Los Large Atomic Models, o Large Atomistic Models, (LAMs) son modelos de Inteligencia Artificial entrenados para representar estructuras atómicas, energías, fuerzas y propiedades de materiales. Empresas como Alibaba, Microsoft, Meta, Google DeepMind, Preferred Networks, Orbital Materials y SandboxAQ compiten por convertirlos en infraestructura científica para descubrir superconductores, baterías, catalizadores, fármacos y materiales para semiconductores.
Una parte cada vez más importante se está moviendo hacia modelos que no aprenden lenguaje humano, sino materia: átomos, moléculas, cristales, energías, fuerzas y propiedades físicas. A esa familia emergente se le empieza a llamar LAMs, aunque el término todavía no está tan estandarizado como el de Large Language Model (LLM). En la literatura también aparecen como atomistic foundation models, universal interatomic potentials, machine-learning force fields o modelos fundacionales para simulación atomística.
La diferencia con un modelo de lenguaje es esencial. Un LLM aprende patrones en texto; un LAM aprende representaciones de sistemas atómicos. En lugar de predecir la siguiente palabra, estima propiedades de una estructura: qué tan estable podría ser un cristal, cómo se moverían sus átomos, qué fuerzas aparecen entre ellos, qué energía tendría una configuración o si cierto material merece ser explorado con métodos más costosos o en laboratorio. En términos simples: un LLM ayuda a razonar con lenguaje; un LAM ayuda a razonar con materia.
La importancia de estos modelos viene de un cuello de botella histórico en ciencia de materiales. Métodos como la teoría del funcional de la densidad (DFT) permiten calcular propiedades de materiales desde primeros principios, pero son costosos y difíciles de escalar a millones de candidatos. Los LAMs buscan aproximar parte de ese trabajo con modelos entrenados en grandes bases de datos de cálculos físicos, para ofrecer simulaciones mucho más rápidas y suficientemente precisas en etapas tempranas de búsqueda. La promesa no es reemplazar la física computacional ni el laboratorio, sino reducir el espacio de búsqueda antes de gastar recursos en cálculos más finos o experimentos reales.
El caso reciente de Alibaba ayuda a entender por qué el tema importa. En el preprint de ElementsClaw, investigadores vinculados a DAMO Academy, Renmin University, Hupan Lab, University of Chinese Academy of Sciences y Tsinghua describen un sistema agente que combina LAMs con LLMs para acelerar el descubrimiento de superconductores. El corazón técnico es Elements, un modelo atómico de 1,000 millones de parámetros preentrenado con 125 millones de estructuras moleculares y cristalinas. ElementsClaw usa ese modelo como motor numérico y lo combina con modelos de lenguaje para razonamiento semántico, revisión de literatura, evaluación de viabilidad y selección de candidatos.
Ese matiz es clave: ElementsClaw no es “un chatbot que descubrió superconductores”. Es una arquitectura que coordina herramientas distintas. Los LAMs estiman propiedades y estabilidad de estructuras atómicas; los LLMs ayudan a leer literatura, ordenar criterios, interpretar evidencia y decidir qué rutas vale la pena probar. Según el preprint, el sistema cribó 2.4 millones de cristales, identificó 68,000 candidatos de alta confianza y guió la síntesis experimental de cuatro superconductores de baja temperatura crítica. El avance no está en una aplicación inmediata de esos materiales, sino en el método: la IA empieza a participar en la capa de decisión científica, donde se define qué hipótesis merecen llegar al laboratorio.
Alibaba no está sola. Microsoft Research tiene una de las líneas más visibles con MatterSim, MatterSim-MT y MatterGen. MatterSim se presenta como un modelo de aprendizaje profundo para simulación atomística eficiente y predicción de propiedades de materiales en un rango amplio de elementos, temperaturas y presiones. MatterSim-MT, anunciado en 2026, busca extender esa idea hacia un modelo fundacional multitarea para caracterización in silico. MatterGen, por su parte, no solo evalúa materiales: es un modelo generativo de difusión que propone estructuras inorgánicas nuevas con propiedades deseadas.
Meta FAIR también está construyendo infraestructura abierta para esta carrera. Su familia UMA, siglas de Universal Models for Atoms, busca calcular propiedades de simulaciones atómicas con mayor velocidad, precisión y capacidad de generalización. Meta la presentó junto con nuevos recursos científicos como Open Molecules 2025, un conjunto de datos de química cuántica con más de 100 millones de cálculos DFT. A diferencia de modelos cerrados, parte del valor estratégico de Meta en este campo está en liberar datasets y checkpoints que otros grupos pueden reutilizar o auditar.
Google DeepMind no siempre usa el término LAM, pero su sistema GNoME forma parte de la misma transformación: aplicar aprendizaje profundo al descubrimiento de materiales. En 2023, DeepMind reportó que GNoME predijo 2.2 millones de nuevas estructuras cristalinas, incluidas alrededor de 380,000 consideradas estables. El paper en Nature planteó que ese tipo de modelos podía multiplicar el número de materiales candidatos disponibles para investigación, aunque el reto seguía siendo sintetizarlos y comprobar su utilidad real.
En Japón, Preferred Networks y ENEOS desarrollaron PFP, usado en la plataforma comercial Matlantis. PFP se presenta como un potencial interatómico universal para simulaciones atómicas; la empresa afirma que ofrece precisión cercana a DFT con una velocidad muy superior y soporte para gran parte de los elementos naturales. La investigación base de PFP fue publicada en Nature Communications en 2022 y es uno de los ejemplos más claros de cómo estos modelos pueden convertirse en software comercial para laboratorios e industrias.
Otro actor relevante es Orbital Materials, que desarrolla Orb, una familia de potenciales interatómicos universales para modelado atomístico de materiales. Orb está diseñado para estimar energía, optimizar geometrías, hacer dinámica molecular y correr simulaciones a escala. La empresa lo presenta como un modelo rápido y escalable para materiales avanzados, y su paper describe mejoras en velocidad y precisión frente a otros potenciales universales.
SandboxAQ ocupa una zona cercana, aunque no siempre bajo la etiqueta LAM. La empresa habla de Large Quantitative Models (LQMs): modelos fundamentados en física, química, biología y matemáticas para simular sistemas reales. En junio de 2026, Reuters reportó que el gobierno de Estados Unidos otorgó 500 millones de dólares a SandboxAQ para desarrollar nuevos químicos y materiales vinculados a manufactura de semiconductores, incluyendo alternativas a PFAS, catalizadores más eficientes, imanes y baterías menos dependientes de tierras raras extranjeras.
La lectura de conjunto es clara: no estamos ante una sola empresa ni ante una moda aislada. Alibaba, Microsoft, Meta, Google DeepMind, Preferred Networks, Orbital Materials y SandboxAQ están construyendo distintas versiones de una misma infraestructura: modelos capaces de explorar espacios químicos y materiales que son demasiado grandes para la intuición humana y demasiado costosos para calcular exhaustivamente con métodos tradicionales.
El impacto puede ser profundo porque cambia el orden del descubrimiento científico. Durante siglos, muchos materiales surgieron de intuición, ensayo y error, acumulación experimental o simulaciones muy costosas. Con los LAMs, la búsqueda puede empezar con millones de estructuras candidatas que se filtran computacionalmente antes de entrar al laboratorio. Eso no garantiza descubrimientos útiles, pero sí permite fallar más rápido, descartar regiones completas del espacio químico y priorizar hipótesis con mayor probabilidad de éxito.
El segundo impacto está en el diseño inverso. En vez de preguntar “¿qué propiedades tiene este material?”, la ciencia puede empezar a formular preguntas del tipo: “¿qué material tendría estas propiedades?”. MatterGen representa bien esa lógica: generar estructuras candidatas a partir de restricciones deseadas, como composición, simetría, propiedades mecánicas, electrónicas o magnéticas. En sectores como baterías, captura de carbono, catalizadores, chips, imanes, superconductores o materiales resistentes a condiciones extremas, esa capacidad podría cambiar la forma de buscar soluciones.
El tercer impacto está en los laboratorios autónomos o semiautónomos. En 2023, el A-Lab de Berkeley reportó en Nature una plataforma capaz de combinar datos computacionales, literatura científica, aprendizaje automático y robótica para sintetizar materiales inorgánicos. Ese tipo de infraestructura apunta hacia ciclos cerrados: la IA propone, el robot sintetiza, los instrumentos caracterizan, el modelo aprende del resultado y vuelve a proponer. Los LAMs podrían convertirse en una pieza central de esos ciclos, especialmente en la etapa de simulación, priorización y evaluación de candidatos.
Pero el límite sigue siendo material. Un modelo puede predecir millones de estructuras estables y aun así muchas pueden ser difíciles de sintetizar, inútiles para una aplicación concreta o inviables a escala industrial. La historia reciente de la IA para materiales muestra una tensión constante: predecir es más rápido que fabricar; fabricar es más rápido que convertir en tecnología; y convertir en tecnología exige costos, seguridad, cadena de suministro, manufactura y mercado. Por eso, los LAMs no eliminan el laboratorio: lo reorganizan.
También hay un problema de poder científico. Si los LAMs se vuelven infraestructura crítica, importará quién controla los datos de entrenamiento, qué modelos son abiertos, qué empresas pueden pagar cómputo, qué laboratorios pueden validar resultados y qué países tendrán acceso a modelos científicos avanzados. La carrera por los LAMs no será solo académica: tendrá implicaciones industriales, energéticas, farmacéuticas, militares y geopolíticas.
La forma más rigurosa de describirlos es esta: los LAMs son modelos fundacionales para sistemas atómicos. No “entienden” la materia como un científico humano, pero aprenden representaciones útiles para estimar cómo podría comportarse. Combinados con LLMs, robótica, bases de datos científicas y supervisión humana, pueden acelerar una parte central de la ciencia: decidir qué vale la pena intentar. Esa decisión, qué material probar, qué molécula sintetizar, qué hipótesis descartar, puede ser una de las capas más importantes de la próxima etapa de la inteligencia artificial.
