A nueve días de uno de sus primeros plazos operativos, la Genesis Mission estadounidense está dejando de ser una declaración de intenciones para convertirse en una infraestructura científica, política y económica de gran escala. Pero el movimiento más interesante de esta semana no está en una nueva supercomputadora ni en otra cifra de inversión. Está en una convocatoria.

El 7 de agosto, el Departamento de Energía de Estados Unidos (DOE) abrió la Genesis Open Models Initiative. Su primer modelo, Genesis-Science-1, se desarrolla junto a la empresa estadounidense Arcee y pretende convertirse en un modelo de pesos abiertos especializado en investigación científica. El DOE está invitando a universidades, laboratorios, empresas, organizaciones científicas y equipos de investigación a contribuir con datos, código, entornos de trabajo, evaluaciones, tareas de aprendizaje por refuerzo, rúbricas y conocimiento experto. La primera ventana para aportaciones destinadas al preentrenamiento cierra el 14 de agosto. La destinada al postentrenamiento, el 25.

La escena resulta reveladora. Una misión nacional creada para acelerar la ciencia mediante inteligencia artificial necesita ahora que la propia comunidad científica le enseñe qué debe aprender la máquina, cómo reconocer una tarea científica y qué cuenta como un resultado aceptable.

Ahí empieza una cuestión que excede la ingeniería.

De la promesa a la infraestructura

Genesis Mission nació mediante la Orden Ejecutiva 14363, firmada el 24 de noviembre de 2025. Su objetivo declarado es construir una plataforma integrada que conecte supercomputación, instalaciones experimentales, conjuntos de datos científicos y sistemas de IA para acelerar la investigación estadounidense. La administración se ha propuesto duplicar la productividad y el impacto de la ciencia y la ingeniería del país en una década.

La orden estableció además una serie de plazos. Uno de ellos llega el 21 de agosto de 2026. Para entonces, el secretario de Energía debe intentar demostrar, sujeto a la legislación aplicable y a la disponibilidad presupuestaria, una capacidad operativa inicial de la American Science and Security Platform para al menos uno de los desafíos científicos y tecnológicos nacionales.

La formulación importa. La orden no garantiza que esa capacidad exista para esa fecha. Establece que el DOE debe intentar demostrarla.

Al frente de esa reorganización se encuentra Darío Gil, ingeniero español nacido en Murcia y criado en Madrid, antiguo director de IBM Research y actual subsecretario de Ciencia del Departamento de Energía. El DOE lo identifica además como director de Genesis Mission. Su trayectoria entre la investigación corporativa y el aparato científico federal resulta especialmente significativa para un proyecto que intenta ensamblar Estado, laboratorios nacionales, universidades y grandes empresas tecnológicas.

En su carta pública a la comunidad científica, Gil presenta la ciencia, la ingeniería y la tecnología como una moneda de poder estratégico. Describe el momento como una competición que Estados Unidos debe ganar y sitúa Genesis dentro de una empresa nacional comparable, por su escala histórica, al Manhattan Project y al programa Apollo. No se trata de una descripción neutral del contexto internacional, sino del marco político que el propio director utiliza para explicar la misión.

Mientras se acerca ese momento, la escala institucional de Genesis ha crecido. El 22 de julio, la Casa Blanca anunció más de 5.000 millones de dólares en compromisos federales vinculados a la misión y afirmó que más de quince agencias federales participarían aportando financiación, instalaciones, datos o programas de investigación. Ese mismo día, el DOE informó de más de 800 millones de dólares en compromisos de integrantes del Genesis Mission Consortium, que incluyen recursos de cómputo, acceso a modelos, infraestructura en la nube, conocimiento especializado, asociaciones científicas y financiación directa.

También anunció 278 proyectos seleccionados tras la mayor respuesta recibida hasta ahora por una oportunidad de financiación del departamento. De esas selecciones, 168 están lideradas por universidades, 87 por laboratorios nacionales del DOE y de la National Nuclear Security Administration, 19 por empresas y cuatro por organizaciones sin fines de lucro. En conjunto participan 342 instituciones.

Pero todavía existe una diferencia entre selección y financiación efectiva. El propio DOE advierte que estas selecciones abren una fase de negociación y que no constituyen por sí mismas un compromiso de conceder fondos. Esa distancia entre anuncio, negociación y ejecución será una de las cuestiones que convenga seguir.

La dimensión internacional ya empieza a organizarse alrededor de esa plataforma. El 4 de junio, el DOE anunció a Japón como el primer socio internacional de Genesis Mission mediante una asociación científica prevista de 1.000 millones de dólares a cinco años, 500 millones por cada país, sujeta a futuras asignaciones presupuestarias. El acuerdo reúne laboratorios nacionales estadounidenses e instituciones japonesas, y no permite describir a Japón simplemente como un actor subordinado. Pero sí plantea una pregunta sobre la asimetría de la arquitectura: ¿cómo se integran las capacidades de otros países en una infraestructura cuyo centro institucional, objetivos declarados y criterios de éxito siguen definidos desde Estados Unidos?

Una nueva forma de Big Science

Genesis puede leerse como una actualización de la Big Science. No porque sea simplemente un proyecto científico muy grande, sino porque desplaza la unidad desde la que se produce conocimiento.

La figura clásica del laboratorio relativamente autónomo da paso a un ensamblaje compuesto por agencias federales, universidades, laboratorios nacionales, empresas tecnológicas, supercomputadores, infraestructuras de datos, modelos fundacionales, instalaciones experimentales y cadenas industriales.

La American Science and Security Platform pretende precisamente conectar esas piezas. La IA aparece ahí no solo como una herramienta utilizada por quienes investigan, sino como una capa destinada a coordinar datos, simulaciones, instrumentos y flujos de trabajo distribuidos.

Esto modifica la pregunta sobre quién hace ciencia.

Si un resultado depende simultáneamente de datos públicos acumulados durante décadas, modelos desarrollados por empresas privadas, capacidad de cómputo federal, personas expertas que diseñan evaluaciones y agentes que ejecutan parte del proceso experimental, atribuir autoría, responsabilidad y mérito empieza a ser menos sencillo.

No es una preocupación externa al proyecto. El informe Science: A New Golden Age, publicado por la Oficina de Política Científica y Tecnológica de la Casa Blanca el 21 de julio, sostiene que los sistemas actuales de financiación, publicación y crédito fueron construidos para una ciencia desarrollada a velocidad humana. Entre sus propuestas figura experimentar con instituciones científicas “AI-native”, formas más rápidas y abiertas de publicación y mecanismos más granulares para atribuir contribuciones.

La aceleración tecnológica aparece así acompañada de una posible reorganización de la carrera científica.

Antes de entrenar el modelo hay que hacer legible la ciencia

Genesis-Science-1 permite observar ese proceso a una escala mucho más concreta.

La convocatoria no pide únicamente artículos científicos terminados. Busca texto, código, documentación, colecciones estructuradas, demostraciones de personas expertas, software de investigación, entornos completos de trabajo, tareas de aprendizaje por refuerzo, evaluaciones reservadas, rúbricas, pruebas y verificadores.

Es una lista significativa.

Para que un modelo pueda participar en la investigación, una parte de la práctica científica debe transformarse previamente en objetos que pueda procesar. Procedimientos, criterios, errores, decisiones y formas de validación tienen que adquirir una estructura suficientemente explícita para ser utilizados como material de entrenamiento o evaluación.

Eso obliga a tomar decisiones.

¿Qué partes de una práctica científica pueden convertirse en datos?

¿Qué errores merecen conservarse porque enseñan algo?

¿Qué procedimiento representa correctamente una disciplina?

¿Quién decide que una evaluación mide una capacidad científicamente relevante?

¿Y qué ocurre con el conocimiento tácito, situado o difícil de formalizar?

La propia convocatoria reconoce indirectamente el problema al señalar su interés por flujos de trabajo mal representados por las evaluaciones habituales de IA y que requieren colaboración directa con quienes realizan ese trabajo.

La cuestión no es, por tanto, simplemente cuánto conocimiento científico puede ingerir un modelo. También importa qué transformaciones debe sufrir ese conocimiento antes de hacerse legible para la máquina.

Y hay una distinción política que conviene mantener visible. Genesis-Science-1 puede construirse mediante contribuciones amplias y llegar a publicar sus pesos, pero eso no resuelve quién gobierna la infraestructura que selecciona esas contribuciones, asigna el cómputo, define las prioridades de evaluación, establece las alianzas institucionales y orienta los objetivos del programa. Pesos abiertos no significan necesariamente gobernanza abierta.

Quién contribuye y quién recibe crédito

La convocatoria introduce además otra capa. Las organizaciones participantes deben describir qué materiales poseen, qué personas expertas pueden acompañarlos y bajo qué condiciones podrían ser utilizados.

Las propuestas pasan por una evaluación que incluye adecuación científica, derechos y condiciones de uso, disponibilidad de conocimiento experto, viabilidad técnica y selección final. Quienes sean seleccionados recibirán acceso temprano para evaluar el sistema y reconocimiento en el informe técnico y en los materiales de lanzamiento.

Aquí aparece una economía emergente del crédito científico.

Los datos, los entornos de trabajo, las evaluaciones y hasta los errores útiles pueden convertirse en contribuciones a una infraestructura común. Pero no todas las instituciones poseen los mismos repositorios, la misma capacidad para documentarlos ni el mismo acceso a las redes desde las que se decide qué entra en el modelo.

La categoría aparentemente abierta de “comunidad científica” contiene posiciones muy diferentes.

La pregunta no es solamente quién puede utilizar Genesis-Science-1 cuando exista. También quién puede participar en la definición de aquello que el modelo reconocerá como ciencia.

Ciencia, soberanía y poder

Genesis vincula explícitamente el descubrimiento científico con la seguridad nacional, la política energética, la competitividad industrial y la autonomía tecnológica estadounidense. Una de sus líneas prioritarias es la cadena de minerales críticos, presentada como un problema de reducción de dependencias y de construcción de una base autosuficiente para las industrias del futuro.

El programa plantea utilizar IA para integrar información geofísica, ciencia de materiales, optimización de procesos y modelos económicos con el objetivo de localizar recursos, desarrollar materiales alternativos y recuperar elementos escasos de residuos.

Hay una continuidad interesante entre esa operación y la construcción de los propios modelos científicos.

En un caso, residuos industriales y depósitos minerales son reconsiderados como reservas estratégicas. En el otro, décadas de datos, simulaciones, código, registros de laboratorio y conocimiento experto son reorganizados como recursos para entrenar sistemas de IA.

Son materiales muy diferentes, pero en ambos casos la misión opera mediante una política de identificación, extracción, estandarización y circulación de recursos considerados estratégicos.

La infraestructura de IA no elimina la materialidad de la ciencia. La multiplica.

Necesita minerales, energía, centros de datos, instrumentos, personas capacitadas, repositorios, permisos de uso y conocimiento acumulado. La promesa de aceleración depende de esa red de condiciones.

Por eso Genesis puede entenderse no solo como infraestructura científica, sino también como infraestructura de poder geopolítico. Su importancia reside en la capacidad de concentrar cómputo, conjuntos de datos, modelos, instalaciones experimentales, estándares, cadenas de suministro y alianzas institucionales en una misma arquitectura. Esa concentración puede producir centros y periferias de capacidad científica incluso sin control territorial directo.

Esta es una interpretación antropológica y política de la arquitectura documentada por el programa, no una etiqueta utilizada por el DOE. No significa que toda colaboración internacional sea dominación ni que la cooperación con Japón tenga un único sentido. Obliga a preguntar quién posee y gobierna la infraestructura, quién fija sus prioridades, quién puede definir los problemas científicos, quién dispone del cómputo necesario para participar y qué autonomía conservan las instituciones que aportan conocimiento.

La prueba no será únicamente tecnológica

El DOE estima que alcanzar los objetivos de Genesis requerirá formar a unas 100.000 personas dedicadas a la ciencia y la ingeniería durante la próxima década con competencias simultáneas en IA y en disciplinas científicas.

Eso permite entender la misión de otra manera. Genesis no está intentando simplemente introducir una nueva herramienta en laboratorios ya existentes. Está tratando de modificar infraestructuras, formación, carreras profesionales, sistemas de crédito y relaciones entre Estado, academia e industria para que una determinada forma de ciencia asistida por IA pueda funcionar a escala nacional.

El 21 de agosto sabremos algo más sobre la capacidad operativa inicial de la plataforma.

Pero incluso si el DOE consigue demostrarla, la cuestión más importante seguirá abierta.

Una infraestructura puede acelerar cálculos, automatizar experimentos y conectar repositorios. Determinar qué preguntas merecen hacerse, qué evidencias cuentan, qué conocimientos pueden formalizarse, quién participa en esas decisiones y cómo se reparte el reconocimiento continúa siendo una cuestión social.

Genesis Mission se presenta como un proyecto para enseñar a las máquinas a hacer ciencia.

Quizá también estemos observando el proceso inverso: la reorganización de la ciencia para que pueda trabajar con las máquinas.

Estados Unidos no solo está intentando enseñar a las máquinas a hacer ciencia. Está construyendo una infraestructura nacional desde la que decidir qué ciencia se acelera, qué conocimiento se vuelve computable y quién controla los medios necesarios para producirlo.

Cuando la infraestructura para hacer ciencia se convierte también en infraestructura de poder, ¿quién decide qué conocimientos merecen acelerarse y quién tendrá capacidad para hacerlo?

Referencias