Inicia 23 novCohorte 3 en vivo de Vibe Coding y Agentes IA: 3 semanas, 9 clases en directoCohorte 3 (23.11) →

El agente BioMaster, basado en Kimi, seleccionó 100 genes en 90 minutos frente a unas 4 horas

Moonshot AI, creadora de Kimi, considera que el mercado de la IA para código se acerca a la saturación y da el salto a la ciencia. El agente BioMaster, basado en Kimi K3.1 Pro, eligió en 90 minutos 100 genes para seguir estudiándolos a partir de datos de 3696 células de ratón. Una persona necesita unas cuatro horas para lo mismo. Sin embargo, el 72% de las farmacéuticas ya usa IA y solo el 24% espera que mejore la tasa de éxito de los fármacos. La aceleración de las tareas rutinarias está demostrada; la idea de que «la IA inventará el medicamento», todavía no.

Procesado por IA desde TG: @ai_machinelearning_big_data (Machinelearning); editado por Hamidun News
El agente BioMaster, basado en Kimi, seleccionó 100 genes en 90 minutos frente a unas 4 horas
Fuente: TG: @ai_machinelearning_big_data (Machinelearning). Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalTG: @ai_machinelearning_big_data (Machinelearning) ↗
Editor jefe
BioMaster100 genes candidatos a partir de 3696 células en ~90 minutos
Encuesta de Citiel 72% de 50 directivos de I+D ya aplica IA
Dato clave #3Solo el 24% espera un aumento notable en las probabilidades de éxito de los nuevos fármacos

La china Moonshot AI, desarrolladora de los modelos Kimi, afirma que la programación, principal fuente de demanda de los modelos de IA de vanguardia, se acerca a la saturación, y busca un nuevo terreno: la biología, la química y la farmacéutica. Ya hay una primera prueba: el agente BioMaster, basado en Kimi K3.1 Pro, recibió datos sobre qué genes están activos en 3696 células de páncreas de ratón y, en unos 90 minutos, seleccionó 100 genes que un biólogo debería comprobar a continuación.

Según las estimaciones, una persona habría tardado unas cuatro horas en realizar la misma selección. Imagine una enorme tabla donde las filas son células, las columnas son genes y cada celda contiene un nivel de actividad: el agente sustituye al analista que busca patrones en ella a mano. Para desarrolladores y fundadores, es una señal: la carrera por el mejor modelo se desplaza del editor de código al laboratorio, aunque los farmacéuticos por ahora se muestran cautos.

Por qué Moonshot se aleja del código

Lo contó el director de desarrollo internacional de la compañía en la conferencia Web Summit de Lisboa. Según sus palabras, la programación, que ha generado la mayor parte de la demanda de modelos de vanguardia, se acerca a la saturación tecnológica: para la mayoría de las tareas de código, el nivel actual de los modelos ya es suficiente.

A partir de ahí, razona, el listón sube. Las tareas de finanzas y derecho exigen un nivel de IA similar al del trabajo con código, y la ciencia lo eleva todavía más. En ciencia no basta con escribir un texto verosímil: el resultado tiene que superar la prueba del experimento.

Lo que ya se ha hecho: BioMaster en Kimi K3.1 Pro

DP Technology, empresa con sede en Pekín, anunció una colaboración con Moonshot: Kimi K3.1 Pro funcionará dentro de su agente BioMaster, diseñado para tareas biológicas. Es un ejemplo del esquema «modelo generalista más agente especializado»: el modelo razona y el agente le conecta los datos y las herramientas de un campo concreto.

En la demostración, BioMaster analizó junto con Kimi la expresión génica, es decir, qué genes están «encendidos» en una célula y con qué intensidad. A partir de los datos de 3696 células, identificó 100 genes candidatos para seguir estudiándolos en unos 90 minutos, frente a las cuatro horas estimadas de trabajo humano.

Conviene entender qué se ha acelerado exactamente. No se trata del descubrimiento de un fármaco, sino de una preselección: reducir miles de rasgos a un centenar que el biólogo comprobará después en el laboratorio. Esa tarea rutinaria consume mucho tiempo de los investigadores. Además, las cuatro horas son una estimación, no una medición con un grupo independiente, y el material no informa sobre la calidad de los genes seleccionados.

La farmacéutica mira con escepticismo

El entusiasmo de los desarrolladores no coincide con el ánimo del sector. Una encuesta de Citi de junio, realizada a 50 directivos de áreas de investigación y desarrollo de farmacéuticas estadounidenses, mostró una brecha entre el uso y las expectativas. En el 72% de las compañías, la IA ya se usa o está plenamente implantada en los procesos de investigación. Pero solo el 24% de los encuestados espera que la tecnología aumente de forma significativa la probabilidad de éxito de los nuevos fármacos.

En otras palabras, la IA sabe acelerar el análisis de datos, pero nadie se atreve por ahora a garantizar que más fármacos lleguen a los pacientes. El principal cuello de botella de la industria son los ensayos clínicos, y un modelo de lenguaje, por sí solo, no lo elimina.

Qué hacer en la práctica

Para los equipos que construyen agentes, los dominios científicos abren un nicho propio: el valor lo crea la combinación de un modelo potente con herramientas adaptadas a un campo concreto. Los equipos de producto deberían vender lo que se puede medir, por ejemplo el ahorro de tiempo en el análisis exploratorio, 90 minutos frente a cuatro horas, y no la promesa de que «la IA inventará el medicamento», que el sector todavía no compra.

La estrategia de Moonshot es clara y otros laboratorios pueden repetirla: cuando el mercado del código se satura, ir adonde el coste del error es mayor y, por tanto, también lo es la disposición a pagar por la calidad. Si Kimi logrará mantenerse en la ciencia se sabrá cuando haya verificaciones independientes de los resultados de BioMaster, y no solo una demostración.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Por qué Moonshot se aleja del código?

Lo contó el director de desarrollo internacional de la compañía en la conferencia Web Summit de Lisboa. Según sus palabras, la programación, que ha generado la mayor parte de la demanda de modelos de vanguardia, se acerca a la saturación tecnológica: para la mayoría de las tareas de código, el nivel actual de los modelos ya es suficiente. A partir de ahí, razona, el listón sube. Las tareas de finanzas y derecho exigen un nivel de IA similar al del trabajo con código, y la ciencia lo eleva todavía más.

¿Qué se sabe sobre Lo que ya se ha hecho: BioMaster en Kimi K3.1 Pro?

DP Technology, empresa con sede en Pekín, anunció una colaboración con Moonshot: Kimi K3.1 Pro funcionará dentro de su agente BioMaster, diseñado para tareas biológicas. Es un ejemplo del esquema «modelo generalista más agente especializado»: el modelo razona y el agente le conecta los datos y las herramientas de un campo concreto. En la demostración, BioMaster analizó junto con Kimi la expresión génica, es decir, qué genes están «encendidos» en una célula y con qué intensidad.

¿Qué se sabe sobre La farmacéutica mira con escepticismo?

El entusiasmo de los desarrolladores no coincide con el ánimo del sector. Una encuesta de Citi de junio, realizada a 50 directivos de áreas de investigación y desarrollo de farmacéuticas estadounidenses, mostró una brecha entre el uso y las expectativas. En el 72% de las compañías, la IA ya se usa o está plenamente implantada en los procesos de investigación. Pero solo el 24% de los encuestados espera que la tecnología aumente de forma significativa la probabilidad de éxito de los nuevos fármacos.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…