La nueva IA para ciencia: modelos que aprenden física, no palabras

Cuando la IA deja de “leer” y empieza a observar la naturaleza

La mayoría de los avances recientes en inteligencia artificial se apoyan en una premisa clara: aprender a partir de lenguaje. Millones de textos, conversaciones y descripciones han permitido crear sistemas capaces de escribir, resumir y razonar en términos verbales. Sin embargo, gran parte de la ciencia no se parece a una biblioteca, sino a un laboratorio lleno de instrumentos que producen datos físicos, no frases.

En ese contexto surge una nueva ola de modelos fundacionales entrenados con física, impulsada por la colaboración Polymathic AI, con participación de la University of Cambridge. Su propuesta es ambiciosa pero intuitiva: entrenar modelos con observaciones reales del mundo para que aprendan regularidades físicas transferibles entre dominios científicos.

Qué significa entrenar una IA con datos físicos

Un modelo fundacional se caracteriza por dos rasgos: grandes volúmenes de datos y capacidad de generalización. En el ámbito científico, esto implica exponer al modelo a simulaciones, mediciones y registros experimentales de muy distintos fenómenos, para que aprenda patrones comunes de la naturaleza.

En lugar de partir siempre de ecuaciones específicas ajustadas a un caso concreto, el modelo llega con una intuición estadística previa sobre cómo suelen comportarse los sistemas físicos. No reemplaza al científico ni a la teoría, pero reduce el tiempo de exploración y prueba, especialmente cuando los datos son escasos o costosos de obtener.

AION-1: una base común para observar el universo

El primer ejemplo de este enfoque es AION-1, orientado a astronomía. Se entrena con grandes campañas de observación como SDSS y Gaia, que acumulan cientos de millones de registros astronómicos en forma de imágenes, espectros y atributos físicos.

El objetivo no es memorizar el cielo, sino aprender asociaciones entre distintas formas de observar un mismo objeto. Así, cuando un investigador dispone solo de una imagen incompleta o de baja resolución, el modelo puede inferir información adicional apoyándose en patrones aprendidos a gran escala. Funciona como una lente estadística que ayuda a priorizar análisis y extraer variables latentes antes de aplicar métodos más específicos.

Walrus: un modelo general para sistemas que fluyen

El segundo modelo, Walrus, se centra en sistemas continuos: fluidos, ondas, campos dinámicos y fenómenos donde variables como presión, velocidad o densidad evolucionan en el tiempo.

Walrus utiliza una arquitectura tipo transformer adaptada a dinámica física. A partir de una secuencia corta de estados de un sistema, predice su evolución siguiente. Para entrenarlo, el equipo creó un conjunto de datos propio, The Well, con decenas de terabytes de simulaciones y escenarios variados, desde fenómenos astrofísicos hasta dinámicas biológicas o señales de comunicación.

La presentación técnica del modelo está disponible en arXiv (DOI: 10.48550/arxiv.2511.15684), lo que permite a otros grupos evaluar con detalle su funcionamiento y reproducibilidad.

Transferencia entre dominios: el verdadero valor del enfoque

El rasgo más interesante de estos modelos no es su rendimiento en un único problema, sino su capacidad de transferencia. La hipótesis central es que muchas disciplinas comparten regularidades profundas: estructuras estables, transiciones, patrones de propagación.

Un modelo entrenado en diversidad puede aplicar intuiciones aprendidas en un campo a otro distinto. Esto es especialmente útil cuando un experimento ofrece datos parciales o ruidosos. En lugar de empezar desde cero, el investigador parte de un prior aprendido que orienta la exploración de soluciones plausibles.

Impacto práctico en el trabajo científico cotidiano

En muchos laboratorios, el cuello de botella no es solo computacional, sino humano: diseñar pipelines, limpiar datos, ajustar modelos y repetir procesos consume tiempo y recursos. Los modelos fundacionales buscan aliviar esa carga ofreciendo una base reutilizable que se adapta con menos datos y menos ajuste manual.

No sustituyen los modelos mecanicistas ni la teoría física. Funcionan como una capa adicional, comparable a una calculadora científica avanzada: acelera el trabajo y libera atención para formular mejores preguntas.

Apertura y validación comunitaria

Un aspecto clave del proyecto es su vocación de apertura. El código y los datos asociados a Walrus se publican para que otros equipos puedan probarlos, auditarlos y adaptarlos. En ciencia, esta apertura es decisiva para que una herramienta pase de ser una demostración prometedora a convertirse en infraestructura real.

El éxito de esta nueva ola de IA científica dependerá de algo muy concreto: que generalice sin introducir artefactos no físicos, que sea interpretable cuando sea necesario y que reduzca trabajo sin ocultar sesgos del entrenamiento.

Preguntas frecuentes (FAQ)

¿En qué se diferencia esta IA de los modelos de lenguaje?
Aprende de datos físicos reales, no de texto, y busca captar regularidades de la naturaleza.

¿Estos modelos reemplazan a la teoría física?
No. Funcionan como apoyo estadístico que complementa modelos mecanicistas y teoría.

¿Dónde se aplican primero estos enfoques?
Astronomía, dinámica de fluidos, sistemas complejos y simulación científica.

¿Son modelos cerrados o abiertos?
Walrus se publica con código y datos abiertos, favoreciendo validación y adopción.

Para más análisis sobre inteligencia artificial, ciencia y tecnología emergente, visita https://fernandojuca.com y el canal https://youtube.com/fernandojucamaldonado, donde estos avances se explican con rigor y contexto.