Tabla de contenido
Embudo de descubrimiento de materiales con IA: 736 reales
El embudo de descubrimiento de materiales con IA: GNoME predijo 2,2 millones de cristales, 380.000 estables, 736 fabricados. Por qué predecir no es sintetizar.
El embudo de descubrimiento de materiales con IA es el mejor ejemplo pedagógico de toda la IA aplicada a la ciencia, porque cada etapa tiene un número publicado. GNoME, de Google DeepMind, predijo 2,2 millones de cristales nuevos. De esos, 380.000 fueron juzgados como los más estables y por tanto los mejores candidatos para síntesis experimental. Investigadores externos en laboratorios de todo el mundo crearon 736 de ellos de forma independiente. Y el A-Lab del Laboratorio Nacional de Berkeley, trabajando con investigadores de DeepMind, sintetizó más de 41 materiales nuevos con técnicas robóticas guiadas por IA. Dos artículos en Nature documentan el trabajo. Alinea esos números y la forma de la ciencia moderna con IA se vuelve visible como ninguna explicación lo lograría.
Puntos clave
- 2,2 millones de estructuras cristalinas predichas. 380.000 juzgadas como las más estables. 736 creadas de forma independiente por laboratorios externos. Eso es cerca del 0,03 % de las predicciones convertidas en material real.
- El cuello de botella no es el cómputo. Es la síntesis: descifrar una secuencia de pasos en el mundo real que produzca el arreglo de átomos predicho.
- El A-Lab del Laboratorio de Berkeley es una instalación autónoma donde robots ejecutan los intentos de síntesis, y produjo más de 41 materiales nuevos con guía de IA.
- “Estable” en el sentido de GNoME significa termodinámicamente favorable en el papel. No significa que alguien sepa cómo fabricarlo, que sea útil, ni que se pueda hacer a un costo razonable.
- La forma del embudo se repite en toda la ciencia con IA: 700.000 genomas de fagos para 16 virus funcionales, 36 millones de moléculas para 2 antibióticos probados.
Qué predijo GNoME en realidad
Un cristal son átomos acomodados en un patrón tridimensional que se repite. La sal de mesa es sodio y cloro en una red cúbica. Cambia qué elementos y cómo se acomodan y obtienes un material distinto con propiedades distintas: conductor o aislante, duro o blando, magnético o no.
El espacio de búsqueda es astronómicamente grande. Hay unos 90 elementos utilizables, y se pueden combinar en muchas proporciones y muchos arreglos geométricos. Los humanos han catalogado unos pocos cientos de miles de cristales inorgánicos conocidos en toda la historia de la química.
El trabajo de GNoME era proponer nuevos y estimar si se sostendrían. La cantidad clave es la estabilidad: para un arreglo dado de átomos, ¿esa estructura es energéticamente favorable comparada con las alternativas que esos mismos átomos podrían formar? Si un cristal propuesto se reacomodaría espontáneamente en otra cosa, no es un material; es una mala idea.
Predecir estabilidad desde la estructura antes requería cálculos de mecánica cuántica costosos para cada candidato. Un modelo entrenado que aproxima esos cálculos puede tamizar millones en vez de miles, y ese es el avance real.
Por qué el embudo de descubrimiento de materiales con IA se estrecha tanto
Etapa uno: 2,2 millones predichos. Generar es barato. Un modelo puede proponer estructuras mucho más rápido de lo que alguien puede evaluarlas.
Etapa dos: 380.000 estables. Este filtro sigue siendo computacional y aplica el criterio de estabilidad. Cerca del 17 % de las propuestas sobrevive, que es una tasa razonable para un modelo generativo trabajando en un espacio físico restringido.
Etapa tres: 736 fabricados. Aquí la caída es brutal, y la razón es la síntesis, no que las predicciones estén mal. Predecir que un cristal es estable no dice nada sobre la ruta para producirlo. Necesitas materiales de partida disponibles, una reacción que llegue al arreglo objetivo y no a uno competidor, temperaturas y presiones que un horno real pueda entregar, y un producto que no se descomponga cuando lo sacas.
Una estructura puede ser perfectamente estable y aun así no tener ninguna ruta conocida. Esa es la brecha.
La respuesta del laboratorio autónomo. El A-Lab del Laboratorio de Berkeley ataca exactamente esa restricción eliminando los límites de rendimiento humano del circuito de intentos. Los robots mezclan precursores, corren programas de horno, caracterizan productos con difracción de rayos X y deciden qué probar después, de forma continua. De ahí salieron más de 41 materiales nuevos. Ese es un número chico en términos absolutos y grande en relación con lo que tarda un estudiante de doctorado en hacer un compuesto nuevo.
Qué no significa “736 creados”. No significa 736 materiales útiles. Sintetizar un compuesto establece que existe y que se puede fabricar. Si alguno de ellos es un mejor cátodo de batería, un superconductor o un catalizador es una investigación aparte y más larga, que involucra propiedades, costo, escalabilidad y estabilidad en condiciones reales de operación.
La analogía: una máquina que diseña casas
Imagina un software que genera 2,2 millones de diseños de casas. Revisa cada uno contra la física estructural y dice que 380.000 no se caerían. Trabajo genuinamente útil; nadie quiere construir los otros 1,8 millones.
Ahora intenta construir una. Necesitas terreno, materiales que existan en tu región, una cuadrilla, un permiso, una secuencia de pasos de construcción donde cada etapa sostenga la siguiente, y un presupuesto. Un diseño puede ser perfectamente sólido y aun así imposible de construir porque exige una viga que nadie fabrica, o un paso que solo se puede hacer después del techo pero que físicamente tiene que ocurrir antes.
Se construyeron 736 casas. Los diseños no estaban mal. Construir simplemente es un problema distinto de diseñar, y siguió siendo difícil mientras diseñar se volvía fácil.
El embudo, etapa por etapa
| Etapa | Cantidad | Qué pasa aquí | Quién lo hace |
|---|---|---|---|
| Estructuras propuestas | 2,2 millones | El modelo genera arreglos cristalinos candidatos | GNoME, en computación |
| Predichas como más estables | 380.000 | Se aplica el filtro de estabilidad energética | Sigue siendo computacional |
| Intentadas en laboratorio | No publicado | Los grupos eligen objetivos por interés y factibilidad | Investigadores humanos eligiendo |
| Sintetizadas de forma independiente | 736 | Cristales reales fabricados y confirmados | Laboratorios externos en el mundo |
| Hechas por robots autónomos | 41+ | Circuito robótico de síntesis guiado por IA | A-Lab, Laboratorio de Berkeley |
| Caracterizadas por propiedades | En curso | Se miden conductividad, dureza, magnetismo, estabilidad | Lento, material por material |
| Desplegadas comercialmente | Todavía ninguna de este conjunto | Costo, escala, manufactura, calificación | Faltan años |
Lee las dos últimas filas con un adolescente que quiera trabajar en este campo. Esas son las filas donde está el trabajo, y son las filas donde la IA menos puede ayudar.
Cómo enseñarle esto a tu hijo
De 5 a 8 años: diseñarlo y después construirlo
Que tu hijo dibuje una torre que quiera construir, y después que la construya con bloques. Casi siempre el dibujo tiene algo que los bloques no pueden hacer: una pieza flotando, una forma que no existe en el set, una base demasiado angosta. Pregúntale qué fue más difícil, dibujar o construir. Esa es toda la historia de los 2,2 millones a 736, a los seis años.
De 9 a 12 años: hacer crecer un cristal de verdad
Cristales de sal, azúcar o bórax a partir de una solución saturada toman unos días y vuelven físico el concepto. Mientras crece, explícale que los átomos se están alineando en un patrón que se repite, y que el trabajo de GNoME era adivinar qué patrones podrían sostenerse. Después la pregunta difícil: si una computadora te dijera que un cristal totalmente nuevo funcionaría, ¿cómo averiguarías qué mezclar y a qué temperatura? Nuestra guía de cristales caseros explica el método.
De 13 en adelante: calcular el embudo y hallar el cuello de botella
Dale los cuatro números: 2,2 millones, 380.000, 736, 41. Que calcule cada tasa de conversión (17 %, 0,19 % y 5,6 % de los 736). Después pregúntale qué etapa se beneficiaría más de una mejora de 10 veces, y qué tipo de mejora sería. La respuesta es la predicción de rutas de síntesis, no mejores generadores de estructuras, y razonar hasta ahí es pensamiento de ingeniería genuinamente bueno. El Materials Project, un esfuerzo del Departamento de Energía de Estados Unidos, publica propiedades calculadas de cientos de miles de materiales y es gratis.
La pregunta que debes hacer: “La computadora dijo que 380.000 serían estables. ¿Por qué solo se fabricaron 736? ¿Se equivocó la computadora?”
¿Y en América Latina?
La ciencia de materiales es uno de los campos donde la región tiene ventaja de materia prima y desventaja de procesamiento, y este embudo lo ilustra bien. Chile y Perú producen cobre; Chile, Argentina y Bolivia concentran el llamado triángulo del litio; Brasil tiene reservas de niobio y tierras raras, como documentan los resúmenes anuales de recursos minerales del USGS. Casi todo eso sale de la región como mineral o concentrado, y vuelve como producto terminado.
Las etapas de abajo de la tabla, caracterización de propiedades, escalamiento y calificación de manufactura, son exactamente donde se captura ese valor. Y no requieren predecir 2,2 millones de estructuras; requieren laboratorios, instrumentos y gente entrenada. Hay grupos serios en la UNAM, la USP, la Universidad de Chile y el Instituto Balseiro en Argentina trabajando en eso. En el plano educativo, ciencias fue el único dominio que se mantuvo o mejoró en PISA 2025 en Colombia (414, +3) y México (414, +4), según Infobae, y la ciencia de materiales es una de las carreras donde ese interés tiene salida regional concreta.
Qué hacer en casa
Volver el embudo un hábito familiar para leer noticias de IA
Cada vez que aparezca un titular de IA en ciencia, pidan el embudo. Cuántos propuestos, cuántos probados, cuántos funcionaron. Este artículo, el de los fagos y el trabajo de antibióticos del MIT tienen todos la misma forma, y cuando un niño ve la forma tres veces la empieza a ver en todas partes.
Hacer crecer algo cristalino
Nada vuelve intuitivo el orden atómico como ver un cristal formarse sobre un hilo en un frasco. Es barato, requiere paciencia y produce un objeto que el niño se queda.
Separar “existe” de “sirve”
Se fabricaron 736 materiales. Todavía no se ha demostrado que alguno sea una mejor batería. Sintetizar prueba existencia; la utilidad es una pregunta aparte de varios años. Los niños que sostienen esa distinción van a leer anuncios tecnológicos mucho mejor el resto de su vida.
Señalar el laboratorio autónomo como carrera
El A-Lab son robots, química, software e instrumentación trabajando juntos. Un adolescente al que le guste construir cosas y programar está viendo una categoría de trabajo real y en crecimiento, y es justo la categoría que el embudo señala como cuello de botella.
Lo que no debes hacer
No digas que la IA descubrió 2,2 millones de materiales nuevos. Predijo 2,2 millones de estructuras y estimó 380.000 como estables; 736 existen porque laboratorios humanos y robóticos los fabricaron. La distinción entre una predicción y una cosa no es pedantería aquí; es la razón entera por la que las últimas tres filas de esa tabla siguen siendo difíciles.
Qué observar en los próximos 3 meses
- Semana 4: tu hijo puede recitar el embudo de memoria y decir qué etapa es el cuello de botella.
- Mes 2, señales de alerta: equipara “predicho como estable” con “existe”. Pregúntale qué tendría que pasar en un laboratorio para que exista.
- Mes 3, autoevaluación: estén atentos a noticias de un material derivado de GNoME usado de verdad en un dispositivo. Si no aparece ninguna, esa es la respuesta esperada y vale decirla en voz alta: el embudo tiene más etapas debajo de las que hemos medido.
Preguntas frecuentes
¿La IA descubrió de verdad 2,2 millones de materiales nuevos?
Predijo 2,2 millones de estructuras cristalinas nuevas e identificó 380.000 como los candidatos más estables para síntesis. Laboratorios externos de todo el mundo crearon 736 de ellos experimentalmente y de forma independiente. Predecir y crear son logros distintos, y los dos números pertenecen a cualquier descripción honesta.
¿Qué significa “estable” en este contexto?
Termodinámicamente favorable: el arreglo propuesto de átomos es energéticamente preferido sobre las alternativas que esos mismos átomos podrían formar. Es un cálculo sobre si una estructura se sostendría, no una afirmación de que alguien sepa producirla ni de que sirva para algo.
¿Por qué fabricar un material es mucho más difícil que predecirlo?
Porque la síntesis requiere una ruta: materiales de partida disponibles, una reacción que llegue a tu objetivo en vez de a una estructura competidora, temperaturas y presiones alcanzables en equipo real, y un producto lo bastante estable para sobrevivir a ser extraído y medido. Una estructura puede ser perfectamente estable sin tener ninguna ruta conocida.
¿Qué es el A-Lab?
Una instalación autónoma de materiales en el Laboratorio Nacional Lawrence Berkeley donde robots ejecutan intentos de síntesis, caracterizan los resultados y deciden qué probar después. Trabajando con investigadores de Google DeepMind y predicciones de GNoME, sintetizó más de 41 materiales nuevos. Ataca el cuello de botella de rendimiento, no el de conocimiento químico.
¿Alguno de estos materiales va a terminar en productos?
Posiblemente, en años. Entre la síntesis y un producto están la caracterización de propiedades, el análisis de costos, el escalamiento, la calificación de manufactura y las pruebas de estabilidad en condiciones reales de operación. Ninguno de los 736 ha llegado públicamente a ese final. Y ese es el plazo normal de la ciencia de materiales, que vale decir sin adornos.
Sobre el autor
Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.
Fuentes
- Google DeepMind. “Millions of new materials discovered with deep learning” (GNoME: 2,2 millones predichos, 380.000 estables, 736 sintetizados de forma independiente; A-Lab 41+ materiales). https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/
- Merchant, A., et al. GNoME y aprendizaje profundo a escala para descubrimiento de materiales. Nature. https://www.nature.com/
- Lawrence Berkeley National Laboratory. Instalación autónoma de síntesis A-Lab. Nature. https://www.lbl.gov/
- The Materials Project (Departamento de Energía de EE. UU.). Propiedades calculadas de cientos de miles de materiales. https://materialsproject.org/
- King, S. H., Hie, B. L., et al. (2026). “Generative design of novel bacteriophages with genome language models.” Science. Preprint: https://www.biorxiv.org/content/10.1101/2025.09.12.675911v1
- U.S. Geological Survey. Mineral Commodity Summaries (reservas de litio, cobre y niobio por país). https://www.usgs.gov/centers/national-minerals-information-center/mineral-commodity-summaries
- Infobae. (2026, 8 de septiembre). “Pruebas PISA: los países de América Latina profundizan su retroceso educativo.” https://www.infobae.com/america/america-latina/2026/09/08/pruebas-pisa-los-paises-de-america-latina-profundizan-su-retroceso-educativo/
