Mientras que en EEUU siguen debatiendo si cambiar el nombre a la IA y pasar a llamarlo «SI» (Super Inteligencia), dentro de lo que parece ser una nueva estrategia comercial y mediática, y un nuevo intento de convencer al mundo de que sus sistemas son mucho más inteligentes, China sigue apostando por centrarse en dar mejores usos a esta tecnología y utilizar nuevas expresiones pero con otros fines: la especialización de la inteligencia artificial.
En China junto a su ya conocida IA for Science (AI4S), comienza a cobrar fuerza el término «inteligencia ciéntifica» ( 科学智能 (kēxué zhìnéng), que sirve para hablar de un campo en el que la inteligencia artificial ya no se utiliza únicamente para redactar, resumir o responder preguntas, sino para trabajar directamente con algunos de los objetos de la ciencia: moléculas, proteínas, materiales, ecuaciones, imágenes, datos genómicos, señales astronómicas o resultados experimentales.
China no ha creado una nueva definición sino que lo que se observa es algo más interesante: alrededor de AI for Science se están construyendo modelos especializados, agentes, conjuntos de datos, plataformas de computación, conexiones con instrumentos y laboratorios y, progresivamente, una infraestructura propia para utilizar inteligencia artificial en la producción de conocimiento científico y qué partes del proceso pueden o deben realizarse con ella.
AI for Science no es preguntarle ciencia a ChatGPT
AI for Science no es preguntarle a un modelo de lenguaje sobre ciencia. Lo que pretende China es ir mucho más lejos: crear por ejemplo un sistema especializado que pueda recibir la secuencia de una proteína y estudiar su posible estructura o interacción con otras moléculas, u otro que puede interpretar espectros obtenidos por instrumentos científicos, analizar observaciones astronómicas, simular fenómenos físicos o combinar miles de trabajos anteriores con datos experimentales para sugerir qué debería estudiarse después.
La diferencia es importante porque la información científica no está formada únicamente por lenguaje. Hay ecuaciones, geometrías moleculares, series temporales, imágenes microscópicas, campos de presión y velocidad, secuencias genéticas, estructuras cristalinas y datos procedentes de instrumentos. Los sistemas destinados a la ciencia tienen que comprender, combinar o calcular sobre esos formatos y, en muchos casos, utilizar además programas especializados, bases de datos, simuladores y equipos físicos.
Por eso el desarrollo de AI for Science no depende únicamente de tener un modelo cada vez mayor. Necesita algo parecido a una nueva infraestructura científica: datos adecuados, herramientas, capacidad de cálculo, modelos especializados, mecanismos de verificación y, cuando se entra en el mundo experimental, conexión con instrumentos y robots.
China lleva varios años desarrollando este campo. En 2018, el matemático E Weinan (鄂维南) impulsó en la Universidad de Pekín algunos de los primeros encuentros sobre AI for Science, en 2021 se puso en marcha el Beijing AI for Science Institute, y en 2022 el primer Science Intelligence Summit ya utilizaba de forma explícita la expresión 科学智能 (AI for Science).
Desde entonces, el término se ha ido institucionalizando. En 2025 la Universidad de la Academia China de Ciencias convocaba ya un foro académico de posgrado bajo el nombre “科学智能（AI for Science)”, y en 2026 laboratorios, universidades y centros de investigación lo emplean como una categoría propia de investigación. Un laboratorio nacional de la Academia China de Ciencias incluye, por ejemplo, “科学智能” entre sus tres grandes líneas de financiación para 2026 y enumera dentro de ella modelos científicos, bases de datos, razonamiento, simulación de experimentos, agentes capaces de utilizar herramientas y ecosistemas de modelos científicos.
Pero conviene no cerrar demasiado pronto la definición, porque en algunos contextos chinos, 科学智能 funciona prácticamente como traducción de AI for Science, pero en otros se utiliza de manera más amplia. El Shanghai Artificial Intelligence Laboratory, por ejemplo, ha propuesto entender “scientific intelligence” como un espacio que incluye no solo AI for Science, aplicar IA a las ciencias, sino también Science for AI, utilizar conocimiento científico para mejorar la propia inteligencia artificial, además de las infraestructuras necesarias para ambas cosas.
De un modelo científico a un ecosistema
La evolución de uno de los principales proyectos de la Academia China de Ciencias permite observar con bastante claridad hacia dónde se dirige esta estrategia.
En julio de 2025 se presentó Panshi (磐石), un modelo fundacional concebido específicamente para tareas científicas. A diferencia de un modelo general, fue construido con literatura y datos científicos y preparado para tareas como extraer conocimiento de documentos, razonar sobre información científica y coordinar herramientas de investigación. Sus desarrolladores reconocían además un problema fundamental: en ciencia, una respuesta plausible pero falsa puede ser mucho más grave que en una conversación cotidiana, por lo que el control de las llamadas “alucinaciones” y la validación mediante herramientas y datos adquieren especial importancia.
En abril de 2026 la Academia China de Ciencias amplió ese planteamiento con Panshi 100, denominado ScienceOne 100 en su información en inglés. Ya no se presentaba como un único modelo, sino que el sistema combinaba un modelo científico general con ocho grandes modelos especializados en matemáticas, física, materiales, astronomía, medioambiente, espacio aéreo, geografía y ciencias de la vida, además de modelos y agentes destinados a más de un centenar de escenarios de investigación. La llamada “fábrica de agentes” podía recurrir a más de 2.000 herramientas científicas. Según la Academia, el sistema se había extendido ya a más de 50 de sus institutos.
En julio llegó Panshi 2.0, ScienceOne Omni. La nueva versión incorporaba ocho millones de ejemplos de razonamiento científico distribuidos entre más de 200 tareas y una arquitectura que combina distintas clases de computación para afrontar desde razonamiento y generación hasta simulaciones de química cuántica o dinámica molecular. También podía servir como base para construir modelos y agentes específicos para un determinado grupo de investigación.
En agosto apareció otra pieza mucho menos llamativa, pero probablemente igual de reveladora: el Scientific Data Skill Bank desarrollado por el Computer Network Information Center de la Academia China de Ciencias. Su objetivo no es simplemente publicar más bases de datos sino convertir descripciones de conjuntos de datos, estructuras de archivos, instrucciones de utilización y procedencia de los datos en recursos que un agente de IA puede encontrar, comprender e invocar. La primera versión cubre física, química, ciencias de la Tierra, biología, materiales e informática.
Y el 30 de septiembre llegó el siguiente paso. El mismo centro presentó Panshi AI-for-Science Ecosystem 1.0, articulado alrededor de la plataforma Panshi OneScience (磐石·壹科学) y del programa colaborativo Xinhuo. La plataforma pretende integrar datos, modelos y herramientas, conectarse con grandes instalaciones científicas y laboratorios y cubrir un recorrido que va desde la elaboración de hipótesis y la búsqueda bibliográfica hasta simulaciones, experimentación, análisis de datos y descubrimiento. Incluye además sistemas de evaluación y trazabilidad para poder reconstruir de dónde proceden recursos y resultados. Cerca de un centenar de institutos, universidades y empresas se habían incorporado ya al programa de colaboración en el momento de su presentación.
No sería riguroso afirmar que todas estas piezas forman ya una única maquinaria científica perfectamente integrada. Las fuentes de la Academia las presentan dentro de una misma dirección institucional y comparten la marca Panshi, pero no documentan cada conexión técnica entre ScienceOne 100, Panshi 2.0, el Scientific Data Skill Bank y la plataforma OneScience. Lo relevante es la secuencia: China está girando poco a poco de construir modelos científicos a construir infraestructura alrededor de ellos.
Del asistente al agente y del agente al laboratorio
Esto diferencia los usos de la IA en las distintas fases y los avances no anulan los usos más básicos de los distintos escalones:
- En el primero, la inteligencia artificial sigue siendo un asistente. Busca literatura, resume artículos, programa, organiza información o analiza datos. Es la utilización más cercana a la experiencia que millones de personas tienen ya con los chatbots.
- En el segundo aparecen modelos científicos especializados, entrenados o adaptados para trabajar con objetos y problemas concretos: proteínas, materiales, física, matemáticas o genómica.
- El tercer nivel introduce los agentes científicos. Un agente puede dividir una tarea, seleccionar herramientas, consultar bases de datos, ejecutar programas, evaluar resultados y continuar el proceso. El Panshi 100 de la Academia China de Ciencias o los diferentes proyectos de agentes desarrollados por universidades y centros chinos se sitúan progresivamente en este terreno.
- El cuarto nivel lleva esa capacidad al mundo físico: el laboratorio autónomo, 自主实验室 (zìzhǔ shíyànshì). En su versión más sencilla, la IA analiza resultados, decide qué experimento conviene realizar después, un sistema automatizado o robot ejecuta la operación, los instrumentos generan nuevos datos y esos resultados vuelven al modelo para decidir el siguiente paso.
Esta idea, que puede sonar un poco a ciencia ficción, y no debe confundirse con un “científico robot”, propone que un sistema autónomo sea capaz de investigar cualquier cosa por sí mismo. La literatura científica internacional muestra laboratorios autónomos que funcionan bien en problemas estrechamente delimitados, especialmente en química y materiales, pero la autonomía disminuye a medida que el problema se vuelve más abierto y los instrumentos, datos y decisiones se hacen más heterogéneos. Una perspectiva publicada en Communications Materials en 2026 señala precisamente que los sistemas actuales obtienen sus mejores resultados en campañas muy definidas y que ampliar esa autonomía a laboratorios complejos introduce importantes dificultades de coordinación, interpretación y control.
China está explorando ya etapas intermedias muy concretas. El Observatorio Astronómico Nacional de la Academia China de Ciencias está probando StarWhisper, un sistema de agentes que combina prioridades científicas, meteorología y estado de los telescopios para preparar y ejecutar observaciones. Hasta septiembre había identificado ocho candidatos muy tempranos a supernova y dos habían dado lugar a observaciones posteriores cuando las condiciones meteorológicas lo permitieron. Los investigadores siguen definiendo los objetivos y validando los resultados, pero el agente empieza a participar en la ejecución de la investigación y no únicamente en el análisis posterior.
También en 2026 el observatorio chino desplegó JW-ASTClaw, un sistema de varios agentes conectado con un telescopio solar científico. Son ejemplos todavía muy específicos, pero nos ayudan a entender qué significa que la inteligencia artificial comience a cruzar la frontera entre el ordenador y el instrumento científico.
En agosto, durante el Science Intelligence Congress 2026 celebrado en Pekín, E Weinan utilizó una expresión especialmente útil para comprender el momento actual: AI for Science estaría entrando en su “segunda fase”.
Su planteamiento es que la primera fase ha estado dominada por la creación de métodos y herramientas capaces de hacer mejor o más rápido tareas concretas. La siguiente no consistiría simplemente en fabricar asistentes más potentes, sino en reorganizar el propio sistema de investigación alrededor de nuevas combinaciones de inteligencia humana, modelos, datos, cálculo, automatización y experimentación. En su intervención, titulada Science after AI for Science, E relacionó esta fase con plataformas de investigación, circuitos entre experimentos computacionales y físicos y una transformación más profunda de la organización científica.
Todo esto, forma parte del plan chino para profundizar la iniciativa “AI+”, aprobado en 2025, que ya incluyó “AI + ciencia y tecnología” entre seis grandes áreas prioritarias y estableció expresamente el objetivo de explorar nuevos paradigmas de investigación impulsados por IA, desarrollar modelos científicos, modernizar grandes infraestructuras de investigación y crear conjuntos de datos científicos de alta calidad.
Quizá una de las claves para entender por qué AI for Science está adquiriendo tanta importancia en China sea precisamente que la inteligencia artificial, la ciencia, la industria, los datos, la supercomputación, la robótica o la formación de investigadores forman parte de una misma arquitectura de política científica y tecnológica.
El XV Plan Quinquenal para 2026-2030 ya muestra esa lógica: China plantea simultáneamente reforzar la investigación básica, desarrollar tecnologías estratégicas como la inteligencia artificial, mejorar la oferta de capacidad de cálculo, algoritmos y datos, extender la iniciativa “AI+” y estrechar la conexión entre innovación científica e innovación industrial, es decir, intentar que investigación, infraestructura, tecnología y aplicación formen parte de un mismo proceso.
En mi opinión, ahí se encuentra uno de los aspectos más interesantes del modelo tecnológico chino. Su fortaleza no está únicamente en desarrollar un buen modelo de inteligencia artificial, construir un laboratorio o financiar una determinada línea científica, sino en intentar conectar las piezas. Un modelo necesita datos, los datos necesitan infraestructuras, la investigación necesita capacidad de cálculo y laboratorios, un descubrimiento necesita mecanismos que permitan validarlo, desarrollarlo y, cuando corresponde, trasladarlo a una aplicación industrial. Y lo más importante, la política pública intenta crear continuidad entre todas esas fases y dando la importancia que merece una sólida estrategia científica capaz de atravesar progresivamente todo su sistema de ciencia e innovación.
