Discovered Materials: US$1M para IA en ciencia de materiales

US$200K por cada problema: el precio de un avance científico verificable

Discovered Materials, una startup de San Francisco que forma parte del lote de primavera de 2026 de Y Combinator, anunció un fondo de premios de US$1M para quien resuelva cinco problemas abiertos de ciencia de materiales. El reparto es explícito: US$200K por cada solución, según detalló TechCrunch al cubrir el anuncio. Para un founder, la señal va más allá del dinero: alguien está dispuesto a pagar por definir con precisión qué significa «progreso» en un campo donde el éxito casi nunca es un sí o un no.

La empresa no vende un producto de consumo ni un modelo de lenguaje. Construye agentes de IA que buscan materiales nuevos para chips semiconductores. El concurso es, en la práctica, una forma de fijar el estándar de medición antes de que lleguen los resultados.

¿Cuáles son los cinco retos que plantea Discovered Materials?

Los problemas los definió la startup junto a un grupo asesor de académicos de universidades líderes. La lógica: en matemáticas un problema puede resolverse con una demostración verificable; en materiales, muchas veces ni siquiera está claro qué constituiría una respuesta correcta.

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 →

Los cinco desafíos, tal como los describió la compañía:

Una teoría que explique la superconductividad de los cupratos, es decir, la capacidad de ciertos materiales de conducir electricidad con resistencia cero a temperaturas ultrabajas. El reto no es encontrar un material que exhiba la propiedad, sino explicar el fenómeno físico detrás de ella.
Un método numérico para predecir las estructuras de las interfaces entre silicio y dióxido de silicio, combinación presente en casi todos los semiconductores. Describir mejor esa frontera entre materiales sería una herramienta directa para el diseño de componentes electrónicos.
Un método numérico que relacione la estructura de los granos de un material con sus propiedades térmicas, para diseñar mejores soluciones de disipación de calor.
Una teoría que anticipe cómo la luz puede cambiar el comportamiento de ciertos materiales, en particular alrededor de la superconductividad.
Un método numérico que mejore la Teoría Funcional de la Densidad (DFT), técnica central para modelar estructuras de átomos y moléculas en ciencia de materiales. El reto pide un método mejorado, no una aplicación concreta de la herramienta.

La variedad importa: dos retos exigen explicación teórica de fenómenos ya observados y tres piden métodos de cálculo que permitan predecir. Esa mezcla impide que un modelo gane simplemente redactando una explicación convincente.

Felipe Jornada, profesor de Stanford que colaboró en el diseño de los retos, lo resumió así en el comunicado: en ciencia de materiales hay fenómenos que se observan pero no se explican, y entenderlos mejor no solo amplía el conocimiento de la física, sino que moldea cómo se construye la electrónica y se almacena energía.

Los modelos de frontera ya lo intentaron y no avanzaron

El dato más incómodo del anuncio es también el más honesto. Antes de publicar los retos, Discovered Materials dio acceso a internet y otros recursos a agentes de IA de laboratorios de frontera y los dejó operar de forma autónoma durante varios días por problema. Según la empresa, los sistemas no consiguieron avances importantes.

Eso no demuestra incapacidad. Tampoco establece cuánto tiempo tomaría llegar a una solución verificable. Lo que sí ofrece es una línea base: una referencia de lo que los modelos actuales logran bajo esas condiciones. Advaith Sridhar, cofundador, reconoció que OpenAI o Anthropic podrían intentar resolver los problemas de una sola vez con mucho más cómputo o un modelo más reciente. Y añadió que no le preocupa quién encuentre la respuesta: si alguien lo logra, se profundiza la comprensión de los materiales.

Hay un matiz que conviene no confundir. La empresa también publicó su Material Discovery Bench, un benchmark enfocado en la búsqueda computacional de materiales para semiconductores. Ahí el resultado fue distinto: los siete modelos probados sí lograron descubrir computacionalmente materiales dinámicamente estables con propiedades prometedoras, que la empresa verifica con DFT e intenta producir en laboratorio. Ese benchmark no equivale a resolver los cinco problemas abiertos. Es la diferencia entre encontrar candidatos plausibles y explicar la física que los hace posibles.

Según TechTimes, el benchmark se construyó con investigadores de IBM, IMEC, Stanford y Cambridge, y la arquitectura de la empresa funciona en dos capas: modelos Claude de Anthropic en un entorno propio generan composiciones candidatas, y luego modelos de simulación entrenados en física filtran cuáles son físicamente plausibles.

¿Qué significa esto para tu startup?

El movimiento de Discovered Materials es un manual sobre cómo una startup profunda puede convertir un problema científico en activo de marca y de contratación. Tres lecturas concretas:

Primero, define el criterio de éxito antes de construir. Sridhar describió el enfoque como plantear primero la verificación y los desafíos, y después dejar que otros propongan las ideas. Si tu producto depende de resultados difíciles de medir —calidad de un agente, precisión de un modelo, rendimiento de un material— publicar la métrica te posiciona como el árbitro del campo. Es marketing técnico con sustancia.

Segundo, un benchmark abierto es una herramienta de captación de talento y de alianzas. El grupo asesor académico y la colaboración con investigadores de IBM, IMEC, Stanford y Cambridge no son un adorno: son la red que después evalúa, cita y recomienda. Para una startup con pocos empleados, ese respaldo externo vale más que un equipo de ventas.

Tercero, no confundas velocidad de descubrimiento con velocidad de adopción. El propio sector lo llama el «valle de la muerte»: llevar un material del experimento a una fábrica industrial toma años y cientos de millones de dólares, según describió la compañía al anunciar su ronda. Si tu negocio es IA aplicada a I+D, el cuello de botella no está en generar candidatos sino en validarlos físicamente. Diseña tu hoja de ruta con esa asimetría en mente.

El negocio real: chips que se calientan demasiado

Detrás del concurso hay un negocio concreto. Discovered Materials desarrolla materiales nuevos para semiconductores y trabaja en proyectos de investigación con grandes fabricantes de chips, mientras financia sus propios esfuerzos científicos. En agosto anunció una ronda semilla de US$9M liderada por Lightspeed India Partners, con participación de Y Combinator y Peak XV Partners, además de inversionistas ángel como Paul Graham, Gokul Rajaram y Thariq Shihipar, según el comunicado difundido por Business Wire.

El problema que ataca es físico y medible. Los GPUs actuales soportan flujos de calor de aproximadamente 140 W/cm², más calientes —según la comparación de la propia empresa— que la punta de un transbordador espacial al reentrar en la atmósfera. Ese calor es la razón por la que los datacenters consumen tanta energía y agua. Y empeora con el apilado vertical de chips en 3D, que concentra más calor por unidad de área.

La empresa sostiene que en tres meses desarrolló materiales térmicos que igualan el rendimiento de productos que las mayores químicas del mundo tardaron años en crear. Akash Ramdas, cofundador con doctorado en ciencia de materiales por Stanford y cerca de once años investigando semiconductores, lo planteó así: los chips actuales son al menos 10.000 veces menos eficientes en consumo energético que el cerebro humano, y los materiales nuevos son la vía para cerrar esa brecha. Ramdas y Sridhar se conocieron hace más de una década en IIT Madras, según Pulse 2.0.

El modelo de negocio anunciado es la licencia de patentes: patentar el uso del material en GPUs o el proceso de fabricación, y licenciarlo a los fabricantes de chips. Sridhar dijo a TechCrunch que espera candidatos patentables en aproximadamente un año, y que esos plazos se han acelerado desde la ronda. Es una expectativa del cofundador, no un resultado alcanzado.

El campo, además, se está poblando. TechTimes reportó que MatNex, SandboxAQ y CuspAI construyen plataformas similares, y que Periodic Labs —fundada por el exvicepresidente de investigación de OpenAI Liam Fedus y el investigador de Google DeepMind Ekin Dogus Cubuk— levantó US$300M en su ronda semilla. El mismo medio señaló que Orbital Industries cerró una Serie B de US$50M liderada por Plural en junio de 2026. En este contexto, fijar el estándar de evaluación es también una forma de diferenciarse cuando el capital ya no escasea.

Conclusión

Discovered Materials no promete un producto comercial por cada respuesta. Promete algo más sutil y más útil: un criterio compartido para saber si la IA está avanzando en un dominio donde el entusiasmo suele ir por delante de la evidencia. El resultado de los modelos de frontera —días de trabajo autónomo sin avances significativos— es la parte más valiosa del anuncio, porque establece una línea base honesta.

Para un founder hispanohablante que construye en IA aplicada a ciencia o industria, la lección es trasladable: define la métrica, hazla pública, valida en el mundo físico y no confundas un benchmark con un producto. El dinero del premio es la parte visible. El estándar es lo que queda.