La inteligencia artificial científica ya imagina moléculas, predice huracanes y diseña experimentos sin intervención humana
¿Qué sucede cuando la curiosidad humana se instala dentro de un circuito de silicio que nunca duerme? Esa es la nueva rutina de la investigación: algoritmos que, mientras la ciudad aún duerme, sintetizan cristales, reescriben mapas cerebrales y trazan el cauce de tormentas futuras.
En 2030, el edificio de química cuántica arranca a oscuras: brazos robóticos ajustan reactores, un modelo multimodal —basado en Gemini 2.0— propone diez hipótesis y MatterGen lanza miles de difusiones cristalinas para modelar redes iónicas estables. La inspiración no llega por casualidad: se alimenta de GNoME, la red de grafos que exploró 2,2 millones de estructuras inorgánicas y extrajo 380 000 estables listas para baterías de próxima generación deepmind.google.
Fuera del laboratorio, nubes virtuales dictan el parte meteorológico. GraphCast, con apenas 37 millones de parámetros, procesa cuatro décadas de datos ERA5 y genera pronósticos globales a diez días en menos de un minuto, superando el modelo físico HRES y requiriendo una fracción de su energía deepmind.googlearxiv.org. Para los fenómenos extremos, Aurora —el “foundation model” de Microsoft, entrenado con más de un millón de horas de registros atmosféricos y oceánicos— desliza trayectorias de ciclones un 25 % más precisas cinco días antes de tocar tierra microsoft.comwashingtonpost.com.
En biología, la escala no se mide en gigabytes sino en sinapsis. El mapa cerebral más denso hasta la fecha captura 57 000 neuronas y 150 millones de conexiones en un cubo de apenas un milímetro cúbico; son 1,4 PB de datos que ahora un modelo de segmentación revisa en segundos news.harvard.edudesignboom.com. Esa misma precisión impulsa AlphaFold 3, capaz de prever interacciones entre proteínas, ADN, ARN y ligandos con resolución sub-ångström, convirtiendo semanas de cristalografía en milisegundos de cálculo isomorphiclabs.comblog.google.
Todos estos sistemas comparten un rasgo: aprenden de escalas inabarcables y devuelven intuiciones casi instantáneas. Sin embargo, su poder plantea desafíos. ¿Cómo auditar un modelo que diseña un fármaco si su razonamiento permanece oculto en millones de pesos numéricos? Grupos de interpretabilidad ya desarrollan “cámaras de eco” neuronales que traducen tensores a reglas químicas, aunque la transparencia absoluta sigue siendo utopía.
Aun así, la balanza se inclina hacia la promesa: una inteligencia artificial científica capaz de liberar a los investigadores de bucles experimentales y permitirles concentrarse en la pregunta que realmente importa: ¿por qué? Quizá el próximo gran descubrimiento nazca de un vector latente que, mientras lees estas líneas, ajusta la presión de un reactor para materializar una molécula jamás vista.
Fuente: https://singularityhub.com/2025/06/26/the-dream-of-an-ai-scientist-is-closer-than-ever/