Saltar al contenido
Código IA Noticias de inteligencia artificial Santiago Mar 17 nov 2026
Ciencia y salud

NVIDIA lanza herramientas de IA para que científicos automaticen sus experimentos

Desde SC26 en Chicago, la compañía presentó agentes de IA que planifican, ejecutan y corrigen investigaciones, y un nuevo GPU para ciencia.

NVIDIA lanza herramientas de IA para que científicos automaticen sus experimentos
Foto: Coolcaesar / Wikimedia Commons (CC BY-SA 4.0) · Fuente

NVIDIA dio el puntapié inicial a su semana en la conferencia SC26 de Chicago con un anuncio que apunta directo al corazón de la investigación científica: agentes de inteligencia artificial capaces de planificar experimentos, escribir y ejecutar código, y revisar los resultados por sí solos. Ian Buck, vicepresidente de computación de alto rendimiento e hiperescala en NVIDIA, presentó el lunes 17 de noviembre de 2026 una serie de herramientas que, según dijo, transformarán la forma en que los científicos interactúan con sus supercomputadoras y laboratorios.

“La frontera de la computación y el nuevo stack científico va a ser la simulación, como siempre, pero combinada con IA y el futuro de la computación cuántica”, declaró Buck durante la presentación. El ejecutivo recordó que hace exactamente 20 años, en un tutorial de CUDA en SC06 en Tampa, Florida, dio su primera charla pública sobre esa plataforma. Hoy, NVIDIA ofrece más de 1.000 bibliotecas CUDA-X.

Agentes que hacen ciencia solos

Buck mostró cómo un agente construido con el nuevo kit Nemotron for Science —que combina el modelo abierto Nemotron 3.5 Super VL con un dataset de química y recetas de post-entrenamiento para ciencias de la vida— logró, a partir de un solo prompt, planificar hipótesis, elegir qué simulaciones correr e identificar dos nuevos sitios de unión en el Laboratorio Nacional Argonne. “Tú tienes tus datos. Tú tienes el modelo”, enfatizó Buck. Los investigadores pueden ejecutar Nemotron for Science localmente en un DGX Spark, una estación de trabajo o su propio supercomputador.

Otros ejemplos ya están en funcionamiento. En el Instituto Real de Tecnología KTH, un agente reparó por sí solo configuraciones dañadas del simulador GROMACS: en una noche, en un solo DGX Spark, arregló el 81% de los casos de prueba. En el Allen Telescope Array del SETI Institute, un agente interpretó una instrucción de una línea para graficar una línea de metanol y luego reajustó automáticamente el corrimiento Doppler.

CPUs, GPUs y el salto cuántico

Buck explicó que los agentes dependen intensamente de las CPUs para ejecutar llamadas a herramientas entre los pasos del modelo. “Eso es exactamente lo que los agentes necesitan: una CPU que pueda correr, evaluar, ejecutar la herramienta, realizar las operaciones y recoger los resultados”, dijo. En esa línea, el Centro de Computación Climática Alemán DKRZ eligió las CPUs Vera para su supercomputador HLRE-5, que se espera para principios de 2028. Vera ya había sido anunciada para sistemas en el Texas Advanced Computing Center.

Para el lado de los GPUs, Buck presentó Rubin HPC, una nueva GPU de la plataforma Vera Rubin diseñada específicamente para ciencia, ingeniería, análisis y AI. Con más de 50.000 núcleos CUDA —aproximadamente tres veces más que Hopper— soporta precisiones desde FP64 hasta FP4, incluye aceleración de datos dispersos y se conecta mediante NVLink de séptima generación. Su llegada está prevista para 2028.

En computación cuántica, NVIDIA anunció una colaboración con IBM y el Fermi National Accelerator Laboratory para crear una plataforma de co-diseño que apoye la corrección de errores y la investigación de aplicaciones. La idea es emparejar sistemas DGX B200 de NVIDIA con computadores cuánticos de IBM, incluidos los que usan IBM Quantum Nighthawk. Además, Buck reveló que una simulación en el supercomputador JUPITER de Jülich demostró que la técnica magic state cultivation puede reducir diez veces las operaciones necesarias para un paso lógico. Ese trabajo se integrará en CUDA-Q.

Para el desafío de la decodificación cuántica —donde el objetivo es bajar la latencia de unos 300 microsegundos a 10— el nuevo algoritmo de decodificación TCBP-JOBS redujo el tiempo de investigación de 12 semanas a 45 minutos, según Buck.

Finalmente, Buck mostró uno de los primeros despliegues de los switches de óptica co-empaquetada NVIDIA Photonics, en Lambda, que según la compañía son 15 veces más confiables en errores de bits y fallos de enlace.

Con información de NVIDIA

Compartir
En contexto

Más sobre Nvidia

Abrir dossier

Ciencia y salud

Seguridad y privacidad

Herramientas y apps

Escríbenos

Te respondemos al correo que dejes.