La inteligencia artificial ha enseñado a las máquinas a escribir prosa y generar imágenes. Ahora, emerge una nueva frontera, donde el software no solo interpreta el mundo, sino que ayuda a construirlo.
Este es el auge de la IA física: sistemas entrenados no con palabras ni imágenes, sino con las limitaciones del mundo real, como la fricción, el calor, la vibración y la fuerza. Una de las líderes de este movimiento es una nueva startup llamada P-1 AI .
Fundada por el ejecutivo aeroespacial Paul Eremenko, Adam Nagel y el exalumno de DeepMind Aleksa Gordić, P-1 está desarrollando una máquina llamada Archie, un aprendiz digital diseñado para colaborar con ingenieros en tareas de diseño complejas.
Archie no está diseñado para responder preguntas triviales ni escribir resúmenes. Se está entrenando para razonar a través de sistemas multifísicos, explorar compensaciones y, eventualmente, ayudar a diseñar máquinas del mundo real, desde sistemas de climatización hasta naves espaciales. En una entrevista con IBM Think , Gordić imagina un futuro en el que herramientas como Archie podrían incluso ayudar a diseñar megaestructuras especulativas, como naves espaciales.
“Estamos haciendo algo llamado automatización cognitiva del trabajo en el espacio de diseño”, dice Gordić.
El director ejecutivo de NVIDIA, Jensen Huang, ha enfatizado la importancia de esta dirección, calificando la IA física como la nueva «revolución industrial» en varias charlas recientes. También ha descrito la IA física como el motor del futuro de la compañía, enfatizando que la fusión de modelos generativos con robótica y simulación permitirá a las máquinas comprender y navegar por el mundo real con una capacidad sin precedentes. Por consiguiente, NVIDIA está optimizando cada vez más sus plataformas de hardware no solo para el entrenamiento de grandes modelos de lenguaje (LLM), sino también para tareas de razonamiento físico en ámbitos como la conducción autónoma, la robótica y los gemelos digitales.
Diseño con restricciones
La plataforma de P-1 utiliza aprendizaje de refuerzo y redes neuronales gráficas para generar conjuntos de datos sintéticos, modelar variaciones de diseño y simular el comportamiento de sistemas físicos, lo que hace en milisegundos, no en horas.
En lugar de reemplazar las herramientas CAD o los solvers, Archie se está capacitando para trabajar con ellos. Selecciona la herramienta adecuada para la tarea y la utiliza como lo haría un ingeniero júnior. Los flujos de trabajo de simulación tradicionales pueden tardar horas o incluso días en probar un solo diseño. Archie utiliza redes neuronales de grafos para aproximar esas simulaciones en milisegundos, lo que permite una iteración mucho más rápida. Según Gordić, el objetivo no es solo la velocidad, sino reflejar cómo piensan realmente los ingenieros. «Los humanos básicamente razonan de primer orden… los márgenes de error son enormes», afirma. El diseño en el mundo real, añade, suele ser una negociación entre restricciones que compiten entre sí, más que un simple problema de optimización. «Si se muestrea demasiado lejos de los diseños, las cosas empiezan a fallar. Pero quizás así es como también surge la innovación».
El enfoque inicial de la empresa es pragmático, afirma Gordić. Dado que los centros de datos consumen más energía y generan más calor que nunca, P-1 está implementando Archie en el sector de la refrigeración industrial, donde puede ayudar a diseñar sistemas de climatización (HVAC) más eficientes. «Es un sector con claras limitaciones físicas y urgencia comercial», afirma Gordić.
El sistema ya se está entrenando con modelos a nivel de componentes de ventiladores, compresores e intercambiadores de calor. Y en lugar de simular el flujo de aire de forma abstracta, Archie está aprendiendo a tomar las decisiones que un ingeniero de diseño real podría tomar al equilibrar la eficiencia del flujo de aire con el coste, el ruido y el espacio ocupado.
Johannes Jakubik, científico investigador de IBM, ve paralelismos entre Archie y el trabajo que se realiza en IBM Research. En una entrevista, Jakubik explicó a IBM Think que modelos como TerraMind, un modelo fundamental desarrollado para imágenes satelitales y teledetección, están diseñados para subsanar la falta de datos en la observación de la Tierra mediante la generación de imágenes sintéticas donde faltan imágenes reales. «En lugar de simplemente interpretar datos, estamos desarrollando modelos que pueden analizar la información faltante y simular lo que no pudimos observar directamente», afirma.
Señala la capacidad de TerraMind para traducir datos de radar en imágenes ópticas sintéticas como un paso crucial hacia sistemas de IA multimodal que comprendan el contexto espacial. «Estos sistemas no solo generan imágenes», afirma. «Realizan una especie de inferencia física».
Jakubik también destaca la importancia de la adaptación específica al dominio. «Hemos descubierto que entrenar modelos con un profundo conocimiento de la física subyacente a un problema genera predicciones más estables y fiables», afirma. «No basta con escalar los modelos; tenemos que hacerlos inteligentes respecto al mundo en el que operan».
Escalando la ambición desde los centros de datos hasta el cosmos
Los sistemas de refrigeración son solo el comienzo. La ambición de P-1, según Gordić, es ampliar las capacidades de Archie en dominios de productos cada vez más complejos, desde vehículos eléctricos hasta la industria aeroespacial. Para ello, la empresa está desarrollando prototipos de módulos que podrían respaldar el diseño estructural, térmico y electromagnético dentro del mismo marco de agentes.
La visión a largo plazo es construir una IA de propósito general que pueda colaborar significativamente en la creación de tecnologías que aún no existen. «No pretendemos construir una IA que reemplace a los ingenieros», afirma Gordić. «Intentamos construir una que les ayude a explorar más posibilidades».
Para lograrlo, P-1 ha tenido que superar uno de los obstáculos más notorios del campo: la escasez de datos de entrenamiento utilizables en ingeniería. A diferencia de los conjuntos de datos en lenguaje natural, los conjuntos de datos de ingeniería rara vez son públicos y suelen estar fragmentados en silos propietarios. Gordić señala que incluso el diseño de aeronaves, uno de los campos mejor documentados, cuenta con relativamente pocos puntos de datos accesibles.
La respuesta de P-1 es generar datos sintéticos mediante estrategias de muestreo basadas en la física. La idea es crear conjuntos de datos que abarquen no solo las soluciones existentes, sino también el espacio negativo que las rodea: regiones del espacio de diseño que suelen estar poco exploradas o descartadas. «A veces, los diseños más interesantes son los que inicialmente parecen erróneos», afirma Gordić.
Jakubik comparte esta opinión. «Uno de los aspectos más emocionantes de trabajar con IA en las ciencias físicas es su capacidad para identificar casos extremos», afirma. «Estas son áreas que los humanos a menudo pasan por alto, porque quedan fuera de la heurística convencional».
Añade que la IA puede probar más diseños en menos tiempo, lo que reduce la dependencia de la intuición. «En sistemas complejos, a menudo tomamos decisiones basadas en simplificaciones», afirma. «La IA nos permite desafiar esas simplificaciones con datos reales y resultados simulados».
En IBM, los investigadores también colaboran con modelos climáticos y meteorológicos, como Prithvi WxC , desarrollado por la compañía en colaboración con la NASA. Jakubik explica que este modelo utiliza arquitecturas basadas en transformadores para analizar cientos de variables en paralelo. «Nos permite modelar la evolución de eventos extremos con un consumo de recursos considerablemente menor que los métodos de simulación tradicionales», afirma.Mezcla de Expertos | 23 de mayo, episodio 56
La IA como colaboradora, no como reemplazo
Jakubik enfatiza que los sistemas de IA están diseñados para ampliar las capacidades humanas, no para suplantarlas. «La IA ha llegado al punto de poder ampliar los descubrimientos científicos y de ingeniería, pero la formulación del problema aún debe provenir de expertos en la materia», afirma.
Cree que la IA es especialmente potente en las etapas iniciales de diseño y prueba de hipótesis. «Estos son los momentos en que la incertidumbre es máxima y el coste de equivocarse es mínimo», afirma. «La IA puede ofrecer una gama más amplia de ideas iniciales y someterlas a pruebas de estrés más rápido que un equipo humano trabajando solo».
Otra empresa que se centra en la IA física es Lila Sciences , una startup biotecnológica surgida de Flagship Pioneering. Lila desarrolla laboratorios autónomos guiados por sistemas de IA que pueden generar hipótesis y ejecutar miles de experimentos en paralelo. Con una financiación de 200 millones de dólares y el objetivo de desarrollar lo que denomina «superinteligencia científica», la plataforma de Lila sorprendió recientemente a la comunidad científica al descubrir nuevos catalizadores para la producción de hidrógeno verde en tan solo cuatro meses, un proceso que anteriormente se estimaba que tardaría años.
La trayectoria de Gordić, Nagel y Eremenko hasta la fundación de P-1 estuvo marcada por años de experiencia en entornos de investigación de alto riesgo. Eremenko dirigió la Oficina de Tecnología Táctica de DARPA y fue director de tecnología tanto en Airbus como en United Technologies. Gordić trabajó durante años en DeepMind y Microsoft, centrándose en la intersección del aprendizaje automático y el razonamiento estructurado.
Vieron un hueco en el mercado: la mayoría de los modelos de lenguaje de propósito general no eran adecuados para la ingeniería, que exige no sólo sintaxis y semántica, sino también inferencia causal y adhesión a las leyes de la física.
“Los modelos de lenguaje extensos son excelentes para resumir documentos”, dice Gordić. “Pero para diseñar un cohete, es necesario comprender cómo interactúa el flujo de propulsor con la presión de la cámara. Ese es un nivel de razonamiento diferente”.
P-1 ha recaudado 23 millones de dólares en financiación inicial de Radical Ventures, Village Global e inversores de OpenAI y Google. Está contratando activamente y prevé comenzar a implementar pilotos industriales este mismo año. La plantilla actual de la empresa incluye exalumnos de los sectores aeroespacial, automotriz y de informática avanzada.
Queda por ver si ese esfuerzo terminará transformando los flujos de trabajo de ingeniería o fracasará ante la complejidad de las limitaciones del mundo real.
«Estamos en las primeras etapas de lo que la IA física puede hacer», afirma Gordić. «Pero si lo hacemos bien, esto podría sentar las bases de cómo diseñaremos todo en el futuro».
IBM News. S. B. Traducido al español
Contacto