Preservación del software, ciencia abierta, IA responsable: conversación con Roberto Di Cosmo

Del 7 al 10 de abril 2025, Roberto Di Cosmo, Director de Software Heritage e investigador Inria, realizó una visita de cuatro días a Chile en el marco del recientemente creado Centro Binacional Franco-Chileno sobre Inteligencia Artificial. La agenda desarrollada por Inria Chile contempló el Seminario “Código Abierto para una Inteligencia Artificial Responsable en Chile” organizado en la Comisión Económica para América Latina y el Caribe (CEPAL) y dónde Di Cosmo dio un keynote y participó del panel de conversación, charla en la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile, o encuentros en la Agencia Nacional de Investigación y Desarrollo ANID.

Aprovechamos la visita para conversar con el experto en código abierto y software, en un diálogo dónde recorrió la historia de la iniciativa Software Heritage, sus principales logros, y su visión para el futuro de la biblioteca de códigos más grande del mundo. 

Software Heritage nació en 2016 a raíz de una colaboración impulsada por Inria, con el apoyo de la UNESCO, para abordar un reto fundamental: preservar el código fuente de la humanidad y hacerlo accesible a todos, hoy y en el futuro. La idea surgió de la misma motivación que nos lleva a conservar libros, filmes o manuscritos: el software es parte esencial de nuestro patrimonio cultural, científico e industrial, y forma la base de gran parte de la innovación tecnológica actual.

Nuestra misión es coleccionar, organizar, preservar y compartir todo el código fuente de acceso público en un único archivo universal.

Software Heritage (SWH) cumple tres funciones fundamentales que lo convierten en un aliado estratégico para la transformación digital sostenible, especialmente en países del sur global. 

En primer lugar, es un catálogo universal del código fuente, independiente de dónde se encuentre alojado en la red. Esto significa que, aunque un proyecto esté en GitHub, en GitLab o en cualquier otra plataforma, SWH lo indexa y facilita su localización de manera unificada.

En segundo lugar, SWH es también un archivo que preserva este contenido frente a eventuales borrados o modificaciones. Muchas veces, las plataformas cierran por razones económicas o de estrategia de negocio, provocando la desaparición masiva de proyectos de software. Con SWH, ese código no se pierde: queda registrado y disponible para futuros usos y referencias.

Finalmente, la misión de SWH no se limita a coleccionar, sino también a observar y estudiar. Es el primer intento de construir un gran “telescopio” que nos permita contemplar la “galaxia” del desarrollo de software. Su grafo desduplicado —que asocia ficheros, commits, colaboraciones y metadatos— se convierte en un auténtico mapa de las “estrellas” del ecosistema de desarrollo. Esto abre oportunidades de investigación y mejora continua, permitiendo que administraciones, universidades y comunidades de desarrolladores, en cualquier lugar del mundo, puedan analizar y aprovechar conocimientos de manera colaborativa. Para el sur global, esto se traduce en un acceso verificado y garantizado a recursos de software fundamentales, evitando la

El desarrollo de modelos de inteligencia artificial (IA), especialmente de modelos masivos de lenguaje (LLMs), depende críticamente de la disponibilidad de datos de entrenamiento adecuados. Cuando se entrena una IA sobre grandes conjuntos de datos de código, es indispensable asegurar la trazabilidad y el respeto de los derechos de autor y de las licencias. Software Heritage proporciona no solo el código, sino también metadatos esenciales —como la procedencia histórica— gracias a nuestra estructura de grafo y a identificadores únicos (SWHIDs) que garantizan la reproducibilidad.

Esto significa que, en el terreno de la IA, podemos ofrecer transparencia y trazabilidad de los datos empleados para el entrenamiento: los equipos de investigación, empresas y desarrolladores pueden saber con precisión de dónde viene cada bloque de código y cómo se ha ido transformando a lo largo de los años. Ese conocimiento fortalece las bases de una IA más ética y responsable, y permite abordar con seriedad posibles preguntas sobre la legitimidad y la originalidad del código utilizado.

En 2023, desde Software Heritage publicamos principios que enfatizan la necesidad de transparencia, trazabilidad y respeto por las licencias cuando se utilizan nuestros datos para entrenar modelos de lenguaje a gran escala. Estos principios buscan fomentar la colaboración abierta, al mismo tiempo que se protege la propiedad intelectual de autores y proyectos. Resaltan la importancia de que quienes desarrollen LLMs, documenten y divulguen las fuentes exactas utilizadas, que contribuyan a la calidad de los datos y que velen por un uso coherente con las intenciones de los autores.

Code Commons es un proyecto a dos años financiado por el gobierno francés que impulsa Inria en colaboración con varios partners, incluyendo el CEA y varias universidades italianas, donde Software Heritage constituye la base fundamental. 

El propósito de Code Commons es llevar el archivo de Software Heritage a un nivel superior de cobertura, escalabilidad y calidad, añadiendo metadatos más detallados (tickets, discusiones, pull requests) y desarrollando infraestructura para su aprovechamiento eficaz en entrenamientos de IA, especialmente en supercomputadores nacionales. Esto facilita que equipos de cualquier parte del mundo —y en particular de países en vías de desarrollo— puedan seleccionar y extraer de forma precisa los conjuntos de datos más adecuados para entrenar sus modelos. Además, Code Commons aborda principios de sostenibilidad, ética y soberanía digital, y propone un enfoque colaborativo donde el conocimiento se comparte como un bien común.

En conjunto, los principios de 2023 para LLMs y la iniciativa Code Commons refuerzan la visión de Software Heritage: proveer una infraestructura sólida, responsable y abierta para que la innovación tecnológica sea inclusiva, sustentable y esté alineada con valores de transparencia y colaboración global.