Google Cloud integra modelos cuánticos de SandboxAQ para ciencia

¿Qué ha ocurrido?

Google Cloud ha incorporado los Large Quantitative Models (LQM) de SandboxAQ a su marketplace, complementando su oferta de IA con modelos entrenados específicamente en datos numéricos, ecuaciones y datos de laboratorio. Mientras que los modelos de lenguaje grandes (LLM) como Gemini destacan en procesamiento de texto, son notoriamente poco fiables con números. Esta integración busca llenar ese vacío para aplicaciones científicas. Según The Next Web, la decisión responde a una debilidad fundamental de los LLM: su incapacidad para manejar con precisión operaciones matemáticas y datos cuantitativos, lo que ha llevado a errores en cálculos científicos y financieros. SandboxAQ, una empresa derivada de Alphabet (la matriz de Google), ha desarrollado estos modelos con un enfoque en la física y la química, utilizando arquitecturas de redes neuronales que incorporan simetrías y leyes físicas en su diseño. Esto contrasta con los transformers tradicionales, que tratan los números como tokens sin comprender su significado métrico.

¿Por qué es importante?

La ciencia y la ingeniería dependen de cálculos precisos y modelado cuantitativo. Los LQM de SandboxAQ están diseñados para manejar ecuaciones complejas, simulaciones y datos experimentales, áreas donde los LLM tradicionales cometen errores graves. Esta alianza permite a empresas farmacéuticas, de materiales y energía acceder a modelos que entienden la física y la química detrás de los datos, acelerando descubrimientos. Por ejemplo, en el diseño de fármacos, los LQM pueden predecir la afinidad de unión de moléculas con mayor exactitud que los métodos computacionales clásicos, reduciendo el tiempo de validación experimental. Un estudio interno de SandboxAQ mostró que sus modelos cuantitativos redujeron los errores en predicciones de propiedades de materiales en un 40% frente a modelos basados en texto. Además, la integración con Google Cloud permite escalar estos modelos usando TPUs y GPUs, ofreciendo inferencia de alto rendimiento para simulaciones en tiempo real. Esto es crucial para sectores como la energía, donde se modelan reacciones de combustión o flujos de fluidos, o en la ciencia de materiales para descubrir nuevos compuestos con propiedades específicas.

Consecuencias para el mercado

• Las empresas podrán usar estos modelos para diseño de fármacos, predicción de propiedades de materiales y optimización de procesos. Grandes farmacéuticas como Pfizer ya han comenzado a probar los LQM para acelerar la selección de candidatos a fármacos, según fuentes cercanas a SandboxAQ.
• Google Cloud compite directamente con AWS y Azure en el nicho de IA científica, diferenciándose con modelos cuantitativos especializados. AWS ha integrado modelos de AWS HealthOmics para genómica, pero carece de un equivalente directo a los LQM. Azure, por su parte, ofrece Azure Quantum Elements, que combina simulación cuántica con IA, pero aún no tiene modelos cuantitativos nativos. Esta ventaja podría traducirse en contratos multimillonarios con institutos de investigación y laboratorios gubernamentales.
• Se espera que otras plataformas sigan el ejemplo, integrando modelos especializados para sectores verticales. Por ejemplo, AWS podría asociarse con empresas como Schrödinger o Dassault Systèmes para ofrecer modelos similares. La tendencia hacia la especialización vertical de la IA se acelera, alejándose de los modelos genéricos que intentan abarcar todas las tareas.

Lo que deben saber los lectores

Esta no es una sustitución de Gemini, sino una extensión. Los LQM se centran en tareas numéricas y no en lenguaje natural. Las empresas que trabajan con datos científicos deben evaluar si sus flujos de trabajo se benefician de modelos entrenados en ecuaciones y datos de laboratorio. Además, la alianza subraya la tendencia hacia la especialización vertical de la IA, alejándose de modelos genéricos. Es importante destacar que los LQM no son adecuados para tareas de procesamiento de texto o conversación; su fortaleza está en la predicción cuantitativa y la simulación. Por otro lado, la disponibilidad en el marketplace de Google Cloud facilita la integración con otras herramientas como BigQuery y Vertex AI, permitiendo pipelines de datos científicos completos. Sin embargo, los usuarios deben considerar el costo: el uso de LQM puede ser más caro que los LLM genéricos debido a la necesidad de cómputo especializado. También hay que tener en cuenta que los modelos están en fase temprana y pueden requerir ajustes para dominios específicos. En resumen, esta alianza representa un paso significativo hacia la IA científica, pero su impacto real dependerá de la adopción por parte de la industria y de la capacidad de Google Cloud para mantener la ventaja competitiva frente a sus rivales.