
semánticamente hablando, de un módulo a otro. Ello introduce
un componente muy útil en la red, puesto que contribuye a
crear un entramado muy interconectado en el que puede nave-
garse con facilidad. Algunos de esos nodos puente resultaron
ser animales peculiares (como cocodrilo, que se percibe de igual
modo como «reptil» y como «animal de zoo») o términos más
genéricos, como mono o pez. Aunque este tipo de categorización
se observa en otros aspectos de la actividad cognitiva, en este
caso puede construirse una cartografía que revela la organiza-
ción de las categorías.
Más allá de sus propiedades estructurales, ¿qué podemos
aprender de tales redes? ¿Cuál es su significado funcional? En
el ámbito de la semántica, reviste gran interés la existencia de
cierto tipo de ambigüedades aparentemente universales. Aunque
en principio sería lógico esperar que cada una de las palabras
de una lengua se diferenciase con claridad de cualquier otra, en
todos los idiomas existen multitud de términos que poseen un
mismo significado, y viceversa: palabras que denotan a la vez
varios referentes. Las primeras reciben el nombre de sinónimos;
las segundas son las palabras polisémicas.
El fenómeno de la polisemia no deja de resultar sorpren-
dente. A fin de cuentas, el lenguaje constituye un sistema
que tiende a favorecer una comunicación eficiente, por lo
que, en principio, debería evitar la ambigüedad. Así pues,
¿por qué todas las lenguas presentan polisemia? Si las pa-
labras polisémicas solo supusieran un estorbo, la constante
evolución que experimentan los idiomas (mucho más rápida
que la genética) las habría eliminado. La respuesta a esta
pregunta nos la proporciona, precisamente, la estructura de
las redes semánticas.
En 2002, los físicos argentinos Mariano Sigman y Guillermo
Cecchi realizaron un descubrimiento clave a partir del estudio
de una de las redes de asociación semántica más completas
que existen: Wordnet. Este ambicioso proyecto fue iniciado en
1985 en la Universidad de Princeton por el lingüista George A.
Miller. Entre otros objetivos, se proponía estudiar la manera en
que los seres humanos adquieren y organizan el conocimiento.
Sigman y Cecchi emplearon las herramientas de la teoría de
redes complejas para llevar a cabo el primer estudio de largo
alcance sobre la organización global de Wordnet.
Si se nos presentan las palabras león y rayas, es muy posible
que el vocablo tigre aparezca como una forma de asociar ambos
términos, en principio inconexos. Así, dadas dos palabras elegi-
das al azar, podemos plantearnos el juego de intentar conectar-
las por medio de una cadena de vocablos intermedios. De esta
manera surgirán caminos formados por palabras, cuya longitud
podremos medir. Asimismo, los triángulos entre vocablos nos
proporcionarán una idea del grado de asociación local entre
conceptos: por ejemplo, luz y noche se relacionan con lámpara
y también entre sí, aunque de forma distinta a como cada una de
82  TEMAS 95
ellas lo hace con lámpara. No cabe duda de que las conexiones
entre los diferentes nodos serán de distinta naturaleza; sin em-
bargo, siempre podremos considerarlas todas simultáneamente
para obtener una imagen de la red como un todo organizado en
capas. Al estudiar las propiedades de Wordnet, Sigman y Cecchi
prestaron especial atención a un fenómeno muy peculiar: el
«mundo pequeño».
En 1998, los expertos en teoría de sistemas complejos Duncan
Watts y Steven Strogatz publicaron un artículo de enorme in-
fluencia que arrojaba luz sobre algunas observaciones realizadas
unos decenios antes por varios sociólogos, en especial Stanley
Milgram, acerca de la aparente cercanía social entre individuos.
Para comprender el problema, imaginemos que cada una de
las personas que componen una sociedad se corresponde con
un nodo de una red. Si dos de ellas se conocen, diremos que
están conectadas. De esta manera, podremos vernos a nosotros
mismos como elementos de una gigantesca red social. Dados
dos individuos, definiremos el grado de separación social entre
ellos como el número mínimo de «saltos» que debemos dar para
llegar de uno a otro a través de los nodos de la red. Si tomamos
dos sujetos elegidos al azar, ¿a cuánto ascenderá su grado de
separación promedio?
A partir de una serie de experimentos sencillos basados en el
intercambio de cartas postales, Milgram dedujo que la distancia
social promedio entre dos habitantes de EE.UU. ascendía a unos
seis grados. Por tanto, a pesar de la enorme cantidad de habitan-
tes de un país (del orden de millones), todos nos encontramos
mucho más próximos unos de otros de lo que el sentido común
parece sugerir. Aparte de en las redes sociales, esta misma pro-
piedad se observa en un gran número de redes de otras clases,
desde el genoma hasta los circuitos electrónicos. Este fenómeno,
conocido con el nombre de mundo pequeño, resulta esencial
para lograr un transporte eficiente de información o de energía
a lo largo de una red. Otra característica de las redes de mundo
pequeño reside en que poseen un gran número de triángulos:
dos elementos que se relacionan con un tercero suelen estar
conectados también entre sí.
La red semántica es también un mundo pequeño. Aunque
el léxico analizado por Sigman y Cecchi incluía más de 66.000
palabras, la distancia promedio entre dos de ellas ascendía a
tan solo siete grados. Además, la red mostraba un número de
triángulos muy elevado. El primer resultado refleja la facilidad
con la que puede navegarse por la red. La segunda propiedad
favorece la libre asociación de conceptos.
Pero Wordnet resultó ser algo más: una red «libre de es-
cala». Este tipo de redes se caracterizan por poseer una gran
cantidad de elementos con escasos vínculos y, al mismo tiempo,
unos pocos nodos enormemente conectados. En 1999, Albert-
László Barabási y Réka Albert publicaron uno de los artículos
más influyentes en el campo de las redes complejas, en el que
demostraban que es justamente la presencia de tales super-
conectores lo que da lugar al fenómeno de mundo pequeño.
Aunque al movernos por estas redes la mayoría de los nodos no
nos permitan desplazarnos con rapidez, una vez que alcance-
mos un superconector dispondremos de una ingente cantidad
de posibilidades, por lo que será fácil que a través de alguna
de ellas lleguemos pronto a nuestro destino. Por otra parte, la
pérdida de superconectores —aunque tan solo se trate de unos
pocos— da lugar a una rápida desconexión de la red.
En la red semántica, los superconectores resultaron ser las
palabras polisémicas. Uno de los aspectos más interesantes del
estudio de Sigman y Cecchi consistió en analizar el impacto de
 eliminar dichas palabras, en apariencia poco deseables dada la los diccionarios de sinónimos y antónimos, han confirmado
ambigüedad que conllevan. Una vez extraídas, los investigado- estas observaciones.
res calcularon las propiedades de la red resultante. Las conse-
cuencias fueron enormes, pero negativas: la separación media EL GRAN SALTO
entre palabras aumentó hasta los once grados y el número de Así pues, la red semántica constituye un sistema organizado en
triángulos se redujo en un factor de trescientos con respecto a categorías cuyos elementos se hallan interconectados de manera
la cantidad inicial. muy eficiente. Sin embargo, el proceso mediante el cual crece
La polisemia confiere una cohesión extraordinaria a la red dicha estructura y la forma en que esta se halla almacenada en
semántica, puesto que facilita en gran medida tanto la nave- el cerebro representan preguntas aún abiertas.
gación como la asociación local entre conceptos (medida por En este contexto, una cuestión relevante concierne a la
el número de triángulos). En lugar de introducir ineficiencias, manera en que los humanos manejamos ese nivel de comple-
la ambigüedad facilita sobremanera los vínculos semánticos. jidad; en particular, al modo en que combinamos o asociamos
Esta bien podría ser la razón por la que todos los idiomas del palabras cuando hablamos. No en vano, uno de los atributos
mundo presentan polisemia. A la hora de ejecutar multitud esenciales del lenguaje humano reside en su poder combi-
de tareas cognitivas, nos vemos obligados a navegar a través natorio. A partir de elementos simples y unas reglas básicas
de un vasto universo de palabras y significados en busca de para componerlos, generamos otros más complejos: unimos
relaciones entre ellos. ¿Y qué mejor que un mundo pequeño fonemas para construir sílabas y agregamos estas para formar
para encontrar aquello que buscamos? Estudios posteriores palabras, en una progresión que explota de manera exponencial
con otras redes lingüísticas, como las obtenidas a partir de cuando alcanzamos el nivel de las frases.

R E D E S Y A D Q U I S I C I Ó N D E L L E N G UA J E

Emergencia de la sintaxis
Hacia los dos años de edad, los niños pasan de una fase conocida como etapa de las dos palabras (en la que solo combinan pares
de vocablos de manera primitiva) a otra en la que ya pueden construir frases completas. Sin embargo, no existe una «etapa de las
tres palabras». ¿Cómo se produce esa transición?

derecha
lejos
allí
coche de fuera espejo

sube no
ir aquí enciende
empuja grande
un camión
para nunca sobre casa
más
CORTESÍA DE LOS AUTORES (esquemas de redes sintácticas); DE: «THE ONTOGENY OF SCALE-FREE SYNTAX NETWORKS: PHASE TRANSITIONS IN EARLY

fuera tira
enseña cerca
en aquí un
pon
LANGUAGE ACQUISITION», B. COROMINAS MURTRA, S. VALVERDE Y R. SOLÉ EN ADVANCES IN COMPLEX SYSTEMS 12, PÁG. 371, 2009 (a, b, c)

de
junto haz nuevo
allí
come eso encuentra foto
lo
pon eso esto
máquina toma
mira ir
necesita
abajo sobre es
lado toma uno
atrás gira esto
de
otro
manos rueda
sienta ratón

dedo
avión
caminar

 Antes de la tran-  Poco después de los

sición, la red de aso- dos años, la red sintác-
ciaciones sintácticas a b c tica experimenta una pro-
presenta una estruc- funda transformación y se
tura arborescente convierte en una red libre
(a y b). La mayoría de de escala (c). Abundan los
las palabras están vínculos, aparecen varios
desconectadas o se superconectores (nodos
relacionan solo por amarillos) y el niño ya
parejas. puede producir frases com-
pletas y bien organizadas.

25 meses 26 meses 28 meses

Complejidad y caos  83
 A la hora de estudiar el poder combinatorio del lenguaje, el
proceso de adquisición de la lengua materna por parte del niño
nos ofrece una ventana única. Ello se debe a que los bebés no
«aprenden» las reglas de un idioma en el mismo sentido en que
lo haría un adulto, sino que las construyen a partir de los datos
dispersos que les proporcionan otros individuos de su comuni-
dad. En el proceso, obtienen una serie de reglas complejas, pero
estas nunca son exploradas de forma sistemática mediante una
infinidad de ejemplos. Todo lo contrario: el niño participa de
una inmersión lingüística necesariamente incompleta, ya que las
palabras y frases a las que se ve expuesto nunca pueden cubrir
todas las eventualidades del idioma.
No solo la lista de ejemplos que obtiene el niño es incomple-
ta, sino que el bebé tampoco recibe ninguna instrucción explí-
cita sobre el uso de las reglas del idioma. De hecho, los adultos
poseemos un conocimiento lingüístico fundamentalmente táci-
to, no explícito. Ningún castellanohablante formularía jamás la
pregunta ¿Qué vi el estudiante que contó?, donde pretendemos
que el pronombre interrogativo (qué) se interprete con relación
al verbo de la subordinada (contó). La gramática del español,
así como la de la gran mayoría de las lenguas, no permite tales
construcciones. Sin embargo, un hablante no es consciente de
la estructura que subyace a sus propias producciones lingüís-
ticas. Solo puede aproximarse a ella mediante la elaboración
de teorías, al igual que cuando intenta comprender cualquier
otro aspecto de la realidad.
Durante los dos primeros años de vida, el niño habrá oído
con gran frecuencia ciertas palabras, algunas secuencias comu-
nes formadas por pares de vocablos y un número mínimo de
frases (comparado con el universo de combinaciones posibles).
Sin embargo, esa limitada exposición a la complejidad de la
sintaxis bastará para que, de algún modo, hacia los dos años
de edad se produzca una transición inesperada. En torno a los
dos años, los niños dejan atrás la «etapa de las dos palabras»
(aquella en la que solo combinan pares de términos de forma
primitiva) y comienzan una fase nueva y extraordinaria en la
que ya pueden construir frases complejas, con muy pocos o
incluso con ningún error. Esta extrapolación desde unos po-
cos ejemplos hacia un conjunto de reglas generales se conoce
como problema lógico de la adquisición del lenguaje: ¿cómo
es posible lograr un conocimiento tan sistemático, refinado y
complejo a partir de un estímulo comparativamente pobre,
parcial e incluso repleto de contradicciones?
Resulta muy significativo que el desarrollo de la sintaxis tenga
lugar de forma explosiva. Durante la adquisición de la lengua
materna, el niño atraviesa una primera etapa en la que solo
emplea palabras aisladas. Después, otra en la que ya usa parejas
de vocablos. Sin embargo, no existe una «fase de las tres pala-
bras». Al superar la etapa de las dos palabras, la sintaxis infantil
ya contiene gran parte de la complejidad de la sintaxis adulta.
Podemos decir que en el proceso de adquisición de la sintaxis se
produce un salto «de dos a infinito», ya que las reglas generativas
del lenguaje adulto son tales que permiten formular oraciones
de tamaño ilimitado.
El proceso de adquisición del idioma y sus transiciones han
dado pie a algunas de las mayores y más acaloradas controver-
sias. ¿Depende la adquisición del lenguaje de un sistema cogniti-
vo preparado para que esta tenga lugar? ¿O, como plantea Noam
Chomsky, existe un «órgano del lenguaje» que posibilita ese sal-
to de lo fragmentado a lo general? El problema de la pobreza de
estímulo sugiere la existencia de un componente innato que los
lingüistas han dado en llamar Gramática Universal. Esta guiaría
84  TEMAS 95
¿Constituye el lenguaje
humano la única
solución al problema
de la comunicación
compleja, o solo una de
muchas posibles?
al individuo durante la adquisición del idioma, restringiendo el
conjunto de lenguas naturales posibles y proporcionándole los
elementos de análisis básicos.
Pero la pregunta relevante no concierne a la legitimidad
de tal componente (resulta obvio que el ser humano posee
una dotación cognitiva que le permite desarrollar un lenguaje
complejo, mientras que un gato no), sino a su contenido y es-
tructura. Una cuestión muy debatida plantea si la Gramática
Universal consta de elementos inherentemente lingüísticos
o si, en su lugar, se compone de principios más generales.
Dado que la sintaxis corresponde a un sistema combinatorio
basado en reglas, parece que para afrontar el problema de su
adquisición deberíamos considerar, al menos en lo esencial,
dicha naturaleza. Por tanto, en lugar de estudiar el número de
palabras aprendidas a lo largo del tiempo, tal vez convendría
explorar la manera en que estas se relacionan entre sí a medida
que el niño las aprende.
Para tratar dicha cuestión, en 2009 llevamos a cabo un es-
tudio en el que empleamos la base de datos CHILDES, un gran
corpus lingüístico que documenta el proceso de adquisición de
la lengua por parte del niño. Los ejemplos típicos de esta reco-
pilación incluyen largos diálogos entre un progenitor y su hijo
durante varios meses. A partir de estas conversaciones —carac-
terizadas por grandes dosis de imitación y redundancia, sobre
todo al principio— pueden extraerse las estructuras sintácticas
que van apareciendo a medida que el niño crece. Estas, a su
vez, permiten conectar las palabras que guardan una relación
sintáctica.
Para llevar a cabo nuestro estudio, a partir de cada produc-
ción del niño derivamos primero la estructura de constituyentes,
o estructura sintáctica desnuda. Por ejemplo, los constituyentes
básicos de la oración El nene quiere agua son
[El nene] [quiere agua].
Después, localizamos el núcleo de cada uno: en el primero (un
sintagma nominal), el núcleo es nene; en el segundo (un sintag-
ma verbal), quiere. De esta manera, ambas palabras aparecerán
conectadas en la red, la cual se irá formando por agregación
de relaciones similares. Cabe destacar que el lenguaje infantil
no suele ser tan transparente, por lo que un análisis riguroso
resulta complejo y exige un estudio detallado del contexto de
la conversación, entre otros aspectos.
¿Qué ocurre con esa red a medida que el niño adquiere la
sintaxis? Como cabría esperar, a los dos años de edad sobreviene
una transición que marca el paso de una red poco conectada a
otra con un gran número de vínculos. Durante la primera fase,
 las redes sintácticas son muy reducidas y se parecen a lo que
los matemáticos denominan «árboles», con numerosas palabras
aisladas de las demás. Tales redes, que indican que las relaciones
sintácticas entre términos son aún escasas, reflejan con claridad
el hecho de que las producciones del niño apenas constan de
más de dos palabras.
Al cruzar el umbral de los dos años, la organización de las
relaciones sintácticas experimenta un cambio drástico. Este que-
da ilustrado a la perfección por la aparición de redes libres de
escala: todas las palabras se hallan ahora conectadas, si bien la
mayoría lo está con tan solo una o dos, mientras que un conjunto
reducido de ellas posee un número de vínculos muy elevado.
La riqueza de las conexiones explota y se plasma en una red de
mundo pequeño, en la que unos pocos nodos muy conectados
(palabras como un o eso) permiten encontrar con facilidad la
relación sintáctica deseada. Algunas de las palabras clave en
la sintaxis adulta habrán ganado ya muchas conexiones y no
abandonarán el núcleo de la red.
Cabe señalar que en la naturaleza se observan redes de varias
clases. Sin embargo, vemos que las lingüísticas —semánticas
o sintácticas— comparten la propiedad de ser redes libres de
escala y de mundo pequeño. (No obstante, existen diferencias en
las leyes matemáticas que las controlan, así como en su grado
de modularidad y la naturaleza de sus correlaciones.)
MÍNIMO ESFUERZO
¿Qué sucede durante la transición que acabamos de describir?
En ella se observan las trazas de un cambio cualitativo en la
manera de generar frases. Hasta llegar a la etapa de las dos
palabras, las producciones del niño constan, o bien de términos
sueltos, o bien de combinaciones de dos vocablos semánticamen-
te complementarios, como nombre-adjetivo o verbo-nombre. Sin
embargo, las partículas funcionales (principalmente, artículos
y preposiciones) casi no aparecen. Más tarde, la incorporación
de partículas funcionales y una mayor riqueza morfológica da-
rán lugar a una gran plasticidad en las producciones del niño.
Comienzan así a aparecer nuevas construcciones sintácticas
gracias a un proceso de anidamiento de subestructuras que no
conoce límite superior. Esta facultad para generar estructuras
de tamaño ilimitado mediante procesos sucesivos de anidamien-
to recibe el nombre de recursividad, una característica que ha
sido considerada por la escuela chomskyana como la propiedad
esencial del lenguaje humano.
La creación de estructuras mediante el mecanismo de recur-
sividad exige una contrapartida: la capacidad para interpretar
esas producciones. En el lenguaje humano, dicha interpreta-
ción es composicional. No solo tenemos en cuenta las piezas
léxicas que forman parte de un enunciado, sino también las
relaciones que existen entre ellas en el contexto de la oración.
De forma intuitiva, podemos decir que la interpretación de
una frase compleja supera a la «suma» de los significados de
las palabras que la componen. Esta competencia para interpre-
tar composicionalmente las estructuras sintácticas generadas
mediante procesos de recursividad constituye la base del me-
canismo que confiere al lenguaje su enorme poder expresivo.
A juicio de numerosos expertos, su aparición a lo largo de la
evolución constituye uno de los principales enigmas a los que
se enfrenta el estudio de los orígenes del lenguaje.

R E C U R S I V I DA D Y C O M P O S I C I O NA L I DA D

Poder expresivo sin límites

Uno de los rasgos definitorios del lenguaje humano
estriba en que las reglas que rigen la sintaxis permi-
ten crear estructuras de tamaño, a priori, ilimitado.
Esta característica recibe el nombre de recursivi-
dad. La figura representa de manera esquemática la
estructura de la oración El niño juega a la pelota en
cinco constituyentes:

S1 = [la pelota]
S2 = [a [la pelota]]
S3 = [juega [a [la pelota]]]
S4 = [El niño]
S5 = [[El niño] [juega [a [la pelota]]]]

A su vez, estos han sido construidos a partir del

anidamiento de otros constituyentes, lo cual nos
permite llegar a las estructuras de menor tamaño:
las piezas léxicas la, pelota, a, juega, el, niño. Al
mismo tiempo, la oración puede actuar como cons-
tituyente anidado en una estructura superior; por
ejemplo, como subordinada en He visto que [el niño
juega a la pelota].
En principio, podemos alargar la oración tanto como deseemos. Es más, cada frase adicional transmitirá un significado nuevo que
CORTESÍA DE LOS AUTORES

irá más allá de la «suma» de los significados de los constituyentes. Esta propiedad se denomina composicionalidad. Recursividad y
composicionalidad confieren al lenguaje su enorme poder expresivo. Sin embargo, pese a su importancia y a los esfuerzos realizados
durante décadas por investigadores de diversas disciplinas, la forma en que el cerebro implementa ambas propiedades resulta, hoy
por hoy, totalmente desconocida. Este es, probablemente, el mayor reto al que se enfrenta nuestra comprensión del lenguaje.

Complejidad y caos  85
 un texto N(1) veces, la segunda (rango r = 2)
aparecerá N(1)/2 veces, la tercera, N(1)/3,
etcétera. La ley de Zipf refleja la existencia
de unas pocas palabras muy frecuentes, las
cuales conviven con una inmensa mayoría
de términos «raros».
En nuestro artículo examinábamos una
idea propuesta con anterioridad por diver­
sos autores y basada en una conjetura for-
mulada por el propio Zipf. A mediados del
siglo pasado, Zipf sugirió la posibilidad
de que el lenguaje humano siguiese una
«ley de mínimo esfuerzo», la cual afecta-
ría tanto al emisor como al receptor de
un mensaje. Por un lado, un hablante de-
searía emplear el menor número posible
de palabras; ello, sin embargo, obligaría
al oyente a realizar un esfuerzo enorme
para descifrar el mensaje. Por otro, si el
emisor utilizase un repertorio muy amplio
e inequívoco, sería demasiado costoso para
él. Zipf propuso que la evolución de las
lenguas tal vez obedeciese a un principio
de compromiso entre ambas posturas. En
particular, ello explicaría el hecho de que
ningún léxico esté formado por una sola
palabra (coste mínimo para el emisor),
pero tampoco por tantos vocablos como
significados posibles (esfuerzo mínimo
para el receptor).
De ser cierta la hipótesis anterior, ta-
les propiedades deberían reflejarse en la
estructura estadística del lenguaje; lo que,
retomando a Bickerton, constituiría una de
las señales dejadas por la evolución. Usando
«BOZOPITE, PÁSAME LA MALEWINA»: El lenguaje puede evolucionar en sistemas
elementos de la teoría de la información
robóticos. Los autómatas del investigador Luc Steels (fotografía) aprenden del entorno
e inventan palabras para referirse a los objetos. Mediante procesos de ensayo y error,
para describir los esfuerzos del hablante
un grupo de robots puede desarrollar un léxico común y una gramática simple. y el receptor (algo que ya se había hecho
con anterioridad), en nuestro artículo de
2011 demostramos que, en todo sistema de
comunicación que tendiese a minimizar
Con todo, tales observaciones corresponden a una descrip- ambos esfuerzos, la ley de Zipf emergería de forma natural.
ción cualitativa del fenómeno, no cuantitativa. Desde un punto Además, si suponemos que el lenguaje crece en complejidad a
de vista más científico, podemos preguntarnos si los patrones medida que evoluciona (es decir, que no constituye un sistema
estadísticos observados tras la emergencia de la sintaxis resul- estático, sino flexible), resulta posible demostrar que el código
tan compatibles con la hipótesis de que el lenguaje posea una menos costoso que muestra una capacidad informativa ilimi-
capacidad ilimitada de transmitir información. Por otra parte, tada sigue, precisamente, la ley de Zipf.
deberíamos también investigar por qué se da un salto desde Por último, el salto de dos a infinito parece necesitar la ley
estructuras de solo dos elementos hasta otras con un número de Zipf como ingrediente clave. En un estudio reciente he-
ilimitado de ellos. mos demostrado que es posible construir un sistema formal
En 2011 publicamos un artículo que parece sugerir una de anidamiento de conjuntos en el que, una vez que pasamos
respuesta afirmativa a la primera pregunta. Consideremos la de grupos de dos componentes a grupos de tres, el salto a un
CORTESÍA DE LUC STEELS; LABORATORIOS SONY, PARÍS

frecuencia de uso de las palabras de una lengua, la cual puede potencial generativo ilimitado ya ha tenido lugar. En dicho
medirse con facilidad a partir del análisis de textos escritos. sistema, la ley de Zipf es un requisito indispensable, ya que
Si ordenamos los vocablos según la probabilidad con la que combina precisión (múltiples palabras poco probables y de uso
aparecen en un texto obtendremos una distribución conocida específico) y ambigüedad (pocas palabras muy frecuentes y de
como ley de Zipf, así llamada en honor al lingüista George K. uso genérico) de acuerdo con una ley muy bien definida. Si
Zipf, quien en la década de 1930 la describió por primera vez en bien este marco teórico es aún muy abstracto, sugiere la idea
el contexto del lenguaje humano. Esta nos dice que la frecuen- de que una gran parte de la transición observada en el proceso
cia N(r) con la que aparece la r-ésima palabra más usada de de adquisición de la lengua obedece a un principio organizativo
un texto resulta inversamente proporcional a r. Dicho de otro fundamental que nuestro cerebro habría alcanzado en el curso
modo, si la palabra más empleada (de rango r = 1) se usa en de la evolución.

86  TEMAS 95
 LENGUA JES SINTÉTICOS Y EVOLUCIÓN
Al investigar los orígenes de la complejidad del lenguaje, no
podemos pasar por alto otras escalas de organización ni, en
particular, el papel desempeñado por la evolución cultural.
Los idiomas sufren cambios notables en una escala de tiempo
mucho menor que la que caracteriza a la evolución genética.
Si tomamos un texto en nuestra lengua materna escrito hace
apenas unos cientos de años, descubriremos gran cantidad de
arcaísmos e incluso experimentaremos dificultades para com-
prenderlo. Así pues, parece que deberíamos tener en cuenta
el cambio lingüístico a lo largo del tiempo. Esta idea se antoja
también difícil de explorar, dado que la evolución de los modos
culturales escapa a nuestra capacidad de experimentación. Con
todo, una nueva generación de investigadores ha sabido sacar
partido de la simulación por ordenador para remedar el camino
que conduce al lenguaje.
Bajo la estela de su principal precursor, el lingüista Jim
Hurford, diversos autores, como Simon Kirby o Morten Chris-
tiansen, han llevado a cabo experimentos virtuales en los que
una población de «agentes» capaces de intercambiar y procesar
palabras desarrollan algunas propiedades características del
lenguaje. Algunos de los modelos de Kirby muestran que ciertas
reglas de ordenación de palabras surgen —se «descubren»— de
manera espontánea como resultado de la evolución. Kirby y
otros investigadores, como Terrence Deacon, sospechan que el
lenguaje ha evolucionado para sobrevivir en un ambiente defi-
nido por la naturaleza del cerebro humano. En estos modelos,
se considera al lenguaje como un «virus» que infecta la mente
del niño y que, por tanto, actuaría como una entidad simbiótica:
los humanos necesitaríamos el lenguaje para prosperar o incluso
para sobrevivir, mientras que el lenguaje dependería de nosotros
para reproducirse. Aunque esta hipótesis resulta muy atractiva,
nos dice poco sobre el problema de fondo: ¿qué procesos rigen
la evolución del lenguaje?
¿Descubriremos alguna vez el origen del lenguaje humano?
¿Constituye su estructura la única solución al problema de la
comunicación compleja, o tan solo una de muchas posibles?
Podría argumentarse que esta pregunta carece de sentido. Dado
que el lenguaje no deja fósiles, jamás podremos reconstruir
el camino que ha seguido a lo largo de millones de años. Sin
embargo, dos enfoques novedosos podrían ayudar a resolver
la cuestión.
El primero se basa en la existencia de ciertas pautas uni-
versales en la evolución hacia la complejidad. Aunque las len-
guas del mundo exhiben diferencias importantes en su léxico
y reglas gramaticales, la presencia de patrones de organización
generales (como la ley de Zipf o la emergencia de redes de
mundo pequeño y libres de escala) sugieren que el lenguaje
humano constituye una solución única al problema de la co-
municación segura pero a la vez flexible. De ser así, podríamos
definir, al menos a grandes rasgos, el camino seguido por la
evolución hasta hoy.
La segunda posibilidad consiste en hacer evolucionar formas
de lenguaje en sistemas robóticos. En este contexto, el empleo
de agentes artificiales añade una dimensión especialmente in-
teresante al debate. En lugar de construir modelos del lenguaje
humano, quienes investigan en este campo emplean robots
equipados con sensores y un «cerebro» muy simple, como una
red neuronal. Una versión estándar de este tipo de sistemas
nos la proporcionan los experimentos de Luc Steels, experto
en inteligencia artificial de los Laboratorios de Ciencias de la
Computación Sony de París y del Instituto de Biología Evolutiva
de Barcelona. Steels empleó dos sistemas robóticos sencillos,
equipados de visión y facultados para observar un conjunto de
objetos y asignarles nombres. Estas «cabezas parlantes», como
se llamó al primer experimento, podían comunicarse entre sí e
intercambiar información sobre los objetos del entorno y sus
propiedades.
Steels intentaba con ello recrear los (posibles) primeros pasos
del lenguaje. Sus robots debían segmentar la información rela-
tiva a cada objeto, como su color o localización en el espacio, y
elegir un nombre para denominarlos. Los términos empleados
eran palabras inventadas, como bozopite o malewina, por lo
que durante el proceso de comunicación cada robot intentaba
deducir a qué objeto o atributo hacía referencia su compañero.
De tanto en tanto, de este intercambio de información surgía el
acuerdo y ambas máquinas comenzaban a emplear el mismo tér-
mino. Al final, los robots generaban un gran número de palabras
para indicar orientaciones espaciales (arriba, abajo, etcétera)
y otros atributos, como color o tamaño. Un resultado de este
tipo de experimentos «evolutivos» es la aparición de categorías
de significado. En otros estudios con robots más avanzados se
observó también la emergencia de una gramática rudimentaria
como respuesta a situaciones ambiguas.
Un aspecto importante de tales trabajos consiste en descubrir
la importancia de la interacción física del robot con el medio
externo y la percepción que el autómata tiene de sí mismo y de
los demás dentro del espacio. ¿Qué tipo de lenguajes aparecerán
cuando se empleen robots más complejos? ¿Surgirá uno parecido
al nuestro —lo que apuntaría a la existencia de leyes universa-
les— o asistiremos a la creación de una forma completamente
nueva de lenguaje?
Artículo publicado en Investigación y Ciencia, mayo de 2013
LOS AUTORES
Ricard V. Solé es investigador ICREA en la Universidad Pompeu Fabra y
miembro del Instituto Santa Fe, en Nuevo México; sus investigaciones se
centran en los orígenes de la complejidad biológica. Bernat Corominas Murtra
investiga en Instituto de Ciencia y Tecnología de Viena; estudia los aspectos de
la teoría de la información en sistemas complejos y teoría de redes. Jordi
Fortunyes investigador de la Universidad de Barcelona; sus trabajos se centran
en el estudio teórico de los rasgos de diseño del lenguaje.
PARA SABER MÁS
Redes complejas. Ricard V. Solé. Tusquets, Barcelona 2009.
Language networks: Their structure, function and evolution. Ricard V. Solé,
Bernat Corominas-Murtra, Sergi Valverde y Luc Steels en Complexity, vol. 15,
págs. 20-26, febrero de 2009.
The ontogeny of scale-free syntax networks: Phase transitions in early
language acquisition. Bernat Corominas-Murtra, Sergi Valverde y Ricard
V. Solé en Advances in Complex Systems, vol. 12, págs. 371-392, junio de 2009.
Diversity, competition, extinction: The ecophysics of language change.
Ricard V. Solé, Bernat Corominas-Murtra y Jordi Fortuny en Journal of the
Royal Society Interface, vol. 7, págs. 1647-1664, junio de 2010.
Emergence of Zipf’s law in the evolution of communication. Bernat
Corominas-Murtra, Jordi Fortuny y Ricard V. Solé en Physical Review E,
vol. 83, art. 036115, marzo de 2011.
EN NUESTRO ARCHIVO
El lenguaje humano. VV. AA. Temas de IyC n.o 5, 1996.
Adiós al principio modular del lenguaje. I. B. Schlesewsky y M. Schlesewsky
en MyC n.o 53, 2012.
Complejidad y caos  87
 FENÓMENOS EMERGENTES

Complejidad,
tecnología
y sociedad
La evolución técnica y social
de la humanidad ha estado
marcada por la necesidad
de controlar un entorno
de complejidad creciente.
¿A qué se debe esa tendencia?
¿Cómo está afectando a
la ciencia, la educación y las
formas de gobierno?
Carlos Gershenson

AUTOORGANIZADOS: Este mosaico (Everybody’s hive, acrílico sobre lienzo del

autor) evoca varias de las características que permiten entender nuestras sociedades
CARLOS GERSHENSON

desde la perspectiva de los sistemas complejos. El color de cada individuo ha sido

escogido al azar, pero con la restricción de que no puede coincidir con el de ninguno
de sus vecinos. Como resultado, emerge un patrón cromático que sigue reglas locales
bien definidas pero cuya estructura global no puede predecirse a priori.

88  TEMAS 95
Complejidad y caos  89
N uestras sociedades se han vuelto cada vez
más complejas. Globalización, conectivi-
dad, información... son palabras que oímos
con frecuencia y que reflejan ese incremen-
to de complejidad. Nuestros sistemas eco-
nómicos, sociales o culturales conectan cada vez más elemen-
tos, presentan más interacciones y operan a mayor velocidad.
¿Cómo hemos podido afrontar ese aumento de la complejidad
con un cerebro que, en esencia, no difiere del de nuestros anti-
guos ancestros paleolíticos?
Esa progresión ha sido posible gracias a la tecnología. Su
efecto sobre nuestras sociedades es doble: por un lado, nos per-
mite manejar la complejidad; pero, por otro, también la genera.
¿Hacia dónde nos lleva esta tendencia? Para entender mejor el
problema, debemos primero aclarar a qué nos referimos al ha-
blar de complejidad. Es común oír que nuestro mundo, nuestras
ciudades, el lenguaje o el cerebro son complejos. Pero ¿qué es
la complejidad?
El término procede del latín plexus, que significa «entreteji-
do». Algo complejo resulta difícil de desmenuzar: no podemos
separar sus partes constituyentes y estudiarlas de manera ais-
lada porque son interdependientes. Todo sistema complejo se
caracteriza por la existencia de interacciones relevantes entre
sus componentes. El comportamiento del conjunto no puede
predecirse sin considerar dichas interacciones, ya que estas
codeterminan el estado futuro de los componentes y, por tanto,
del sistema entero. Más aún: esas interacciones pueden generar
información nueva, que no se encuentra en las condiciones
iniciales ni en las de frontera, lo cual limita de manera inhe-
rente nuestra capacidad para predecir el comportamiento de
un sistema complejo.
Por ejemplo, aunque conozcamos con detalle todas las pro-
piedades de una molécula determinada, en general no podremos
predecir con exactitud cómo reaccionará con otras hasta que
llevemos a cabo el experimento. Ello se debe a que no dispone-
mos de información completa sobre sus interacciones hasta que
estas tienen lugar. Existen docenas de definiciones y medidas de
complejidad. De manera intuitiva, podemos decir que la com-
plejidad de un sistema aumenta con el número de componen-
tes, con el número de interacciones (más interacciones entre el
mismo número de componentes implican más complejidad),
así como con la complejidad intrínseca a dichos componentes
e interacciones.
VARIEDAD REQUERIDA
Manejar la complejidad requiere disponer de una complejidad
aún mayor. Esta condición constituye una generalización de
la ley de la variedad requerida, propuesta hace más de medio
siglo por W. Ross Ashby en el contexto de la cibernética, el
estudio científico del control y la comunicación en animales
y máquinas. La ley de la variedad requerida hace referencia a
un controlador, el cual desea gobernar un sistema que puede
adoptar diversas configuraciones. Para ejercer un control eficaz
sobre ellas, la variedad del controlador habrá de ser mayor que
la del sistema. En otras palabras, el primero deberá poseer un
número de estados mayor que el segundo.
Pensemos en un brazo robótico que ha sido fabricado para
manipular ciertos utensilios (pernos y tuercas, por ejemplo).
Si deseamos que comience a manejar otros, su diseño deberá
incorporar las eventualidades asociadas a esos nuevos elemen-
tos. Para hablar una lengua habremos de dominar sus palabras,
relaciones, usos y significados. Pero, si nos proponemos hablar
dos, claramente habremos de dominar una variedad lingüística
mayor que la necesaria para cada idioma por separado. En gene-
ral, cuanto más complejo sea un sistema (el brazo robótico o el
cerebro, en los ejemplos anteriores), mayor será la complejidad
a la que podrá hacer frente.
Como aplicación de este principio, en nuestro grupo de la
Universidad Nacional Autónoma de México (UNAM) hemos
desarrollado un sistema de semáforos que se autoorganiza y
adapta su complejidad a la del flujo vehicular. Los métodos
tradicionales tratan la regulación del tráfico como un problema
de optimización: intentan maximizar el flujo para una densidad
de vehículos determinada. Sin embargo, el tráfico constituye un
sistema complejo que cambia de manera constante, por lo que
su control debe verse más como un problema de adaptación
que como uno de optimización. Al incorporar la complejidad
requerida, nuestro sistema de semáforos consigue reducir a la
mitad el tiempo de espera de los vehículos.
Por sí mismo, nuestro cerebro solo puede hacer frente a una
variedad y complejidad finitas, similares a la del entorno en
que evolucionaron nuestros ancestros. Por eso estamos acos-
tumbrados a pensar de manera reduccionista, ya que nuestras
facultades cognitivas no nos permiten considerar más que unas
pocas variables al mismo tiempo.
Hasta ahora, nuestra ciencia ha sido principalmente reduc-
cionista: simplifica y aísla para poder predecir. Este método,
iniciado en tiempos de Galileo, Newton, Laplace y Descartes, ha
rendido unos frutos extraordinarios. En medicina ha duplicado
la esperanza de vida en todo el mundo durante el último siglo, al
identificar y eliminar  las causas de un gran número de enferme-
dades infecciosas. Se ha reducido considerablemente el hambre.
Se han desarrollado ordenadores y formas de comunicación que
han revolucionado nuestra cultura.
Sin embargo, dicho enfoque tiene sus límites. Hoy en día,
la mayoría de las muertes en los países desarrollados se deben

EN SÍNTESIS

La tecnología ha ejercido un efecto
profundo sobre nuestras sociedades.
Por un lado, nos permite afrontar la
complejidad del entorno; por otro,
también la incrementa.
Esa tendencia puede explicarse a
partir de la ley de la variedad reque-
rida, un resultado demostrado hace
más de cincuenta años en el contexto
de la cibernética.
La retroalimentación tecnológica ha
llevado a la ciencia a un punto de
inflexión. Gracias a los ordenadores,
hoy resulta posible analizar fenóme-
nos complejos.
Una ciencia de los sistemas globales
permitiría manejar los retos científi-
cos, educativos y sociales a los que se
enfrentará un planeta cada vez más
conectado.

90  TEMAS 95
 C O N T R O L D E L A C O M P L E J I DA D

Ventajas de la autoorganización
Una ley básica de la cibernética esta- ciencia de numerosos sistemas complejos
blece que cualquier «controlador» debe presentes en las sociedades modernas.
disponer de una complejidad mayor que la Un ejemplo sencillo lo hallamos en
del sistema que desea gobernar; en caso el tráfico rodado. El flujo de vehículos en
contrario, el primero no podrá responder una ciudad conforma un sistema inter-
de forma adecuada a todas las configura- conectado cuyo grado de complejidad
ciones posibles del segundo. La aplicación cambia constantemente. Según mues-
de dicho principio permitiría mejorar la efi- tran las simulaciones llevadas a cabo por
el equipo del autor, un sistema de semá-
foros que se adaptase en cada momento
a la complejidad del tráfico reduciría de
manera considerable el tiempo de espera
medio de los vehículos. Las imágenes
inferiores muestran las diferencias entre
este método (abajo) y la manera tradicio-
nal de regular el tráfico (arriba).

Semáforo en verde Semáforo en rojo Vehículo en movimiento Vehículo detenido

 

Enfoque tradicional basado en la optimización: Control centralizado

Las formas más habituales de regular el tráfico se basan en métodos centralizados: se intenta predecir el flujo pro-
medio de los vehículos y, a partir de ese dato, se diseña un sistema de semáforos que minimice los tiempos de espera.
Sin embargo, el número de automóviles que llegan a un cruce es casi siempre mayor o menor de lo esperado. Si el
sistema no puede adaptarse a esos cambios, se producirán atascos y retrasos. En esta simulación, los semáforos aca-
ban dando vía libre a calles que no tienen tránsito (derecha), una situación común en ciudades como México DF.

 

Nuevo enfoque basado en la adaptación: Control emergente

Un método alternativo consiste en permitir que cada semáforo tome sus propias decisiones de manera
local. Un conjunto de sensores puede contar el número de vehículos que se acercan a un semáforo en rojo
y dar la orden de cambiar a verde antes de que se acumulen demasiados. Junto con otras reglas simples, el
sistema dará así preferencia a las calles con mayor demanda. Como resultado, el tráfico se autoorganiza de
manera similar a como lo hace una bandada de pájaros, adaptándose a los cambios por medio de interac-
ciones locales. Ello genera un flujo continuo y evita los cuellos de botella.

a enfermedades crónicas y degenerativas, como el cáncer, la economía globalizada, determinada por un sinfín de actores
CORTESÍA DEL AUTOR

diabetes o los trastornos cardiovasculares. Se trata de enfer- interdependientes. Por un lado, la complejidad de nuestro en-
medades complejas, con múltiples causas y por lo tanto sin torno ha aumentado gracias a los avances científicos y técnicos.
una única cura. No tenemos una idea clara de nuestro impacto Por otro, la tecnología encierra el potencial para manejar dicha
sobre el medio natural. Tampoco sabemos cómo manejar una complejidad.

Complejidad y caos  91
 HOMO TECHNICUS
De manera general, llamaremos tecnología al conjunto de herra-
mientas y habilidades usadas con cierto propósito. Eso incluye
ordenadores, automóviles, teléfonos, libros, armas, medica-
mentos y lenguas. La nuestra no es la única especie creadora
de tecnología. Primates, delfines y cuervos han desarrollado
herramientas con distintos propósitos. Sin embargo, hasta el
momento somos la especie que ha generado la tecnología más
compleja y con mayor impacto sobre el entorno.
Desde un punto de vista biológico casi no nos diferencia-
mos de nuestros ancestros paleolíticos, cuya tecnología incluía
fuego, ropa, armas y útiles de piedra, madera o hueso. Hoy, sin
embargo, la tecnología nos permite realizar tareas mucho más
complejas que las que podían llevar a cabo nuestros antepasados
con el mismo cerebro. Jamás podríamos comunicarnos al instan-
te ni transportarnos a otros continentes sin ayuda de nuestros
artefactos. Ese espectacular aumento en nuestra capacidad para
controlar y transformar el entorno ha sido posible gracias a la
tecnología, más que a la evolución biológica.
Podemos decir que la tecnología ha aumentado nuestras
facultades cognitivas. Como ha defendido el filósofo de la
Universidad de Edimburgo Andy Clark, nuestros artefactos
funcionan como una «mente extendida», ya que ejecutan ta-
reas que antes llevábamos a cabo exclusivamente en el cere-
bro. Pero la tecnología va más allá: actúa como una especie
de «muleta mental» que nos permite llegar mucho más lejos
que nuestro cerebro. Por ejemplo, hoy ya resulta imposible
memorizar toda la información que almacenamos en nuestros
teléfonos celulares.
La tecnología no solo ha aumentado nuestra capacidad para
manejar conceptos cada vez más complejos. También ha incre-
mentado la complejidad de nuestras interacciones. La tecno-
logía influye y determina de manera esencial nuestro compor-
tamiento. Se ha convertido en un aspecto clave de lo que nos
define como humanos.
MOTOR SOCIAL
A lo largo de la historia de la humanidad, la tecnología ha ejerci-
do una influencia clave sobre nuestras sociedades. El desarrollo
de la agricultura permitió la transición de un estilo de vida
nómada a otro sedentario. Al disponer de fuentes de alimento
abundantes y relativamente seguras, las poblaciones crecieron
y se fundaron las primeras ciudades. Ello aumentó el tamaño
de las comunidades, lo que a su vez contribuyó a incrementar
su complejidad.
Para hacer frente a dicha complejidad se desarrollaron acue-
ductos, murallas, sistemas de drenaje y de transporte. Todo ello
propició la aparición de nuevas profesiones, lo que fomentó la
especialización entre los miembros de la sociedad. Para inter-
cambiar productos se inventó el dinero, que media entre todas
las transacciones comerciales posibles. El desarrollo tecnológico
de la Revolución Industrial fomentó aún más la migración hacia
las ciudades —con efectos positivos y negativos—, trajo consigo
la fabricación en masa, promovió la educación universal y generó
nuevas clases sociales, organizaciones e ideales.
El siglo xix conoció la posibilidad de transmitir información
al instante a través de los océanos. La red de telégrafos se com-
paró con un «sistema nervioso planetario». Más tarde, el cine,
la radio y la televisión hicieron posible la propagación masiva de
información, con el potencial de llegar a millones de personas.
Los primeros ordenadores llegaron a mediados del siglo xx.
Su producción se masificó en la década de los ochenta. En los
92  TEMAS 95
Los cambios sociales se
están acelerando a un
ritmo sin precedentes.
¿Qué nos espera?
años noventa, la popularización de Internet no solo permitió
transmitir ingentes cantidades de información, sino que brin-
dó a los usuarios la posibilidad de crear su propio contenido.
Hoy vivimos una transición hacia un escenario en el que la
mayoría de las personas no solo serán consumidoras pasivas
de información, sino también productoras. Se estima que cada
día generamos el equivalente a 36 millones de libros en correos
electrónicos, blogs y redes sociales.
La tecnología no solo ha contribuido a aumentar la comple-
jidad de los individuos, sino también la de los grupos sociales,
al coordinar y potenciar las interacciones entre personas. Ha
llegado incluso a incrementar la complejidad del planeta como
un todo, puesto que ha aumentado las interacciones entre las
especies animales y vegetales de distintas partes del mundo.
UNA NUEVA CIENCIA
La tecnología ha afectado de manera considerable al desarrollo
de la ciencia. Así como el telescopio y el microscopio nos permi-
tieron estudiar una gran cantidad de fenómenos astronómicos
y biológicos, la llegada de los ordenadores nos ha brindado por
primera vez la posibilidad de investigar fenómenos complejos,
desde el comportamiento colectivo de una bandada de pájaros
hasta el funcionamiento del cerebro. Antes eso era inviable, ya
que no contábamos con la complejidad requerida para analizar
miles de variables interdependientes.
Al facilitar las interacciones sociales, la tecnología también
ha acelerado la colaboración entre investigadores mediante el
uso del correo electrónico, videoconferencias o repositorios com-
partidos. El acceso a códigos abiertos, bases de datos y publica-
ciones permite que cada vez más investigadores tengan contacto
con conocimientos de todo tipo. Un ejemplo lo hallamos en el
repositorio arXiv.org, donde los autores comparten manuscritos
en su fase inicial. Aunque se trata de versiones preliminares, su
acceso facilita la retroalimentación y la propagación del cono-
cimiento sin necesidad de esperar a los tiempos de publicación
de las revistas especializadas. Los artículos de alto impacto se
difunden con rapidez a través de las redes sociales, lo que acele-
ra aún más las interacciones con potencial para generar nuevo
conocimiento.
La tecnología también ha hecho posible que la población
general participe en el proceso científico, el fenómeno cono-
cido como ciencia ciudadana. En la web fold.it, por ejemplo,
los usuarios juegan a plegar proteínas; una tarea sencilla que,
sin embargo, ayuda a los científicos a abordar tareas que los
ordenadores todavía no pueden resolver. Nuestros dispositivos
generan cada vez más datos. Según IBM, el 90 por ciento de los
datos almacenados en todo el mundo en 2013 se habían creado
durante los dos años anteriores. Eso quiere decir que, desde el
 TE CNOLO GÍA Y CAMBIO S O CIAL
Cibernética del conocimiento
La tecnología ha transformado nuestras sociedades
mucho más que la evolución biológica. La escritura facilitó
la preservación de la información y, con ello, la transmisión
del saber de una generación a las siguientes. La llegada de la
imprenta a Europa permitió la rápida propagación del cono-
cimiento, lo que espoleó el desarrollo de la ciencia moderna.
Prehistoria Escritura
Protociencia Imprenta
Reduccionismo
Ordenadores
Presente TIC
inicio de la escritura hasta 2011, la humanidad produjo nueve
veces menos datos que entre 2011 y 2013.
Por supuesto, no resulta nada trivial encontrar significado
en tales cantidades de información. Con todo, el análisis de las
pautas generales presentes en los macrodatos (big data) está per-
mitiendo contrastar teorías en ciencias sociales, las cuales hasta
hace poco tenían que conformarse con métodos discursivos por
falta de datos. La tecnología nos está permitiendo describir,
modelizar, entender y, hasta cierto punto, controlar mejor los
fenómenos sociales. Por ejemplo, hoy resulta posible analizar
© THINKSTOCK
patrones sociales a partir de los datos de teléfonos móviles o de
la actividad en Twitter. Hace unos años, Google digitalizó cerca
del 4 por ciento de todos los libros publicados a lo largo de la
Los ordenadores están generando un cambio del paradigma
científico dominante, al permitirnos estudiar sistemas com-
plejos con millones de componentes e interacciones. Las tec-
nologías de la información y la comunicación (TIC) están
transformando nuestras sociedades en formas que solo empe-
zamos a imaginar.
Historia
Ciencia moderna
Complejidad
???
historia. Ello ha permitido estudiar la evolución de las culturas
y los idiomas con enormes cantidades de datos: un nuevo campo
que los investigadores de Harvard Jean-Baptiste Michel y Erez
Liberman Aiden han denominado culturómica. No solo estamos
obteniendo información cuantitativa sobre la cultura, sino sobre
cómo ha cambiado esta a través de los siglos. Podemos decir que
la tecnología nos está acercando más a encontrar las «leyes» de
los fenómenos sociales.
La ciencia también se ha vuelto más «democrática», en el
sentido de que la tecnología permite una mayor participación
tanto en la recepción como en la generación de conocimiento,
con el potencial de reducir las brechas sociales generadas por el
dominio del conocimiento por parte de una minoría.
Complejidad y caos  93
 EDUCACIÓN
Nunca antes habíamos tenido tanto conocimiento tan disponible.
Wikipedia constituye un claro ejemplo del poder de la colabo-
ración a la hora de generar conocimiento. En poco tiempo se ha
convertido en la enciclopedia con mayor cobertura de la historia,
al facilitar que miles de personas escriban, corrijan y actualicen
artículos. De nuevo, no solo se permite el acceso al conocimiento,
sino que se facilita su generación y refinación.
La tecnología posee el potencial de solucionar muchos de
los problemas que aquejan a la educación en todos sus niveles.
En general, nos está permitiendo incrementar la complejidad
de los sistemas educativos, la cual ha de ser mucho mayor
que la de los mejores docentes para poder hacer frente a la
complejidad de la comunidad actual de estudiantes. Desde
hace un tiempo, los cursos abiertos masivos en línea (MOOC,
por sus siglas en inglés) han demostrado el potencial de la
tecnología para facilitar el proceso educativo a millones de
estudiantes. En 2014 tuve la oportunidad de impartir un curso
masivo sobre pensamiento científico en la plataforma Coursera
(https://www.coursera.org/course/ciencia) que contó con más
de 20.000 alumnos en la primera edición y más de 25.000 en
la segunda. El éxito de los MOOC no solo se encuentra en los
vídeos que cada estudiante puede estudiar y repasar a su ritmo,
sino en la retroalimentación que se crea en los foros y en las
evaluaciones entre compañeros, la cual resulta más compleja y
personalizada que la que podrían lograr los mejores docentes
con grupos pequeños.
Cuanta más tecnología se desarrolle para mejorar la educa-
ción, más personalizados y adaptativos podrán ser los procesos
de aprendizaje, que podrán liberarse de unos programas ex-
cesivamente rígidos y orientarse más hacia los intereses par-
ticulares de cada estudiante. Esa misma flexibilidad también
puede aplicarse a otros sistemas, como los que usamos para
regir nuestras sociedades.
GOBIERNO Y BUROCRACIA
Nuestra tecnología deja una huella digital. Esa información,
que generan tanto sociedades como Gobiernos, puede explotar-
se para mejorar el funcionamiento de ciudades, organizaciones
y burocracias. Por un lado, permite detectar y ajustar de ma-
nera automática retrasos y cuellos de botella en los flujos de
información. Por otro, hace posible detectar la responsabilidad
de distintos actores, lo que fomenta su buen funcionamiento y,
potencialmente, inhibe la corrupción. Hace unos años, nuestro
grupo desarrolló modelos de burocracias con capacidad de au-
toorganizarse. Una burocracia puede entenderse como una red
en la que varios agentes deben comunicarse entre sí para llevar a
cabo sus respectivas tareas. Comprobamos que, si a la estructura
de la red se le permitía un ligero grado de adaptabilidad a las
circunstancias de trabajo en cada momento (algo factible con
medios electrónicos y firmas digitales), su eficiencia aumentaba
de manera considerable.
En esa dirección, varios órganos de gobierno de distintos
niveles han comenzado a adoptar prácticas de «datos abiertos»
(open data). Al permitir el acceso a datos socioeconómicos,
geográficos, sanitarios o de gasto público, aumenta la trans-
parencia y la confianza que los ciudadanos depositan en sus
instituciones. Al mismo tiempo, se fomenta la participación
ciudadana en la captura y la generación de información. De
esta manera, los Gobiernos no solo ofrecen datos, sino que
reciben muchos más de los que podrían conseguir por sus
propios medios.
94  TEMAS 95
Una ciencia de los
sistemas globales
permitiría hacer
frente a la complejidad
creciente de la sociedad
En Boston, la aplicación para teléfonos inteligentes Street
Bump detecta baches en las calles a partir de los datos que
recibe de los acelerómetros del teléfono cuando el usuario viaja
en automóvil; después, envía esa información al Ayuntamiento.
Otras aplicaciones integran información sobre el transporte en
distintas ciudades y sugieren rutas a los usuarios. Desde hace
un tiempo, nuestro grupo de la UNAM participa en un esfuerzo
similar para mejorar la movilidad en Ciudad de México a través
de la iniciativa www.livingmobs.com. Esta formó parte de una
propuesta con la que, en 2014, nuestro equipo ganó el premio
Audi Urban Future.
La tecnología no solo facilita que los ciudadanos participen
en el uso y la generación de datos abiertos. Al igual que ocurre
con la ciencia ciudadana, nuestras sociedades pueden funcionar
de un modo más democrático y fomentar la participación de
amplios sectores de la población en las decisiones políticas. Por
supuesto, no resulta trivial que los Gobiernos estén dispuestos
a ceder parte de su poder. Sin embargo, los ciudadanos que han
logrado presionar a sus políticos en esta dirección, como ocurrió
en Islandia entre 2009 y 2011, han mostrado las ventajas para
todos de este enfoque.
Aunque algunas novelas futuristas han presentado la tecno-
logía como una herramienta del autoritarismo, está en nuestras
manos encauzar su potencial hacia el beneficio común, y no hacia
el de unos cuantos a costa de la mayoría.
¿HACIA UNA EUDEMONÍA?
Cada vez generamos más información. Nuestros sistemas so-
ciotécnicos incluyen cada vez más componentes y más interac-
ciones. Los cambios sociales se están acelerando a un ritmo sin
precedentes. ¿Qué nos espera?
En ocasiones, un mayor número de componentes contribuye
a incrementar la robustez del sistema, puesto que, si un elemen-
to falla, otros pueden tomar su lugar. Sin embargo, el aumento
de las interacciones puede hacer que el sistema se torne más
frágil, ya que provoca que los cambios se propaguen con rapidez.
Durante la Edad Media, la peste bubónica se extendió en forma
de oleadas infecciosas durante años. Las epidemias actuales se
propagan globalmente en días. Otro ejemplo del mismo fenó-
meno sucedió el 6 de mayo de 2010 en la Bolsa de Nueva York,
cuando las transacciones automáticas provocaron el llamado
flash crash de las 14:45. Aunque se han ofrecido varias explica-
ciones, hoy por hoy nadie sabe a ciencia cierta qué fue lo que
causó que el índice Dow Jones perdiese en unos instantes el 7
por ciento de su valor (la mayor caída de esas características
de su historia) y recuperarse buena parte de las pérdidas pocos
minutos después.
 Casos como los anteriores demuestran que necesitamos con
urgencia una ciencia de los sistemas globales. Este esfuerzo ha
COLABORADORES DE ESTE NÚMERO
reunido a cientos de científicos en el ambicioso proyecto FuturICT,
Asesoramiento y traducción:
liderado por el físico Dirk Helbing, de la Escuela Politécnica de
A. Fernández Rañada: Caos; Luis Bou: Criticalidad autoorganizada y Redes
Zúrich. Su objetivo consiste en desarrollar la ciencia y la tec- sin escala; Alberto Ramos: Leyes universales; Bartolo Luque: La ciencia de
nología necesarias para entender, modelizar y regular sistemas redes cumple 20 años; Miguel A. Vázquez Mozo: ¿Cómo deberían ser las
sociotécnicos a escala global en ámbitos como la economía, la edu- teorías de los sistemas complejos?
cación, la salud, la ciencia, la toma de decisiones, la innovación,
el entorno natural o el urbanismo, entre otros [véase «Simular
el planeta en tiempo real», por David Weinberger; Investigación
y Ciencia, febrero de 2012].
Al igual que otros proyectos similares, FuturICT no pretende INVESTIGACIÓN Y CIENCIA
predecir y controlar de manera absoluta los sistemas sociotécni- DIRECTORA GENERAL  Pilar Bronchal Garfella
cos, ya que su complejidad limita de manera inherente nuestra DIRECTORA EDITORIAL  Laia Torres Casas
EDICIONES  Anna Ferran Cabeza, Ernesto Lozano Tellechea,
capacidad predictiva. Lo que sí persigue es entender mejor la Yvonne Buchholz, Bruna Espar Gasset
complejidad de nuestro entorno, con el objetivo de poder hacerle PRODUCCIÓN  M.a Cruz Iglesias Capón, Albert Marín Garau
SECRETARÍA  Eva Rodríguez Veiga
frente de la manera más adecuada. Por supuesto, ello no evitará ADMINISTRACIÓN  Victoria Andrés Laiglesia
los problemas y las catástrofes, pero sí contribuirá a que estemos SUSCRIPCIONES  Concepción Orenes Delgado, Olga Blanco Romero
mejor preparados para reaccionar cuando se presenten.
EDITA
¿Qué otros efectos ejercerá la tecnología sobre nuestras Prensa Científica, S. A.
sociedades? ¿Seguirá aumentando su complejidad de manera Muntaner, 339 pral. 1.a
08021 Barcelona (España)
indefinida, o nos encontraremos con un límite? Y, si hay uno, Teléfono 934 143 344 Fax 934 145 413
¿dónde está? Al respecto se han propuesto varios escenarios e-mail precisa@investigacionyciencia.es
futuristas. Los más optimistas vaticinan una eudemonía, una www.investigacionyciencia.es

sociedad en la que todos alcanzan la felicidad gracias la tecno- SCIENTIFIC AMERICAN

logía. Los más pesimistas la ven como causa de un apocalipsis EDITOR IN CHIEF AND SENIOR VICE PRESIDENT Mariette DiChristina
para nuestra especie, nuestro planeta o ambos. No cabe duda PRESIDENT  Dean Sanderson
EXECUTIVE VICE PRESIDENT  Michael Florek
de que la tecnología goza de un potencial enorme, pero lo
que finalmente determinará cuán cerca nos encontremos de
uno de esos extremos será el uso que hagamos de ella. En
último término, el futuro dependerá de nosotros, no de la
tecnología. DISTRIBUCIÓN
para España:
LOGISTA, S. A.
Artículo publicado en Investigación y Ciencia, enero de 2015
Pol. Ind. Polvoranca - Trigo, 39 - Edificio B
28914 Leganés (Madrid)
Tel. 916 657 158
para los restantes países:
Prensa Científica, S. A.
Muntaner, 339 pral. 1.a
EL AUTOR 08021 Barcelona

Carlos Gershenson es investigador titular de la Universidad Nacional PUBLICIDAD

Autónoma de México, donde dirige el Laboratorio de Sistemas Auto- Prensa Científica, S. A.
Organizantes. Es también investigador asociado del Centro de Ciencias Tel. 934 143 344
de la Complejidad, en la misma universidad. publicidad@investigacionyciencia.es

PARA SABER MÁS

Natural-born cyborgs: Minds, technologies, and the future of human

intelligence. Andy Clark. Oxford University Press, 2003.
Self-organizing traffic lights. Carlos Gershenson en Complex Systems, n.o 16,
págs. 29-53, 2005.
Design and control of self-organizing systems. Carlos Gershenson. CopIt
Arxives, 2007.
Smartocracy: Social networks for collective decision making. Marko A.
Rodriguez et al. en Hawaii International Conference on Systems Science.
IEEE Computer Society, 2007.
Towards self-organizing bureaucracies. Carlos Gershenson en International
Journal of Public Information Systems, vol. 4, n.o 1, 2008.
¿Cómo hablar de complejidad? Carlos Gershenson en Llengua, Societat
i Comunicació, n.o 11, págs. 14-19, 2013.
EN NUESTRO ARCHIVO
Copyright © 2019 Scientific American Inc.,
1 New York Plaza, New York, NY 10004-1562.
Copyright © 2019 Prensa Científica S.A.
Muntaner, 339 pral. 1.a 08021 Barcelona (España)
Reservados todos los derechos. Prohibida la reproducción en todo o en parte
por ningún medio mecánico, fotográfico o electrónico, así como cualquier clase
de copia, reproducción, registro o transmisión para uso público o privado, sin la
previa autorización escrita del editor de la revista. El nombre y la marca comer-
cial SCIENTIFIC AMERICAN, así como el logotipo correspondiente, son pro-
piedad exclusiva de Scientific American, Inc., con cuya licencia se utilizan aquí.
ISSN edición impresa: 1135-5662 ISSN edición digital: 2385-5673
Dep. legal: B-32.350-1995

Imprime Rotocayfo (Impresia Ibérica) Ctra. de Caldes, km 3

Comprender la complejidad. Geoffrey B. West en IyC, julio de 2013.
08130 Santa Perpètua de Mogoda (Barcelona)
La era de los macrodatos. Informe especial. VV. AA. en IyC, enero de 2014.
La era de la informática universal. Gershon Dublon y Joseph A. Paradiso Printed in Spain ­­- Impreso en España
en IyC, septiembre de 2014.

Complejidad y caos  95
 ELIGE TU
MODALIDAD DE SUSCRIPCIÓN
Descubre todas las ventajas en
www.investigacionyciencia.es/suscripciones
 N. 95 o
en tu
quiosco

www.menteycerebro.es
administracion@investigacionyciencia.es