ElementsClaw, un agente de IA desarrollado con participación de DAMO Academy, cribó millones de estructuras cristalinas y condujo a la verificación experimental de cuatro superconductores. El hallazgo es relevante, aunque todavía limitado: los materiales operan a temperaturas muy bajas y el estudio permanece como preprint.
Alibaba volvió a aparecer en el centro de la carrera global por la inteligencia artificial, esta vez no por un chatbot ni por un modelo generativo de uso masivo, sino por una aplicación científica: el descubrimiento de nuevos materiales superconductores. DAMO Academy, su laboratorio de investigación, presentó ElementsClaw, un agente de IA diseñado para acelerar la búsqueda de compuestos con propiedades superconductoras mediante la combinación de modelos atómicos especializados y modelos de lenguaje.
ElementsClaw no funciona como un chatbot ni como una simple base de datos de materiales. Es un agente de IA para descubrimiento científico: combina modelos atómicos (LAMs) capaces de evaluar estructuras cristalinas con modelos de lenguaje (LLM) que ayudan a leer literatura, ordenar criterios químicos y decidir qué candidatos tienen más sentido experimental.
El estudio base es un preprint alojado en arXiv, titulado Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductor Discovery. En él participan investigadores de Renmin University of China, DAMO Academy de Alibaba, Hupan Lab, University of Chinese Academy of Sciences y Tsinghua. La versión más reciente disponible en arXiv es de mayo de 2026, aunque la difusión mediática del hallazgo cobró fuerza a partir del 3 de julio, cuando medios como South China Morning Post reportaron la presentación de ElementsClaw por parte de DAMO Academy.
Los superconductores son materiales capaces de conducir electricidad sin resistencia y expulsar campos magnéticos cuando son enfriados por debajo de una temperatura crítica. En teoría, ese tipo de propiedades puede transformar áreas como redes eléctricas, computación cuántica o transporte magnético. En la práctica, el gran obstáculo sigue siendo encontrar materiales que funcionen en condiciones menos extremas. Por eso, descubrir nuevos superconductores importa, pero no todos los hallazgos tienen el mismo impacto tecnológico inmediato.
El punto más relevante de ElementsClaw no está en que haya encontrado materiales revolucionarios, sino en cómo redujo el espacio de búsqueda. De acuerdo con el preprint, el sistema analizó 2.4 millones de cristales en 28 horas GPU e identificó alrededor de 68,000 candidatos de alta confianza. El agente no opera como un predictor aislado: combina modelos atómicos entrenados para cálculos de escala material con modelos de lenguaje usados para razonamiento semántico, revisión de literatura, evaluación de viabilidad de síntesis, toxicidad, estabilidad y selección de candidatos para validación experimental.
Esa arquitectura es importante porque uno de los cuellos de botella en el descubrimiento de materiales no es solo generar millones de posibles compuestos, sino decidir cuáles vale la pena probar en laboratorio. El propio paper plantea que los modelos actuales pueden proponer grandes volúmenes de candidatos, pero el problema difícil es navegar juicios simultáneos: estructura atómica, estabilidad termodinámica, propiedades esperadas, posibilidad de síntesis, novedad y evidencia previa. ElementsClaw intenta ocupar precisamente esa capa de decisión científica.
Los cuatro materiales reportados como superconductores novedosos son Zr₃ScRe₈, HfZrRe₄, Zr₄VRe₇ y Hf₂₁Re₂₅. El estudio no los presenta como un grupo homogéneo: Zr₃ScRe₈ aparece como un caso guiado por motivos estructurales; HfZrRe₄ como un candidato generado de novo; Zr₄VRe₇ como una estructura reinterpretada; y Hf₂₁Re₂₅ como un caso “latente” en bases de datos o literatura, es decir, una fase que no estaba integrada como superconductor en bases estructuradas.
El equipo reporta que sintetizó muestras policristalinas mediante fusión por arco, usando polvos elementales de alta pureza y atmósfera de argón para evitar oxidación. Después caracterizó las estructuras mediante difracción de rayos X en polvo y refinamiento estructural, además de mediciones magnéticas para confirmar la transición superconductora. Para algunos casos también se reportaron mediciones de transporte eléctrico con el método de cuatro puntas, una técnica usada para observar la caída de resistencia asociada a la superconductividad.
Aun así, el hallazgo debe leerse con cuidado. Las temperaturas críticas reportadas son muy bajas: 6.5 K para Zr₃ScRe₈ (−266.65 °C), 5.9 K para HfZrRe₄ (−267.25 °C), 3.5 K para Zr₄VRe₇ (−269.65 °C) y 2.5 K para Hf₂₁Re₂₅ (−270.65 °C). En términos más familiares, se trata de temperaturas extremas, apenas unos grados por encima del cero absoluto, ubicado en −273.15 °C. En física, el cero absoluto es la temperatura mínima teórica, donde el movimiento térmico de las partículas llega a su nivel más bajo posible. Es decir, hablamos de superconductividad en condiciones criogénicas extremas (muy por debajo de los −150 °C), no de materiales cercanos a temperatura ambiente ni de una solución inmediata para redes eléctricas comerciales, trenes maglev o computación cuántica sin enfriamiento intenso. El avance está en la eficiencia del proceso de búsqueda y validación, no en una nueva familia de superconductores de uso masivo.
El propio estudio muestra la complejidad de pasar de predicción a laboratorio. En el caso de Hf₂₁Re₂₅, por ejemplo, los investigadores reportan que la síntesis directa generaba separación de fases y presencia de HfRe₂, otro compuesto superconductor que podía contaminar la medición. Para reducir ese problema, ajustaron la proporción inicial de hafnio y renio hasta encontrar una ruta con mayor pureza de fase. Este detalle técnico es importante: incluso cuando la IA identifica un candidato prometedor, la validación depende todavía de química experimental, control de impurezas, interpretación de señales y trabajo humano especializado.
Por eso, ElementsClaw no debe entenderse como una IA que “hizo ciencia sola”, sino como un sistema que integra varias capas del proceso científico: búsqueda en literatura, modelos de estructura y propiedades, filtros de estabilidad, evaluación de síntesis y selección de experimentos. La promesa no es reemplazar el laboratorio, sino reducir el número de apuestas fallidas y concentrar la atención humana en candidatos con mayor probabilidad de éxito. Esa diferencia es central para no inflar el hallazgo.
El contexto geopolítico vuelve la noticia todavía más delicada. Días antes de la difusión de ElementsClaw, Anthropic acusó a Alibaba de haber extraído capacidades de Claude mediante una campaña de “destilación” que, según una carta vista por Reuters, habría generado más de 28.8 millones de intercambios con Claude a través de casi 25,000 cuentas fraudulentas entre el 22 de abril y el 5 de junio de 2026. Reuters también reportó que Alibaba prohibirá a sus empleados usar Claude Code en entornos de trabajo, en medio de la disputa entre ambas compañías.
No hay evidencia pública que conecte ElementsClaw con Claude ni con esa acusación. Pero el contraste sí ayuda a entender el momento: las empresas chinas y estadounidenses compiten no solo por lanzar modelos conversacionales, sino por convertir la IA en infraestructura de descubrimiento, ingeniería, defensa, software y ciencia. En ese tablero, una herramienta capaz de acelerar la búsqueda de materiales no es solo una curiosidad académica; también es una señal de hacia dónde se mueve la carrera tecnológica.
