En la Universidad de Duke, la inteligencia artificial y la computación avanzada ya no son añadidos experimentales. Se están convirtiendo en las herramientas predeterminadas para formular preguntas que antes eran imposibles de responder. Este cambio está transformando la forma en que los investigadores trabajan en biología, medicina y en las ciencias en general. [1] [2]
Los modelos fundacionales actúan como microscopios para la biología
Rohit Singh, biólogo computacional de la Escuela de Medicina de Duke, trata los modelos fundacionales como nuevos tipos de microscopios. Estos sistemas de aprendizaje automático se entrenan con cientos de millones de puntos de datos, lo que permite a los investigadores detectar patrones entre millones de perfiles de expresión génica y secuencias biológicas. Cada modelo revela un aspecto diferente de la vida que puede estudiarse.
Entrenar estos modelos requiere un enorme esfuerzo computacional, pero el acceso a unidades de procesamiento gráfico (GPU) ha reducido lo que antes tomaba semanas a apenas unos días. El Duke Computer Cluster proporciona la columna vertebral de computación de alto rendimiento para estas tareas, y un pequeño centro de GPU cuya apertura está prevista para 2027 ampliará aún más la capacidad.
Los beneficios son directos. Al aprender representaciones abstractas de proteínas, genes y células, los modelos de Singh pueden comparar células sanas con células cancerosas y preguntarse si un fármaco puede eliminar la diferencia. Los hallazgos de este trabajo alimentan proyectos que van desde el desarrollo de terapia génica hasta el descubrimiento de fármacos para múltiples enfermedades.
La IA interpretable genera confianza en decisiones de alto impacto
Mientras el hardware más rápido amplía lo que es posible, Cynthia Rudin se centra en crear sistemas de IA que las personas puedan comprender y en los que puedan confiar. Durante años, la mayoría de los modelos de IA funcionaron como cajas negras, ocultando el razonamiento detrás de sus predicciones. Esa opacidad resulta problemática en campos como la sanidad y la justicia penal, donde las decisiones tienen consecuencias graves.
El laboratorio de Rudin diseña modelos interpretables que permiten a los expertos ver cómo se toman las decisiones. Uno de estos modelos, desarrollado junto con el radiólogo de Duke Joseph Lo, analiza patrones sutiles en mamografías para predecir el riesgo de que una paciente desarrolle cáncer de mama en los próximos uno a cinco años. Como el modelo es transparente, los clínicos pueden revisar y evaluar los datos y el razonamiento detrás de cada predicción.
Estos sistemas interpretables ya se han aplicado en distintos entornos sanitarios, desde la predicción de convulsiones hasta el análisis de imágenes médicas. El objetivo no es solo la precisión, sino la rendición de cuentas en ámbitos donde la confianza importa tanto como el rendimiento.
La IA conecta disciplinas para acelerar el descubrimiento
La iniciativa Deep Tech de Duke ha financiado cuatro proyectos que exploran cómo la IA puede acelerar el descubrimiento científico mediante la colaboración multidisciplinaria. Cada proyecto aborda una barrera diferente que frena el progreso entre campos.
Consilience, dirigido por Brinnae Bent, es un sistema de IA basado en voz diseñado para apoyar la colaboración interdisciplinaria. Traduce terminología, fomenta la reflexión y pone de relieve conexiones de investigación novedosas en tiempo real. El sistema se está probando durante un hackatón universitario, donde guía a equipos de estudiantes de posgrado de diversas disciplinas mientras sintetizan propuestas de investigación interdisciplinarias.
El proyecto de David Carlson se centra en formar a los estudiantes para que utilicen la IA de forma crítica. En lugar de simplemente adoptar modelos de lenguaje de gran escala, los investigadores aprenden a evaluar estas herramientas, identificar razonamientos defectuosos y aplicarlas de manera responsable. Esto resulta especialmente importante en el trabajo interdisciplinario, donde conectar biología, estadística e ingeniería exige un razonamiento complejo.
El equipo de Sharique Hasan explora cómo la IA puede traducir hallazgos complejos para responsables de políticas, la industria y el público. Al destacar investigaciones con alto potencial de impacto y descubrir vínculos ocultos entre campos, estas herramientas pueden acortar el camino del descubrimiento al beneficio en el mundo real.
El proyecto de Matthew Hirschey mapea el progreso científico y sus cuellos de botella mediante el análisis de la literatura. Los modelos de lenguaje de gran escala rastrean cómo se mueven los conceptos entre campos y revelan desafíos compartidos, como la escasez de datos o de capacidad de cómputo. Los mapas resultantes buscan orientar las decisiones de financiación y fomentar la colaboración más allá de los silos tradicionales.
La infraestructura avanza al ritmo de la ambición
Nada de esto sería posible sin una inversión sostenida en infraestructura de cómputo. El Duke Computer Cluster ya respalda aplicaciones científicas a gran escala, y el próximo centro de GPU está diseñado para minimizar el consumo de energía y agua, así como las emisiones de carbono, mediante prácticas energéticamente eficientes.
Singh señala que el acceso a más GPU acelera directamente su investigación en biología computacional. Las inversiones que Duke ha realizado posicionan a la universidad como un referente para este tipo de trabajo, atrayendo talento y haciendo posibles proyectos que dependen tanto de la escala como de la sostenibilidad.
A medida que la IA se integra en el proceso de investigación, el reto no es solo construir modelos más rápidos, sino construir modelos que sean útiles, confiables y estén alineados con las necesidades de las personas que dependen de ellos. El enfoque de Duke sugiere que el futuro del descubrimiento científico será colaborativo, interpretable y profundamente computacional.
