Hoy, la mayoría de las conversaciones sobre inteligencia artificial empiezan por los grandes modelos de lenguaje. Comparamos su capacidad de razonamiento, cómo programan y cómo rinden en los benchmarks. Cada lanzamiento acapara la atención porque los modelos de lenguaje se han vuelto útiles en muchos ámbitos del software y del trabajo.
Pero mirar la IA solo a través de los modelos de lenguaje nos da una imagen incompleta.
En toda China, hay investigadores trabajando en problemas distintos: predecir el tiempo, realizar experimentos de laboratorio, descubrir posibles medicamentos, enseñar a los robots a manipular objetos físicos y explorar nuevas formas de construir sistemas de computación. Algunos proyectos usan modelos de lenguaje como componentes. Otros se basan en técnicas completamente diferentes.
La pregunta interesante no es si estos avances demuestran que un país va por delante de otro. Es qué han demostrado realmente los investigadores, cómo se pusieron a prueba sus resultados y dónde siguen estando los límites.
Pronosticar el tiempo sin ejecutar los cálculos habituales
La predicción meteorológica tradicional usa modelos numéricos que calculan cómo evolucionan las condiciones atmosféricas según ecuaciones físicas. Exigen una gran capacidad de cómputo. La predicción con IA sigue otro camino: los modelos aprenden patrones a partir de datos atmosféricos históricos y usan esos patrones para predecir las condiciones futuras. Una vez entrenados, algunos sistemas pueden generar pronósticos con rapidez, aunque el entrenamiento y la infraestructura operativa siguen teniendo costos.
Imagen: MODIS Land Rapid Response Team, NASA GSFC, dominio público, vía Wikimedia Commons
En 2023, investigadores de Huawei Cloud describieron Pangu-Weather en Nature. El sistema usaba una arquitectura de red neuronal tridimensional para representar la información atmosférica a distintas alturas. Sus autores informaron de pronósticos a medio plazo competitivos y de una generación rápida de predicciones en sus condiciones experimentales. Fuente: Nature. Código oficial: repositorio en GitHub, público y sin archivo de licencia, por lo que se enlaza solo como referencia.
Otras colaboraciones de investigación chinas desarrollaron FengWu y FuXi. Sus enfoques eran distintos: FuXi organizaba el pronóstico en etapas optimizadas para diferentes plazos de anticipación, mientras que FengWu combinaba información de varias variables atmosféricas. Eran estrategias técnicas que competían entre sí, no un único método uniforme.
¿Qué ocurrió cuando los investigadores los compararon en las mismas condiciones?
Un estudio de 2024 publicado en npj Climate and Atmospheric Science evaluó Pangu-Weather, FengWu, FuXi, GraphCast de Google y FourCastNet v2 de NVIDIA en Asia oriental y el Pacífico noroccidental. Con las condiciones iniciales comunes del estudio, FengWu obtuvo los mejores resultados en sus principales medidas de pronóstico atmosférico, seguido de FuXi y GraphCast. Pangu-Weather quedó más abajo entre los cinco. Los resultados también variaron según la tarea. En los tifones analizados, FengWu predijo bien las trayectorias de las tormentas, pero tuvo los mayores errores de intensidad entre los modelos comparados. Fuente: comparación independiente.
| Modelo | Resultado global (mismas condiciones iniciales) | Trayectoria del tifón | Intensidad del tifón |
|---|---|---|---|
| FengWu | El mejor en las principales medidas atmosféricas | Buen desempeño | Los mayores errores de intensidad entre los modelos comparados |
| FuXi | Segundo, por detrás de FengWu | No indicado en las fuentes revisadas | No indicado en las fuentes revisadas |
| GraphCast | Tercero, por detrás de FuXi | No indicado en las fuentes revisadas | No indicado en las fuentes revisadas |
| FourCastNet v2 y Pangu-Weather | Más abajo en la clasificación | No indicado en las fuentes revisadas | No indicado en las fuentes revisadas |
Esa diferencia importa. Predecir hacia dónde se desplazará una tormenta no es lo mismo que predecir cuánta fuerza llegará a tener.
En 2026, el Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF) dejó de operar en tiempo real varios modelos externos de pronóstico con IA más antiguos, entre ellos Pangu-Weather. La decisión respondió a cambios en su programa operativo y a la utilidad de seguir manteniendo esos modelos anteriores. No borró sus aportaciones a la investigación. Fuente: ECMWF.
El logro aquí no es una clasificación permanente. Los investigadores chinos ayudaron a desarrollar métodos que podían evaluarse frente a las condiciones atmosféricas observadas y que equipos meteorológicos independientes podían comparar. Eso nos da una imagen del progreso más significativa que un benchmark de titular.
Cuando la IA entra en el laboratorio científico
La investigación científica implica algo más que proponer una respuesta. Los investigadores preparan materiales, manejan equipos, miden resultados y usan esas mediciones para decidir qué investigar a continuación. Algunos grupos de investigación chinos están conectando estos pasos mediante sistemas experimentales asistidos por IA.
Imagen: National Institute of Allergy and Infectious Diseases, dominio público, vía Wikimedia Commons
En 2022, investigadores vinculados a la Universidad de Ciencia y Tecnología de China describieron AI-Chemist. Su sistema conectaba la planificación computacional con equipos robóticos que operaban en 14 estaciones de trabajo de laboratorio, usadas para actividades como la síntesis, la caracterización y las pruebas de rendimiento. La aportación importante fue la conexión entre las decisiones del software y los experimentos físicos, no simplemente la capacidad de describir un experimento con palabras. Fuente: investigación publicada.
Texto alternativo accesible para esta figura
Versión en texto del diagrama. El ciclo tiene cuatro pasos. 1. Planificar: el software y agentes de modelos de lenguaje proponen el siguiente experimento. 2. Ejecutar: una estación de trabajo robótica realiza la síntesis. 3. Medir: se realizan pruebas de caracterización y de rendimiento. 4. Decidir: los resultados eligen el siguiente experimento y el ciclo se repite.
La demostración tenía límites. Funcionaba con las herramientas disponibles en el laboratorio y con flujos de trabajo experimentales definidos. No demostró que una máquina pudiera resolver de forma independiente cualquier problema científico.
Un ejemplo más reciente es MARS, fruto de una investigación dirigida por los Institutos de Tecnología Avanzada de Shenzhen, que forman parte de la Academia China de Ciencias, junto con otros colaboradores. El proyecto publicado describe 19 agentes especializados basados en modelos de lenguaje, 16 herramientas de investigación y operaciones de laboratorio robotizadas. Los agentes ayudan a coordinar la planificación, el análisis y la ejecución, mientras que las mediciones experimentales orientan los pasos posteriores. Sus investigadores informaron de resultados con materiales de perovskita, entre ellos una optimización lograda en una serie limitada de experimentos. Fuente: artículo en Matter.
MARS plantea una pregunta útil: ¿cuenta como investigación en IA más allá de los LLM si usa modelos de lenguaje? Sí, siempre que tengamos clara la distinción. Los modelos de lenguaje forman parte del sistema, pero la finalidad del sistema es el trabajo experimental con herramientas especializadas y equipos físicos. Más allá de los LLM no significa sin LLM. Significa mirar más allá del desempeño conversacional, hacia las tareas que estos sistemas respaldan.
El próximo artículo de esta serie analizará con más detalle los laboratorios autónomos, incluidos los problemas de fiabilidad y reproducibilidad que persisten.
Cómo contribuye la IA al desarrollo de fármacos
El descubrimiento de fármacos aporta un tipo distinto de evidencia. La IA puede ayudar a los investigadores a identificar dianas biológicas y estructuras moleculares prometedoras, pero un candidato generado por computadora está muy lejos de ser un medicamento. Las pruebas de laboratorio, la investigación preclínica y los ensayos en humanos siguen siendo importantes.
Rentosertib, un tratamiento en investigación para la fibrosis pulmonar idiopática, ilustra ese camino. Lo desarrolló Insilico Medicine, una empresa internacional de biotecnología con importantes operaciones de investigación y clínicas en China. Sería inexacto presentar el programa como un descubrimiento hecho exclusivamente por un laboratorio chino.
Un ensayo aleatorizado de fase 2a, publicado en Nature Medicine en 2025, incluyó a 71 participantes en 21 centros de China. Su objetivo principal era la seguridad y la tolerabilidad durante 12 semanas. Los cambios en la función pulmonar figuraban entre los criterios de valoración secundarios. Los investigadores informaron de señales alentadoras en algunos grupos, pero la muestra pequeña, el seguimiento corto, los eventos adversos y las interrupciones del tratamiento limitan lo que esos resultados demuestran. Fuente: estudio clínico.
El 10 de septiembre de 2026, Insilico Medicine anunció que se había administrado la primera dosis al primer participante de GENESIS-IPF-3, su ensayo de fase 3, más amplio y de 52 semanas. Es una etapa de desarrollo importante, no un resultado positivo de fase 3 ni una aprobación regulatoria. Fuente: anuncio de la empresa.
| Etapa | Lo que se sabe | Estado |
|---|---|---|
| Descubrimiento | La IA ayudó a identificar una diana biológica y una molécula candidata. Un candidato todavía no es un medicamento. | Completada como parte del programa |
| Fase 2a (aleatorizada, publicada en 2025) | 71 participantes en 21 centros de China. Objetivo principal: seguridad y tolerabilidad durante 12 semanas. Los cambios en la función pulmonar eran criterios de valoración secundarios. | Publicada. Estudio pequeño y corto |
| Fase 3 (GENESIS-IPF-3) | Ensayo de 52 semanas. Primer participante tratado el 10 de septiembre de 2026. La empresa informa de que prevé 320 participantes en 47 centros de China. | En curso. No se ha informado de resultados de eficacia |
| Aprobación regulatoria | Ninguna | No aprobado |
El ejemplo no demuestra que los medicamentos diseñados con IA sean, en general, mejores que los desarrollados con otros métodos. Muestra que el descubrimiento asistido por IA puede formar parte de un programa que avanza hasta ensayos clínicos controlados, donde el resultado debe determinarlo la evidencia biológica y médica, no el origen de la tecnología.
Enseñar a los robots con ejemplos físicos
Los robots se enfrentan a problemas que el texto por sí solo no puede enseñar. Una máquina necesita aprender qué ocurre cuando los objetos se agarran, se levantan, se mueven o se colocan en condiciones variables.
La empresa china de robótica AgiBot presentó AgiBot World, un conjunto de datos de investigación que, según su descripción, contiene más de un millón de trayectorias de robots grabadas en 217 tareas. Cada trayectoria recoge observaciones y acciones asociadas a la manipulación física. Fuente: artículo sobre AgiBot World.
Es una infraestructura de entrenamiento útil, pero el tamaño de un conjunto de datos no mide la inteligencia robótica de propósito general. Lo que importa es si los modelos entrenados con esos datos pueden funcionar de forma fiable con objetos desconocidos y en condiciones cambiantes. Analizaremos esa cuestión, y la evidencia obtenida con hardware real, en el artículo 3.
Otro enfoque de la computación para IA
Imagen: DARPA SyNAPSE, dominio público, vía Wikimedia Commons
En la Universidad de Zhejiang, el programa Darwin explora la computación neuromórfica: arquitecturas inspiradas en aspectos de la señalización neuronal biológica. Según la información disponible, su sistema Darwin Monkey combina 960 chips Darwin3 para ejecutar grandes simulaciones de redes neuronales de impulsos. Fuente: Universidad de Zhejiang.
Es una arquitectura de investigación importante, no una prueba de inteligencia similar a la humana. El número de neuronas simuladas no demuestra superioridad frente a los aceleradores convencionales. Las comparaciones útiles requieren cargas de trabajo, precisión y mediciones de energía equivalentes. El artículo 4 investigará lo que la computación neuromórfica puede y no puede ofrecer.
De la investigación al uso práctico
El panorama de la investigación va más allá de las universidades. Los fabricantes chinos también informan de que despliegan IA para tareas industriales concretas. CITIC Dicastal, por ejemplo, ha descrito una inspección por rayos X asistida por IA para detectar defectos en la producción de ruedas para automóviles. Es una aplicación concreta de la visión por computadora a un proceso de fabricación consolidado. Sin embargo, las mejoras de productividad que comunica deben tratarse como afirmaciones de la empresa mientras no las respalden mediciones independientes y comparables.
Estos ejemplos muestran formas distintas de progreso. Los modelos meteorológicos pueden evaluarse frente a las observaciones. Los sistemas de laboratorio deben producir resultados experimentales. Los fármacos candidatos requieren evidencia clínica. Los robots deben funcionar en hardware físico. Los sistemas de computación alternativos deben demostrar sus beneficios con cargas de trabajo comparables.
El trabajo también procede de instituciones de distinto tipo: universidades, institutos vinculados al Gobierno, empresas y colaboraciones internacionales. Describirlo todo como un único esfuerzo nacional coordinado ocultaría quién desarrolló qué y cómo debe juzgarse cada aportación.
Lo que demuestra esta investigación es más interesante que una competencia por los puestos en una clasificación nacional. Los investigadores chinos y los equipos vinculados a China han hecho aportaciones sustanciales en varias áreas técnicas, pero sus logros se encuentran en distintos niveles de madurez. Algunos se han evaluado de forma independiente. Otros siguen siendo experimentos acotados o capacidades comunicadas por las propias instituciones.
El progreso de la IA va más allá de lo que los modelos pueden decirnos. También incluye lo que pueden predecir, descubrir y ayudar a lograr, y la evidencia que muestra si esas capacidades funcionan.
Fuentes y lecturas adicionales
- Pangu-Weather: Nature (2023).
- Comparación independiente de cinco modelos meteorológicos de IA: npj Climate and Atmospheric Science (2024).
- ECMWF: Farewell to the external AI models (2026).
- AI-Chemist: estudio publicado (2022).
- MARS: investigación en Matter.
- Rentosertib, fase 2a: Nature Medicine (2025).
- Inicio de la fase 3 GENESIS-IPF-3: Insilico Medicine (2026).
- AgiBot World Colosseo: preprint de investigación (2025).
- Serie Darwin: Universidad de Zhejiang (2026).