Inicia 23 novCohorte 3 en vivo de Vibe Coding y Agentes IA: 3 semanas, 9 clases en directoCohorte 3 (23.11) →
LanzamientoPaper científico · Para I+DThe Decoder→ original

Moonshot AI reorienta Kimi del código a la ciencia: análisis de genes en 90 minutos en lugar de 4 horas

Moonshot AI constata que en programación los modelos casi han dejado de mejorar con rapidez, y reorienta Kimi hacia la biología y la farmacia. El asistente BioMaster, basado en Kimi K3.1 Pro, analizó en 90 minutos los datos de 3 696 células de ratón y marcó 100 genes candidatos; a una persona le llevaría unas cuatro horas. Es como encargar a una IA el primer análisis de los logs y dejar las conclusiones en manos del ingeniero. Por ahora, la IA no hace descubrimientos sin un humano.

Procesado por IA desde The Decoder; editado por Hamidun News
Moonshot AI reorienta Kimi del código a la ciencia: análisis de genes en 90 minutos en lugar de 4 horas
Fuente: The Decoder. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalThe Decoder ↗
Editor jefe
Dato clave #1Encuesta de Citi (50 directivos en EE. UU.): el 72% usa IA y el 24% espera que aumente la tasa de éxito
TCSExam, 100 problemaslos modelos aportaron demostraciones verificables, pero ninguna hipótesis
Giacomo Ficari, director de Moonshotla ciencia exige modelos más inteligentes que el derecho, las finanzas o el código

La startup china Moonshot AI, creadora de la familia de modelos de lenguaje Kimi, ha decidido salirse de la carrera por los mejores resultados en programación: allí cada nueva mejora cuesta más y el avance en los tests apenas se nota. En su lugar, la compañía orienta Kimi hacia la biología, la química y la investigación farmacéutica. Ya hay un ejemplo concreto: el asistente de investigación BioMaster, en el que la pekinesa DP Technology integró el modelo Kimi K3.

1 Pro, analizó en 90 minutos datos genéticos de 3 696 células de páncreas de ratón y marcó 100 genes candidatos. Según las estimaciones, una persona habría necesitado unas cuatro horas para el mismo trabajo. Imagine a un desarrollador al que una IA le revisa en hora y media, en lugar de cuatro, un enorme volumen de logs y le señala un centenar de puntos sospechosos: tendrá que comprobarlos él de todos modos, pero el punto de partida llega mucho antes.

Para quienes construyen productos sobre LLM, es una señal de hacia dónde puede desplazarse la próxima ola de demanda.

Por qué Moonshot se aleja del código

Giacomo Ficari, director internacional de Moonshot AI, dijo en la Web Summit de Lisboa que la ciencia exige modelos más inteligentes que el derecho, las finanzas o la programación. La lógica es esta: si un asistente para código o documentos jurídicos ya es lo bastante bueno para la mayoría de las tareas, las mejoras posteriores aportan cada vez menos beneficio visible. En el trabajo de investigación el listón está más alto, así que ahí queda margen para despegarse de la competencia.

Moonshot no abandona el código como tal; cambia de prioridad. La startup apuesta por que los problemas científicos complejos se conviertan en el nuevo campo de pruebas y en el nuevo mercado de Kimi.

Qué mostró realmente BioMaster

Conviene entender qué se aceleró exactamente. El modelo no hizo ningún descubrimiento: criba un conjunto de datos genéticos y propuso una lista de 100 candidatos que el biólogo comprueba después por su cuenta. Es el papel habitual de un asistente: asumir el procesamiento preliminar rutinario y acortar el camino hasta una hipótesis con sentido. La mejora —de cuatro horas a 90 minutos, es decir, más del doble de rápido— es positiva, pero se trata de una única prueba y no demuestra que todo un laboratorio vaya a funcionar así. El tiempo humano es una estimación, no una medición en una comparación controlada.

Dónde está el techo y por qué la farmacia no tiene prisa

Los avances totalmente autónomos de la IA siguen lejos. En TCSExam, un benchmark de 100 problemas de informática teórica, los modelos líderes ofrecieron demostraciones verificables, pero no resolvieron por sí solos ni una sola hipótesis abierta. Funcionan con solvencia donde el camino es conocido y, por ahora, no traspasan la frontera de lo conocido.

Los competidores estadounidenses ven límites similares. Claude, de Anthropic, encontró en septiembre un sistema enzimático, pero las afirmaciones de OpenAI sobre avances en matemáticas y física provocaron críticas de los matemáticos: hay resultados puntuales impresionantes, aunque las afirmaciones controvertidas no son menos.

La propia industria farmacéutica tampoco está convencida. Según una encuesta de Citi de junio a 50 directivos de áreas de investigación en EE. UU., el 72% ya usa la IA de forma generalizada, pero solo el 24% espera que aumente de forma notable la proporción de desarrollos de fármacos que llegan a buen término. La IA se acepta como herramienta de trabajo, no como garantía de que aparecerán más medicamentos.

Qué significa en la práctica

En primer lugar, no conviene contar con que la calidad de los modelos en los benchmarks de código siga creciendo al ritmo de antes: los propios desarrolladores hablan de desaceleración. En segundo lugar, los asistentes científicos especializados como BioMaster parecen un nicho realista: un ámbito bien definido, una métrica medible (las horas de trabajo del especialista) y datos ya disponibles. En tercer lugar, estos productos conviene venderlos como aceleradores de tareas rutinarias, y no como «científicos automáticos»: la aceleración tiene un efecto verificable, y el escepticismo del sector está respaldado por las cifras de la encuesta.

Salvedad: la mayor parte de la información procede de la intervención de un representante de la compañía y de su reproducción en la prensa, y el resultado de BioMaster se describe con una sola prueba y sin verificación independiente. Con todo, la dirección es reveladora: la lucha por el liderazgo en LLM se desplaza poco a poco de la pregunta «quién escribe mejor código» a la de «quién es más útil en la ciencia real».

Historia

Preguntas frecuentes sobre la noticia

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

Giacomo Ficari, director internacional de Moonshot AI, dijo en la Web Summit de Lisboa que la ciencia exige modelos más inteligentes que el derecho, las finanzas o la programación. La lógica es esta: si un asistente para código o documentos jurídicos ya es lo bastante bueno para la mayoría de las tareas, las mejoras posteriores aportan cada vez menos beneficio visible. En el trabajo de investigación el listón está más alto, así que ahí queda margen para despegarse de la competencia.

¿Qué se sabe sobre Qué mostró realmente BioMaster?

Conviene entender qué se aceleró exactamente. El modelo no hizo ningún descubrimiento: criba un conjunto de datos genéticos y propuso una lista de 100 candidatos que el biólogo comprueba después por su cuenta. Es el papel habitual de un asistente: asumir el procesamiento preliminar rutinario y acortar el camino hasta una hipótesis con sentido.

Dónde está el techo y por qué la farmacia no tiene prisa?

Los avances totalmente autónomos de la IA siguen lejos. En TCSExam, un benchmark de 100 problemas de informática teórica, los modelos líderes ofrecieron demostraciones verificables, pero no resolvieron por sí solos ni una sola hipótesis abierta. Funcionan con solvencia donde el camino es conocido y, por ahora, no traspasan la frontera de lo conocido. Los competidores estadounidenses ven límites similares.

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…