Los datos como infraestructura: ¿puede la ciencia funcionar sin ellos hoy en día?

Hace poco más de una década, el principal reto de muchas disciplinas científicas consistía en obtener suficientes datos para responder a una pregunta de investigación. Hoy ocurre exactamente lo contrario. La ciencia produce tal cantidad de información que el desafío ya no es recopilarla, sino almacenarla, compartirla, procesarla y convertirla en conocimiento útil.

Esta transformación ha dado lugar a un cambio de paradigma silencioso pero profundo: los datos han dejado de ser simplemente el resultado de la investigación para convertirse en una infraestructura esencial sobre la que se apoya la ciencia moderna. Del mismo modo que un laboratorio necesita electricidad, instrumentación o acceso a Internet para desarrollar su actividad, la investigación actual depende de ecosistemas capaces de gestionar volúmenes de información que hace apenas unos años resultaban inimaginables.

La magnitud del cambio es evidente. El Large Hadron Collider (LHC) del CERN genera alrededor de un billón (10¹²) de colisiones de partículas por segundo. Aunque solo una pequeña fracción de esos eventos se conserva para su análisis, los experimentos producen cada año decenas de petabytes de datos científicos que deben procesarse mediante una infraestructura informática distribuida en más de 170 centros de computación repartidos por más de 40 países. Esta red, conocida como Worldwide LHC Computing Grid, constituye uno de los mayores sistemas de computación científica del mundo.

Este ejemplo ilustra una realidad que se repite en prácticamente todas las disciplinas científicas. La astronomía observa el universo de forma continua mediante telescopios terrestres y espaciales; la genómica secuencia millones de fragmentos de ADN cada día; los satélites de observación terrestre registran información constante sobre océanos, bosques o la atmósfera; y los laboratorios generan cantidades crecientes de imágenes, simulaciones y resultados experimentales. En todos los casos, los datos son el elemento que hace posible la propia investigación.

Cuando los datos dejan de ser un recurso y se convierten en una infraestructura

Hablar de infraestructura científica suele llevarnos a pensar en aceleradores de partículas, telescopios o supercomputadores. Sin embargo, cada vez más instituciones consideran que los datos deben entenderse como una infraestructura con la misma relevancia estratégica.

Pero ¿qué significa realmente hablar de datos como infraestructura?

No se trata únicamente de disponer de grandes capacidades de almacenamiento. Una infraestructura de datos integra todos los elementos necesarios para que la información pueda ser utilizada por la comunidad científica: sistemas de adquisición, almacenamiento seguro, redes de comunicación de alta velocidad, plataformas de computación, estándares comunes, herramientas de análisis y mecanismos que permitan compartir resultados de forma eficiente y reproducible.

En otras palabras, los datos solo adquieren valor cuando pueden encontrarse, comprenderse, combinarse y reutilizarse.

Con este objetivo surgieron los principios FAIR, promovidos por la comunidad científica internacional, que establecen que los datos deben ser localizables (Findable), accesibles (Accessible), interoperables (Interoperable) y reutilizables (Reusable). Lejos de representar únicamente una buena práctica, estos principios se han convertido en una referencia para universidades, centros de investigación y programas europeos que buscan maximizar el impacto de la investigación financiada con fondos públicos.

Este cambio de enfoque responde también a una cuestión de eficiencia científica. Cuando los datos están correctamente documentados y pueden reutilizarse, otros grupos de investigación pueden validar resultados, desarrollar nuevas líneas de trabajo o combinar información procedente de disciplinas completamente distintas. La investigación deja de avanzar de forma aislada y pasa a construirse sobre un conocimiento compartido.

No es casualidad que la Unión Europea esté impulsando iniciativas como la European Open Science Cloud (EOSC), una infraestructura digital concebida para facilitar que investigadores de distintos países puedan acceder, compartir y reutilizar datos científicos de manera segura y estandarizada.

La ciencia que mueve petabytes

El volumen de información generado por la ciencia actual resulta difícil de imaginar. Si hace unas décadas un investigador podía almacenar años de trabajo en unos pocos discos duros, hoy algunos proyectos científicos producen más datos en un solo día de los que muchas instituciones generaban durante toda una década.

Uno de los ejemplos más representativos es el Square Kilometre Array Observatory (SKAO), el radiotelescopio más grande jamás construido. Una vez entre en funcionamiento a pleno rendimiento, producirá varios cientos de petabytes de datos científicos al año, convirtiéndose en uno de los mayores generadores de información del planeta.

La observación de la Tierra ofrece otro ejemplo especialmente relevante. El programa europeo Copernicus, coordinado por la Comisión Europea y la Agencia Espacial Europea (ESA), proporciona datos abiertos y continuos sobre el estado del planeta mediante una constelación de satélites Sentinel. Esta información resulta esencial para monitorizar incendios forestales, sequías, calidad del aire, evolución del hielo marino, agricultura o respuesta ante desastres naturales.

Lo realmente significativo es que ninguno de estos proyectos sería posible únicamente gracias a mejores telescopios o satélites. Su éxito depende también de la existencia de infraestructuras capaces de transportar, almacenar, procesar y distribuir cantidades masivas de información casi en tiempo real.

En este contexto, la capacidad para gestionar datos se ha convertido en una ventaja científica tan importante como disponer de mejores instrumentos de observación. Quien es capaz de extraer conocimiento antes y con mayor precisión dispone también de una mayor capacidad para responder a los grandes desafíos científicos y tecnológicos de nuestro tiempo.

La inteligencia artificial necesita datos, pero, sobre todo, datos de calidad

La irrupción de la inteligencia artificial ha situado a los datos en el centro del debate científico y tecnológico. Sin embargo, existe una idea equivocada bastante extendida: pensar que el éxito de un modelo de IA depende únicamente de la sofisticación del algoritmo. En realidad, su rendimiento está condicionado, en gran medida, por la calidad, diversidad y fiabilidad de los datos con los que ha sido entrenado.

En investigación científica, este aspecto resulta especialmente crítico. Un modelo puede analizar millones de imágenes médicas, simulaciones físicas o registros experimentales en cuestión de minutos, pero sus resultados solo serán tan sólidos como la información que reciba. Datos incompletos, mal etiquetados o sesgados pueden conducir a conclusiones erróneas, incluso utilizando las herramientas más avanzadas.

Por ello, cada vez cobra más importancia el concepto de data stewardship, entendido como la gestión responsable de los datos durante todo su ciclo de vida. Desde su adquisición y validación hasta su almacenamiento, documentación y reutilización, cada etapa influye directamente en la calidad de la investigación y en la posibilidad de reproducir los resultados obtenidos.

Esta necesidad también está impulsando el desarrollo de nuevas metodologías para integrar datos procedentes de fuentes muy diferentes. En un mismo proyecto pueden combinarse imágenes de satélite, sensores IoT, modelos físicos, simulaciones computacionales o datos experimentales obtenidos en laboratorio. La capacidad de relacionar toda esa información de forma coherente es, en muchos casos, lo que permite generar nuevos descubrimientos.

La próxima infraestructura científica no será solo física

Durante décadas, la inversión en ciencia estuvo asociada principalmente a la construcción de grandes infraestructuras: aceleradores de partículas, observatorios astronómicos, laboratorios o centros de supercomputación. Todas ellas siguen siendo esenciales, pero cada vez resulta más evidente que su verdadero potencial depende de otra infraestructura, menos visible, pero igualmente imprescindible: la que permite gestionar y procesar los datos que generan.

Esta evolución explica el crecimiento de los centros de computación de alto rendimiento (High Performance Computing, HPC), las plataformas de computación en la nube para investigación y las redes internacionales de intercambio de datos científicos. Supercomputadores europeos como MareNostrum 5, en Barcelona, permiten ejecutar simulaciones y análisis que hace apenas unos años habrían requerido meses de cálculo. Hoy, estas infraestructuras son un elemento estratégico para disciplinas tan diversas como el diseño de nuevos materiales, la predicción meteorológica, la investigación biomédica o la exploración espacial.

Pero el horizonte va aún más lejos. La computación cuántica promete abordar problemas cuya complejidad supera las capacidades de los sistemas clásicos, especialmente en ámbitos como la optimización, la simulación molecular o el desarrollo de nuevos fármacos. Aunque esta tecnología todavía se encuentra en una fase de desarrollo, su potencial dependerá igualmente de la capacidad para integrar, procesar y gestionar enormes volúmenes de información científica.

En otras palabras, la infraestructura del futuro no estará formada únicamente por edificios o instrumentos, sino también por ecosistemas digitales capaces de conectar datos, algoritmos y conocimiento a escala global.

Una infraestructura invisible para afrontar los retos del futuro

El trabajo que desarrolla ARQUIMEA Resarch Center, dentro del marco del proyecto QCIRCLE, refleja precisamente esta transformación. La investigación en ámbitos como la inteligencia artificial, la fotónica, la computación cuántica, la biotecnología o los sistemas espaciales genera y utiliza grandes volúmenes de información que deben integrarse, procesarse y analizarse para convertirlos en conocimiento útil.

En este escenario, disponer de datos ya no es suficiente. El verdadero reto consiste en desarrollar las capacidades tecnológicas necesarias para gestionarlos de forma segura, interoperable y eficiente, favoreciendo la colaboración entre disciplinas y acelerando la transferencia del conocimiento hacia nuevas aplicaciones científicas y tecnológicas.

Hace apenas unas décadas, disponer de grandes cantidades de información era una ventaja competitiva. Hoy se ha convertido en un requisito indispensable para hacer ciencia. Sin embargo, el verdadero valor reside en construir las infraestructuras que permitan transformarlos en conocimiento, compartirlos de forma eficiente y reutilizarlos para responder a preguntas cada vez más complejas.

En los próximos años, algunos de los mayores avances científicos probablemente dependerán de nuestra capacidad para conectar millones de datos procedentes de disciplinas diferentes y convertir esa información en nuevas ideas, nuevas tecnologías y nuevas formas de comprender el mundo.

Porque, al igual que la electricidad hizo posible la revolución industrial o Internet transformó la comunicación global, los datos se han convertido en la infraestructura silenciosa sobre la que se construye la ciencia del siglo.