¿Puede una IA aprender el lenguaje de la vida?
Materiales vivos, inteligencia artificial y el peligro de confundir diseño con comprensión
Este artículo nace a partir del preprint arXiv:2604.26872, titulado “¿Podemos enseñar a la inteligencia artificial generativa el lenguaje de diseño de los materiales vivos diseñados?”, de Andrés Díaz Lantada, José A. Yáñez, William Solórzano-Requejo y Monsur Islam. El trabajo propone una ontología y un esquema de codificación para describir materiales vivos de ingeniería, organizándolos por familias, aplicaciones industriales y métodos de síntesis o procesamiento. Además, explora si la inteligencia artificial generativa puede comprender ese lenguaje, clasificar ejemplos y apoyar el diseño conceptual de nuevos materiales vivos.
Lo que me interesa contar no es solamente que ahora la IA pueda ayudar a diseñar materiales. Eso, dicho así, suena a otra noticia más del tipo “la inteligencia artificial acelerará la ciencia”, una frase tan repetida que ya empieza a perder filo. Lo verdaderamente interesante es más profundo: este paper muestra un momento delicado en la historia de la ciencia, un punto donde intentamos convertir la vida —o al menos ciertos comportamientos de lo vivo— en lenguaje, código, clasificación y posibilidad de diseño. Y ahí aparece la pregunta crítica: cuando hacemos que la vida sea legible para una máquina, ¿la estamos comprendiendo mejor o la estamos reduciendo a lo que la máquina puede procesar?
Hay algo casi invisible, pero profundamente revolucionario, en la manera en que la ciencia cambia sus preguntas. Al principio, la humanidad miraba la materia como algo dado: piedra, madera, hueso, metal, agua. Después aprendimos a transformarla. Fundimos minerales, mezclamos aleaciones, sintetizamos polímeros, dopamos semiconductores, construimos fibras ópticas y chips. Durante siglos, el progreso material consistió en domesticar sustancias: hacerlas más duras, más ligeras, más conductoras, más resistentes, más baratas.
Pero ahora aparece una pregunta distinta, casi biológica, casi filosófica: ¿podemos construir materiales que no solo tengan propiedades, sino comportamiento?
Un puente de acero resiste. Un vidrio transmite luz. Un transistor regula corriente. Pero un material vivo diseñado podría responder al entorno, repararse, cambiar con el tiempo, interactuar con células, adaptarse a estímulos, quizá incluso colaborar con procesos biológicos. Ya no estaríamos hablando de materia pasiva, sino de materia con conducta. No de una sustancia fija, sino de un sistema que se despliega.
Y cuando la materia deja de ser solamente estructura y empieza a parecer proceso, el lenguaje tradicional de la ingeniería comienza a quedarse corto.
El paper del que parte este artículo entra justo en ese problema. Sus autores no presentan simplemente un nuevo material milagroso, sino algo menos espectacular a primera vista y, por eso mismo, más importante: un intento de crear un lenguaje común para describir los materiales vivos de ingeniería. Una ontología. Un sistema de clasificación. Una codificación que permita ordenar familias, aplicaciones, métodos de fabricación y ejemplos concretos. Según el resumen disponible, aplican esta ontología a un conjunto de 100 ejemplos relevantes de materiales vivos de ingeniería, mostrando su utilidad y adaptabilidad para organizar un campo emergente que todavía carece de un lenguaje universal.
Eso puede sonar administrativo, casi aburrido. Pero no lo es.
En ciencia, poner nombre y estructura a un campo es una forma de fundarlo. Antes de que algo pueda acelerarse, automatizarse o enseñarse a una IA, primero debe volverse describible. La tabla periódica no fue solo una lista de elementos: fue una arquitectura conceptual. La taxonomía biológica no fue solo una colección de nombres: fue una manera de ordenar la vida. La genética no avanzó únicamente porque descubrimos moléculas, sino porque aprendimos a leer secuencias.
Este paper participa de ese linaje: intenta convertir una frontera confusa —materiales que parecen estar entre lo artificial y lo vivo— en un lenguaje operativo. Y lo hace en una época donde el lenguaje operativo ya no está pensado únicamente para humanos, sino también para máquinas.
Explicación científica del fenómeno
Los materiales vivos de ingeniería, también llamados ELM por sus siglas en inglés, son sistemas diseñados que integran componentes biológicos o comportamientos inspirados en lo biológico para cumplir funciones materiales. No son necesariamente “vida” en el sentido completo de un organismo autónomo, pero pueden incorporar células, bacterias, matrices biológicas, tejidos sintéticos, hidrogeles activos, biofilms diseñados o estructuras que responden a estímulos de maneras que recuerdan a los sistemas vivos.
Esto los coloca en una zona híbrida. Si los tratamos solo como materiales, perdemos su dimensión dinámica. Si los tratamos como organismos, exageramos su autonomía. Son algo intermedio: materia diseñada con capacidades funcionales que tradicionalmente asociábamos con lo vivo.
Ese carácter híbrido complica su clasificación. Un material vivo puede definirse por su composición, pero también por su función. Puede ser importante saber si contiene células bacterianas, polímeros, proteínas o hidrogeles, pero también si sirve para regeneración tisular, biorremediación ambiental, sensores biológicos, construcción sostenible o interfaces médicas. Además, importa cómo se fabrica: impresión 3D, cultivo celular, autoensamblaje, síntesis química, biofabricación, encapsulación, etc.
Un solo material puede cruzar varias categorías al mismo tiempo. Y eso vuelve insuficiente una clasificación simple.
Aquí entra la idea de ontología. En ciencia y computación, una ontología no es una teoría sobre “el ser” en el sentido filosófico clásico, aunque el eco de esa palabra es precioso. Es una estructura formal de conceptos y relaciones. Sirve para decir: estos son los tipos de entidades que existen en este dominio, estas son sus propiedades y estas son las relaciones permitidas entre ellas.
En otras palabras, una ontología intenta convertir un campo disperso en un mapa.
El preprint propone precisamente eso: ordenar los materiales vivos de ingeniería mediante familias, aplicaciones industriales y métodos de síntesis o procesamiento. El resumen señala que estos componentes se enumeran, clasifican, codifican y explican sistemáticamente, y que el esquema se valida sobre 100 ejemplos, buscando demostrar que puede servir como herramienta integral de clasificación para un campo emergente.
La segunda parte es aún más provocadora: probar si ese lenguaje puede ser utilizado por inteligencia artificial generativa. Es decir, si una IA puede leer la descripción, codificar adecuadamente ejemplos según la ontología, interpretar el lenguaje natural y eventualmente apoyar la generación conceptual de nuevos materiales vivos.
Y aquí el asunto deja de ser solo técnico.
Porque si la IA puede operar con ese lenguaje, entonces estamos ante un cambio de escala. Un investigador humano puede revisar docenas o cientos de ejemplos. Una máquina puede explorar combinaciones, clasificaciones y relaciones en espacios mucho más grandes. Pero para que eso ocurra, la vida material debe pasar primero por una puerta estrecha: debe volverse codificable.
Sección técnica con ecuaciones
Podemos imaginar el problema de la siguiente manera. Un material vivo diseñado no se describe mediante una sola variable, sino mediante un conjunto de características. Matemáticamente, podríamos representarlo como un vector:
x = (f1, f2, f3, ..., fn)
Aquí, cada fi representa una característica del material. Algunas pueden ser físicas, como elasticidad, porosidad, conductividad o resistencia mecánica. Otras pueden ser biológicas, como tipo celular, respuesta metabólica, capacidad de crecimiento o sensibilidad a estímulos. Otras pueden ser tecnológicas, como método de fabricación, aplicación prevista o condiciones de operación.
El material ya no es una “cosa” simple, sino un punto dentro de un espacio multidimensional de diseño.
La función de una inteligencia artificial, en este marco, puede escribirse de forma conceptual como:
f(x) → y
donde x es la descripción codificada del material y y es una salida: una clasificación, una predicción funcional o una propuesta de diseño.
Si queremos ser más explícitos, podríamos pensar:
f(material, proceso, función, entorno) → comportamiento esperado
Por ejemplo, un sistema podría recibir una descripción como “hidrogel biocompatible + bacterias modificadas + impresión 3D + detección ambiental” y producir una clasificación, una aplicación probable o una sugerencia de diseño.
La idea técnica de fondo es que, cuando logramos representar un dominio como un espacio de características, podemos aplicar herramientas de aprendizaje automático para buscar patrones. En términos de optimización, la IA puede explorar un espacio de diseño D:
D = {x1, x2, x3, ..., xm}
y buscar configuraciones que maximicen cierta función objetivo:
max F(x)
donde F(x) puede representar biocompatibilidad, eficiencia, estabilidad, capacidad de respuesta, bajo costo o cualquier criterio que el investigador defina.
Esta estructura recuerda a muchas ideas de física estadística y sistemas complejos. Cuando un sistema tiene muchas configuraciones posibles, no solemos seguir cada detalle microscópico; buscamos distribuciones, regularidades y regiones preferentes. En un modelo probabilístico, podríamos escribir:
P(x) ∝ e^(−E(x)/kT)
donde P(x) representa la probabilidad de una configuración, E(x) una especie de costo o “energía” asociada, k una constante de escala y T una medida de variabilidad, temperatura efectiva o exploración del sistema.
La analogía no debe tomarse como una identidad literal, sino como una forma útil de pensar. En un gas, las partículas exploran estados accesibles según energía y temperatura. En un espacio de diseño, la IA explora configuraciones posibles según restricciones, costos y objetivos. En ambos casos, el problema no es encontrar una sola posibilidad, sino entender la estructura del espacio.
Ese es el giro técnico más importante: la IA no descubre materiales como quien encuentra piedras en el camino; navega espacios de posibilidad construidos por humanos.
Y ahí está también el límite. Porque el modelo solo puede explorar aquello que fue codificado. Si una propiedad no aparece en el lenguaje, no existe para la máquina. Si una relación no fue formalizada, no entra en el mapa. La IA puede ser muy poderosa dentro del espacio que le damos, pero no deja de depender de la forma en que ese espacio fue construido.
Aplicaciones e implicaciones científicas
El potencial científico de este enfoque es enorme. Si se consolida un lenguaje común para materiales vivos diseñados, los laboratorios podrían comparar resultados de manera más clara. Los investigadores podrían saber si dos materiales aparentemente distintos pertenecen a la misma familia funcional. Las aplicaciones industriales podrían conectarse con métodos de fabricación específicos. Y las bases de datos podrían volverse más útiles para inteligencia artificial.
La importancia de esto no está en hacer listas bonitas. Está en acelerar descubrimientos.
Cuando un campo carece de lenguaje común, cada grupo trabaja parcialmente aislado. Los hallazgos no siempre se conectan. Las categorías se duplican. Los conceptos se deforman. Un mismo fenómeno puede recibir nombres distintos y parecer nuevo cuando en realidad pertenece a una familia ya conocida. Una ontología bien construida reduce ese ruido. Permite ver relaciones.
Por eso el paper sostiene que este esquema puede facilitar la comunicación en el campo de los materiales vivos de ingeniería y fomentar el descubrimiento de nuevos diseños e innovaciones relacionadas.
Las aplicaciones posibles son muy variadas. En medicina, podríamos imaginar andamios biológicos que ayuden a regenerar tejido y que cambien su comportamiento conforme las células crecen. En medio ambiente, materiales vivos capaces de detectar contaminantes o participar en procesos de biorremediación. En construcción, materiales con microorganismos capaces de reparar microgrietas o modificar propiedades según humedad y temperatura. En electrónica blanda, interfaces que respondan a señales químicas o biológicas.
Pero la aplicación más profunda quizá no está en un producto específico, sino en un cambio de método. La ciencia de materiales podría pasar de una lógica de ensayo y error a una lógica de diseño asistido por modelos. En vez de fabricar miles de variantes al azar, se podría explorar primero el espacio conceptual, seleccionar regiones prometedoras y luego sintetizar candidatos.
Esto no elimina el laboratorio. Lo vuelve más estratégico.
La IA podría actuar como brújula, pero no como sustituto de la realidad. Porque los materiales vivos, precisamente por su complejidad, deben probarse en condiciones reales. Un modelo puede sugerir, clasificar, relacionar, incluso imaginar combinaciones. Pero el comportamiento biológico depende de entorno, tiempo, ruido, historia, variabilidad y contexto. Lo vivo siempre conserva una resistencia frente al esquema.
Esa resistencia es importante.
Porque nos recuerda que el mapa no es el territorio.
Reflexión filosófica profunda
El punto filosófico de este paper no está en preguntarnos si la inteligencia artificial “puede ayudar” a diseñar materiales vivos. Esa respuesta parece evidente: sí puede ayudar, y probablemente mucho. La pregunta más inquietante es otra: ¿qué transformación conceptual ocurre cuando un campo emergente de lo vivo empieza a organizarse desde el inicio para ser legible por máquinas?
En apariencia, esto suena puramente práctico. Necesitamos ordenar información, crear clasificaciones, codificar ejemplos. Pero toda clasificación es también una decisión ontológica. Decidir qué cuenta como propiedad relevante, qué categorías existen, qué relaciones importan y qué rasgos pueden ignorarse es una manera de definir qué tipo de realidad estamos dispuestos a ver.
Esto ha ocurrido siempre. La ciencia no observa el mundo desnudo; lo observa a través de instrumentos, conceptos y lenguajes. Galileo no vio simplemente “lunas alrededor de Júpiter”; vio cuerpos celestes que alteraban una cosmología. Mendel no vio solo plantas de chícharo; vio patrones heredables. Mendeleiev no vio solo sustancias; vio periodicidad. En cada caso, una nueva forma de ordenar el mundo abrió una nueva forma de comprenderlo.
La diferencia actual es que el nuevo orden no está pensado únicamente para la mente humana. Está pensado también para inteligencias artificiales.
Eso cambia algo fundamental.
Una ontología para humanos puede tolerar ambigüedad, metáfora, discusión. Una ontología para máquinas necesita estructura más rígida. Necesita etiquetas, relaciones, codificaciones. Necesita que lo vivo, o lo casi vivo, pueda entrar en un sistema formal. Y ahí aparece una tensión: mientras más formalizamos, más capacidad de cálculo ganamos; pero también corremos el riesgo de confundir lo calculable con lo esencial.
Este riesgo no invalida el proyecto. Al contrario, lo vuelve más interesante. Porque toda ciencia avanza mediante reducción. La física redujo el movimiento a ecuaciones, la química redujo sustancias a estructuras moleculares, la biología molecular redujo herencia a secuencias de nucleótidos. Pero las grandes reducciones científicas funcionan cuando recordamos que son reducciones, no sustituciones totales de la realidad.
En los materiales vivos de ingeniería, el peligro es más sutil. Si un sistema responde, se adapta y se transforma, puede ser tentador decir que hemos capturado “lo vivo” cuando en realidad hemos capturado solo ciertos comportamientos funcionales. Un material que se autorrepara no está vivo como un tejido vivo. Un biofilm diseñado no es una comunidad ecológica completa. Una estructura biocompatible no posee historia evolutiva en el sentido pleno de un organismo.
Pero tampoco es materia muerta en el sentido clásico.
Es otra cosa.
Y para pensar esa “otra cosa” necesitamos cuidado filosófico.
La inteligencia artificial puede ayudarnos a diseñar mejor, pero no necesariamente a comprender mejor. Puede encontrar patrones que nosotros no vemos, pero también puede reforzar los límites del lenguaje que le dimos. Puede sugerir combinaciones nuevas, pero siempre dentro de un espacio de posibilidad construido desde nuestros criterios. Y esos criterios no son neutrales: reflejan intereses industriales, médicos, ambientales, económicos y epistemológicos.
Por eso el artículo debe leerse críticamente. No como una promesa ingenua de que la IA “entenderá la vida”, sino como un ejemplo de cómo la ciencia contemporánea está construyendo lenguajes para volver manipulable una frontera compleja. Ese gesto puede ser poderoso y legítimo, pero no inocente.
Si logramos codificar materiales vivos, podremos diseñarlos mejor. Pero también habremos decidido qué aspectos de lo vivo merecen entrar en la codificación. Lo que quede fuera no desaparecerá de la realidad, pero sí puede desaparecer del diseño.
Y quizá esa sea la gran lección filosófica: la IA no nos obliga solamente a preguntarnos qué puede hacer una máquina. Nos obliga a preguntarnos qué partes del mundo estamos dispuestos a traducir para que la máquina pueda hacer algo con ellas.
Conclusión reflexiva
El preprint arXiv:2604.26872 es valioso no porque resuelva de una vez el futuro de los materiales vivos, sino porque pone sobre la mesa una necesidad fundamental: antes de diseñar con inteligencia artificial, necesitamos lenguajes. Antes de automatizar descubrimientos, necesitamos ordenar conceptos. Antes de pedirle a una máquina que imagine nuevos materiales, necesitamos decidir cómo vamos a describir los existentes.
Ese paso puede parecer humilde, pero es decisivo.
La ciencia no avanza solo con grandes descubrimientos espectaculares. También avanza cuando aprende a nombrar mejor. Cuando construye mapas. Cuando ordena regiones confusas del conocimiento. Cuando convierte una frontera dispersa en un campo compartido.
Pero justamente por eso debemos leer este avance con atención crítica. Enseñar a la inteligencia artificial el lenguaje de los materiales vivos no significa enseñarle la vida. Significa crear una traducción operativa de ciertos comportamientos vivos para que puedan ser clasificados, comparados, generados y diseñados.
Eso es enorme.
Pero no es lo mismo que comprender.
Comprender exige no olvidar la distancia entre el modelo y el fenómeno, entre el vector y el organismo, entre el mapa y el territorio. La IA puede ayudarnos a explorar posibilidades nuevas, pero la responsabilidad de interpretar lo que estamos haciendo sigue siendo humana.
Tal vez el futuro de la ciencia de materiales no consista solo en fabricar sustancias más inteligentes, sino en aprender a pensar mejor las formas intermedias entre lo vivo y lo artificial.
Porque quizá la gran pregunta no sea si la inteligencia artificial puede entender la vida.
La pregunta es si nosotros seguiremos entendiendo la vida cuando empecemos a diseñarla como si fuera lenguaje.
Referencias científicas
Díaz Lantada, A., Yáñez, J. A., Solórzano-Requejo, W., & Islam, M. (2026). Can we teach generative artificial intelligence the design language of engineered living materials? arXiv:2604.26872.
Kitano, H. (2002). Systems Biology: A Brief Overview. Science, 295(5560), 1662–1664.
Ashby, W. R. (1956). An Introduction to Cybernetics. Chapman & Hall.
Mitchell, M. (2019). Artificial Intelligence: A Guide for Thinking Humans. Farrar, Straus and Giroux.
Langton, C. G. (1989). Artificial Life. Addison-Wesley.
Church, G. M., & Regis, E. (2012). Regenesis: How Synthetic Biology Will Reinvent Nature and Ourselves. Basic Books.
#InteligenciaArtificial #MaterialesVivos #CienciaDeMateriales #FilosofíaDeLaCiencia #IAgenerativa #Biotecnología #FísicaBiológica #SistemasComplejos #VidaArtificial #DivulgaciónCientífica #CienciaYFilosofía #Tecnología #PepeAlex
.png)
.png)
