En octubre de 2025, Google DeepMind y Commonwealth Fusion Systems formalizaron una colaboración que venían explorando discretamente durante años. La alianza reúne al laboratorio dirigido por Demis Hassabis, Premio Nobel de Química 2024 por AlphaFold y responsable de algunos de los avances más significativos en aprendizaje profundo de la última década, con una empresa surgida del MIT que está construyendo el primer tokamak compacto con posibilidades reales de alcanzar el breakeven energético. El objetivo es acelerar dramáticamente el desarrollo de la energía de fusión mediante algoritmos de aprendizaje por refuerzo y simulación diferenciable.
La apuesta es tan ambiciosa como necesaria. La fusión nuclear representa la única fuente de energía conocida capaz de satisfacer las demandas crecientes de una civilización que electrifica el transporte, multiplica centros de datos y busca desesperadamente alternativas al carbono, todo sin las limitaciones de intermitencia de las renovables ni los riesgos de la fisión. Pero tras setenta años de investigación, ningún reactor magnético ha logrado generar más energía de la que consume. SPARC, el tokamak que se construye en Massachusetts, aspira a cruzar ese umbral antes de 2027 empleando imanes superconductores de alta temperatura que permiten campos magnéticos sin precedentes en un volumen compacto.
Lo revolucionario de esta colaboración no reside simplemente en aplicar inteligencia artificial a un problema científico complejo. Eso ya ocurre en múltiples disciplinas. Lo novedoso es la escala de integración: el equipo ha desarrollado TORAX, un simulador de plasma profesional de código abierto escrito en JAX, específicamente diseñado para ser diferenciable y acoplarse con algoritmos de optimización. Simultáneamente, agentes de aprendizaje por refuerzo exploran el espacio de configuraciones operativas del reactor, buscando automáticamente entre millones de combinaciones posibles de parámetros magnéticos, térmicos y de inyección de combustible. La meta es llegar al primer día de operación con un mapa detallado de las regiones óptimas del espacio de control, maximizando las probabilidades de éxito desde el inicio.
Google no solo colabora intelectualmente. Ha invertido capital en Commonwealth Fusion Systems y se comprometió a comprar 200 megavatios de electricidad de la primera planta comercial ARC, proyectada para inicios de los años 2030. Esta integración vertical señala confianza real en la viabilidad técnica y comercial a mediano plazo.
La física del confinamiento magnético
La fusión controlada en la Tierra enfrenta un obstáculo fundamental: reproducir las condiciones del núcleo solar sin disponer de su gravedad. Para que núcleos de deuterio y tritio superen la repulsión electromagnética y se fusionen liberando energía, deben colisionar a velocidades que solo se alcanzan por encima de cien millones de grados Celsius. A esas temperaturas, la materia existe como plasma ionizado, un estado donde electrones y núcleos se mueven independientemente en un caos aparente gobernado por dinámicas magnetohidrodinámicas no lineales.
Los tokamaks confinan este plasma mediante campos magnéticos toroidales generados por bobinas superconductoras. El desafío técnico es monumental: cualquier inestabilidad puede enfriar el plasma extinguiendo la reacción, o proyectarlo contra las paredes dañando irreversiblemente los materiales. Décadas de investigación en dispositivos como el Joint European Torus o el DIII-D estadounidense han refinado progresivamente la comprensión de fenómenos como el transporte turbulento de energía, las disrupciones mayores o los modos de borde localizado. Pero ninguno ha alcanzado el breakeven.
La empresa del MIT apuesta por una arquitectura radicalmente distinta. Sus imanes superconductores de alta temperatura, fabricados con cintas de materiales cerámicos tipo REBCO, generan campos del orden de veinte teslas, el doble de lo que logran imanes convencionales de baja temperatura. Esta intensidad permite confinar plasma con densidad y temperatura suficientes en un volumen drásticamente reducido. SPARC mide aproximadamente la quinta parte del ITER internacional, pero apunta a desempeño comparable gracias a esta ventaja en campo magnético. La compactación no solo reduce costes de construcción; acelera brutalmente los ciclos de iteración experimental, permitiendo aprender más rápido.
El parámetro que define el éxito es Q, la ganancia energética: la relación entre potencia generada por fusión y potencia suministrada externamente para calentar y mantener el plasma. Breakeven corresponde a Q igual o mayor que uno. El récord histórico lo estableció el JET europeo en 1997, alcanzando aproximadamente Q igual a 0.7. El reactor en construcción busca superar definitivamente la unidad, demostrando viabilidad conceptual de la fusión magnética como fuente autosuficiente de energía.
Simulación, exploración y control
La creación de TORAX representa un avance metodológico significativo. Los simuladores de plasma convencionales, como TRANSP o CORSICA, se desarrollaron durante décadas optimizando para precisión física en escenarios específicos. Son herramientas maduras y confiables, pero no fueron diseñadas para acoplarse con algoritmos de aprendizaje automático ni para ejecutarse a la velocidad requerida por exploración masiva de parámetros.
El equipo de Hassabis lo escribió desde cero en JAX, un framework que combina diferenciación automática con compilación just-in-time y aceleración en GPU. Ser diferenciable significa que el software puede calcular gradientes de cualquier salida respecto a cualquier entrada, capacidad esencial para algoritmos de optimización basados en descenso de gradiente y para entrenar redes neuronales. Esta característica permite que un agente de aprendizaje por refuerzo evalúe no solo el resultado de una configuración específica del reactor, sino también cómo pequeñas variaciones en los parámetros de control afectarían el desempeño, acelerando dramáticamente el aprendizaje.
La velocidad de ejecución es crítica. Un pulso de plasma completo puede simularse en cuestión de segundos en una GPU moderna, comparado con minutos u horas que requieren herramientas tradicionales en CPUs. Esta aceleración de varios órdenes de magnitud hace viable la exploración exhaustiva del espacio de configuraciones: evaluar millones de escenarios virtuales en días de cómputo, algo completamente impracticable antes.
Que sea de código abierto no es un detalle menor. Al publicar la plataforma libremente, se permite que toda la comunidad científica internacional la examine, valide, mejore y adapte. Esta apertura acelera el progreso colectivo y genera confianza en los resultados. Múltiples instituciones pueden ahora emplear el mismo sustrato computacional para optimizar sus propios diseños, comparar resultados y construir sobre el trabajo previo sin reinventar infraestructura básica.
Un tokamak moderno presenta docenas de grados de libertad operativos. Las corrientes en distintas bobinas magnéticas determinan la forma y posición del plasma. Los sistemas de calentamiento por radiofrecuencia e inyección de haces neutros aportan potencia térmica. La inyección de combustible regula la densidad y composición. Cada parámetro puede variarse continuamente en el tiempo, y todos interactúan de manera no lineal afectando el desempeño global.
Determinar manualmente la trayectoria óptima en este espacio de alta dimensionalidad resulta prácticamente imposible. Los operadores humanos pueden ajustar quizás tres o cuatro variables principales basándose en intuición física y experiencia previa, pero gestionar simultáneamente veinte o treinta parámetros respetando restricciones de seguridad, límites térmicos en materiales, estabilidad magnetohidrodinámica y múltiples objetivos de desempeño rebasa las capacidades cognitivas humanas.
Los algoritmos de aprendizaje por refuerzo abordan naturalmente este tipo de problemas. Un agente inteligente interactúa con el entorno simulado, toma acciones modificando parámetros de control, observa las consecuencias y recibe una señal de recompensa que refleja qué tan bien cumplió los objetivos. Mediante iteración masiva, aprende una política de control, una función que mapea estados del sistema a acciones óptimas.
El equipo emplea técnicas evolutivas como AlphaEvolve complementando el aprendizaje por refuerzo tradicional. Los métodos evolutivos exploran el espacio de soluciones manteniendo poblaciones de candidatos, mutándolos, recombinándolos y seleccionando los más prometedores. Esta diversidad de enfoques algorítmicos aumenta la probabilidad de descubrir configuraciones novedosas que ningún método individual encontraría.
La exploración en simulación tiene otra ventaja crítica: permite descartar configuraciones peligrosas antes de aproximarse a probarlas físicamente. Escenarios que podrían generar disrupciones mayores, sobrecalentar componentes o violar límites operativos se identifican y evitan en el mundo virtual, protegiendo el costoso equipamiento real y permitiendo experimentación más audaz.
Más allá de la optimización offline, el objetivo incluye desarrollar controladores inteligentes capaces de operar el tokamak en tiempo real durante los pulsos de plasma. La demostración previa en el dispositivo TCV de Suiza, donde un agente de aprendizaje profundo controló exitosamente las bobinas magnéticas para crear y mantener diversas configuraciones incluyendo formas exóticas nunca antes logradas, validó la viabilidad conceptual del enfoque.
En SPARC la complejidad aumenta cualitativamente. El controlador debe optimizar simultáneamente múltiples objetivos potencialmente conflictivos: maximizar la tasa de reacciones de fusión ajustando dinámicamente calentamiento e inyección de combustible, mantener estabilidad frente a perturbaciones, distribuir las cargas térmicas sobre el divertor para evitar daño a materiales, respetar límites de corriente en las bobinas y gestionar el inventario de tritio. Todo esto en tiempo real, tomando decisiones cada pocos milisegundos basándose en diagnósticos del estado instantáneo del plasma.
La visión a largo plazo contempla un piloto automático capaz de conducir el reactor de manera autónoma, adaptándose dinámicamente a perturbaciones imprevistas, aprendiendo de cada pulso y refinando continuamente sus estrategias. No es ciencia ficción sino extrapolación razonable de capacidades que ya existen en forma embrionaria.
Transformación del método científico
Esta aplicación de inteligencia artificial ilustra una transformación profunda en cómo se realiza la investigación de frontera. Tradicionalmente, optimizar un experimento complejo requería ciclos iterativos lentos: diseñar, probar, analizar, ajustar, repetir. Los científicos se apoyaban en modelos teóricos, simulaciones convencionales e intuición acumulada durante años. Funcionaba, pero su velocidad estaba limitada por la capacidad cognitiva humana y el coste de cada experimento físico.
La inteligencia artificial altera radicalmente esta dinámica. Los algoritmos exploran automáticamente espacios de posibilidades mucho más vastos de lo que cualquier equipo alcanzaría a considerar. No se cansan, no tienen sesgos sobre qué probar, evalúan millones de hipótesis en paralelo. Actúan como científicos automatizados conduciendo experimentación virtual a escala industrial.
El caso es ejemplar. Como describió un experto de la empresa de Massachusetts, hay demasiados diales que girar simultáneamente. Cuando se trata de balancear docenas de variables para maximizar rendimiento respetando múltiples restricciones, la complejidad rebasa las capacidades humanas.
Los algoritmos gestionan naturalmente espacios de control de alta dimensionalidad, descubriendo relaciones sutiles entre parámetros que escapan a la intuición. Podrían identificar que aumentar levemente la corriente en una bobina específica mientras se reduce la potencia de calentamiento y se modifica el ritmo de inyección produce inesperadamente mayor potencia. Ese tipo de interacciones no lineales entre múltiples variables raramente emergen del análisis humano convencional.
La sinergia entre simulación avanzada, algoritmos inteligentes y experimentación física representa un nuevo paradigma. Los investigadores ya no dependen exclusivamente de la experimentación secuencial costosa, sino que pueden apoyarse en vastos paisajes de experimentación virtual guiada por inteligencia artificial. El conocimiento generado en simulación informa y focaliza los experimentos reales, mientras que los datos validan y refinan los modelos, creando un círculo virtuoso de aprendizaje acelerado.
También se están entrenando agentes de IA para que sean «pilotos» expertos, descubriendo nuevas formas de controlar el plasma en tiempo real, gestionando un calor inmenso y maximizando la producción de energía sin salir de los límites operativos.
Implicaciones energéticas y estratégicas
Las ramificaciones trascienden la física de plasmas. En juego está el futuro energético de la civilización. La fusión promete resolver la emergencia climática ofreciendo electricidad de carga base limpia, disponible continuamente sin depender del clima. Una planta podría generar gigavatios de potencia estable durante décadas usando combustible derivado del agua marina.
Las necesidades energéticas globales, además, continúan creciendo. Electrificación del transporte, digitalización económica, desarrollo de países emergentes y, paradójicamente, la propia inteligencia artificial con sus hambrientos centros de datos demandan cantidades crecientes de electricidad. La fusión podría satisfacer esta demanda sin exacerbar el cambio climático ni competir por recursos escasos.
La seguridad energética también adquiere dimensiones estratégicas. La fusión no genera residuos aptos para armamento nuclear, no produce accidentes catastróficos tipo Chernóbil, y su combustible es prácticamente inagotable y ampliamente distribuido. Ningún país podría monopolizar los suministros de deuterio oceánico.
La filosofía de código abierto adoptada merece reconocimiento especial. Al publicar herramientas libremente y compartir resultados mediante revisión por pares, aceleran el progreso de toda la comunidad global. Esta apertura reconoce que el desafío es suficientemente monumental para justificar colaboración internacional máxima. Si múltiples equipos emplean estas plataformas para optimizar sus propios diseños, el conocimiento colectivo avanzará más rápidamente que si cada grupo reinventa infraestructura en aislamiento.
El proyecto ilustra también cómo la inteligencia artificial madura como herramienta científica transversal. Así como AlphaFold revolucionó la biología estructural prediciendo plegamientos proteicos con precisión casi experimental, o como otros sistemas optimizaron diseños de chips y eficiencia de centros de datos, ahora se ataca la fusión nuclear. Esta polivalencia sugiere que estamos presenciando el surgimiento de un instrumental científico de propósito general, aplicable a prácticamente cualquier dominio suficientemente complejo.
Convergencia de fronteras
La alianza entre el laboratorio de Hassabis y Commonwealth Fusion Systems simboliza algo más grande que una colaboración empresarial o un proyecto ambicioso. Representa la convergencia de dos fronteras tecnológicas que, separadas, ya transformaban el mundo y que, unidas, podrían alterar fundamentalmente la trayectoria humana.
La fusión nuclear encarna una promesa de siete décadas: domar el poder de las estrellas para beneficio terrestre. Generaciones de científicos dedicaron carreras enteras a comprender las complejidades del plasma, perfeccionar imanes superconductores, diseñar materiales capaces de soportar flujos de neutrones demoledores. Cada avance fue costoso en tiempo y recursos, cada paso requirió paciencia ante escepticismo recurrente. Ahora, gracias a innovaciones como los imanes de alta temperatura y diseños compactos, el objetivo parece más cercano que nunca.
La inteligencia artificial, por su parte, ha experimentado un florecimiento explosivo en la última década. Algoritmos que aprenden de datos, redes neuronales capaces de reconocer patrones sutiles, sistemas que dominan juegos complejos y descubren estrategias novedosas. Estas herramientas demostraron versatilidad en medicina, materiales, logística, creatividad. Su aplicación a la fusión constituye una extensión natural pero profundamente significativa.
La sinergia resulta casi poética. La fusión necesita optimización extrema en espacios de alta dimensionalidad, control preciso en tiempo real de sistemas no lineales, exploración rápida de configuraciones experimentales. La inteligencia artificial ofrece exactamente esas capacidades. Es difícil imaginar una correspondencia más perfecta entre desafío y herramienta.
Si SPARC logra el breakeven energético en los próximos años, confirmará que la fusión controlada puede generar balance neto de energía, demostrando viabilidad conceptual definitiva. Si, además, se prueba que la inteligencia artificial aceleró significativamente ese logro optimizando parámetros operativos y descubriendo estrategias de control superiores, validará un nuevo modo de hacer ciencia donde máquinas inteligentes colaboran estrechamente con investigadores humanos en la exploración de fronteras del conocimiento.
Las implicaciones trascienden lo puramente tecnológico. Una energía abundante, limpia y segura podría estabilizar el clima, elevar el nivel de vida global, reducir tensiones geopolíticas asociadas a combustibles fósiles. La inteligencia artificial, empleada sabiamente en colaboración científica abierta, se revela como catalizador de progreso compartido.
Persisten desafíos formidables. El dispositivo aún debe completarse, encenderse, y demostrar en la práctica lo que promete en el diseño. Los algoritmos deben probar su eficacia no en simulaciones idealizadas sino confrontando la complejidad irreducible del plasma real. Los costes económicos de plantas comerciales necesitan reducirse hasta ser competitivos. La cadena de suministro de tritio debe escalarse. Cuestiones regulatorias, financieras y sociales deberán resolverse conforme la tecnología madure.
Pero por primera vez en décadas, las piezas parecen encajar. La tecnología de materiales avanzó hasta permitir imanes superconductores extraordinarios. La comprensión física del plasma alcanzó sofisticación suficiente para diseñar reactores viables. La inteligencia artificial maduró hasta ofrecer herramientas prácticas de optimización y control. El capital privado comenzó a fluir hacia empresas con cronogramas medibles. Gobiernos renuevan interés estratégico ante la urgencia climática y energética.
En esta confluencia de circunstancias favorables, la alianza destaca como emblema de lo posible cuando la inteligencia humana colectiva, aumentada por inteligencia artificial, se enfoca en desafíos existenciales compartidos. No se trata de humanos versus máquinas, sino de humanos con máquinas inteligentes como colaboradores, atacando problemas que ninguno podría resolver aisladamente.
El sueño de energía comercial ha seducido e ilusionado a generaciones. Quizás ahora, finalmente, esté amaneciendo.
Referencias
DeepMind. AI for fusion energy: accelerating progress towards nuclear fusion. Blog de Google DeepMind. deepmind.google
Commonwealth Fusion Systems. DeepMind collaboration announcement. Blog oficial de CFS. blog.cfs.energy
Interesting Engineering. Google DeepMind partners with fusion startup to speed up clean energy. interestingengineering.com
Data Center Dynamics. Google, DeepMind collaborate with Commonwealth Fusion Systems on AI for nuclear fusion. datacenterdynamics.com
Axios. DeepMind’s AI to help control nuclear fusion reactor. axios.com
