Module 1 discussion forum

Hola Miguel, ¡Gracias por tu reflexión!
A continuación, te comparto unos comentario sobre tu post.

1. Habilidades y visión holística
Señalas que las habilidades más demandadas podrían no ser únicamente de “coding”, sino relacionadas con tener una visión global y una capacidad de innovación. Esto está muy alineado con la tendencia de la bioinformática a integrar múltiples disciplinas: estadística, biología, computación y hasta gestión de proyectos.
Datos que lo respaldan: Varias instituciones formativas y centros de investigación, como el European Bioinformatics Institute (EMBL-EBI), proponen planes de estudio que combinan ciencia de datos, biología y pensamiento crítico. En el mercado laboral, se valora cada vez más la interdisciplinariedad y la capacidad de comunicar hallazgos complejos a equipos con backgrounds muy diversos.

2. Coste e impacto medioambiental de los grandes modelos
El entrenamiento de modelos de IA de gran tamaño (p. ej., foundation models) tiene un coste energético significativo. Estudios recientes han estimado que el entrenamiento de modelos de gran escala en NLP (Procesamiento de Lenguaje Natural) puede generar huellas de carbono comparables a las de varios automóviles a lo largo de su vida útil .
Matiz: Si bien es cierto que existe una preocupación por alcanzar un “plateau” (estancamiento) si no mejoran la eficiencia y la infraestructura de cómputo, se están desarrollando técnicas de optimización y hardware especializado (como TPUs y GPUs de última generación) para reducir la huella de carbono. Además, la investigación en modelos más ligeros y técnicas de compresión (quantization, pruning) está avanzando rápidamente para paliar los costos computacionales.

3. Inteligencia Artificial generalista y toma de decisiones

Hoy en día, no contamos con sistemas de IA general capaces de razonar y tomar decisiones de forma equiparable a un ser humano en contextos amplios. La IA actual es fuerte en tareas específicas, pero la llamada Artificial General Intelligence (AGI) sigue siendo una meta de investigación.
Grandes laboratorios (DeepMind, OpenAI, etc.) han logrado progresos en el aprendizaje por refuerzo y en el razonamiento en entornos cada vez más complejos, pero no se ha logrado un sistema que comprenda y actúe en cualquier dominio con la misma flexibilidad humana [(Lake et al., 2017)](https://doi.org/10.1016/j.c cognition.2016.06.007).
Organismos reguladores (como la FDA en EE. UU.) están desarrollando guías para la validación de algoritmos en medicina, pero los algoritmos siguen siendo herramientas de soporte y no sustitutos de la decisión clínica.

4. IA como apoyo a la toma de decisiones, no como sustituto

Tu planteamiento de utilizar la IA para “mejorar la eficiencia humana” en lugar de sustituir al profesional es muy sensato y está en la línea de lo que se llama “Human-in-the-loop”. Varios estudios en telemedicina y análisis de imágenes médicas muestran que la combinación de un sistema de IA con la experiencia clínica humana obtiene mejores resultados que la IA o el humano por separado.
Además de medicina, se espera que otras áreas de la bioinformática —como el cribado virtual de fármacos o la ingeniería de proteínas— continúen combinando algoritmos de IA con la supervisión de expertos para mejorar eficiencia y precisión.

Coincido con tu valoración: la interdisciplinariedad y la colaboración humano-máquina serán claves para afrontar el futuro de manera responsable y eficiente.

------------

Thank you for your reflection!
Below, I’m sharing some comments on your post:

1. Skills and Holistic Vision
   You note that the most in-demand skills may not only be related to “coding” but also to having a global vision and the capacity for innovation. This is very much in line with the trend in bioinformatics to integrate multiple disciplines: statistics, biology, computing, and even project management.
   Data that supports this: Several training institutions and research centers, such as the European Bioinformatics Institute (EMBL-EBI), offer curricula that combine data science, biology, and critical thinking. In the job market, interdisciplinarity and the ability to communicate complex findings to teams with very diverse backgrounds are increasingly valued.

2. Cost and Environmental Impact of Large Models
   Training large AI models (e.g., foundation models) has a significant energy cost. Recent studies have estimated that training large-scale NLP (Natural Language Processing) models can produce carbon footprints comparable to several cars over their entire lifespan.
   Note: While there is indeed concern about reaching a “plateau” (stagnation) if efficiency and computing infrastructure do not improve, optimization techniques and specialized hardware (such as TPUs and next-generation GPUs) are being developed to reduce the carbon footprint. Moreover, research on lighter models and compression techniques (quantization, pruning) is advancing rapidly to mitigate computational costs.

3. General-Purpose Artificial Intelligence and Decision-Making
   Currently, we do not have general AI systems capable of reasoning and making decisions comparable to a human being in broad contexts. Today’s AI is strong in specific tasks, but so-called Artificial General Intelligence (AGI) remains an ongoing research goal.
   Large labs (DeepMind, OpenAI, etc.) have made progress in reinforcement learning and reasoning in increasingly complex environments, but they have not yet achieved a system that understands and acts in any domain with the same human-level flexibility (Lake et al., 2017).
   Regulatory bodies (such as the FDA in the U.S.) are developing guidelines for algorithm validation in medicine, but algorithms are still considered support tools rather than replacements for clinical decision-making.

4. AI as Decision-Support, Not as a Substitute
   Your idea of using AI to “enhance human efficiency” rather than replace professionals is very sensible and aligns with what is called “Human-in-the-loop.” Several studies in telemedicine and medical image analysis show that combining an AI system with human clinical expertise yields better results than either AI or humans alone.
   Beyond medicine, other areas of bioinformatics—such as virtual drug screening or protein engineering—are also expected to continue combining AI algorithms with expert supervision to improve efficiency and accuracy.

I agree with your assessment: interdisciplinarity and human-machine collaboration will be key to meeting the future in a responsible and efficient way.