La ciencia de materiales lleva décadas atrapada en una paradoja. Los modelos generativos pueden proponer compuestos prometedores en segundos, pero validar uno solo en el laboratorio toma años. La diferencia con la biología es estructural: una proteína queda definida por su secuencia, pero un material no se define por la fórmula química, sino por el proceso de fabricación, la microestructura y las condiciones de procesamiento. La misma composición puede dar resultados radicalmente distintos según cómo se sintetice.

Joseph Krause, fundador de Radical AI, está apostando a que el moat en este negocio no es el modelo, es el laboratorio.

"Lo contamos como descubrimiento cuando agarrás tu teléfono y hay un material nuevo adentro", dijo Krause en la entrevista.

¿Qué es exactamente un self-driving lab?

Krause define el self-driving lab (SDL) como un sistema cerrado de loop donde un AI scientist genera hipótesis, la robótica automatizada sintetiza y caracteriza los materiales, y las campañas de investigación corren en paralelo en vez de en serie. La diferencia con una fábrica automatizada tradicional es que el SDL no está siguiendo una receta: está descubriendo qué receta usar.

"En materiales, la verdad fundamental es el material mismo. Tenés que poder testearlo y caracterizarlo", explicó Krause.

Los datos experimentales, no los modelos, son el verdadero moat. Y ahí es donde Radical apunta.

Las cifras que ponen presión sobre la industria

El primer dato concreto que entrega Krause es que Radical produjo y caracterizó 1.200 aleaciones en seis meses. Para dimensionarlo: el programa DARPA/GE MACH apuntaba a crear 500 nuevas aleaciones en un año. Radical promete ir aún más lejos: estima que puede caracterizar hasta 100 nuevas aleaciones por día en régimen.

En el frente científico, el AI scientist de la empresa propuso y testeó 300 nuevos materiales. De ellos, diez resultaron tener propiedades a nivel state-of-the-art y están en desarrollo posterior para aplicaciones comerciales. Krause subraya un punto interesante: el sistema se mueve hacia familias de elementos y aleaciones que la literatura humana nunca había explorado.

"Se metió en familias elementales o de aleación donde nadie había publicado antes", agregó.

¿Por qué no existe un AlphaFold para materiales?

La respuesta corta es que no hay un equivalente claro a la "secuencia de aminoácidos" como anclaje predictivo. Una misma composición química puede generar decenas de microestructuras distintas según el proceso de mezcla, recocido, crecimiento o generación. Por eso Krause insiste en que ningún modelo va a one-shotear un material: el feedback experimental es el que enseña al sistema cuál variante funciona y cuál falla en el banco de pruebas.

Eso tiene una consecuencia incómoda para los que vienen del mundo software: la calidad del feedback experimental importa más que el tamaño del dataset.

Open source: TorchSim y MATRIX

Radical liberó parte de su pipeline interno como código y datos abiertos:

  • TorchSim: framework open source en PyTorch para simulación de dinámica molecular, ya convertido en una organización sin fines de lucro propia (con preprint y blog técnico asociados).
  • MATRIX y MATRIX-PT: dataset abierto para benchmarking de self-driving labs autónomos, junto con un modelo open source asociado (preprint). Una sorpresa del entrenamiento: mejorar el razonamiento sobre materiales también mejoró el razonamiento sobre sistemas biológicos.

La tensión geopolítica que cruza la conversación

Krause pasó mucho tiempo en Washington antes de fundar Radical y no esquiva el ángulo competitivo. El modelo chino centralizado, dice, permite levantar hubs de manufactura y escalar materiales del laboratorio a la producción casi de inmediato. Estados Unidos no puede replicar esa estructura, y según Krause no debería intentarlo. Pero sí necesita una respuesta: transformar la fuerza de trabajo científica, invertir en infraestructura SDL a nivel de laboratorios nacionales, e impulsar partnerships público-privadas.

"Imaginá a cada científico de Estados Unidos haciendo 10 veces el output de investigación. Eso es fundamental. Eso cambia la trayectoria del descubrimiento", planteó Krause.

El descubrimiento de materiales lleva atascado en plazos de 20 a 30 años por generación. La tesis de Radical es que eso está por cambiar, y la apuesta está colocada en el banco de pruebas, una muestra a la vez.