La pregunta ya no es qué puede hacer la IA, sino qué puede descubrir

Durante los últimos años, la inteligencia artificial fue narrada casi siempre desde sus efectos más visibles. Se habló de textos generados en segundos, imágenes imposibles, asistentes virtuales, empleos amenazados, aulas desbordadas, oficinas automatizadas, noticias falsas, diagnósticos médicos, traducciones instantáneas y máquinas capaces de conversar con una naturalidad cada vez más perturbadora. La IA apareció, ante buena parte de la sociedad, como una herramienta de productividad, de creatividad o de reemplazo. Pero esa puede ser apenas la capa más superficial del cambio.

La pregunta más profunda no es si una máquina puede escribir, diseñar, programar o responder mejor que una persona. La pregunta que empieza a tomar forma es mucho más radical: ¿qué ocurre cuando la inteligencia artificial ingresa en el corazón mismo del conocimiento humano? ¿Qué pasa cuando deja de ser una herramienta para hacer tareas y se convierte en una infraestructura para formular hipótesis, procesar datos científicos, simular escenarios, orientar experimentos y acelerar descubrimientos? ¿Qué tipo de humanidad aparece cuando la ciencia, una de las formas más exigentes y delicadas de la razón humana, empieza a trabajar junto a sistemas que pueden operar a una escala que ningún investigador, ningún laboratorio y ningún país podría alcanzar por sí solo?

Ese interrogante está detrás de Génesis, la iniciativa lanzada por el Departamento de Energía de Estados Unidos para construir una plataforma nacional de ciencia asistida por inteligencia artificial. En términos formales, Génesis busca conectar laboratorios nacionales, supercomputadoras, bases de datos científicas, instalaciones experimentales, modelos de IA y agentes capaces de intervenir en flujos de investigación. Dicho de manera más simple: intenta construir una especie de sistema operativo para la ciencia. Pero si se mira con más atención, Génesis no importa solo por lo que promete hacer EEUU. Importa porque funciona como síntoma de una época: la humanidad empieza a pensar las máquinas no solo para producir más, sino para descubrir más rápido.

La diferencia es decisiva. Una cosa es automatizar una oficina. Otra, automatizar partes del método científico. Una cosa es pedirle a una IA que resuma documentos. Otra, pedirle que encuentre patrones en enormes volúmenes de datos, proponga materiales nuevos, anticipe comportamientos moleculares, diseñe experimentos, optimice redes eléctricas o ayude a reducir los tiempos de desarrollo de una tecnología energética. La primera escena pertenece al mundo de la eficiencia. La segunda, al mundo del poder.

Porque descubrir no es un acto neutro. Nunca lo fue. Descubrir una vacuna, una fuente de energía, un nuevo material, un algoritmo, una técnica de vigilancia, una terapia genética o una forma de almacenamiento más eficiente puede cambiar mercados, ejércitos, sistemas de salud, políticas climáticas y relaciones internacionales. Si la inteligencia artificial acelera la ciencia, no acelerará solamente la curiosidad humana. Acelerará también la competencia por convertir conocimiento en capacidad.

Por eso Génesis se presenta como una iniciativa científica, pero debe leerse también como una iniciativa geopolítica. No se trata únicamente de hacer mejores modelos ni de financiar investigaciones aisladas. Se trata de construir una infraestructura nacional de descubrimiento. Allí está el giro: la ciencia ya no aparece solo como una suma de laboratorios, universidades, papers y especialistas, sino como una red integrada de datos, cómputo, modelos, experimentos automatizados y prioridades estratégicas. ¿Será ese el nuevo formato de la investigación avanzada? ¿La ciencia del siglo XXI dependerá menos de laboratorios dispersos y más de grandes plataformas capaces de conectar todo el ciclo del descubrimiento?

La comparación con el Proyecto Manhattan aparece casi de inmediato, y no por casualidad. Durante la Segunda Guerra Mundial, EEUU concentró científicos, recursos, laboratorios y urgencia política para producir la bomba atómica. Manhattan tuvo un objetivo concreto, terrible y decisivo. Génesis, en cambio, no busca una única tecnología final. Busca algo potencialmente más amplio: una máquina para producir descubrimientos. No una respuesta, sino una fábrica de respuestas. No un invento, sino una infraestructura para inventar.

Pero la analogía también tiene límites. Manhattan nació de una guerra mundial y produjo una capacidad destructiva irreversible. Génesis nace en una guerra menos visible: la competencia por la inteligencia artificial, los datos, los chips, la energía, la biotecnología, la defensa, los materiales, la computación cuántica y la capacidad de transformar conocimiento en ventaja. En ese escenario, el laboratorio se parece cada vez menos a un espacio aislado de investigación pura y cada vez más a un territorio estratégico. ¿Qué significa, entonces, hacer ciencia cuando el conocimiento se convierte en infraestructura crítica?

 

 

Ciencia abierta y desigualdad

Durante siglos, el ideal moderno de la ciencia se apoyó en una serie de principios: observar, formular hipótesis, experimentar, publicar, revisar, replicar, corregir. Ese proceso nunca fue perfecto. Estuvo atravesado por intereses económicos, disputas de prestigio, sesgos institucionales, desigualdades de acceso, censuras, carreras armamentísticas y apropiaciones privadas. Aun así, conservó una aspiración poderosa: la idea de que el conocimiento científico debía poder ser discutido, verificado y compartido más allá de fronteras nacionales o intereses particulares.

La inteligencia artificial tensiona ese ideal desde varios frentes. Si los modelos científicos se entrenan con bases de datos gigantescas que no todos pueden consultar, si los experimentos se automatizan en laboratorios inaccesibles, si los resultados dependen de sistemas difíciles de auditar y si el cómputo necesario queda concentrado en pocas potencias o corporaciones, ¿qué ocurre con la ciencia abierta? ¿Puede haber conocimiento universal cuando los instrumentos para producirlo se vuelven inaccesibles para la mayoría? ¿Qué clase de comunidad científica se forma si algunos actores descubren a velocidad aumentada y otros solo pueden esperar los resultados?

La pregunta por la desigualdad aparece enseguida. Si la IA aplicada a la ciencia permitiera diseñar materiales en meses en lugar de décadas, descubrir fármacos más rápido, optimizar sistemas energéticos complejos o acelerar tecnologías de fusión, el beneficio potencial para la humanidad sería inmenso. Pero ese beneficio no se distribuiría automáticamente. La historia tecnológica muestra lo contrario: las herramientas más poderosas suelen ampliar capacidades, pero también brechas. ¿Qué ocurrirá si solo algunos países tienen los datos, los chips, las supercomputadoras, los laboratorios automatizados y los modelos capaces de acelerar la investigación? ¿La humanidad descubrirá más rápido o algunas potencias descubrirán más rápido que el resto de la humanidad?

Esa diferencia no es menor. Una ciencia acelerada podría ayudar a enfrentar problemas globales que ya no admiten respuestas lentas: enfermedades complejas, transición energética, cambio climático, seguridad alimentaria, gestión del agua, nuevas pandemias, materiales menos contaminantes, baterías más eficientes, tecnologías de captura de carbono. Sería absurdo negar esa promesa. La humanidad necesita más conocimiento, no menos. Necesita mejores herramientas, no nostalgia por métodos insuficientes. Pero la pregunta es si esa aceleración será gobernada como bien común o como carrera de ventaja.

Allí aparece el dilema central: ¿puede una tecnología creada para ampliar el conocimiento terminar encerrándolo? La ciencia asistida por IA necesita datos de alta calidad, modelos potentes, infraestructuras de cómputo y capacidad experimental. Todo eso cuesta fortunas. Todo eso tiene valor económico. Todo eso puede tener uso militar. Todo eso puede ser protegido bajo argumentos de seguridad nacional, propiedad intelectual o competitividad industrial. En consecuencia, el futuro de la ciencia podría parecerse menos a una biblioteca abierta y más a una nube soberana: plataformas cerradas, accesos jerarquizados, modelos propietarios, datos sensibles y resultados filtrados por intereses nacionales o corporativos.

No se trata de una fantasía conspirativa, sino de una tensión estructural. Cuanto más poderosa se vuelve una tecnología de descubrimiento, más incentivos existen para reservarla. Si un sistema puede encontrar un catalizador clave para una industria, una molécula prometedora para un tratamiento, una mejora en eficiencia energética, una vulnerabilidad biológica o una ventaja en materiales estratégicos, compartirlo deja de ser un gesto puramente académico. Puede significar ceder una ventaja económica, sanitaria, militar o diplomática. Entonces, ¿cómo preservar la lógica de la ciencia abierta en un mundo donde descubrir antes puede equivaler a dominar antes?

 

 

Competencia o colaboración

El problema se vuelve todavía más complejo cuando se incorpora la confianza. La ciencia no avanza solo porque produce resultados. Avanza porque esos resultados pueden ser examinados, discutidos y, eventualmente, refutados. ¿Qué pasa cuando una parte creciente del proceso queda mediada por sistemas que no siempre explican con claridad cómo llegaron a una conclusión? ¿Qué ocurre si una IA propone una hipótesis que otra IA evalúa, que otra IA traduce en experimento y que otra IA interpreta? ¿Dónde se ubica el juicio humano en esa cadena? ¿Quién responde por un resultado incorrecto, por una inferencia sesgada, por una simulación mal calibrada o por una decisión tomada sobre evidencia insuficiente?

La tentación será decir que la máquina “descubrió”. Pero esa frase puede ocultar más de lo que revela. Una máquina no descubre en el mismo sentido en que descubre una comunidad científica. Procesa, calcula, compara, infiere, predice, optimiza. Puede encontrar relaciones invisibles para la mente humana. Puede proponer caminos inesperados. Puede reducir tiempos. Pero el sentido de aquello que produce, su validez, su alcance, sus consecuencias y sus límites siguen exigiendo responsabilidad humana. La pregunta no es si la IA puede participar en la ciencia. Ya lo hace y lo hará cada vez más. La pregunta es si los humanos conservarán la capacidad de comprender, auditar y gobernar esa participación.

Porque una ciencia más rápida no necesariamente es una ciencia más sabia. Puede producir más resultados, pero también más ruido. Puede acelerar descubrimientos, pero también errores. Puede multiplicar hipótesis, pero no necesariamente mejorar los criterios para distinguir lo relevante de lo ilusorio. Puede encontrar correlaciones, pero no siempre explicar causas. Puede optimizar objetivos definidos por humanos, pero si esos objetivos están mal planteados, la eficiencia solo hará más rápido el desvío. ¿Qué significa avanzar si no sabemos con claridad hacia dónde? ¿Qué significa descubrir si no sabemos quién formula la pregunta inicial?

Ese punto es crucial. Toda plataforma de descubrimiento necesita prioridades. Nadie investiga todo al mismo tiempo. Alguien decide qué problemas son urgentes, qué áreas reciben cómputo, qué laboratorios acceden a recursos, qué datos se integran, qué riesgos se aceptan, qué resultados se protegen y qué alianzas se habilitan. En la ciencia tradicional, esas decisiones ya existían. Pero con plataformas de IA científica, pueden volverse más concentradas y más opacas. ¿Quién diseña la agenda de la máquina de descubrir? ¿Los científicos, los Estados, las empresas, los militares, los financiadores, los ciudadanos? ¿Puede una humanidad atravesada por desigualdades profundas construir una infraestructura de conocimiento que no reproduzca esas desigualdades?

Génesis expresa una respuesta posible: el Estado nacional como organizador de una gran plataforma científica. China parece avanzar, con sus propios métodos, en una dirección similar: integrar inteligencia artificial, investigación estratégica, capacidad industrial y planificación de largo plazo. Europa discute soberanía tecnológica, regulación y modelos abiertos, aunque con dificultades para transformar esa discusión en infraestructura comparable. El resto del mundo observa, adopta, depende o intenta encontrar lugar. En ese mapa, la pregunta excede a cada bloque: ¿la ciencia acelerada por IA será una competencia entre imperios tecnológicos o una cooperación global frente a problemas comunes?

La humanidad tiene motivos para desconfiar de las promesas grandilocuentes. La historia de la tecnología está llena de anuncios que prometieron emancipación y terminaron produciendo dependencia. También está llena de innovaciones que, pese a sus riesgos, ampliaron de manera real la expectativa de vida, la comunicación, la producción, el transporte, la medicina y la comprensión del universo. El problema no es la tecnología en sí. El problema es el régimen social, político y económico bajo el cual se despliega. Una máquina de descubrir puede ser una herramienta extraordinaria contra enfermedades, pobreza energética o crisis climática. También puede ser una plataforma para vigilancia, armas, monopolios, extracción intensiva o concentración de poder.

Por eso conviene evitar dos errores. El primero es el entusiasmo ingenuo: creer que toda aceleración científica será automáticamente buena para todos. El segundo es el rechazo defensivo: imaginar que la humanidad debería frenar el conocimiento porque sus usos pueden ser peligrosos. La cuestión no es acelerar o no acelerar. La cuestión es cómo gobernar la aceleración. Con qué reglas, con qué controles, con qué transparencia, con qué acceso, con qué responsabilidad y con qué idea de humanidad.

La palabra humanidad no debe usarse como adorno. Si la IA aplicada a la ciencia cambia la forma en que sabemos, cambia también la forma en que vivimos. Saber más rápido puede significar curar antes. Producir energía más limpia. Anticipar catástrofes. Diseñar alimentos más resistentes. Entender mejor el cerebro. Reducir el sufrimiento. Pero también puede significar patentar antes, excluir antes, vigilar antes, contaminar con más eficiencia o militarizar descubrimientos antes de que exista una deliberación pública sobre sus consecuencias. La velocidad no es un valor moral por sí misma. Depende de la dirección.

Hay una pregunta todavía más inquietante: ¿qué ocurre con la verdad cuando su producción se vuelve cada vez más dependiente de infraestructuras inaccesibles? La ciencia moderna ya dependía de instrumentos complejos: telescopios, aceleradores de partículas, secuenciadores genómicos, satélites, laboratorios de alta seguridad. No cualquier ciudadano podía verificar por sí mismo un resultado. Pero existían comunidades especializadas capaces de revisar métodos, contrastar datos y reproducir experimentos. Si los nuevos instrumentos son modelos fundacionales científicos entrenados con datos cerrados, operados en plataformas restringidas y conectados a laboratorios automatizados, la verificación puede volverse más difícil. La confianza ya no descansará solo en el resultado, sino en la trazabilidad completa del proceso.

Eso exige nuevas formas de auditoría científica. No bastará con publicar una conclusión. Habrá que saber con qué datos se entrenó un modelo, qué incertidumbre tiene, qué sesgos arrastra, qué simulaciones realizó, qué experimentos descartó, qué parámetros optimizó y bajo qué condiciones el resultado es válido. La ciencia asistida por IA necesitará una cultura de procedencia, validación, reproducibilidad y responsabilidad más fuerte que la actual. La paradoja es evidente: cuanto más automatizada sea la investigación, más humana deberá ser la exigencia de explicación.

 

 

¿Y los científicos?

También habrá que revisar el lugar de los científicos. La IA no necesariamente los vuelve obsoletos, pero sí puede transformar su trabajo. Tal vez el científico del futuro no sea solo quien ejecuta experimentos, sino quien diseña preguntas, supervisa sistemas, interpreta resultados, detecta errores, evalúa consecuencias y decide cuándo una conclusión merece confianza. Eso puede ampliar capacidades, pero también modificar jerarquías. ¿Qué formación necesitarán las nuevas generaciones para trabajar con máquinas que no solo calculan, sino que proponen? ¿Cómo se enseñará pensamiento crítico en un mundo donde el volumen de resultados puede crecer mucho más rápido que la capacidad humana de comprenderlos?

La pregunta educativa es inseparable de la democrática. Si la ciencia acelerada por IA queda en manos de élites técnicas, gobiernos y corporaciones, la sociedad recibirá sus efectos sin participar en sus orientaciones. Pero sus consecuencias serán públicas: medicamentos, energía, ambiente, empleo, defensa, datos personales, alimentos, ciudades, cuerpos. ¿Puede una democracia deliberar sobre tecnologías que ni siquiera entiende? ¿Cómo se construye una conversación pública sobre infraestructuras científicas tan complejas que parecen quedar fuera del lenguaje común? El desafío del periodismo, de la educación y de la política será traducir sin banalizar, advertir sin asustar y preguntar sin caer en consignas.

Génesis, visto desde esa perspectiva, no es solo un programa estadounidense. Es una advertencia sobre el siglo que empieza. Muestra que la inteligencia artificial está dejando de ser una novedad de consumo para convertirse en infraestructura de civilización. Quien controle los datos, el cómputo, los modelos, los laboratorios y las agendas científicas tendrá una ventaja que no se limitará a una industria. Podrá influir en la forma en que se descubren las próximas industrias, los próximos medicamentos, las próximas armas, las próximas soluciones energéticas y las próximas dependencias.

La humanidad ya conoció momentos en que una nueva forma de conocimiento reorganizó el mundo. La imprenta multiplicó la circulación de ideas. El método científico moderno cambió la relación con la naturaleza. La electricidad transformó la vida cotidiana. La computación alteró la economía, la guerra y la comunicación. Internet modificó la memoria social y la conversación pública. La inteligencia artificial aplicada a la ciencia podría tocar una capa todavía más profunda: no solo lo que hacemos con lo que sabemos, sino la forma en que llegamos a saber.

Por eso la pregunta no es si Génesis tendrá éxito en todos sus objetivos. Probablemente no. Las grandes iniciativas tecnológicas suelen prometer más de lo que entregan, y la historia de la inteligencia artificial está llena de ciclos de entusiasmo, exageración y desencanto. Pero incluso un éxito parcial puede ser suficiente para cambiar el tablero. Si la IA logra acortar de manera significativa algunos ciclos de investigación, si permite automatizar laboratorios, si ayuda a diseñar materiales con propiedades específicas, si acelera descubrimientos biomédicos o si mejora la capacidad de simular sistemas complejos, el mundo no será igual. No porque todas las promesas se cumplan, sino porque cambiará la expectativa sobre la velocidad posible del conocimiento.

Y cuando cambia la expectativa, cambia la competencia. Lo que antes demoraba décadas empezará a ser pensado en años.
Lo que antes demoraba años será exigido en meses. Lo que antes parecía exploratorio será incorporado a planes industriales, militares o climáticos. La ciencia, sometida a la lógica de la aceleración, puede ganar potencia, pero también perder pausa. ¿Habrá tiempo para discutir consecuencias? ¿Habrá instituciones capaces de regular sin bloquear? ¿Habrá cooperación internacional suficiente para problemas que no reconocen fronteras, como el clima o las pandemias? ¿O la máquina de descubrir será absorbida por la vieja lógica de la ventaja nacional?

El dilema no tiene una respuesta sencilla. Tal vez la humanidad necesite construir grandes plataformas de ciencia asistida por IA para enfrentar desafíos que superan la capacidad de los métodos tradicionales. Pero también necesita impedir que esas plataformas se conviertan en cajas negras del poder.

Necesita modelos auditables, datos responsables, cooperación internacional, participación pública, evaluación ética, controles democráticos y una defensa firme de la ciencia como práctica verificable. La aceleración sin gobernanza puede ser peligrosa. La gobernanza sin capacidad puede ser irrelevante.

 

 

La imagen final es poderosa y ambigua: una humanidad construyendo una máquina para descubrir. Puede ser una de sus mayores apuestas colectivas. También una de sus mayores pruebas morales. Porque la cuestión no será solo qué descubriremos con ayuda de la inteligencia artificial. La cuestión será qué haremos con eso, quiénes podrán acceder, quiénes quedarán afuera, quiénes asumirán los riesgos y quiénes capturarán los beneficios.

Quizás la pregunta más importante no sea si las máquinas podrán pensar como científicos. Tal vez la pregunta sea si los humanos podremos actuar con la responsabilidad que exige una ciencia aumentada por máquinas. Si podremos sostener la apertura cuando aparezcan incentivos para cerrar. Si podremos exigir explicación cuando la eficiencia invite a obedecer al resultado. Si podremos pensar en humanidad cuando la competencia empuje a pensar solo en ventaja.

Génesis importa porque apunta al núcleo de lo que viene. La inteligencia artificial no es únicamente una tecnología de productividad. Puede ser una tecnología epistemológica: una tecnología que modifica cómo sabemos, a qué velocidad sabemos y quién tiene el poder de saber primero. Y cuando cambia la forma de producir conocimiento, cambia también la forma de distribuir poder.

La nueva frontera de la humanidad no está necesariamente en el espacio. Puede estar en el laboratorio, en los centros de datos, en los modelos científicos, en los archivos acumulados durante décadas, en los robots que ensayan combinaciones, en los sistemas que proponen hipótesis y en las decisiones humanas que definan qué merece ser buscado. La pregunta, todavía abierta, es si será una herramienta común para ampliar el horizonte humano o una nueva frontera cerrada donde unos pocos aprenderán más rápido que todos los demás.

 

 

La ciencia pública, la nube privada

Aunque Génesis se presenta como una gran iniciativa estatal para acelerar la ciencia, su arquitectura también deja ver otra realidad: el nuevo conocimiento ya no depende solo de laboratorios públicos, sino también de la infraestructura de las grandes tecnológicas.

El Departamento de Energía de Estados Unidos armó la iniciativa con la participación de empresas como Google, Microsoft, Nvidia, Amazon Web Services, Oracle, IBM, Intel, OpenAI, Anthropic y xAI, entre otras. La promesa es clara: sumar capacidad de cómputo, nube, modelos, chips y herramientas de inteligencia artificial para acelerar investigaciones en energía, materiales, biotecnología y seguridad.

Pero esa alianza abre una pregunta incómoda. Si la ciencia del futuro necesita cada vez más datos, potencia computacional y modelos alojados o desarrollados por corporaciones privadas, ¿dónde termina la investigación pública y dónde empieza la dependencia tecnológica? Génesis muestra que la frontera entre ambas cosas es cada vez más difusa: la ciencia puede seguir siendo un objetivo público, pero su infraestructura empieza a parecerse cada vez más a una nube privada.

 

 

La máquina detrás de la máquina

Génesis no es una inteligencia artificial aislada ni un programa pensado para crear mejores chatbots. Su ambición es más profunda: construir una plataforma capaz de conectar supercomputadoras, laboratorios, bases de datos científicas, sistemas de IA e instrumentos experimentales en una misma red de investigación.

El Departamento de Energía de Estados Unidos la presenta como una iniciativa para levantar “la plataforma científica más poderosa del mundo”. Su núcleo será la American Science and Security Platform, definida como el motor tecnológico del proyecto: una infraestructura destinada a integrar cómputo de alto rendimiento, instalaciones científicas, recursos de datos y capacidades productivas en un sistema coordinado de descubrimiento.

La idea de fondo es transformar la ciencia en un proceso más continuo: que una hipótesis pueda pasar a simulación, de la simulación al experimento, del experimento al análisis y de allí a nuevas preguntas con una velocidad inédita.

Por eso Génesis importa más allá de Estados Unidos: muestra hacia dónde puede moverse la investigación avanzada cuando el conocimiento empieza a organizarse como infraestructura.

 

 

Los 26 problemas que la IA quiere resolver

La Misión Genesis no plantea una inteligencia artificial genérica, sino una plataforma orientada a problemas concretos. El Departamento de Energía de Estados Unidos identificó 26 desafíos científicos y tecnológicos en los que busca aplicar modelos de IA, supercomputación, laboratorios automatizados y grandes bases de datos.

La lista muestra la escala de la apuesta: no se trata solo de acelerar papers, sino de intervenir en energía, biotecnología, materiales, computación cuántica, infraestructura, agua, semiconductores, seguridad nuclear y defensa.

Los 26 desafíos son:

• Reimaginar la manufactura avanzada y la productividad industrial.
• Repensar la construcción y operación de edificios.
• Escalar la revolución biotecnológica.
• Asegurar el suministro de minerales críticos.
• Desarrollar energía nuclear más rápida, segura y barata.
• Acelerar la llegada de la energía de fusión.
• Transformar la limpieza y restauración nuclear.
• Descubrir algoritmos cuánticos con IA.
• Desarrollar sistemas cuánticos para la ciencia.
• Recentrar la microelectrónica en Estados Unidos.
• Asegurar el liderazgo en centros de datos.
• Acelerar el descubrimiento, producción y calificación de materiales para la disuasión estratégica.
• Lograr laboratorios autónomos impulsados por IA.
• Diseñar materiales con funcionalidades predecibles.
• Mejorar aceleradores de partículas para nuevos descubrimientos.
• Unificar la física, desde los quarks hasta el cosmos.
• Predecir la disponibilidad de agua para la energía.
• Escalar la red eléctrica para sostener la economía.
• Liberar activos energéticos estratégicos del subsuelo.
• Acelerar la evaluación, preparación y respuesta ante amenazas nucleares.
• Aprovechar datos e investigaciones nucleares históricas.
• Aumentar la capacidad experimental en instalaciones de investigación nuclear.
• Integrar diseño y producción para la disuasión nuclear.
• Proteger materiales nucleares frente a amenazas de proliferación.
• Agilizar la producción, reducir burocracia y garantizar seguridad en el complejo nuclear.
• Fortalecer la disuasión mediante la atribución de firmas nucleares y radiológicas.

La enumeración deja una pista central para entender Génesis: la IA ya no aparece solo como una herramienta de análisis, sino como una infraestructura para acelerar decisiones científicas, industriales y estratégicas. La promesa es descubrir antes; el dilema es quién define qué merece ser descubierto primero.

 

Fuentes: 

• Kugler, Logan. “From Manhattan to Genesis”. Communications of the ACM, junio de 2026.
• Dans, Enrique. “Genesis: la nueva carrera espacial no es en el espacio, es en el laboratorio”. EnriqueDans.com, 18 de junio de 2026.
• Departamento de Energía de Estados Unidos. “The Genesis Mission”. Página oficial de la Misión Genesis.
• “Genesis Mission National Science and Technology Challenges”. Página oficial de los desafíos científicos y tecnológicos de Genesis.
• Departamento de Energía de Estados Unidos. “Genesis Mission Science and Technology Challenges”. Documento oficial con los 26 desafíos nacionales de la iniciativa.
• Departamento de Energía de Estados Unidos. “Energy Department Advances Investments in AI for Science”. Comunicado sobre inversiones en inteligencia artificial aplicada a la ciencia.
• Departamento de Energía de Estados Unidos. “United States and Japan Announce Historic $1 Billion Partnership Under President Trump’s Genesis Mission”. Comunicado sobre la alianza entre Estados Unidos y Japón.
• Departamento de Energía de Estados Unidos. “Genesis Mission Collaboration”. Página oficial sobre el consorcio y los socios públicos y privados de Genesis.
• Reuters. “US Energy Department signs AI collaboration deals with Big Tech for Genesis Mission”. 18 de diciembre de 2025.
• Axios. “Exclusive: Reflection AI to power Genesis Mission”. 22 de mayo de 2026.
• Stanford HAI. “The 2026 AI Index Report”. Stanford Institute for Human-Centered Artificial Intelligence, 2026.
• Nature Research Intelligence / Fudan University / Shanghai Academy of AI for Science. “A data-driven look at AI’s transformative impact on the future of science”. Nature, Partner Content, 2025.
• MERICS. “Science funding call provides insight into China’s AI priorities”. 4 de marzo de 2026.
• Institute on Global Conflict and Cooperation, University of California. “Inside China’s ‘AI for Science’ Strategy”. 4 de junio de 2026.
• OCDE. “Artificial intelligence in scientific discovery: Challenges and opportunities”. En Artificial Intelligence in Science.
• The Washington Post / The Conversation. “AI cannot automate science, a philosopher explains”. 20 de enero de 2026.
• Clean Air Task Force. “The Genesis Mission aims to accelerate fusion energy. It needs the data to do it”. Abril de 2026.