En la carrera de la IA de 2026 se está produciendo un giro interesante. Mientras la atención de la industria sigue centrada en los parámetros de los grandes modelos, los agentes y la superinteligencia general, Zuckerberg ha apostado su dinero a un terreno mucho más espinoso: los sistemas vivos.
En abril de este año, el Biohub fundado por Zuckerberg y su esposa Priscilla Chan puso en marcha el programa de biología virtual, invirtiendo 500 millones de dólares para construir capacidades de datos y experimentación asociadas, con las que entrenar modelos de IA capaces de predecir fenómenos biológicos. En octubre, el proyecto se amplió aún más. El Departamento de Energía de EE. UU., los Institutos Nacionales de Salud de EE. UU. y Biohub se unieron para construir la base de datos de los modelos de predicción de la vida, con la participación de Meta, Google DeepMind e Isomorphic Labs. El proyecto completo asciende a 1.800 millones de dólares comprometidos, de los cuales el Departamento de Energía de EE. UU. aportará más de 500 millones en los próximos cinco años, y los NIH abrirán grandes cantidades de datos biomédicos ya acumulados.
El objetivo del proyecto es muy directo: crear una IA capaz de predecir el comportamiento de la vida, lo que Biohub llama biología virtual. En pocas palabras, se trata de construir versiones digitales de alta fidelidad desde las moléculas, los genes y las células hasta los sistemas vivos completos. En el futuro, los investigadores podrán hacer hipótesis sobre la vida y simular intervenciones en el ordenador, igual que hoy se le pregunta a un gran modelo, completando primero los experimentos digitales antes de pasar a los experimentos reales en el laboratorio.
Esto no es solo que Zuckerberg crea en las biomedicina. Visto en un nivel más profundo, las ciencias de la vida se están convirtiendo en el segundo campo de batalla de la competencia en IA. La pista de los grandes modelos generales ya está en una fase de gasto encendido, con barreras de cómputo, talento y capital cada vez más altas; mientras que comprender los sistemas vivos sigue siendo una frontera sin definir. Quien logre que la IA entienda de verdad la vida podrá construir una barrera mucho más difícil de replicar que la de los chatbots.
La IA es buena diseñando moléculas, pero el desarrollo de nuevos fármacos sigue siendo difícil
La combinación de IA y biomedicina no es algo nuevo, y de hecho fue una de las primeras direcciones en las que se depositaron expectativas de industrialización de la IA. Pero tras más de una década de avances, una pregunta central sigue presente: ¿de verdad estamos más cerca de los nuevos fármacos?
En los últimos años, los resultados más brillantes de la IA farmacéutica se han concentrado básicamente en el nivel molecular: predicción de estructuras de proteínas, cribado de moléculas candidatas, generación de moléculas, predicción de la seguridad de fármacos, interacciones fármaco-diana, etc. La IA puede producir de una sola vez miles de moléculas candidatas, ampliando enormemente el espacio químico disponible para el cribado; la mejora de eficiencia es real.
Pero si el criterio de evaluación pasa del rendimiento de los modelos al éxito de un nuevo fármaco en el mercado, la realidad no es tan optimista. En agosto de este año, la revista Nature Reviews Drug Discovery publicó un análisis de más de una década de desarrollo de la IA farmacéutica: aunque han surgido todo tipo de algoritmos de IA, los resultados con valor clínico real siguen siendo limitados. Muchos proyectos de empresas de fármacos con IA se quedan en fase preclínica o en ensayos clínicos de fase I o II, y muy pocos llegan a la fase III.
En la dirección de la generación de pequeñas moléculas, la IA efectivamente encuentra con más facilidad moléculas capaces de unirse a proteínas, pero eso es solo diseño de ligandos, no diseño de fármacos. Encontrar una molécula que se una a una diana y encontrar un fármaco seguro y eficaz en el cuerpo humano son dos cosas completamente distintas.
Este es también el punto que más merece reflexión en la industria actual. En el pasado simplificamos los problemas complejos de la vida. La IA es buena respondiendo a «qué molécula puede unirse a esta diana», pero lo realmente difícil del desarrollo de nuevos fármacos es toda una cadena de preguntas sistémicas: ¿por qué esta diana provoca la enfermedad? Tras intervenir sobre la diana, qué reacciones en cadena se producirán en todo el sistema vital del cuerpo humano? ¿Por qué el mismo fármaco es eficaz en unas personas e ineficaz en otras? ¿Por qué los experimentos en células y animales dan muy buenos resultados y luego fracasan en los ensayos clínicos en humanos?
Las moléculas de los fármacos no actúan de forma aislada. Entran en un sistema dinámico y complejo: genes, proteínas, células, tejidos, órganos, inmunidad, metabolismo, más el entorno externo, con todos los factores influyéndose mutuamente. El éxito o fracaso de un fármaco depende precisamente de ese sistema. De ahí surge una pregunta fundamental: si la IA solo entiende las moléculas pero no el sistema vivo completo, ¿hasta dónde puede llevar el desarrollo de nuevos fármacos?
De los modelos moleculares de punto único, hacia el modelo del mundo de la vida
Esto también explica el cambio central de la IA en las ciencias de la vida en 2026: la escala del modelado ya no se limita a una sola proteína, molécula o célula, sino que empieza a extenderse hacia arriba para construir modelos de predicción de la vida. El objetivo ya no es solo predecir la estructura de las proteínas, sino describir los estados de la vida, anticipar los cambios del sistema tras una intervención y simular la reacción de las células ante perturbaciones: lo que el sector llama elmodelo del mundo de la vida。
Los grandes modelos de lenguaje aprenden las reglas del lenguaje, los modelos del mundo físico aprenden el movimiento de los objetos y las reglas del espacio; el modelo del mundo de la vida se enfrenta a reglas mucho más complejas. Las mutaciones genéticas alteran la expresión de las proteínas, las proteínas regulan las vías de señalización, las señales cambian el estado celular; las interacciones entre células forman el microentorno tisular, que influye capa a capa en los órganos e incluso en el cuerpo humano. La vida no es estática: crece, envejece, genera compensaciones, sufre mutaciones y responde continuamente a las intervenciones externas.
Por eso el modelo del mundo de la vida no es una enciclopedia estática de la vida. Su núcleo es entender cómo funciona la vida y predecir cómo evolucionará todo el sistema cuando se modifica una determinada variable.
Una vez que este modelo se materialice, el papel de la IA en el desarrollo farmacéutico cambiará por completo. Modelo antiguo: dada una diana, buscar rápidamente moléculas candidatas. Modelo nuevo: dada una enfermedad, primero aclarar la raíz de su aparición, luego determinar en qué punto intervenir y qué pacientes pueden beneficiarse, y anticipar las reacciones en cadena que la intervención provocará en todo el cuerpo. Aunque en ambos casos la IA potencia los nuevos fármacos, los problemas a resolver son ya completamente distintos.
China despliega su propia estrategia: la medicina computacional entra en la planificación nacional
Esta transformación no es exclusiva de Estados Unidos; la IA en ciencias de la vida en China también está pasando de los algoritmos de punto único al modelado de enfermedades sistémicas.
En septiembre de este año, diez departamentos, entre ellos el Ministerio de Industria y Tecnologías de la Información y la Comisión Nacional de Desarrollo y Reforma, publicaron el «Plan Quincenal para el Desarrollo de la Industria Farmacéutica»,la medicina computacional se incluyó por primera vez al lado de la IA, la computación cuántica y la supercomputación, dentro de las direcciones tecnológicas prioritarias de la industria farmacéutica para los próximos cinco años. La IA y la supercomputación ofrecen una potente capacidad de cómputo general; la medicina computacional resuelve cómo conectar ese poder de cálculo con los sistemas vivos para resolver problemas reales de enfermedad.
La empresa china Zheyuan Technology es un equipo que sigue esta línea. No se limitó a entrenar un gran modelo biológico más grande, sino que, en torno a las enfermedades mismas, integra genómica, características celulares, mecanismos de enfermedad, datos de pacientes e información sobre intervenciones farmacológicas para construir modelos computacionales multinivel, intentando crear un sistema de modelos del mundo de la vida capaz de inferir, entrenar y validarse de forma continua.
El 17 de octubre, Zheyuan Technology lanzó la plataforma de medicina computacional WHIRLPO. No es un gran modelo biológico independiente, sino que resuelve un problema de ingeniería más fundamental: si el modelo del mundo de la vida es la infraestructura de la próxima generación de las ciencias de la vida, necesitamos una base que sostenga el entrenamiento y la ejecución de este tipo de modelos.
Construir el modelo del mundo de la vida es mucho más difícil que entrenar grandes modelos de lenguaje
La dificultad de materializar el modelo del mundo de la vida es fácil de subestimar. Primero está el problema de los datos. Los grandes modelos de lenguaje tienen como alimento enormes cantidades de texto de internet, pero el ámbito de la vida carece de conjuntos de datos unificados. Genómica, célula única, ómica espacial, patología, imagen, datos clínicos: las fuentes están dispersas y presentan enormes diferencias de formato, calidad y escala de observación. Muchos datos de alto valor, además, solo pueden producirse mediante experimentos específicos. Buena parte de los 1.800 millones de dólares invertidos por Biohub se destina precisamente a producir datos biológicos, no solo a entrenar modelos.
Segundo está el problema del modelado multiescala. No existe un modelo unificado de la vida. Estudiar mutaciones del ADN, estados celulares, microentornos tisulares y enfermedades humanas requiere que distintos modelos colaboren. El futuro modelo completo del mundo de la vida probablemente no será un único modelo gigante, sino un sistema compuesto por múltiples modelos, bases de conocimiento y herramientas trabajando de forma coordinada.
Tercero está el desafío de ingeniería del cómputo heterogéneo. El preentrenamiento de modelos, el análisis ómico, la simulación de la evolución de enfermedades y la deducción de pacientes digitales requieren métodos de cálculo distintos, y exigen programar con flexibilidad recursos de cómputo como CPU, GPU y otros, lo que plantea problemas de ingeniería de computación científica a gran escala a los que rara vez se enfrentan los grandes modelos tradicionales.
Cuarto, los modelos de la vida deben conectar el mundo computacional con el mundo experimental real. Cuando un modelo de lenguaje se equivoca al responder, basta con reentrenarlo; pero las hipótesis de dianas que arroje un modelo de la vida deben validarse en el laboratorio, los resultados experimentales deben corregir el modelo, y al final todo debe superar la prueba clínica: las conclusiones del modelo no pueden ser coherentes solo dentro del ordenador.
La plataforma WHIRL apunta precisamente a este punto de dolor: integra computación heterogénea, datos de ciclo de vida de múltiples cohortes, matriz de modelos, herramientas científicas, Agentes inteligentes y cadenas de validación experimental, construyendo la infraestructura para un circuito cerrado que abarca desde el entrenamiento de modelos y la computación científica hasta la validación en experimentos húmedos. En pocas palabras, Zheyuan no se dedica solo a crear modelos, sino a construir la base de producción para el modelo del mundo de la vida.
IA en ciencias de la vida: entra en la etapa de competencia por la infraestructura
En 2026, se produjo una resonancia sectorial en China y Estados Unidos. Por el lado estadounidense, Biohub, junto con el Departamento de Energía, los NIH, Meta y DeepMind, construye conjuntamente la infraestructura de datos, computación y experimentos necesaria para la IA de la vida; por el lado chino, la medicina computacional quedó incluida en el plan quinquenal decimoquinto del sector farmacéutico, y los equipos locales comenzaron a construir plataformas de ingeniería para el modelo del mundo de la vida.
Dos hechos que parecen independientes apuntan, en esencia, a un mismo juicio: la biociencia impulsada por IA ha pasado de competir en métricas de modelos a entrar en la era de la competencia por la infraestructura.
En el pasado, la industria competía en quién predecía proteínas con mayor precisión, quién generaba moléculas con mejores resultados y quién podía acelerar determinada etapa de I+D. En la siguiente etapa, el núcleo de la competencia se convierte en: si se puede obtener datos biológicos de gran escala y alta calidad; si se puede modelar a través de distintas escalas —genes, células, tejidos, el cuerpo humano—; si se puede coordinar múltiples modelos de manera sinérgica; si se puede lograr que los modelos se validen continuamente en un circuito cerrado con experimentos reales; y, en última instancia, lograr que la IA pase de procesar datos biológicos a comprender los sistemas de la vida.
En las últimas dos décadas, la dirección de la farmacología con IA no ha estado equivocada. Lo que hemos logrado resolver hasta ahora es solo la parte de los problemas de la vida relativamente fácil de calcular. Las moléculas ciertamente son importantes, pero el objetivo del tratamiento farmacológico no es la molécula, sino el ser humano. Desde una molécula candidata hasta que produzca efectos terapéuticos en el cuerpo humano, en el medio se interpone un sistema de vida completo y complejo.
Si el modelo del mundo de la vida se convierte en la próxima dirección central de la IA, después de los modelos de lenguaje y los modelos del mundo físico, la mayor oportunidad del futuro quizás no pertenezca a los equipos que mejoran ligeramente las métricas de sus modelos. El activo verdaderamente escaso no es otro modelo de IA biológica, sino un conjunto completo de infraestructura que permita a la IA entrar en el mundo real de la vida.
Este artículo fue proporcionado por Zheyuan Technology; QbitAI lo republica con autorización, y las opiniones pertenecen al autor original.