¿Quién rechazó a Bezos para crear una IA capaz de modelar el universo?

Dos investigadores que tuvieron sobre la mesa una propuesta para incorporarse al ambicioso proyecto de inteligencia artificial respaldado por Jeff Bezos han decidido recorrer otro camino, quizá todavía más difícil de explicar en una frase: construir una IA que no tenga el lenguaje como centro del mundo, sino la física. Anima Anandkumar y Benedikt Jenik han presentado Accelerated Understanding, una compañía que pretende utilizar inteligencia artificial para aprender y predecir fenómenos físicos en el espacio y el tiempo.

Su modelo, según las pruebas divulgadas por la propia empresa, ha sido capaz de procesar 5 billones de datos en una sola consulta, una escala aproximadamente 5 millones de veces superior a la cantidad que pueden admitir habitualmente algunos de los modelos insignia de Anthropic y Google. La comparación es espectacular, aunque necesita una letra pequeña importante: no estamos ante un chatbot con una memoria prodigiosa ni ante un ChatGPT gigantesco. Es otra clase de inteligencia artificial.

Accelerated Understanding no busca, al menos de entrada, escribir poemas, resumir correos electrónicos o mantener conversaciones. Su objetivo está en semiconductores, robótica, meteorología, materiales, energía y simulaciones científicas. Allí donde un ingeniero tiene que calcular cómo se comportarán el calor, un fluido, una onda o un material, Anandkumar y Jenik creen que un mismo sistema de IA podría aprender las relaciones físicas y reducir una parte del interminable ciclo de cálculo, simulación, prototipo, error y vuelta a empezar.

Y hay otra parte de la historia que explica por qué Silicon Valley está mirando el lanzamiento con especial atención. Los dos investigadores fueron cortejados para incorporarse a Project Prometheus, la compañía de IA industrial dirigida por Bezos y Vik Bajaj. La propuesta era extraordinariamente generosa. Ellos siguieron por su cuenta.

De las palabras a las leyes de la física

La gran explosión de la inteligencia artificial de los últimos años se ha producido alrededor de los modelos de lenguaje. ChatGPT, Claude, Gemini y sus competidores aprenden patrones utilizando enormes cantidades de texto y otros datos; cuando escribimos una instrucción, calculan qué respuesta resulta estadísticamente apropiada a partir de ese aprendizaje.

Accelerated Understanding cambia el tablero. Su modelo pretende aprender cómo evoluciona un sistema físico, no qué palabra debería aparecer después de otra. Dicho de manera menos académica: en vez de estudiar bibliotecas enteras para aprender a hablar sobre una tormenta, intenta aprender matemáticamente cómo puede desarrollarse esa tormenta.

Anandkumar, profesora de computación y ciencias matemáticas en el Instituto de Tecnología de California, Caltech, lleva años trabajando precisamente en ese territorio. Una parte esencial de su investigación se centra en los llamados operadores neuronales, herramientas de aprendizaje automático concebidas para trabajar con funciones y fenómenos continuos, algo especialmente útil cuando hay que representar fluidos, temperaturas, materiales, ondas o sistemas atmosféricos.

Qué son los operadores neuronales

En las simulaciones científicas tradicionales abundan las ecuaciones diferenciales parciales. Están detrás de buena parte de la física computacional: describen cómo cambia una magnitud en el espacio y el tiempo y permiten calcular desde el movimiento de un fluido hasta la propagación del calor. Resolverlas con gran precisión puede exigir una montaña de cálculo.

Los operadores neuronales intentan aprender la relación entre las condiciones iniciales de un problema y sus posibles soluciones. Una vez entrenados, pueden realizar determinadas simulaciones mucho más deprisa que algunos métodos numéricos convencionales. El trabajo desarrollado durante años por Anandkumar y otros investigadores ya había mostrado aplicaciones en dinámica de fluidos, predicción meteorológica, materiales y propagación de ondas.

Aquí está una de las diferencias relevantes. Accelerated Understanding afirma haber prescindido de la arquitectura Transformer, convertida en columna vertebral de buena parte de la actual IA generativa, y ha llevado el concepto de los operadores neuronales hacia un modelo mucho más general y de gran escala.

Cinco billones de datos no significan cinco billones de palabras

La cifra llama inevitablemente la atención, pero comparar directamente esos 5 billones de elementos con la ventana de contexto de un modelo de lenguaje sería mezclar litros con kilómetros.

Los datos de un sistema físico pueden representar puntos espaciales, variables, campos, estados temporales y otras magnitudes numéricas. No equivalen necesariamente a «tokens» de texto. Lo relevante es que la empresa dice haber diseñado su arquitectura para manejar problemas científicos de dimensiones extraordinarias, hasta el punto de que el conjunto de información asociado a una consulta podría superar las posibilidades prácticas de un único ordenador.

Para desarrollar y ejecutar el sistema hacen falta, por tanto, infraestructuras distribuidas. Anandkumar ha explicado que la compañía mantiene acuerdos con proveedores de computación que le han facilitado clústeres de hardware, aunque no ha identificado públicamente a esos socios ni ha revelado cuánto capital ha conseguido Accelerated Understanding.

El multimillonario ofrecimiento de Project Prometheus

La historia empresarial empezó antes de que Accelerated Understanding saliera a escena. Anandkumar y Jenik ya estaban desarrollando su propia compañía cuando Vik Bajaj abordó con ellos la posibilidad de sumarse a un nuevo proyecto denominado Project Prometheus.

La propuesta contemplaba para Anandkumar un papel de enorme peso: podría convertirse en rostro público del proyecto, formar parte del consejo y dirigir su visión científica. Jenik ocuparía la posición de observador del consejo. El paquete planteaba para ambos una participación del 35% en la compañía y un salario conjunto de 1 millón de dólares anuales, que subiría a 2 millones después de tres meses.

El documento también describía más de 2.000 millones de dólares de capital para rondas comprometidas hasta la Serie B, procedente de inversores entre los que figuraba Bezos.

No era exactamente una oferta para pasar las tardes arreglando hojas de cálculo.

Los dos investigadores optaron por continuar con su proyecto. Prometheus, por su parte, siguió creciendo por otro camino y en junio de 2026 cerró una ronda Serie B de 12.000 millones de dólares, con una valoración de unos 41.000 millones. Bezos y Bajaj ejercen como codirectores ejecutivos de una compañía cuya ambición es aplicar IA al diseño y fabricación de sistemas físicos complejos.

Las dos empresas, curiosamente, parten de una intuición parecida: la siguiente gran frontera de la inteligencia artificial puede encontrarse menos en hacer mejores conversaciones y más en comprender y transformar el mundo material.

Chips, robots y tormentas: dónde podría utilizarse

El ejemplo de los semiconductores permite entender la apuesta. Diseñar un chip no consiste únicamente en colocar transistores. Hay que lidiar con materiales, geometrías minúsculas, consumo eléctrico, temperatura, fabricación y una larga colección de restricciones físicas que se influyen entre sí.

Accelerated Understanding sostiene que un modelo capaz de aprender directamente esas relaciones podría ayudar a optimizar materiales y temperaturas sin recurrir tantas veces al ensayo y error de laboratorio. Menos prototipos fallidos significan tiempo y dinero, dos sustancias bastante más escasas que los comunicados sobre IA.

La robótica ofrece otro terreno natural. Un robot que actúa en el mundo real necesita anticipar fuerzas, movimientos, equilibrio, fricción y comportamiento de objetos. Algo semejante ocurre con la meteorología, donde millones de variables interactúan continuamente, o con la exploración energética, en la que enormes conjuntos de información geológica sirven para inferir qué puede existir bajo la superficie.

La ambición de Anandkumar es evitar que cada problema necesite desde cero un modelo matemático rígido y extremadamente especializado. Su propuesta es aproximarse a una especie de modelo general de la física, capaz de enfrentarse a clases distintas de fenómenos a partir de una misma arquitectura.

Eso sigue siendo una aspiración, no una capacidad universal demostrada. La compañía acaba de presentarse públicamente y sus extraordinarias cifras de escala proceden de sus propias pruebas. Quedará por comprobar cómo responde el modelo ante problemas industriales reales, cuánto cuesta ejecutarlo y hasta qué punto puede generalizar entre dominios físicos muy diferentes sin perder precisión.

La idea viene de mucho antes que la fiebre de ChatGPT

Anandkumar no acaba de descubrir la física porque esté de moda hablar de «world models». Su trayectoria lleva años cruzando inteligencia artificial y ciencia.

Antes de centrarse plenamente en Caltech fue investigadora principal en Amazon Web Services y ocupó puestos de dirección en investigación de inteligencia artificial en Nvidia. Allí encabezó trabajos destinados a aprovechar las GPU para modelos científicos avanzados y desarrolló investigaciones relacionadas con operadores neuronales.

En 2021, Nvidia ya mostraba públicamente aplicaciones capaces de acelerar enormemente determinadas simulaciones físicas y meteorológicas mediante estas técnicas. El propio Jensen Huang se interesó por aquel trabajo y, según Anandkumar, la animó a llevar mucho más lejos la idea.

Aquel enfoque parecía entonces una rama especializada de la IA, eclipsada por el entusiasmo que poco después provocarían los grandes modelos de lenguaje. Cinco años después, la situación resulta menos clara. Empresas, universidades y algunos de los nombres más conocidos de la investigación están explorando sistemas capaces de construir representaciones del mundo físico, los llamados modelos del mundo.

La razón es bastante sencilla. Un modelo que domina millones de libros puede explicar muy bien qué ocurre cuando cae un vaso; otra cuestión es que comprenda con suficiente precisión su trayectoria, su velocidad, el impacto, la geometría del suelo y cómo se romperá el cristal. El lenguaje describe la realidad. La física intenta calcularla.

Una carrera por enseñar a las máquinas cómo funciona el mundo

Accelerated Understanding empezará buscando clientes empresariales, no usuarios particulares. No habrá, de momento, una aplicación destinada a competir por un hueco en la pantalla del móvil. Su mercado está donde una simulación más rápida o un diseño mejor pueden valer millones: ingeniería, chips, energía, clima o automatización.

También ahí se encontrará con una competencia formidable. La industria de la IA está dedicando cada vez más recursos a sistemas que combinan percepción, razonamiento espacial y comprensión de entornos físicos. Project Prometheus persigue su propia visión de la ingeniería asistida por inteligencia artificial, mientras otros laboratorios investigan modelos capaces de representar y predecir el comportamiento del mundo.

Lo interesante del proyecto de Anandkumar y Jenik no es únicamente la gigantesca cifra de 5 billones de datos. Es el cambio de perspectiva. Durante buena parte de la reciente fiebre tecnológica pareció que una inteligencia más potente surgiría, casi inevitablemente, de modelos lingüísticos cada vez mayores. Accelerated Understanding plantea otra posibilidad: quizá una parte del salto siguiente llegue cuando las máquinas dejen de limitarse a leer nuestras explicaciones del universo y empiecen a aprender directamente sus regularidades matemáticas.

Todavía queda una distancia enorme entre esa aspiración y «modelar el universo» en sentido literal. Sería prudente no confundir el nombre de la montaña con haber alcanzado ya la cumbre. Pero el movimiento de estos dos investigadores, precisamente después de renunciar a una propuesta vinculada a uno de los proyectos mejor financiados de Silicon Valley, muestra dónde empieza a desplazarse el dinero y el talento de la IA.

Después de las palabras, la materia. Y ahí las máquinas tienen todavía mucho que aprender.