Un laboratorio de 2032 podrá invertir un día de supercomputador en calcular un único mundo con extraordinario detalle. Después, un emulador de inteligencia artificial recorrerá miles de variaciones antes de que termine la reunión del equipo. Cambiará una geometría, una corriente oceánica, un campo magnético o la composición de un material. Descartará casi todo, localizará los casos raros y devolverá al gran simulador únicamente las preguntas que merecen toda su potencia.
La diferencia entre simular y emular es esencial. El simulador resuelve ecuaciones físicas paso a paso. El emulador aprende, a partir de esas soluciones y de mediciones reales, cómo se transforma una familia de sistemas. No elimina las leyes: comprime una parte de su comportamiento en un modelo capaz de producir otra respuesta con mucho menos cálculo. Su valor aparece cuando una pregunta exige no una trayectoria, sino diez mil.
La meteorología ya cruzó la frontera operativa. En febrero de 2025, el Centro Europeo de Previsiones Meteorológicas a Plazo Medio puso AIFS a trabajar junto a su sistema físico tradicional; el centro informó de una reducción aproximada de mil veces en la energía necesaria para generar un pronóstico y de mejoras en varias métricas, incluidas trayectorias de ciclones. El anuncio operativo de AIFS del ECMWF En 2026, el sistema determinista y su conjunto probabilístico ya operaban en segunda versión. Esta no es una animación persuasiva: son campos atmosféricos distribuidos cuatro veces al día dentro de una infraestructura científica.
La Organización Meteorológica Mundial decidió incorporar la IA a su sistema integrado de proceso y predicción, la red que conecta observaciones, centros mundiales y servicios nacionales. El plan de acción de la OMM sobre inteligencia artificial Esa decisión anticipa el patrón general: una capa aprendida rápida dentro de una cadena gobernada por datos, física, verificación y responsabilidad institucional.
ParallaxSee pronostica, con 86% de confianza, que antes de terminar 2032 los emuladores aprendidos o híbridos generarán la mayoría de los experimentos virtuales en programas maduros de simulación científica y de ingeniería. La condición no se cumplirá con una demostración vistosa. Exigirá uso operativo documentado en al menos cinco instituciones o programas, tres dominios distintos, tres aceleraciones de mil veces o más y una capa explícita de validación mediante simuladores de alta fidelidad o experimentos físicos.
El mundo hispanohablante no observa desde la periferia. España conecta supercomputación, predicción meteorológica y gemelos climáticos; México lleva décadas construyendo modelos del clima y ya aplica aprendizaje automático a sequías; Colombia prepara IA industrial y meteorológica; Chile ejecuta gemelos en minería y energía; Argentina incorpora ecuaciones a redes neuronales. La escala es desigual, pero la dirección común es clara: la simulación costosa está aprendiendo a multiplicarse.
01 — El emulador aprende una familia de mundos, no una respuesta aislada.
Una simulación numérica divide un objeto o un territorio en celdas y avanza el tiempo en pasos diminutos. En cada paso calcula cómo se mueven presión, temperatura, velocidad, tensión o energía. Duplicar la resolución puede multiplicar brutalmente el trabajo: aparecen más celdas, pasos más pequeños y más interacciones. El resultado es confiable, interpretable y caro.
Un emulador recibe muchos ejemplos de entrada y salida y aprende la transformación completa. Los operadores neuronales son especialmente prometedores porque trabajan con campos: una distribución inicial de velocidad puede convertirse en el flujo posterior; una geometría, en su respuesta electromagnética. El operador de Fourier representa parte del problema como ondas espaciales. DeepONet separa las condiciones del sistema de los puntos donde se consulta la solución. Los grafos permiten trabajar con mallas irregulares.
Una revisión académica documentó aceleraciones de cuatro y cinco órdenes de magnitud en dinámica de fluidos, meteorología y materiales, junto con la capacidad de diferenciar el modelo para buscar diseños hacia atrás. La revisión sobre operadores neuronales y simulación científica El dato importante no es una cifra universal: cada problema, hardware y tolerancia de error cambia la comparación. La transformación decisiva consiste en que el coste marginal de la posibilidad número mil se acerca al de la primera.
Así cambia la pregunta científica. Un ingeniero deja de elegir cinco diseños prudentes y explora cinco mil. Un meteorólogo deja de mirar una trayectoria y estima una distribución. Un investigador de materiales pide la estructura que produzca una propiedad deseada. El simulador conserva el mapa exacto de una parte del territorio; el emulador hace que todo el territorio sea recorrible.
02 — España está ensamblando el banco de pruebas más completo en español.
El Barcelona Supercomputing Center participa en el Gemelo Digital para la Adaptación al Cambio Climático de Destination Earth. La plataforma integra observaciones, modelos numéricos y flujos automatizados para producir simulaciones globales con resolución de 5 a 10 kilómetros y convertirlas en información local para energía, ciudades y adaptación. El BSC desarrolló parte de la infraestructura de software y del flujo de trabajo que ejecuta el sistema sobre supercomputadores europeos. La explicación del gemelo climático de Destination Earth
Eso todavía es, en gran medida, simulación física de alta resolución. Precisamente por eso es estratégico: cada ejecución produce el conjunto de entrenamiento y la referencia contra la que se medirá un futuro emulador. MareNostrum 5 no compite con la IA; fabrica los mundos confiables que la IA aprenderá a recorrer. El propio BSC sitúa los sustitutos de IA, los gemelos digitales y los modelos fundacionales entre sus líneas de convergencia entre supercomputación e inteligencia artificial.
La Agencia Estatal de Meteorología coloca esa transición dentro de un servicio público operativo. Su plan 2025–2029 afirma que los modelos físicos siguen siendo la herramienta principal, pero identifica una revolución impulsada por datos masivos, aprendizaje automático e IA. El Plan Estratégico AEMET 2025–2029
España aporta tres ingredientes que rara vez conviven: un supercomputador capaz de crear datos de alta fidelidad, una institución meteorológica responsable de verificar pronósticos y una red europea que distribuye modelos abiertos. Cuando el emulador falle ante una tormenta desconocida, el sistema podrá compararlo con observaciones, reanálisis y el simulador convencional. Esa arquitectura híbrida, y no un reemplazo repentino, es la vía realista hacia 2032.
03 — México demuestra que el valor regional comienza con preguntas propias.
El Instituto de Ciencias de la Atmósfera y Cambio Climático de la UNAM desarrolla modelos para pronóstico mensual y estacional, paleoclima, cambio climático, balances de cuenca y energía oceánica, con atención particular a México y al golfo de México. El grupo de Modelos Climáticos de la UNAM Esa agenda recuerda una verdad que los modelos mundiales no resuelven por sí solos: la variable útil puede ser la lluvia sobre una cuenca, la temperatura urbana o la respuesta local a El Niño.
El emulador ofrece una oportunidad especial a instituciones que no pueden repetir miles de simulaciones globales. Un modelo abierto puede entregar la atmósfera de gran escala; los datos nacionales, la topografía y el conocimiento físico local pueden adaptar o corregir la salida. La ganancia no consiste solo en hacer más barato el mismo pronóstico, sino en producir conjuntos probabilísticos donde antes cabía una única corrida.
La Red del Agua de la UNAM describió en 2025 el uso de redes neuronales, modelos híbridos y grandes volúmenes de datos climáticos para anticipar sequías con meses de antelación. El número de Impluvium dedicado al agua y la IA Una red que solo extrapola patrones históricos puede romperse cuando el clima entra en condiciones nuevas. Un sistema híbrido puede incorporar balances hídricos, forzamientos oceánicos y límites físicos, además de escalar la incertidumbre.
México ilustra el beneficio panhispánico más inmediato: democratizar el conjunto. Si el coste de una trayectoria cae mil veces, el servicio no tiene que escoger entre pronosticar el promedio o explorar el extremo. Puede producir ambos, calibrarlos con estaciones locales y reservar el modelo físico pesado para los casos que más afectan embalses, cosechas y protección civil.
04 — Colombia convierte la accesibilidad en una política científica.
El IDEAM evaluó la capacidad de modelos de la NOAA para predecir precipitación colombiana y recomendó incorporar inteligencia artificial, más observaciones de estaciones, reanálisis como ERA5, datos de satélite y el Cubo de Datos institucional. También pidió métricas explícitas para evaluar pronósticos probabilísticos. La nota técnica del IDEAM sobre habilidad predictiva
Esa secuencia es exactamente la correcta. Primero se mide el desempeño de modelos externos en el territorio. Después se añaden datos locales. Solo entonces se entrena una corrección o un sustituto y se vuelve a medir. El emulador no debe heredar silenciosamente un sesgo de lluvia tropical; debe mostrar dónde mejora, dónde alisa un extremo y cuándo necesita que la cadena tradicional intervenga.
La hoja de ruta colombiana para una adopción ética y sostenible de la IA propone gemelos digitales de procesos y productos para monitoreo, simulación y optimización industrial. La hoja de ruta de MinCiencias para la adopción de IA La política es más amplia que los emuladores físicos, pero establece demanda institucional: industria, energía y recursos naturales quieren réplicas digitales que respondan en tiempo útil.
Colombia también muestra la condición de equidad del pronóstico. El acceso a un modelo global abierto no elimina la necesidad de sensores, especialistas ni capacidad de validación. Sí permite que un centro nacional empiece desde un sistema entrenado con décadas de datos mundiales, lo adapte a los Andes, el Caribe y la Amazonía, y concentre su cómputo escaso en las diferencias que importan. El emulador abarata la exploración; la institución local conserva el significado.
05 — Chile ya usa gemelos donde una predicción cambia la operación.
La Universidad de Chile desarrolló con Codelco un gemelo digital de una planta de chancado que procesa entradas y salidas de mineral en paralelo con la instalación física. El modelo emplea aprendizaje automático para estimar variables que la planta real no entrega directamente y apoyar decisiones operativas. El gemelo digital minero de la Universidad de Chile No es todavía el operador neuronal universal del pronóstico, pero sí demuestra el circuito decisivo: sensores, réplica, predicción, acción y nueva medición.
La misma universidad documenta un proyecto de gemelos digitales para plantas fotovoltaicas que combina PVLIB, un simulador físico del rendimiento, con redes Transformer alimentadas por condiciones meteorológicas y características de la planta. Los resultados se comparan con una herramienta industrial de referencia para reducir discrepancias. La investigación chilena sobre gemelos fotovoltaicos
Minería y energía solar son dos laboratorios naturales para la emulación. Poseen procesos costosos, sensores continuos y decisiones repetidas. Una planta puede usar el modelo rápido para anticipar fallos, ajustar una operación o ensayar configuraciones. Cuando el caso cae fuera del rango conocido, puede escalar a una simulación detallada, una inspección o una prueba física.
La región no necesita esperar un “modelo de la física” único. La adopción llegará como una colección de emuladores estrechos que resuelven preguntas con valor: cuánta energía producirá esta planta, cómo evolucionará este flujo, qué configuración reduce desgaste. A medida que compartan arquitecturas, datos y criterios de incertidumbre, esos especialistas formarán la capa de simulación cotidiana prevista para 2032.
06 — Argentina está enseñando las ecuaciones directamente a la red.
Investigadores vinculados al CONICET presentaron en 2025 redes neuronales guiadas por la física para aplicaciones regidas por la ecuación de onda. Estas redes incorporan leyes expresadas como ecuaciones diferenciales dentro del aprendizaje y apuntan a problemas que antes resultaban computacionalmente inviables. El registro del CONICET sobre redes guiadas por la ecuación de onda
La idea resuelve una debilidad clásica. Una red puramente estadística puede producir una forma plausible que pierde energía, atraviesa un límite imposible o viola causalidad. Una PINN penaliza esas infracciones durante el entrenamiento. No garantiza exactitud y puede ser difícil de optimizar, pero convierte parte del conocimiento físico en un examen automático para cada solución.
El Centro de Simulación Computacional para Aplicaciones Tecnológicas del CONICET trabaja también en problemas inversos que combinan modelos físico-matemáticos con aprendizaje automático, desde tomografía optoacústica hasta estimación en redes eléctricas. Las líneas de modelado e inteligencia artificial del CSC-CONICET El problema inverso parte del efecto observado y busca la causa: una imagen interior a partir de ondas medidas, una falla a partir de señales o un material a partir de una respuesta deseada.
Ese movimiento hacia atrás multiplica el valor del emulador. Simular pregunta qué ocurrirá si se elige un diseño. Diseñar pregunta qué entrada producirá el resultado deseado. Como el modelo aprendido es diferenciable y rápido, puede ajustar miles de candidatos y entregar al simulador riguroso una lista corta. Argentina aporta a la predicción una tradición útil de mecánica computacional: la IA gana valor cuando conversa con ecuaciones, no cuando las oculta.
07 — La física de altas energías y la fusión ya prueban la economía completa.
El detector ATLAS necesita colisiones simuladas para interpretar las colisiones reales del Gran Colisionador de Hadrones. Seguir cada partícula secundaria dentro de un calorímetro consume enormes recursos. AtlFast3 incorpora FastCaloGAN, un modelo generativo que produce duchas de partículas dentro de la cadena de simulación. Para un evento medio, el sistema rápido consume alrededor del 20% de la CPU de una simulación completa, con ganancias que varían según el proceso. El informe de software y computación de ATLAS para Run 3
El ejemplo importa porque no es una sustitución total. Los componentes apropiados se aceleran; otros permanecen en Geant4; comparaciones detalladas delimitan dónde la aproximación es suficiente. El laboratorio genera más eventos porque cada evento adicional se abarata, pero conserva una escalera de fidelidad.
La fusión muestra una aceleración todavía más transformadora. Un equipo entrenó operadores neuronales de Fourier con simulaciones y observaciones del tokamak MAST. El emulador reprodujo la evolución del plasma simulado aproximadamente un millón de veces más rápido que el solucionador convencional y también pronosticó secuencias visibles registradas por cámaras. El estudio sobre operadores neuronales para plasma de fusión
Una aceleración de seis órdenes de magnitud cambia el propósito del cálculo. El diseñador puede explorar bobinas y escenarios; el operador puede comparar el plasma vivo con muchas trayectorias antes de que evolucione; un sistema de seguridad puede detectar incertidumbre y rechazar una recomendación. La acción final seguirá pasando por controles conservadores. La novedad es una imaginación física suficientemente rápida para ensayar el futuro inmediato.
Estos casos fijan el listón de ParallaxSee. Un programa cuenta cuando la emulación entra en una cadena productiva, no cuando gana una prueba aislada. La velocidad debe comprar conjuntos, optimización, inferencia o control. Y cada resultado importante debe poder regresar a un simulador completo o al mundo físico.
08 — Los modelos fundacionales unirán dominios sin borrar sus diferencias.
Los emuladores actuales suelen ser especialistas. NeuralGCM muestra el valor de mezclar componentes: un núcleo dinámico calcula procesos atmosféricos conocidos y una red aprende fenómenos no resueltos. El sistema produjo pronósticos competitivos, ciclones realistas y simulaciones climáticas estables; una configuración de clima informó ahorros de tres a cinco órdenes de magnitud. El artículo sobre NeuralGCM
GenCast aprende una distribución, no una sola atmósfera futura. Su modelo de difusión generó pronósticos globales probabilísticos de quince días para más de ochenta variables y superó al conjunto de referencia en la mayoría de los objetivos evaluados en el trabajo original. El estudio de GenCast en Nature La comparación no convierte cada fenómeno local en una victoria automática; explica por qué la emulación es ideal para el riesgo: produce muchos futuros coherentes y permite contar cuántos contienen el extremo.
POSEIDON da un paso hacia un operador reutilizable. Fue preentrenado con trayectorias de ecuaciones de Euler y Navier–Stokes y adaptado después a quince problemas, incluidas familias de ecuaciones no vistas; sus autores informaron una reducción mediana cercana a cincuenta veces en los datos específicos necesarios. El artículo y los recursos abiertos de POSEIDON
Aurora amplía la misma intuición al sistema Tierra. El modelo de 1.300 millones de parámetros se preentrenó con más de un millón de horas de datos geofísicos heterogéneos y se afinó para meteorología, química atmosférica, oleaje y ciclones. El modelo fundacional Aurora para el sistema Tierra
El modelo fundacional físico no será un oráculo universal. Será una base que ya reconoce campos, escalas, fronteras y evolución temporal. España podrá adaptarla a un gemelo climático; México, a una cuenca; Colombia, a lluvia tropical; Chile, a una planta; Argentina, a un problema inverso. Los datos locales y el simulador de referencia convertirán una capacidad general en un instrumento científico. La ventaja competitiva pertenecerá a quien posea ambos: un operador abierto competente y una historia irrepetible de mediciones y simulaciones confiables.
09 — En 2032, el experimento virtual normal empezará rápido y terminará verificado.
La generación masiva solo es científicamente útil si existe una arquitectura capaz de decir no. Un emulador puede comprobar conservación de masa o energía, condiciones de frontera y simetrías. Puede estimar si una entrada se parece a su entrenamiento. Puede comparar un subconjunto de resultados con simulaciones de alta fidelidad y mediciones reales. Cuando la incertidumbre crece, debe escalar el caso.
La OMM ha convertido esa cautela en programa internacional. Tras reunir a más de doscientos expertos, impulsó una comparación coordinada entre pronósticos de IA y físicos que incluye consistencia física, extremos, ciclones, explicabilidad, regiones subrepresentadas y separación entre datos de entrenamiento y prueba. La iniciativa de la OMM para verificar predicciones meteorológicas de IA América Latina necesita especialmente esa evaluación regional: un promedio global excelente puede esconder un error peligroso sobre los Andes o el Caribe.
El pronóstico se resolverá como verdadero si, antes del 31 de diciembre de 2032, se cumplen tres condiciones. Primera: al menos cinco instituciones científicas importantes o programas de ingeniería documentan uso operativo y rutinario de emuladores aprendidos o híbridos como capa de simulación en al menos tres dominios calificables. Segunda: al menos tres programas publican aceleraciones de mil veces o más frente al método numérico de alta fidelidad correspondiente y aprovechan la ganancia para conjuntos, optimización, inferencia, diseño, monitoreo o control en tiempo real. Tercera: esos flujos describen explícitamente la simulación de alta fidelidad o el experimento físico como capa de validación, calibración o escalamiento.
Califican meteorología y clima, física de partículas, plasma y fusión, materiales, fluidos, aeronáutica, electromagnetismo y geofísica. No cuenta un generador que produzca una animación física atractiva sin métricas ni verificación. Tampoco cuenta un modelo reducido convencional sin parámetros aprendidos. Un prototipo académico solo cuenta si una institución documenta uso rutinario para producción científica, operación de instalaciones o decisiones de ingeniería.
Las razones para fallar son reales. Los emuladores pueden suavizar extremos, memorizar sesgos del simulador, perder estabilidad fuera del entrenamiento o parecer seguros cuando no lo son. Entrenar un modelo grande también cuesta energía. Las instituciones pueden carecer de datos locales, personal o infraestructura para mantenerlo. Y una aceleración espectacular en una ecuación pequeña puede desaparecer dentro de un flujo completo.
Por eso la predicción no afirma que la física será reemplazada. Afirma algo más potente: la física de alta fidelidad pasará de responder cada pregunta a fundar y auditar una multitud de respuestas rápidas. El supercomputador calculará el mundo difícil. El emulador recorrerá sus vecinos. El experimento real decidirá cuáles merecían existir.
En 2032, una simulación abrirá la puerta; la IA explorará la habitación y la física conservará la llave.