Discovered Materials: US$1M para 5 retos de IA y chips

Discovered Materials pone US$200.000 por cada problema resuelto

Discovered Materials, una startup de San Francisco fundada hace pocos meses y egresada del batch de primavera de 2026 de Y Combinator, anunció un fondo de US$1 millón en premios para resolver cinco problemas abiertos de ciencia de materiales. El reparto es directo: US$200.000 por cada problema resuelto, según TechCrunch.

Para un founder, la señal no es el monto. Es el formato. La compañía no pide ideas ni papers: pide teorías y métodos numéricos verificables. Y antes de publicar los retos, ya había probado si los modelos de frontera podían resolverlos solos. No pudieron.

¿Qué es Discovered Materials y quién está detrás?

La empresa usa modelos de IA para encontrar nuevas sustancias destinadas a chips avanzados. Trabaja con grandes fabricantes de chips en proyectos de investigación y también financia su propia línea científica.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Detrás están Akash Ramdas y Advaith Sridhar, que se conocieron en el IIT Madras hace más de una década. Ramdas se graduó en Ingeniería Metalúrgica y de Materiales en el IIT Madras en 2019, hizo un máster y un doctorado en ingeniería de materiales en Stanford —que completó en junio de 2025— y después fue investigador postdoctoral allí. Sridhar estudió en el IIT Madras y en Carnegie Mellon, y trabajó en sistemas de IA en Persona AI y Luma Labs, según el medio indio Jagran Josh.

En agosto de 2026 la compañía anunció una ronda seed de US$9 millones liderada por Lightspeed India Partners, con participación de Y Combinator y Peak XV Partners, y ángeles como Paul Graham, Gokul Rajaram y Thariq Shihipar.

La escala que promete el enfoque es concreta: la empresa afirma que sus agentes de IA pueden explorar miles de materiales candidatos en un día, frente a los cerca de 20 candidatos diarios que Ramdas analizaba durante su doctorado, según Jagran Josh. También lanzó Material Discovery Bench, un benchmark para medir el desempeño de sistemas de IA en problemas reales de descubrimiento de materiales para semiconductores.

Los cinco problemas que la IA todavía no resuelve

Discovered Materials convocó a un grupo asesor de académicos de universidades líderes para definir los retos, porque el campo no tiene un equivalente a los Millennium Prize Problems de las matemáticas. Los cinco son:

Una teoría que explique la superconductividad de los cupratos, es decir, por qué ciertos materiales ofrecen resistencia eléctrica cero a temperaturas ultrabajas.
Un método numérico para predecir la estructura de las interfaces entre silicio y dióxido de silicio, una combinación presente en casi todos los semiconductores.
Un método numérico que vincule la estructura de grano con las propiedades térmicas, para diseñar materiales que disipen mejor el calor.
Una teoría que prediga por qué la luz cambia el comportamiento de algunos materiales, en particular alrededor de la superconductividad.
Un método numérico para mejorar la Teoría del Funcional de la Densidad (DFT), técnica clave para modelar la estructura de átomos y moléculas.

¿Por qué los modelos de frontera se quedaron cortos?

Antes de anunciar el desafío, la startup puso a modelos de laboratorios de frontera a trabajar en los problemas: les dio acceso a internet y otros recursos para operar de forma autónoma durante días. Pasaron varios días en cada problema sin avanzar demasiado, según TechCrunch.

«Es más difícil especificar problemas con claridad en ciencia de materiales porque no es como las matemáticas, donde tienes una definición muy específica y puedes llegar a un sí o un no», explicó Advaith Sridhar, cofundador de la compañía.

Felipe Jornada, profesor de Stanford que ayudó a formular los retos, lo puso en términos de impacto: «En toda la ciencia de materiales hay fenómenos que observamos pero no podemos explicar. Explicarlos mejoraría nuestra comprensión de la física, y las respuestas moldearían directamente cómo construimos electrónica, almacenamos energía y fabricamos los materiales del futuro».

La pregunta como nuevo activo científico

Sridhar es explícito sobre la lógica abierta del programa: no le preocupa si el hallazgo lo logra su equipo, otro investigador, un profesor o los laboratorios de frontera. El objetivo es que los retos funcionen como «postes de meta» y que seguir los intentos de solución muestre «si los modelos están escalando en este dominio».

Ese es el giro interesante. Cuando generar hipótesis se vuelve barato, el activo escaso deja de ser la respuesta y pasa a ser la pregunta bien formulada más el mecanismo de verificación. «Esta es una nueva forma de pensar la ciencia, donde primero definimos la verificación y los desafíos, y después dejamos que alguien proponga las ideas que explican el problema», dijo Sridhar.

¿Qué significa esto para tu startup?

Tres lecturas prácticas, sin importar si construyes en deep tech o en software:

Define tu benchmark antes de escalar el producto. Si vendes IA en un vertical, publicar un conjunto de problemas reales con criterios de evaluación claros te da credibilidad técnica, te obliga a medir lo que de verdad importa y funciona como imán de talento. Discovered Materials lo hizo con Material Discovery Bench antes de repartir un solo dólar en premios.
Considera el formato «premio + problema abierto» como canal de go-to-market. Un fondo acotado compra tres cosas a la vez: atención de prensa especializada, un pipeline de candidatos que ya demostraron capacidad y datos de evaluación que de otro modo tendrías que generar internamente.
Si haces deep tech desde LATAM o España, el cuello de botella no es el cómputo. Es el acceso a problemas bien definidos y a validación experimental. Antes de escalar el modelo, cierra alianzas con grupos de investigación universitarios que puedan validar tus resultados en laboratorio: ahí está la diferencia entre un paper y un material que sirve.

Un matiz importante: un benchmark no es un producto. La propia hoja de ruta de Discovered Materials depende de que los materiales que identifique funcionen fuera de la simulación, algo que la compañía todavía tiene que demostrar.

Conclusión

El desafío de US$1 millón de Discovered Materials es, en el fondo, una apuesta sobre cómo se hará ciencia en los próximos años: verificación primero, ideas después. Para los founders, la lección es trasladable a cualquier sector. Si tu ventaja competitiva depende de que un modelo sea bueno, lo primero que necesitas no es más cómputo, sino saber exactamente qué pregunta estás intentando responder y cómo vas a comprobar que la respuesta es correcta.

Las búsquedas adicionales no arrojaron cifras de mercado verificables sobre el segmento de descubrimiento de materiales asistido por IA; los datos de esta nota provienen de las fuentes citadas.