Un millón de dólares para quien le enseñe a la IA a entender la materia que nos rodea

La ciencia de materiales tiene problemas que ningún modelo de IA ha podido resolver. Una startup quiere cambiar eso —y está dispuesta a pagar por lograrlo.

Discovered Materials, una empresa de San Francisco surgida del batch de primavera 2026 de Y Combinator, anunció un desafío de USD 1 millón en premios para quien logre que la inteligencia artificial resuelva cinco problemas críticos y aún abiertos en materiales science. El objetivo no es solo ganar: es establecer los puntos de referencia que permitan medir si los modelos realmente avanzan en este dominio.

Por qué la física de los materiales le gana (por ahora) a la IA

Los modelos frontier ya resolvieron series notables de problemas matemáticos y avanzaron en ciencias de la vida. Pero la física compleja de los materiales avanzados es otro terreno. "Es más difícil especificar problemas claramente en ciencia de materiales porque no es como la matemática, donde tenés una definición precisa y podés llegar a un sí o un no", explicó Advaith Sridhar, cofundador de la empresa.

Antes de publicar los desafíos, Discovered Materials puso a trabajar modelos de frontera de laboratorio durante varios días en cada problema, con acceso a internet y recursos para operar de forma autónoma. Ninguno avanzó de forma significativa.

El catálogo de problemas fue diseñado con la ayuda de un grupo asesor de académicos de universidades líderes a nivel global. Felipe Jornada, profesor de Stanford que colaboró en el proceso, lo sintetizó así: "Existen fenómenos que observamos pero no podemos explicar. Explicarlos mejoraría nuestra comprensión de la física y daría forma directa a cómo construimos electrónica, almacenamos energía y fabricamos los materiales del futuro."

La oportunidad real: semiconductores y el reloj acelerado

El foco estratégico de Discovered Materials no es abstracto. La startup trabaja en identificar nuevos materiales para semiconductores y ya tiene acuerdos de investigación con gigantes del sector de chips, además de fondear proyectos científicos propios.

Cuando anunció su ronda semilla en agosto, el cofundador Sridhar había estimado que la empresa podría generar un material industrialmente útil en menos de un año. Hoy ese horizonte se acortó: "Esos plazos se aceleraron un poco. Ahora tengo más confianza en que vamos a poder encontrar estos materiales útiles industrialmente en un plazo menor a un año."

Un modelo de ciencia que empieza por las preguntas correctas

El desafío también refleja un cambio más profundo en la forma de hacer ciencia cuando la IA puede descubrir insights que los investigadores humanos no anticiparon. Sridhar lo describe como una lógica nueva: "Primero definís la verificación y los desafíos, y después dejás que alguien encuentre las ideas que explican el problema."

El ganador no importa tanto como el avance. "No nos preocupa particularmente si lo encontramos nosotros, otra persona, un profesor o los labs de frontera", dijo Sridhar. Lo que importa es que los desafíos funcionen como el termómetro de un campo que, hasta ahora, no tenía forma de medir su propio progreso.

Si la IA no puede explicar todavía los fenómenos que estructuran el mundo físico, la pregunta que queda abierta es cuánto tiempo más podrá permitirse ese límite.