CrowdStrike acuerda comprar Fiddler para seguir lo que hacen los agentes de IA
Biohub reúne 1.800 millones para entrenar IA con datos de células reales

La próxima gran carrera de la inteligencia artificial científica no consiste solo en construir modelos más grandes. Consiste en producir los datos que todavía no existen. Biohub, dos agencias de Estados Unidos y varias compañías tecnológicas han reunido recursos valorados en 1.800 millones de dólares para medir células a una escala inédita y crear una base abierta para modelos predictivos de biología.
Quién aporta qué al proyecto
El anuncio de la ampliación de la Virtual Biology Initiative combina dinero nuevo, infraestructura, datos ya financiados y tecnología de medición. Biohub mantiene su compromiso inicial de 500 millones de dólares; el Departamento de Energía aportará más de 500 millones durante cinco años.
Los Institutos Nacionales de Salud coordinarán repositorios y conocimiento procedentes de más de 500 millones de inversión federal previa. Google DeepMind, Isomorphic Labs y Meta suman otros 300 millones. NVIDIA apoyará con computación acelerada, software especializado y experiencia técnica.
- Biohub: 500 millones para tecnología, datos y proyectos externos.
- Departamento de Energía: más de 500 millones y acceso a laboratorios y supercomputación.
- NIH: datos y recursos derivados de más de 500 millones ya invertidos.
- Socios privados: 300 millones de Google DeepMind, Isomorphic Labs y Meta.

El objetivo no es una célula digital perfecta
La iniciativa quiere generar conjuntos de datos multimodales que muestren cómo responden muchos tipos de células a distintas intervenciones. Con esa base, investigadores de todo el mundo podrían entrenar modelos capaces de anticipar qué experimentos merecen pasar al laboratorio y cuáles probablemente no aportarán resultados.
La explicación de Axios sobre el proyecto subraya la dificultad central: en biología no basta con recopilar internet. Los datos deben medirse en el mundo físico con microscopía, secuenciación, perturbaciones celulares y otras técnicas costosas. Por eso el cuello de botella es experimental, no solo informático.
El resultado prometido será un recurso abierto para la comunidad científica. Los socios comerciales tendrán un año de acceso exclusivo a los datos que generen antes de que se compartan. Esa ventana pretende incentivar su inversión, aunque también obliga a vigilar que los estándares y el acceso final sean realmente útiles fuera de las empresas participantes.
Una apuesta de infraestructura con retorno incierto
Desde una perspectiva empresarial, el proyecto se parece menos al lanzamiento de una aplicación y más a construir una carretera. Si los datos son comparables, trazables y reutilizables, muchas compañías podrán probar hipótesis sobre fármacos o mecanismos de enfermedad antes de gastar en experimentos completos. El ahorro potencial está en descartar antes, no en sustituir el laboratorio.
Yo mediría el éxito con indicadores modestos: calidad y diversidad de los datos, capacidad de reproducir resultados, precisión en experimentos no vistos y tiempo ahorrado hasta una validación física. Un modelo que produce predicciones brillantes pero no generaliza entre tejidos o laboratorios seguirá siendo una demostración, no una infraestructura científica.
La inversión no compra una célula virtual terminada; compra las mediciones y estándares necesarios para averiguar si puede construirse.
Los primeros modelos entrenados con grandes conjuntos de datos deberían permitir evaluar en aproximadamente un año qué mediciones aportan más valor. Ahí empezará la prueba real: comprobar si 1.800 millones crean conocimiento compartido o solo otro conjunto de silos incompatibles.
