Discovered Materials levanta $9M para chips más fríos con IA

La startup que usa IA para resolver el problema que la IA creó

Discovered Materials acaba de cerrar una ronda semilla de US$9 millones liderada por Lightspeed India Partners, con participación de Peak XV Partners y ángeles como Paul Graham, Gokul Rajaram y Thariq Shihipar. La startup, que salió de Y Combinator, está aplicando inteligencia artificial para encontrar nuevos materiales que permitan fabricar chips más eficientes y menos calientes.

El problema es claro: los chips que ejecutan cargas de trabajo de IA generan tanto calor que los centros de datos consumen cantidades masivas de electricidad solo para enfriarlos. Según el informe de TechCrunch, los fundadores Advaith Sridhar y Akash Ramdas han creado un pipeline de software que utiliza modelos de Anthropic para generar leads de materiales, y luego recurre a modelos físicos fundamentales que han entrenado para ejecutar simulaciones que verifican si los materiales candidatos son realmente interesantes.

«[Ramdas] hacía quizás 20 conjeturas al día durante su doctorado», dijo Sridhar a TechCrunch. «Ahora podemos hacer miles de conjeturas al día al hacer que estos agentes funcionen 24/7 en la nube, explorando direcciones de investigación que él les da».

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

¿Por qué los materiales son el nuevo campo de batalla de la IA?

El mercado de semiconductores para centros de datos está experimentando un crecimiento explosivo. Según el informe de Dell’Oro Group publicado en junio de 2026 y citado por Semicon Report, los ingresos mundiales de semiconductores y componentes de TI para centros de datos en el primer trimestre de 2026 aumentaron un 116% interanual, alcanzando un récord histórico. Esta expansión continua de la infraestructura de IA está redefiniendo las necesidades de materiales y refrigeración.

Empresas como MatNex, SandboxAQ y CuspAI han lanzado esfuerzos similares, pero Discovered Materials apuesta que un enfoque láser en los problemas térmicos de los materiales semiconductores es el camino al éxito. La startup dice que ya ha descubierto varios materiales que coinciden con las propiedades de los materiales existentes utilizados por los principales fabricantes de chips, aunque no puede compartir más detalles.

El desafío del «whack-a-mole» atómico

«Es un poco como jugar al whack-a-mole con estructuras atómicas», dijo Hemant Mohapatra, el socio de Lightspeed que lideró esta ronda. «Un material solo es útil en el mundo real si todos convergen a la vez, y eso es lo que hace que este sea un problema de búsqueda realmente interesante».

Mohapatra espera que el negocio de predecir sustancias novedosas se commoditice a medida que los modelos continúen mejorando. La diferencia con Discovered Materials es la profunda experiencia de Ramdas en el campo, y la capacidad de ejecutar un laboratorio que pueda experimentar y validar rápidamente a los candidatos.

¿Qué significa esto para tu startup?

1. La refrigeración como oportunidad de negocio

Si tu startup opera en el espacio de hardware, infraestructura de IA o materiales avanzados, el problema del calor de los chips representa una oportunidad de mercado masiva. Según los datos del sector, la demanda de soluciones de refrigeración líquida y materiales térmicamente eficientes está creciendo al ritmo de la expansión de la infraestructura de IA.

Acción concreta: Evalúa si tu tecnología puede aplicarse a problemas de gestión térmica en centros de datos o dispositivos de edge computing. Incluso las startups de software pueden encontrar oportunidades en la optimización de cargas de trabajo para reducir el consumo energético.

2. El poder de la especialización profunda

Discovered Materials demuestra que en mercados altamente competitivos como los semiconductores, la especialización profunda en un nicho específico (en este caso, materiales para gestión térmica) puede ser más valiosa que intentar resolver problemas generales. La experiencia doctoral de Ramdas en ciencia de materiales de Stanford es un activo diferenciador que los inversores valoran.

Acción concreta: Identifica qué expertise única tiene tu equipo y cómo puede aplicarse a problemas específicos dentro de mercados grandes. Los inversores en deep tech buscan equipos con conocimiento de dominio profundo, no solo habilidades técnicas generales.

3. El modelo de negocio de licenciamiento

Cuando encuentren candidatos valiosos, Sridhar dice que la compañía intentará patentar el uso de los materiales en GPUs, o el proceso por el cual los chips pueden hacerse con la sustancia, licenciándolos a fabricantes de chips. Este modelo de negocio de propiedad intelectual/licenciamiento es común en materiales avanzados y biotecnología.

Acción concreta: Considera si tu startup podría adoptar un modelo similar si desarrollas tecnología fundamental. Las patentes y licencias pueden proporcionar flujo de ingresos recurrente sin los costos de fabricación y distribución.

El panorama competitivo y los desafíos pendientes

A pesar de todo el entusiasmo, todavía no hemos visto ninguna droga o material descubierto por IA que tenga un impacto comercial real. El más cercano es quizás Renterosib de Insilico Medicine, la primera droga descubierta con IA generativa que llega a un ensayo clínico de Fase II. En el lado de los materiales, se han encontrado candidatos prometedores, como los imanes permanentes libres de tierras raras de MatNex o nuevos materiales semiconductores trabajados por Panasonic y Citrine Informatics. Pero estos aún no se han desplegado comercialmente a escala.

Mohapatra señala que el cuello de botella no es encontrar más candidatos: «filtrarlos correctamente y sintetizarlos es el cuello de botella». Sridhar reconoce que «mucho de esto implicará realmente ir a laboratorios húmedos y hacer cosas también. Y este es el proceso que no se puede acelerar».

Conclusión

Discovered Materials representa una tendencia creciente: startups que usan IA para resolver problemas físicos fundamentales creados por la propia IA. Su ronda de US$9 millones de 2026 muestra que los inversores están dispuestos a respaldar enfoques especializados y técnicamente profundos, incluso cuando el camino a la comercialización puede ser largo.

Para founders hispanos, el caso ofrece varias lecciones: la importancia de la especialización profunda en mercados técnicos, el valor de modelos de negocio basados en propiedad intelectual, y la oportunidad de abordar problemas secundarios (como la refrigeración) creados por tendencias tecnológicas principales.