Esta historia forma parte del paquete El fin del ‘hype’ de la IA de MIT Technology Review, una serie que busca reajustar las expectativas sobre qué es la IA, qué permite y hacia dónde vamos. 

El instrumento del laboratorio Lila Sciences (Cambridge, Massachusetts, EE UU) tiene el tamaño de un microondas y no parece muy distinto a otros que he visto en laboratorios punteros de materiales. Dentro de su cámara de vacío, la máquina bombardea una paleta de elementos para generar partículas vaporizadas, que luego se desplazan por la cámara y se depositan formando una película fina mediante una técnica conocida como pulverización catódica.

Lo que diferencia a este equipo es que la inteligencia artificial dirige el experimento: un agente de IA, entrenado con enormes volúmenes de literatura científica y datos, ha diseñado la receta y ajusta la combinación de elementos.

Más tarde, una persona trasladará las muestras (cada una con varios catalizadores potenciales) a otra zona del laboratorio para someterlas a pruebas. Otro agente de IA analizará e interpretará los datos y propondrá una nueva ronda de experimentos para optimizar el rendimiento de los materiales.

Por ahora, un científico humano supervisa de cerca los experimentos y aprueba los siguientes pasos en función de las sugerencias de la IA y los resultados obtenidos. Pero la startup está convencida de que esta máquina controlada por IA ofrece una mirada al futuro del descubrimiento de materiales: un escenario en el que los laboratorios autónomos podrían abaratar y acelerar la creación de compuestos novedosos y útiles.

John Gregoire (al fondo) y Rafael Gómez-Bombarelli, de Lila Sciences, observan cómo un instrumento de pulverización catódica guiado por IA fabrica muestras de aleaciones de película fina.
CODY O’LOUGHLIN

 

Con cientos de millones de dólares en nueva financiación, Lila Sciences se ha convertido en uno de los últimos unicornios de la IA. La compañía persigue una misión más ambiciosa: emplear laboratorios autónomos gestionados por IA para impulsar el descubrimiento científico. Su objetivo es alcanzar lo que denomina »superinteligencia científica».

Hoy estoy aquí para conocer, en concreto, cómo se descubren nuevos materiales. Los necesitamos con urgencia para resolver nuestros problemas: electrodos y componentes mejorados para baterías más potentes; compuestos que capturen dióxido de carbono de forma más económica; y catalizadores más eficientes para producir hidrógeno verde y otros combustibles y químicos limpios. También necesitaremos materiales innovadores como superconductores de alta temperatura, imanes mejorados y nuevos tipos de semiconductores para la próxima generación de avances, desde la computación cuántica hasta la energía de fusión y el hardware de IA.

Sin embargo, la ciencia de materiales no ha cosechado grandes éxitos comerciales en las últimas décadas. En parte, por su complejidad y la escasez de resultados, el campo se ha convertido en un rincón olvidado de la innovación, eclipsado por la búsqueda (más glamorosa y rentable) de nuevos fármacos y avances en biología.

La idea de usar IA para descubrir materiales no es nueva, pero cobró impulso en 2020 cuando DeepMind demostró que su modelo AlphaFold2 podía predecir con precisión la estructura tridimensional de las proteínas. Luego, en 2022, llegó el éxito y la popularidad de ChatGPT. La esperanza de que modelos similares, basados en aprendizaje profundo, pudieran ayudar a hacer ciencia cautivó a los expertos tecnológicos. ¿Por qué no aprovechar nuestras nuevas capacidades de IA generativa para explorar el vasto paisaje químico y simular estructuras atómicas, señalando el camino hacia sustancias con propiedades extraordinarias?

”Las simulaciones pueden ser muy potentes para plantear problemas y entender qué merece la pena probar en el laboratorio. Pero no hay ningún problema que podamos resolver en el mundo real solo con simulación”.
John Gregoire, director científico autónomo, Lila Sciences 

 

Algunos investigadores proclamaron que un modelo de IA había descubierto “millones de nuevos materiales”. El dinero empezó a fluir, financiando una oleada de startups. Pero hasta ahora no ha habido ningún momento “eureka”, ningún avance comparable a ChatGPT: no se ha descubierto ningún material milagroso ni siquiera uno ligeramente mejor.

Las startups que buscan compuestos útiles se topan con el mismo cuello de botella: el paso más costoso y lento en el descubrimiento de materiales no es imaginar nuevas estructuras, sino fabricarlas en el mundo real. Antes de intentar sintetizar un material, no se sabe si realmente puede producirse y ser estable, y muchas de sus propiedades siguen siendo desconocidas hasta que se prueban en el laboratorio.

“Las simulaciones pueden ser muy potentes para plantear problemas y entender qué merece la pena probar en el laboratorio”, afirma John Gregoire, director científico autónomo de Lila Sciences. Pero no hay ningún problema que podamos resolver en el mundo real solo con simulación”.

Startups como Lila Sciences han apostado su estrategia a la idea de que la IA puede transformar la experimentación. Están construyendo laboratorios donde agentes inteligentes planifican, ejecutan e interpretan los resultados de experimentos para sintetizar nuevos materiales. La automatización en los laboratorios ya existe, pero el objetivo es llevarla al siguiente nivel: que los agentes de IA dirijan laboratorios autónomos, diseñen experimentos y controlen la robótica que mueve las muestras. Y, lo más importante, que utilicen IA para recopilar y analizar la enorme cantidad de datos que generan estos experimentos en busca de pistas para obtener mejores materiales.

Si lo logran, estas compañías podrían reducir el proceso de descubrimiento de décadas a unos pocos años (o incluso menos), ayudando a encontrar nuevos materiales y optimizar los existentes. Pero es una apuesta arriesgada. Aunque la IA ya se encarga de muchas tareas rutinarias en el laboratorio, descubrir materiales nuevos (y útiles) por sí sola es otra historia.

Un rincón olvidado de la innovación

Llevo casi 40 años informando sobre el descubrimiento de materiales y, para ser sincero, ha habido pocos avances comerciales memorables en todo este tiempo, como las baterías de ion-litio. Ha habido muchos progresos científicos dignos de mención, desde las células solares de perovskita hasta los transistores de grafeno y las estructuras metal-orgánicas (MOF), materiales basados en una arquitectura molecular fascinante que recientemente dio a sus inventores un Nobel. Pero pocos de esos avances (incluidos los MOF) han salido del laboratorio. Otros, como los puntos cuánticos, han encontrado algunos usos comerciales, pero en general han faltado las invenciones transformadoras que marcaron épocas anteriores.

La culpa recae en el tiempo (normalmente 20 años o más) y en los cientos de millones de dólares que cuesta crear, probar, optimizar y fabricar un nuevo material. A eso se suma la falta de interés de la industria por invertir semejante cantidad de recursos en mercados de productos básicos con márgenes reducidos. O quizá simplemente nos hemos quedado sin ideas para fabricar cosas.

La necesidad de acelerar ese proceso y encontrar nuevas ideas es lo que ha llevado a los investigadores a recurrir a la IA. Durante décadas, los científicos han usado ordenadores para diseñar materiales potenciales, calculando cómo colocar los átomos para formar estructuras estables y con características predecibles. Ha funcionado, pero solo a medias. Los avances en IA han hecho que ese modelado computacional sea mucho más rápido y han prometido la capacidad de explorar con rapidez un número enorme de estructuras posibles. Google DeepMind, Meta y Microsoft han lanzado iniciativas para aplicar herramientas de IA al diseño de nuevos materiales.

Sin embargo, persisten las limitaciones que siempre han afectado al modelado computacional. En muchos tipos de materiales, como los cristales, las propiedades útiles no pueden predecirse únicamente calculando estructuras atómicas.

Para descubrir y optimizar esas propiedades, hay que fabricar algo real. Como explica Rafael Gómez-Bombarelli, cofundador de Lila y profesor de ciencia de materiales en el MIT: “La estructura nos ayuda a pensar en el problema, pero no es ni necesaria ni suficiente para resolver los problemas reales de los materiales”.

Quizá ningún avance ejemplifique mejor la brecha entre el mundo virtual y el físico que el anuncio de DeepMind a finales de 2023: había usado aprendizaje profundo para descubrir “millones de nuevos materiales”, incluidos 380.000 cristales que calificó como “los más estables, lo que los convierte en candidatos prometedores para la síntesis experimental”. En términos técnicos, la disposición de los átomos representaba un estado de energía mínima en el que permanecían quietos. Los investigadores de DeepMind proclamaron que se trataba de “una expansión de un orden de magnitud en los materiales estables conocidos por la humanidad”.

Para la comunidad de IA, parecía el gran avance esperado. La investigación no solo ofrecía una mina de posibles materiales nuevos, sino también potentes métodos computacionales para predecir un gran número de estructuras.

Pero algunos científicos de materiales reaccionaron de forma muy distinta. Tras un análisis más detallado, investigadores de la Universidad de California en Santa Bárbara afirmaron haber encontrado “escasas pruebas de compuestos que cumplan la trifecta de novedad, credibilidad y utilidad”. De hecho, no hallaron ningún compuesto realmente novedoso entre los que revisaron; algunos eran simples variaciones “triviales” de otros ya conocidos. Los científicos se mostraron especialmente molestos porque esos compuestos se etiquetaran como materiales. Escribieron: “Sugerimos respetuosamente que el trabajo no informa sobre nuevos materiales, sino sobre una lista de compuestos propuestos. En nuestra opinión, un compuesto puede llamarse material cuando exhibe alguna funcionalidad y, por tanto, tiene utilidad potencial”.

Algunos de los cristales imaginados simplemente desafiaban las condiciones del mundo real. Para calcular tantas estructuras posibles, los investigadores de DeepMind las simularon a cero absoluto, donde los átomos están bien ordenados; vibran un poco, pero no se desplazan. A temperaturas más altas (las que existirían en un laboratorio o en cualquier lugar del planeta) los átomos se mueven de forma compleja, creando estructuras cristalinas más desordenadas. Varios de los supuestos materiales novedosos predichos por DeepMind parecían versiones ordenadas de otros desordenados que ya se conocían.

En términos generales, el artículo de DeepMind fue otro recordatorio de lo difícil que resulta capturar realidades físicas en simulaciones virtuales, al menos por ahora. Por las limitaciones de la potencia computacional, los investigadores suelen realizar cálculos con relativamente pocos átomos. Sin embargo, muchas propiedades deseables se determinan por la microestructura de los materiales, a una escala mucho mayor que la atómica. Y algunos efectos, como la superconductividad a alta temperatura o la catálisis (clave en muchos procesos industriales) son demasiado complejos o poco comprendidos para explicarse solo mediante simulaciones atómicas.

Un lenguaje común

Aun así, hay señales de que la brecha entre simulaciones y trabajo experimental empieza a reducirse. DeepMind, por ejemplo, asegura que desde la publicación de su artículo en 2023 colabora con científicos de laboratorios de todo el mundo para sintetizar compuestos identificados por IA y ha logrado algunos avances. Mientras tanto, varias startups que entran en este espacio buscan combinar experiencia computacional y experimental en una sola organización.

Una de ellas es Periodic Labs, fundada por Ekin Dogus Cubuk, físico que lideró el equipo científico detrás del estudio de DeepMind, y Liam Fedus, co-creador de ChatGPT en OpenAI. Pese a la experiencia de sus fundadores en modelado computacional y software de IA, la empresa basa gran parte de su estrategia de descubrimiento de materiales en síntesis realizada en laboratorios automatizados.

La visión de la startup es conectar estos campos mediante modelos de lenguaje entrenados con literatura científica y capaces de aprender de experimentos en curso. Un LLM puede sugerir la receta y las condiciones para fabricar un compuesto; también interpretar datos de pruebas y aportar nuevas recomendaciones a los químicos y físicos de la empresa. En esta estrategia, las simulaciones no solo proponen candidatos, sino que ayudan a explicar resultados experimentales y a sugerir ajustes estructurales.

El gran premio sería un superconductor a temperatura ambiente, un material que podría transformar la computación y la electricidad, pero que ha eludido a los científicos durante décadas.

 

Periodic Labs, al igual que Lila Sciences, tiene ambiciones que van más allá de diseñar y fabricar nuevos materiales. Quiere “crear un científico de IA”, concretamente uno experto en ciencias físicas. “Los LLM se han vuelto bastante buenos destilando información de química y física”, afirma Cubuk, “y ahora intentamos que sean más avanzados enseñándoles a hacer ciencia: por ejemplo, realizar simulaciones, experimentos y modelado teórico”.

El enfoque, como el de Lila Sciences, parte de la expectativa de que una mejor comprensión de la ciencia detrás de los materiales y su síntesis aportará pistas para descubrir una amplia gama de nuevos compuestos. Uno de los objetivos de Periodic Labs son materiales cuyas propiedades se definen por efectos cuánticos, como nuevos tipos de imanes. El gran premio sería un superconductor a temperatura ambiente, capaz de revolucionar la computación y la energía, pero que sigue siendo esquivo.

Los superconductores son materiales en los que la electricidad fluye sin resistencia y, por tanto, sin generar calor. Hasta ahora, los mejores se vuelven superconductores solo a temperaturas relativamente bajas y requieren una refrigeración considerable. Si se lograra que funcionen a temperatura ambiente, podrían dar lugar a redes eléctricas mucho más eficientes, nuevos tipos de ordenadores cuánticos e incluso trenes de levitación magnética más prácticos.

La científica de Lila Natalie Page (derecha), Gómez-Bombarelli y Gregoire inspeccionan muestras de película delgada después de salir de la máquina de pulverización y antes de someterlas a pruebas.
CODY O’LOUGHLIN

 

El fracaso en la búsqueda de un superconductor a temperatura ambiente es una de las grandes decepciones de la ciencia de materiales en las últimas décadas. Yo estuve allí cuando el presidente Reagan habló sobre esta tecnología en 1987, en pleno auge de las cerámicas que se volvían superconductoras a la relativamente templada temperatura de 93 Kelvin (−292 °F), entusiasmado porque “nos acerca al umbral de una nueva era”. Había optimismo entre los científicos y empresarios reunidos en el salón del Washington Hilton mientras Reagan anticipaba “una serie de beneficios, entre ellos una menor dependencia del petróleo extranjero, un entorno más limpio y una economía nacional más fuerte”. Con el tiempo, quizá fue una de las últimas ocasiones en que depositamos nuestras aspiraciones económicas y técnicas en un avance en materiales.

La prometida nueva era nunca llegó. Los científicos aún no han encontrado un material que se vuelva superconductor a temperatura ambiente, ni siquiera cerca, en condiciones normales. Los mejores superconductores actuales son frágiles y poco aptos para fabricar cables.

Una de las razones por las que resulta tan difícil encontrar superconductores de alta temperatura es que no existe una teoría que explique el efecto a temperaturas relativamente altas, ni que pueda predecirlo simplemente a partir de la disposición de los átomos en la estructura. En última instancia, serán los científicos en el laboratorio quienes sinteticen candidatos interesantes, los prueben y busquen en los datos pistas para comprender este fenómeno aún desconcertante. Hacerlo, asegura Cubuk, es una de las máximas prioridades de Periodic Labs.

IA al mando

Fabricar por primera vez una estructura cristalina puede llevar a un investigador un año o más. Después, suelen pasar años adicionales para probar sus propiedades y averiguar cómo producir las cantidades necesarias para un producto comercial.

Startups como Lila Sciences y Periodic Labs apuestan por una idea: que los experimentos dirigidos por IA puedan reducir drásticamente los tiempos de desarrollo. El optimismo se explica porque muchos laboratorios ya han incorporado altos niveles de automatización, desde la preparación de muestras hasta el traslado de materiales para pruebas. Hoy es habitual ver brazos robóticos, software especializado, versiones automatizadas de microscopios y otros instrumentos analíticos, además de herramientas mecanizadas para manipular equipos.

Esta automatización permite, entre otras cosas, la síntesis de alto rendimiento: crear y analizar rápidamente múltiples muestras con distintas combinaciones de ingredientes en grandes lotes, acelerando así los experimentos.

La idea es que usar IA para planificar y ejecutar estas síntesis automatizadas las haga mucho más sistemáticas y eficientes. Los agentes de IA, capaces de recopilar y analizar más datos de los que cualquier humano podría, pueden ajustar en tiempo real los ingredientes y las condiciones de síntesis hasta obtener una muestra con propiedades óptimas. Estos laboratorios dirigidos por IA podrían realizar muchos más experimentos que una persona y ser mucho más inteligentes que los sistemas actuales de síntesis de alto rendimiento.

Pero los llamados »laboratorios autónomos» para materiales siguen siendo un trabajo en progreso.

Muchos compuestos requieren síntesis en estado sólido, un conjunto de procesos mucho más difícil de automatizar que las operaciones con líquidos, habituales en la fabricación de fármacos. Hay que preparar y mezclar polvos de varios ingredientes inorgánicos en la proporción adecuada para fabricar, por ejemplo, un catalizador, y luego decidir cómo procesar la muestra para crear la estructura deseada: identificar la temperatura y la presión correctas para llevar a cabo la síntesis. Incluso determinar qué se ha fabricado puede resultar complicado.

En 2023, el A-Lab del Lawrence Berkeley National Laboratory afirmó ser el primer laboratorio totalmente automatizado que utiliza polvos inorgánicos como ingredientes iniciales. Posteriormente, los científicos informaron de que el laboratorio autónomo había empleado robótica e IA para sintetizar y probar 41 materiales novedosos, incluidos algunos predichos en la base de datos de DeepMind. Algunos críticos cuestionaron la novedad de los compuestos y se quejaron de que el análisis automatizado no alcanzaba los estándares experimentales, pero los investigadores de Berkeley defendieron el trabajo como una demostración del potencial del sistema autónomo.

“Cómo funciona hoy y cómo lo imaginamos sigue siendo algo distinto. Hay mucho trabajo por hacer en la construcción de herramientas”, afirma Gerbrand Ceder, científico principal del A-Lab.

Los agentes de IA ya son buenos realizando muchas tareas de laboratorio, desde preparar recetas hasta interpretar ciertos datos de prueba (por ejemplo, detectar patrones en una micrografía que podrían pasar desapercibidos para el ojo humano). Pero Ceder espera que la tecnología pronto pueda “capturar la toma de decisiones humana”, analizando experimentos en curso para decidir estratégicamente qué hacer después. Su grupo trabaja en un agente de síntesis mejorado que incorpore lo que él llama el conocimiento “difuso” de los científicos, el que se adquiere con años de formación y experiencia. “Imagino un mundo en el que la gente construya agentes basados en su experiencia, y luego exista una especie de uber-model que los integre”, dice. “Ese uber-model debe saber qué agentes puede utilizar y cuál es su conocimiento o especialidad”.

«En uno de los campos en los que trabajo, las baterías de estado sólido, se publican 50 artículos cada día. Y ese es solo uno de los campos en los que trabajo. La revolución de la IA consiste en reunir por fin todos los datos científicos que tenemos».
Gerbrand Ceder, científico principal, A-Lab 

 

Una de las fortalezas de los agentes de IA es su capacidad para devorar cantidades ingentes de literatura científica. “En uno de los campos en los que trabajo, las baterías de estado sólido, se publican 50 artículos cada día. Y ese es solo uno de los campos en los que trabajo”, señala Ceder. Es imposible para cualquier persona seguir el ritmo. “La revolución de la IA consiste en reunir por fin todos los datos científicos que tenemos”, añade.

El verano pasado, Ceder se convirtió en director científico de una startup de descubrimiento de materiales con IA llamada Radical AI y tomó una excedencia en la Universidad de California, Berkeley, para ayudar a poner en marcha sus laboratorios autónomos en Nueva York. Una presentación muestra la cartera de agentes de IA y modelos generativos diseñados para materializar la visión de Ceder. Si se observa con atención, aparece un LLM llamado el “orquestador”, que el CEO Joseph Krause describe como el “jefe supremo”.

Nueva esperanza

Por ahora, pese al entusiasmo en torno al uso de IA para descubrir nuevos materiales y al creciente impulso (y dinero) detrás del sector, aún no se ha logrado un gran éxito convincente. No hay ningún ejemplo comparable a la victoria de AlphaGo sobre un campeón mundial de Go en 2016, ni al logro de AlphaFold al dominar una de las tareas más difíciles y lentas de la biomedicina: predecir estructuras 3D de proteínas.

El campo del descubrimiento de materiales sigue esperando su momento. Podría llegar si los agentes de IA logran acelerar de forma drástica el diseño o la síntesis de materiales prácticos, similares pero mejores que los actuales. O quizá ese momento sea el hallazgo de un material verdaderamente novedoso, como un superconductor a temperatura ambiente.

Una pequeña ventana permite ver el funcionamiento interno del instrumento de pulverización catódica de Lila. La startup utiliza la máquina para crear una amplia variedad de muestras experimentales, incluidos materiales potenciales que podrían ser útiles para recubrimientos y catalizadores.
CODY O’LOUGHLIN

 

Con o sin un gran momento de ruptura, las startups se enfrentan al reto de convertir sus avances científicos en materiales útiles. La tarea es especialmente difícil porque cualquier nuevo material tendría que comercializarse en una industria dominada por grandes actores poco proclives a asumir riesgos.

Susan Schofer, inversora tecnológica y socia de la firma de capital riesgo SOSV, se muestra cautelosamente optimista sobre el sector. Pero Schofer, que pasó varios años a mediados de los 2000 como investigadora de catalizadores en una de las primeras startups que usaban automatización y high-throughput screening para descubrir materiales (aquella empresa no sobrevivió), quiere ver pruebas de que la tecnología puede traducirse en éxitos comerciales antes de invertir.

En concreto, busca evidencias de que las startups de IA ya están “encontrando algo nuevo, algo diferente, y saben cómo van a iterar a partir de ahí”. Y quiere ver un modelo de negocio que capture el valor de esos materiales. Lo explica así: “Creo que lo ideal sería: recibo una especificación de la industria, sé cuál es su problema, lo hemos definido. Ahora vamos a construirlo. Tenemos un material nuevo que podemos vender, que hemos escalado lo suficiente para demostrarlo. Y luego nos asociamos de alguna manera para fabricarlo, pero obtenemos ingresos por la venta del material”.

Schofer añade que, aunque entiende la visión de redefinir la ciencia, aconsejaría a las startups “mostrarnos cómo van a llegar allí”. Y concluye: “Veamos los primeros pasos”.

Demostrar esos primeros pasos podría ser clave para atraer a las grandes compañías de materiales a adoptar plenamente las tecnologías de IA. Los investigadores corporativos ya han sufrido decepciones: por la promesa, durante décadas, de que ordenadores cada vez más potentes diseñarían mágicamente nuevos materiales; por la química combinatoria, una moda que recorrió los laboratorios de I+D a principios de los 2000 sin resultados tangibles; y por la idea de que la biología sintética fabricaría la próxima generación de productos químicos y materiales.

Más recientemente, la comunidad de materiales se ha visto envuelta en un nuevo ciclo de hype en torno a la IA. Parte de ese entusiasmo se alimentó con el anuncio de DeepMind en 2023 sobre el descubrimiento de “millones de nuevos materiales”, una afirmación que, en retrospectiva, claramente exageraba. Y se intensificó cuando, a finales de 2024, un estudiante de economía del MIT publicó un artículo asegurando que un gran laboratorio corporativo de I+D (sin nombre) había usado IA para inventar de forma eficiente una serie de nuevos materiales. Parecía que la IA ya estaba revolucionando la industria.

Unos meses después, el departamento de Economía del MIT concluyó que “el artículo debía retirarse del debate público”. Dos economistas destacados del MIT, mencionados en una nota al pie, añadieron que no tenían “ninguna confianza en el origen, la fiabilidad o la validez de los datos ni en la veracidad de la investigación”.

¿Puede la IA ir más allá del hype y las falsas esperanzas y transformar realmente el descubrimiento de materiales? Tal vez. Hay pruebas suficientes de que está cambiando la forma en que trabajan los científicos de materiales, proporcionándoles (como mínimo) herramientas útiles en el laboratorio. Cada vez más investigadores usan LLM para consultar literatura científica y detectar patrones en datos experimentales.

Pero aún es pronto para convertir esas herramientas en descubrimientos reales. El uso de IA para gestionar laboratorios autónomos apenas comienza; fabricar y probar cosas requiere tiempo y mucho dinero. La mañana en que visité Lila Sciences, sus laboratorios estaban prácticamente vacíos, y ahora se prepara para mudarse a un espacio mucho mayor a pocos kilómetros. Periodic Labs acaba de empezar a montar su laboratorio en San Francisco. Está empezando con síntesis manual guiada por predicciones de IA: su laboratorio robótico de alto rendimiento llegará pronto. Radical AI asegura que su laboratorio es casi totalmente autónomo, pero también planea trasladarse a una sede más grande.

Los destacados investigadores en inteligencia artificial Liam Fedus (izquierda) y Ekin Dogus Cubuk son los cofundadores de Periodic Labs. Esta startup con sede en San Francisco tiene como objetivo crear un científico especializado en inteligencia artificial que sea experto en ciencias físicas.
JASON HENRY

 

Cuando hablo con los fundadores científicos de estas startups, percibo un entusiasmo renovado por un campo que durante años vivió a la sombra del descubrimiento de fármacos y la medicina genómica. Por un lado, está el dinero. “Se ve un entusiasmo enorme por unir IA y materiales”, afirma Ceder. “Nunca había visto tanto dinero fluir hacia los materiales”.

Revitalizar la industria de los materiales es un desafío que va más allá de los avances científicos. Implica convencer a las empresas de adoptar una forma completamente nueva de hacer I+D.

Pero las startups se benefician de una gran dosis de confianza prestada por el resto de la industria de IA. Y quizá eso, tras años de jugar sobre seguro, sea justo lo que necesita el negocio de los materiales.