Descubrimiento del agua con IA: dos líquidos en un solo vaso

Sirve un vaso de agua. Para ti es un líquido. Para los físicos, probablemente son dos. Aquí va el descubrimiento del agua con IA en una sola frase: en julio de 2026, un equipo de la Universidad de Osaka entrenó una red neuronal para decidir cuál de 16 fórmulas matemáticas describe mejor el vecindario de una molécula de agua, y la ganadora separó las dos formas líquidas del agua con una precisión casi perfecta. Esa frase esconde tres ideas que un niño de diez años puede masticar: el agua tiene dos personalidades, los científicos tenían 16 maneras rivales de detectarlas, y una computadora hizo de árbitro. Aquí te cuento cómo funciona y cómo llevarlo a tu cocina.

Puntos clave

• El estudio (Yoshikawa, Shikata, Kim y Matubayasi, Communications Chemistry, julio de 2026) no descubrió un agua nueva. Usó una red neuronal como juez imparcial para ordenar 16 formas ya existentes de medir la estructura del agua.
• La fórmula ganadora, el Índice de Estructura Local (LSI), distinguió agua fría de agua tibia con un AUC de al menos 0,991. Varias fórmulas populares quedaron atrás.
• Todos los datos fueron simulados: 1.000 moléculas virtuales, modeladas con una receta estándar llamada TIP4P/2005, entre 200 y 300 kelvin. No se midió agua real.
• La idea de los dos líquidos viene de un artículo en Nature de 1992 y recibió apoyo experimental directo en 2020. Este trabajo afila la herramienta; no es la prueba final.
• Para tu hijo, la lección es de método: la IA en ciencia muchas veces califica hipótesis humanas, y esas notas valen lo que valen las preguntas.

Qué hizo exactamente el equipo de Osaka

El estudio es una comparación de descriptores estructurales para agua sobreenfriada hecha con aprendizaje automático, publicada como “Machine learning evaluation of structural descriptors for supercooled water” en Communications Chemistry 9(1), el 8 de julio de 2026, por Kohei Yoshikawa, Kokoro Shikata, Kang Kim y Nobuyuki Matubayasi, de la División de Ingeniería Química de la Universidad de Osaka (DOI 10.1038/s42004-026-02097-1; preprint abierto en arXiv).

Un “descriptor estructural” es un solo número que calculas para una molécula de agua y que resume cómo están acomodadas sus vecinas. ¿Está en una jaula abierta y ordenada, en forma de tetraedro, como en el hielo? ¿O apretujada en un grupo denso y desordenado? En las últimas tres décadas, los físicos propusieron al menos 16 fórmulas distintas para ese número. Nadie había organizado una competencia justa entre ellas.

El grupo de Osaka la organizó. Según el autor sénior Matubayasi, en el comunicado de EurekAlert, la red neuronal “usó lo que había aprendido para comparar cómo 16 descriptores diferenciaban estructuras LDL y HDL a distintas temperaturas”. LDL y HDL son las dos formas líquidas sospechosas: líquido de baja densidad y líquido de alta densidad.

El descubrimiento del agua con IA, paso por paso: qué calculó la red

Esta es la parte que casi ninguna noticia contó, y es la que tu hijo debería escuchar primero.

Paso 1: fabricar los datos. El equipo corrió simulaciones de dinámica molecular en GROMACS con el modelo de agua TIP4P/2005, un conjunto de ecuaciones muy probado que trata cada molécula como un objeto rígido pequeño con cargas eléctricas. Simularon 1.000 moléculas entre 200 K y 300 K (más o menos de −73 °C a 27 °C), en dos condiciones: densidad fija (1 g/cm³) y presión fija (1 bar). Cada cierto tiempo guardaban una “foto” de dónde estaban las 1.000 moléculas.

Paso 2: calcular cada descriptor. Para cada foto, calcularon los 16 descriptores para las 1.000 moléculas. Eso da 16 listas distintas de 1.000 números por foto.

Paso 3: hacerle a la red una pregunta simple. El trabajo de la red era clasificar: dada una lista de 1.000 valores de un descriptor tomados de una foto, ¿esta foto es de agua fría o de agua tibia? La red era pequeña: 1.000 nodos de entrada, dos capas ocultas, una salida que entrega una probabilidad. Se entrenó con una función de pérdida estándar (entropía cruzada binaria) y un optimizador estándar (Adam).

Paso 4: calificar cada descriptor según qué tan fácil hizo la pregunta. Si la red distingue fría de tibia casi perfectamente con el descriptor A, pero apenas mejor que lanzar una moneda con el descriptor B, entonces A captura el cambio estructural que produce la temperatura y B no. La nota que usaron es el AUC, el área bajo la curva ROC: 1,0 es perfecto y 0,5 es adivinar.

Paso 5: abrir la caja negra. Aplicaron LIME, un método que ajusta un modelo lineal simple alrededor de cada predicción para mostrar qué valores empujaron la respuesta hacia “fría” o “tibia”. Así vieron a qué moléculas miraba la red, no solo si acertó.

Lo que acertó

El Índice de Estructura Local (LSI) logró “una discriminación casi perfecta, con AUC ≥ 0,991 en condiciones isocóricas”, según el preprint. Otros tres también salieron bien: ζ (zeta, la brecha entre vecinas con y sin puente de hidrógeno), NTCHB (conectividad por puentes de hidrógeno) y el simple conteo N_HB.

Lo que no pudo decir

El propio artículo trae tres advertencias honestas. Primero, descriptores como Q₄, Q₆ y el número de coordinación dependen de una distancia de corte arbitraria; cambias el corte y cambia el ranking. Segundo, todos los descriptores empeoraron entre 260 K y 300 K, porque a temperaturas más altas las fluctuaciones de densidad mezclan las dos estructuras. Tercero, la red clasificó temperatura, no LDL contra HDL directamente; la temperatura es un sustituto. Y todo vive dentro de un solo modelo de agua; si el ranking sirve para el agua real, no se dice.

La analogía: calificar 16 formas de describir una multitud

Imagina el patio de un colegio lleno de niños. A veces están repartidos en un patrón calmado, cada uno a un brazo de cuatro amigos. A veces se amontonan en grupos desordenados. Tú no ves el patio; solo recibes un número por niño.

Dieciséis profesores proponen un número cada uno: “cuenta cuántos niños hay a un paso”, “mide la distancia al quinto más cercano”. ¿Cuál revela mejor si el patio está en modo calma o en modo amontonamiento?

El enfoque de Osaka: mostrarle a una computadora miles de patios con su etiqueta, y dejar que adivine usando solo el número de un profesor a la vez. Gana el profesor cuyo número hace más fácil adivinar. La IA no inventó un número nuevo. Arbitró.

Por qué el agua tiene dos personalidades

El agua líquida es rara. Es más densa a unos 4 °C, no en su punto de congelación, y por eso el hielo flota y los lagos se congelan de arriba hacia abajo. Su compresibilidad y su capacidad calorífica suben de golpe al enfriarla bajo 0 °C sin que se congele. En 1992, Poole, Sciortino, Essmann y Stanley propusieron en Nature que estas anomalías vienen de una transición escondida entre dos formas líquidas, que termina en un “punto crítico líquido-líquido” en la zona sobreenfriada.

Fue hipótesis durante casi 30 años. En noviembre de 2020, Kim y colegas publicaron en Science un experimento con pulsos de láser de rayos X que observó agua líquida de alta densidad convirtiéndose en dominios de baja densidad en escalas de 20 nanosegundos a 3 microsegundos, mucho antes de cristalizar (3 a 50 microsegundos). Esa separación de tiempos es la evidencia experimental más fuerte hasta ahora de que los dos líquidos existen.

El artículo de Osaka no suma evidencia a favor de la transición; afila la regla con la que se mide. Esa diferencia importa al explicárselo a un niño: “la IA demostró que el agua son dos líquidos” está mal; “la IA averiguó cuál regla mide mejor la diferencia” está bien.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: la prueba del hielo que flota

Llena un vaso transparente con agua y suelta un cubo de hielo. ¿Se hunde o flota? Después di la parte rara: casi todo lo demás se vuelve más pesado al congelarse y se hunde. Congela una botella pequeña bien tapada (deja espacio arriba) y muéstrale cómo el hielo se abultó. Ese abultamiento es la “jaula abierta” que los descriptores de Osaka intentan detectar. Todavía no hables de IA; la meta es que recuerde que el agua es especial.

De 9 a 12 años: inventar un descriptor a mano

Esparce 30 monedas en una bandeja. Acomódalas una vez en un panal ordenado y otra en montoncitos desordenados. Pídele a tu hijo que invente un “descriptor”: un número por moneda, como “cuántas monedas tocan a esta”, y que lo calcule para cinco monedas de cada bandeja. ¿Cuál número cambió más? Ahora explícale que Osaka tenía 16 números así, usó 1.000 moléculas en miles de fotos, y una computadora calificó cuál funcionaba mejor.

De 13 en adelante: entrenar un clasificador diminuto

Abre una hoja de cálculo. Columna A: 40 filas con el “conteo de vecinas” del patrón ordenado (casi puros 6). Columna B: 40 filas del desordenado (valores al azar entre 2 y 8). Que tu hijo elija un umbral que separe mejor las columnas y cuente los errores; luego que repita con un descriptor malo (el diámetro de la moneda, igual en todas). Eso es un clasificador de una variable y una curva ROC en miniatura. Si quiere más, Teachable Machine de Google entrena un clasificador de imágenes con fotos de las dos bandejas en diez minutos.

La pregunta que debes hacer: “Si la computadora acertó el 99 % de las veces usando el número LSI, ¿eso demuestra que el agua tiene dos formas líquidas, o demuestra algo más pequeño?”

Los 16 descriptores, ordenados: qué aprendió la red

El artículo completo reporta el AUC de cada descriptor en ambas condiciones. Esta tabla los agrupa por desempeño y por lo que cada uno intenta capturar.

Descriptor (símbolo del artículo)	Qué mide, en palabras simples	Cómo lo calificó la red
LSI (Índice de Estructura Local)	Qué tan desparejos son los espacios entre las vecinas cercanas de una molécula	El mejor: AUC ≥ 0,991 a densidad fija
ζ (zeta)	Brecha de distancia entre vecinas con y sin puente de hidrógeno	Fuerte, cerca del tope
NTCHB	Qué tan conectada está una molécula a través de puentes de hidrógeno	Fuerte
N_HB	Conteo simple de puentes de hidrógeno	Fuerte, sorprendentemente competitivo
q_tet, q_n	Qué tanto se parecen las cuatro vecinas más cercanas a un tetraedro perfecto	Útil, pero más débil a temperaturas tibias
d₅	Distancia a la quinta vecina más cercana	Moderado
V₄, V₅, V₄₋₅	Energías de interacción con la 4.ª y 5.ª vecina	Moderado
Ψ (psi), NTC	Medidas topológicas y de red	Moderado
Q₄, Q₆, C.N., V_voro	Orden orientacional, número de coordinación, volumen de Voronoi	Sensibles a cortes arbitrarios; más débiles

Lee la tercera columna como “qué tan fácil hizo este número la adivinanza fría/tibia”, no como una medida de verdad científica.

¿Y en América Latina?

El estudio es japonés, pero la lección de método aterriza directo en la región. Según PISA 2025, publicado el 8 de septiembre de 2026, el 56 % de los estudiantes colombianos usa herramientas de IA cada semana para aprender, frente al 46 % del promedio OCDE; Perú marca 54 % y Uruguay 53 %, según reportó Pulzo. Y la propia OCDE advierte que ese uso “con frecuencia no logra” apoyar el aprendizaje en la práctica, porque facilita atajos.

Mientras tanto, los puntajes de ciencias se mantuvieron o subieron levemente (Colombia 414, +3; México 414, +4), pero matemáticas cayó en Argentina (367, −11) y en México (388, −7), según Infobae. Un niño que entiende que la IA de Osaka calificó fórmulas en vez de inventar respuestas tiene un modelo mental más sano que “le pregunto a la IA y copio”. El Observatorio de IA en Educación para América Latina y el Caribe de la UNESCO, lanzado en Santiago el 14 de abril de 2026, apunta justo a eso: más de la mitad de los docentes en Chile y Brasil ya usa IA, pero menos del 10 % de las instituciones tiene guías formales.

Qué hacer en casa

Separar “descubrió” de “midió”

Cuando tu hijo llegue con un titular tipo “la IA resolvió el misterio del agua”, pídele que diga qué se midió. La respuesta honesta: “cuál fórmula sigue mejor un cambio de estructura en una simulación”. Practicar esa traducción es el hábito de alfabetización científica más útil de la próxima década.

Un experimento físico antes de cualquier pantalla

La prueba del hielo y la botella abultada toman diez minutos y no cuestan nada. Los niños recuerdan lo que hicieron con las manos, y la historia de la red neuronal cae mejor después. Si a la familia le gusta, la guía sobre cambio físico contra cambio químico es el paso natural siguiente.

Dejar que invente un descriptor malo a propósito

Pídele a tu hijo de 9 a 12 años que proponga un número que no distinga ordenado de desordenado (el color de la moneda, el tamaño), y que explique por qué. Entender por qué una medida falla es, en el fondo, la advertencia del artículo sobre las distancias de corte.

Seguir con la demostración de sobreenfriamiento

Cuando la idea de “dos líquidos” ya se asentó, el truco de la botella sobreenfriada muestra cómo se ve “bajo cero pero todavía líquida”; lo explicamos en el artículo hermano sobre agua sobreenfriada y redes neuronales en la cocina. Para ver estructura ordenada con sus propios ojos, la guía de cristales caseros complementa bien.

Lo que no debes hacer

No le digas a tu hijo que la computadora “entendió” el agua. No lo hizo. Encontró una frontera entre dos pilas de números etiquetados. Humanizar a la red esconde el método real, y el método es lo que se transfiere a todas las demás historias de IA en ciencia.

Qué observar en los próximos 3 meses

• Semana 4: tu hijo cuenta el resultado como “un programa calificó 16 fórmulas”, no “la IA descubrió dos aguas”. Si sigue diciendo “descubrió”, repite las monedas.
• Mes 2, señales de alerta: trata “lo dijo la IA” como el final de una discusión (tareas, noticias). Pregúntale siempre con qué datos se entrenó y qué pregunta se le hizo.
• Mes 3, autoevaluación: ¿puede explicar por qué flota el hielo usando las palabras “estructura abierta” o “jaula”? ¿Puede nombrar una cosa que el estudio de Osaka no pudo demostrar? Si responde sí a ambas, el concepto quedó.

Preguntas frecuentes

¿La IA descubrió de verdad que el agua son dos líquidos?

No. La hipótesis de los dos líquidos viene de un artículo en Nature de 1992 de Poole y colegas, y recibió apoyo experimental directo en un artículo de Science de 2020. El estudio de Osaka de 2026 usó una red neuronal para ordenar 16 descriptores existentes según qué tan bien siguen el cambio en simulaciones. Afiló una herramienta de medición; no hizo el descubrimiento original.

¿Mi hijo puede ver esto en un vaso de agua?

No directamente. Las dos formas líquidas se notan con claridad solo en agua sobreenfriada, bajo 0 °C. Lo que sí puede ver es la consecuencia: el hielo flotando, botellas cerradas que se abultan en el congelador, lagos que se congelan por arriba. Esos efectos vienen de la misma estructura abierta que miden los descriptores.

¿Qué es un “descriptor”, en palabras de un niño de diez años?

Un descriptor es un número que calculas para una molécula y que describe su vecindario, como “cuántos amigos tiene al alcance del brazo”. El equipo de Osaka probó 16. El mejor, LSI, mide qué tan desparejos son los espacios entre las vecinas más cercanas.

¿Por qué usaron agua simulada y no agua real?

Porque no puedes fotografiar moléculas individuales en agua líquida lo bastante rápido. Las simulaciones de dinámica molecular, aquí con el modelo TIP4P/2005 y 1.000 moléculas, dan posiciones exactas en cada instante. El costo: los resultados son tan realistas como el modelo, y los autores lo marcan como limitación.

---

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

1. Yoshikawa, K., Shikata, K., Kim, K., & Matubayasi, N. (2026). “Machine learning evaluation of structural descriptors for supercooled water.” Communications Chemistry, 9(1). https://www.nature.com/articles/s42004-026-02097-1
2. Yoshikawa, K., et al. (2026). Preprint con métodos completos. arXiv 2605.00415. https://arxiv.org/abs/2605.00415
3. The University of Osaka. (2026, 6 de julio). “Out of order: using AI to decode the bizarre personality of water.” EurekAlert! https://www.eurekalert.org/news-releases/1134535
4. Poole, P. H., Sciortino, F., Essmann, U., & Stanley, H. E. (1992). “Phase behaviour of metastable water.” Nature, 360, 324–328. https://www.nature.com/articles/360324a0
5. Kim, K. H., et al. (2020). “Experimental observation of the liquid-liquid transition in bulk supercooled water under pressure.” Science, 370(6519), 978–982. https://www.science.org/doi/10.1126/science.abb9385
6. 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/
7. Pulzo. (2026, septiembre). “Estudiantes en Colombia lideran uso de IA, según la OCDE.” https://www.pulzo.com/tecnologia/inteligencia-artificial-en-la-educacion-estudiantes-en-colombia-lideran-uso-de-ia-segun-la-ocde-PP5296043A
8. UNESCO. (2026, abril). “UNESCO launches Observatory on Artificial Intelligence in Education for Latin America and the Caribbean.” https://www.unesco.org/en/articles/unesco-launches-observatory-artificial-intelligence-education-latin-america-and-caribbean