Shaping the Digital Future of ErUM Research: Sustainability & Ethics

Este informe del taller de 2025 en Aquisgrán evalúa los avances y propone acciones a corto, medio y largo plazo para integrar la sostenibilidad (mediante la reducción de emisiones, la optimización de infraestructuras y prácticas FAIR) y la ética (abarcando la responsabilidad humana, la transparencia y el sesgo en la IA) en la investigación de datos de ErUM, destacando la necesidad de formación, financiación y estrategias comunitarias para transformar la conciencia en acción cotidiana.

Lo esencial

🌍 El Futuro Digital de la Ciencia: Un Informe sobre Cuidar el Planeta y Usar la Inteligencia Artificial con Sentido Común

Imagina que la comunidad científica alemana que estudia el universo y la materia (llamada ErUM) es como una gran orquesta. Durante años, han estado tocando música increíble (haciendo descubrimientos), pero se dieron cuenta de que su instrumento (los ordenadores y los datos) está consumiendo demasiada energía y ensuciando el escenario.

En 2025, esta orquesta se reunió en Aachen para escribir un "manual de instrucciones" sobre cómo seguir tocando la música más bonita posible, pero sin quemar el planeta y usando la Inteligencia Artificial (IA) de forma responsable.

Aquí están los puntos clave, explicados con metáforas:

1. La Huella Digital: No es solo "quemar carbón"

El informe divide el problema en dos partes, como si fuera una casa:

• La construcción (Emisiones incorporadas): Es la energía y los materiales usados para fabricar los ordenadores, servidores y edificios. Es como el "coste ambiental" de comprar un coche nuevo antes de siquiera encenderlo.
• La electricidad (Emisiones operativas): Es la energía que gasta el ordenador mientras funciona. Es como la gasolina que quemas mientras conduces.

El problema: A veces, hacer las cosas más eficientes (como un coche más rápido) hace que la gente conduzca más, anulando el ahorro. Esto se llama el "Efecto Rebote".

2. La Solución: "Centros de Cómputo que Respiran" 🌬️💻

Esta es la idea más creativa del informe. Imagina que los centros de datos (los grandes edificios con miles de ordenadores) fueran como pulmones.

• Cómo funciona: En lugar de trabajar a toda velocidad todo el día, estos "pulmones" se adaptan al ritmo de la energía verde.
• La analogía: Piensa en la energía solar como el sol: sale de día y se va de noche. Un centro de datos "respirable" trabaja intensamente cuando hay mucho sol o viento (cuando la energía es barata y limpia) y "descansa" o trabaja más lento cuando no hay.
• El truco: Como los científicos no siempre necesitan los resultados ya mismo (a diferencia de un médico en una urgencia), pueden esperar a que el viento sople fuerte para procesar sus datos. ¡Es como lavar la ropa solo cuando la lavadora funciona con energía solar!

3. Guardar Datos: La Despensa Inteligente 📦

Los científicos generan montañas de datos. Guardarlo todo es caro y gasta energía.

• La analogía: Imagina una despensa gigante. Si guardas todo lo que compras, se pudre y ocupa espacio.
• La solución: En lugar de guardar todo el crudo (los datos brutos), guardan solo lo que es útil y lo que se puede volver a encontrar fácilmente (datos "FAIR": Encontrables, Accesibles, Interoperables y Reutilizables). Es como tener una etiqueta clara en cada tarro de mermelada para no tener que cocinar el mismo plato tres veces.

4. La Inteligencia Artificial: Un Genio con Gafas Oscuras 🤖🕶️

La IA es un genio que puede hacer cálculos rapidísimos, pero tiene dos problemas:

1. Es una "caja negra": A veces no sabemos cómo llegó a la respuesta.
2. Puede aprender prejuicios: Si le alimentas con datos sucios o sesgados, la IA será prejuiciosa.

Las reglas de oro que acordaron:

• El humano siempre es el capitán: La IA es el copiloto, pero el científico es quien lleva el timón. Si la IA se equivoca, la culpa es del humano, no del robot.
• No seas perezoso: Si los estudiantes usan la IA para hacer todo el trabajo de sus tesis, nunca aprenderán a pensar. Es como usar un GPS todo el tiempo y olvidar cómo leer un mapa. Necesitan aprender a pensar críticamente.
• Transparencia: Si usas IA, debes decirlo, como si dijeras "usé este ingrediente especial en mi receta".

5. Enseñar a la Nueva Generación: El Entrenamiento de los Atletas 🎓

El informe dice que no basta con tener buenas herramientas; hay que enseñar a usarlas.

• El problema: Muchos estudiantes usan los ordenadores de forma ineficiente (como conducir un coche de Fórmula 1 a 20 km/h en un atasco), desperdiciando energía.
• La solución: Hay que enseñarles desde el principio a "conducir eficientemente". No solo les enseñan a programar, sino a programar pensando en el planeta. También necesitan mentores que les guíen, como un entrenador personal que corrige tu postura para que no te lastimes (o no gastes energía de más).

6. De la Conciencia a la Acción: El "Huella de Manos" (Handprint) 🖐️

Hasta ahora, solo nos preocupábamos por nuestra "huella de carbono" (cuánto daño hacemos). El informe propone mirar nuestra "huella de manos":

• ¿Qué significa? Es lo positivo que hacemos. No basta con no ensuciar; hay que limpiar.
• La analogía: No basta con no tirar basura al suelo; hay que recoger la que hay.
• Cómo lograrlo: En lugar de castigar a los científicos, hay que premiarlos. Imagina que las conferencias de ciencia dieran un "premio al coche más eficiente" o que las revistas científicas exigieran decir cuánta energía gastó el experimento, como si fuera una etiqueta de nutrición en la comida.

En Resumen: ¿Qué nos dicen?

La ciencia del futuro no puede ser solo "más rápida" o "más inteligente"; tiene que ser más consciente.

1. Tecnología: Usar ordenadores que "respiran" con la energía verde.
2. Ética: La IA es una herramienta potente, pero el humano debe mantener el control y la responsabilidad.
3. Cultura: Hay que enseñar a los jóvenes científicos a cuidar el planeta desde el primer día, y crear un ambiente donde hacerlo sea lo más fácil y recompensado.

Es como cambiar el motor de un coche de combustión por uno eléctrico: no solo cambia el motor, cambia toda la forma en que conduces, planificas tus rutas y cuidas tu vehículo. La ciencia está en ese proceso de cambio. 🚀🌱

Resumen técnico

A continuación presento un resumen técnico detallado del informe del taller "Shaping the Digital Future of ErUM Research: Sustainability & Ethics" (Dando forma al futuro digital de la investigación ErUM: Sostenibilidad y Ética), traducido y sintetizado al español.

Resumen Técnico: Sostenibilidad y Ética en la Investigación Digital ErUM

1. Problema y Contexto

La investigación en la "Erforschung von Universum und Materie" (ErUM - Investigación del Universo y la Materia) en Alemania se enfrenta a una crisis de sostenibilidad impulsada por la intensificación de la investigación basada en datos y la computación de alto rendimiento (HPC).

• Desafío Climático: El consumo energético de los centros de datos, el almacenamiento masivo y la ejecución de algoritmos complejos generan una huella de carbono significativa (emisiones operativas y embebidas).
• Brecha de Conciencia y Acción: Existe una desconexión entre la conciencia teórica sobre el cambio climático y la implementación de medidas prácticas en el flujo de trabajo científico. Los investigadores jóvenes a menudo carecen de formación en prácticas de codificación sostenible.
• Riesgos Éticos de la IA: La adopción acelerada de Inteligencia Artificial (IA) y modelos generativos introduce desafíos éticos críticos: opacidad de los algoritmos ("cajas negras"), sesgos en los datos de entrenamiento, riesgo de descalificación profesional (deskilling) de los científicos y ambigüedad en la atribución de responsabilidad.
• Falta de Estructuras de Incentivo: Los mecanismos de financiación y evaluación académica actuales no recompensan suficientemente la eficiencia de recursos ni la sostenibilidad, priorizando a menudo el volumen de datos y la velocidad de publicación sobre la eficiencia energética.

2. Metodología

El informe se basa en los resultados de un taller celebrado en Aquisgrán (Alemania) del 28 de julio al 1 de agosto de 2025, que reunió a expertos de la comunidad ErUM-Data (físicos, ingenieros, científicos de datos y especialistas en ética).

• Enfoque Temporal: Las medidas propuestas se clasificaron en tres escalas de tiempo: Corto (S), Medio (M) y Largo (L) plazo, evaluando el progreso desde el "llamado a la acción" de 2023.
• Análisis de Ciclo de Vida: Se distingue entre Emisiones Embebidas (fabricación de hardware, construcción de centros de datos, disposición final) y Emisiones Operativas (consumo energético durante la ejecución, refrigeración, iluminación).
• Evaluación de IA: Se analizó el impacto de la IA desde una perspectiva ética, utilizando marcos de responsabilidad, transparencia y explicabilidad, con un énfasis en el papel humano en la supervisión de resultados.
• Estrategia de Comunicación: Se identificó la necesidad de pasar de la mera difusión de información a la motivación conductual, utilizando enfoques de "huella positiva" (handprint) y roles de modelo.

3. Contribuciones Clave

A. Acciones de Sostenibilidad Técnica

• Centros de Computación "Respirables" (Breathing Computing Centers): Propuesta innovadora para adaptar la carga de trabajo a la disponibilidad de energía renovable. Esto implica el almacenamiento de la demanda computacional (buffering) para ejecutar tareas cuando la energía es verde (ej. excedentes eólicos/solares), aprovechando la flexibilidad de muchos flujos de trabajo científicos que no son en tiempo real.
• Estrategias de Almacenamiento a Largo Plazo: Optimización del almacenamiento de datos derivados. Se propone almacenar solo datos "listos para la ciencia" (enriquecidos) en lugar de datos crudos masivos, evaluando el costo de re-procesamiento frente al costo de almacenamiento.
• Certificación de Eficiencia de Software: Desarrollo de estándares para medir y certificar el consumo energético del software, enfocándose inicialmente en componentes de uso común y bibliotecas estándar.
• Gestión de Flujos de Trabajo (Workflows): Implementación de sistemas de orquestación (como los "trenes de análisis" de ALICE o SUSFECIT) que programan trabajos automáticamente según la mezcla energética favorable y promueven la reutilización de datos (FAIRness).

B. Educación y Formación

• Integración Curricular: Necesidad urgente de enseñar prácticas de codificación sostenible a estudiantes de pregrado y posgrado. Se destaca que la ineficiencia en el uso de recursos por parte de estudiantes principiantes es una fuente mayor de emisiones evitables.
• Mentoría y "Code Consulting": Propuesta de programas de mentoría para optimizar simulaciones y análisis, y la creación de embajadores estudiantiles para difundir buenas prácticas.
• Formación de Formadores: Énfasis en que los instructores deben poseer tanto competencia técnica como habilidades pedagógicas y de comunicación para transmitir la urgencia de la sostenibilidad.

C. Ética y Responsabilidad en la IA

• Atribución de Responsabilidad: Reafirmación de que "las máquinas no eximen a los humanos de su responsabilidad". Los investigadores deben ser responsables de los resultados de la IA, documentando prompts, configuraciones y datos de entrenamiento.
• Transparencia y Explicabilidad: Necesidad de desarrollar métodos para hacer comprensibles las decisiones de los modelos de IA (explicabilidad) y de publicar conjuntos de datos de entrenamiento curados para detectar sesgos.
• Prevención del Deskilling: Estrategias para asegurar que los estudiantes mantengan habilidades críticas (pensamiento crítico, diseño experimental) y no dependan ciegamente de la IA, evitando la pérdida de competencias fundamentales.

D. Gobernanza y Financiamiento

• Incentivos y Financiación: Llamado a crear fondos específicos para medidas de sostenibilidad y a incluir métricas de huella de carbono en las propuestas de proyectos. Se sugiere recompensar proyectos con conceptos de sostenibilidad fuertes con financiación adicional o extensiones de duración.
• Reporte de Huella: Propuesta de incluir la huella de carbono de la investigación en las publicaciones científicas y en los informes de proyectos financiados, similar a la declaración de fuentes de financiación.

4. Resultados y Estado de Implementación

• Progreso a Corto Plazo (Logrado): Aumento significativo de la conciencia comunitaria, implementación de herramientas de monitoreo de huella de carbono por trabajo (ej. en DESY, ATLAS), y creación de grupos de trabajo específicos (ej. fuerza de tarea de sostenibilidad en Belle II).
• Progreso a Medio Plazo (En curso): Mejora en la reutilización de datos (FAIR), optimización de algoritmos y uso de bibliotecas estándar. Sin embargo, la certificación de software y la medición sistemática de recursos en la IA aún están en desarrollo.
• Desafíos a Largo Plazo (Futuro): La implementación de centros de datos cerca de fuentes de energía renovable (ej. parques eólicos marinos) y la adaptación dinámica de la infraestructura a la disponibilidad de energía verde son objetivos ambiciosos que requieren cambios estructurales profundos y coordinación internacional.
• Barreras Identificadas: La falta de incentivos financieros directos, la competencia científica que prioriza el volumen de datos sobre la eficiencia, y la dificultad de cuantificar el impacto ambiental de la investigación teórica.

5. Significancia e Impacto

Este informe es fundamental para el futuro de la investigación científica en Alemania y Europa por varias razones:

1. Marco Integral: Proporciona una hoja de ruta técnica y ética completa, integrando la sostenibilidad ambiental con la responsabilidad ética en la era de la IA.
2. Cambio Cultural: Marca un punto de inflexión para pasar de la "conciencia" a la "acción", proponiendo mecanismos concretos (certificaciones, incentivos, educación) para internalizar la sostenibilidad en la práctica científica diaria.
3. Liderazgo en IA Ética: Establece estándares claros para el uso responsable de la IA en la ciencia, protegiendo la integridad científica y la confianza pública frente a la automatización.
4. Sostenibilidad a Largo Plazo: Reconoce que la viabilidad futura de la investigación de datos intensivos depende de la capacidad de reducir la huella de carbono sin sacrificar el progreso científico, mediante la innovación tecnológica y la adaptación de la gobernanza.

En conclusión, el informe subraya que la transformación sostenible no es solo un problema técnico, sino un desafío sociotécnico que requiere la colaboración de la comunidad científica, las instituciones de financiación y los educadores para alinear los incentivos, la educación y la tecnología con los objetivos climáticos globales.