Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
For most of the last century, a new wing, battery or car frame has been checked the same way: engineers build a virtual copy of it and solve the equations of physics, point by point, across that copy. The answers are trusted, but a single simulation can take hours or days on a roomful of computers, and preparing the model can take days more. This is the bottleneck Luminary's CEO, Pete Schlampp, puts at the centre of a contributed piece published on Engineering.com. His claim is that AI models can now predict the same behaviour much faster.
Durante gran parte del último siglo, un nuevo ala, batería o chasis de automóvil se ha verificado siempre de la misma manera: los ingenieros construyen una copia virtual del componente y resuelven las ecuaciones de la física, punto por punto, sobre esa copia. Los resultados son fiables, pero una sola simulación puede tardar horas o días en una sala llena de ordenadores, y preparar el modelo puede requerir varios días más. Este es el cuello de botella que Pete Schlampp, director ejecutivo de Luminary, sitúa en el centro de un artículo de opinión colaborativo publicado en Engineering.com. Su afirmación es que los modelos de IA ya pueden predecir el mismo comportamiento mucho más rápido.
The mechanism is close to what made large language models work. An LLM learns the patterns of language from billions of documents and then writes new text without looking anything up. A Large Physics Model, or LPM, learns the patterns of physics from thousands of physics-based simulations: how air flows over a wing, how heat moves through a battery, how metal bends in a crash. Once trained, it predicts how a new shape will behave without solving the equations from scratch. According to the author, it then gives the pressure, stress and heat at every point of the surface in seconds, where the traditional method needed days.
El mecanismo se parece mucho a lo que hizo funcionar a los grandes modelos de lenguaje. Un LLM aprende los patrones del lenguaje a partir de miles de millones de documentos y luego escribe texto nuevo sin consultar nada. Un Large Physics Model, o LPM, aprende los patrones de la física a partir de miles de simulaciones basadas en leyes físicas: cómo fluye el aire sobre un ala, cómo se desplaza el calor por una batería, cómo se deforma el metal en un choque. Una vez entrenado, predice cómo se comportará una forma nueva sin resolver las ecuaciones desde cero. Según el autor, después ofrece la presión, la tensión y el calor en cada punto de la superficie en segundos, cuando el método tradicional necesitaba días.
The idea is not new on its own, and the author places it in a wider run of results. In 2024, Demis Hassabis and John Jumper of Google DeepMind shared the Nobel Prize in Chemistry for AlphaFold, which predicted the structures of virtually all 200 million proteins known to science. A year earlier, DeepMind's GraphCast produced 10-day weather forecasts more accurate than the leading operational system on roughly 90 percent of the measures tested, in under a minute instead of hours on a supercomputer. In February 2025, the European Centre for Medium-Range Weather Forecasts began running a machine-learning model operationally alongside its existing system, reporting gains of up to 20 percent on tropical cyclone predictions and a thousandfold reduction in the energy needed to produce a forecast. These are weather and biology systems, not LPMs for industrial parts, but the author argues they share the same trait: predicting how a physical system behaves before anyone runs an experiment.
La idea no es nueva en sí misma, y el autor la sitúa dentro de una serie más amplia de resultados. En 2024, Demis Hassabis y John Jumper, de Google DeepMind, compartieron el Premio Nobel de Química por AlphaFold, que predijo las estructuras de prácticamente las 200 millones de proteínas conocidas por la ciencia. Un año antes, GraphCast, también de DeepMind, produjo previsiones meteorológicas a 10 días más precisas que el principal sistema operativo en aproximadamente el 90 % de las medidas evaluadas, en menos de un minuto en lugar de horas en un superordenador. En febrero de 2025, el Centro Europeo de Predicción Meteorológica a Medio Plazo empezó a ejecutar de forma operativa un modelo de aprendizaje automático junto a su sistema existente, con mejoras de hasta un 20 % en las predicciones de ciclones tropicales y una reducción de mil veces en la energía necesaria para generar una previsión. Son sistemas de meteorología y de biología, no LPM para piezas industriales, pero el autor sostiene que comparten el mismo rasgo: predecir cómo se comporta un sistema físico antes de que nadie haga un experimento.
The author attributes three developments to the rise of this technology. GPUs make it fast and affordable to generate the thousands of training runs an LPM needs, cutting a single simulation from days to minutes. Attention-based transformer architectures give predictions at the scale and speed engineering requires. And AI agents that explore thousands of designs need physics feedback, since without it they produce random designs that may not work in the real world. The author also says published results show LPM predictions within a few percent of the slower methods. Those studies are not cited in the piece, and the author runs a company that sells this technology, so the figure is his claim until independent tests confirm it.
El autor atribuye tres avances al auge de esta tecnología. Las GPU permiten generar de forma rápida y asequible los miles de entrenamientos que necesita un LPM, lo que reduce una sola simulación de días a minutos. Las arquitecturas de transformadores basadas en atención ofrecen predicciones a la escala y a la velocidad que exige la ingeniería. Y los agentes de IA que exploran miles de diseños necesitan una retroalimentación física, porque sin ella generan diseños al azar que quizá no funcionen en el mundo real. El autor afirma además que los resultados publicados sitúan las predicciones de los LPM a unos pocos puntos porcentuales de los métodos más lentos. El texto no cita esos estudios, y el autor dirige una empresa que vende esta tecnología, así que la cifra es, por ahora, una afirmación suya hasta que pruebas independientes la confirmen.
If the claims hold, the gain goes beyond the design office. The same model that predicts how a wing performs before it is built can predict how consistent a batch of manufactured parts will be, and catch a defect that a traditional check would miss. Once a plane, engine or vehicle is in service, it can process sensor data and flag a part close to failure, on every unit and continuously, instead of only at scheduled inspections. Pushed further, a fast enough model could sit inside a control system and adjust a machine's trajectory in real time. For aircraft makers, carmakers and battery engineers, that means fewer physical prototypes and quicker iterations. The piece gives no date for when this reaches most firms, and no cost figure, so the timing for smaller engineering teams remains open.
Si las afirmaciones se confirman, el beneficio va más allá de la oficina de diseño. El mismo modelo que predice cómo funcionará un ala antes de construirla puede predecir lo uniforme que será un lote de piezas fabricadas y detectar un defecto que una comprobación tradicional pasaría por alto. Una vez que un avión, un motor o un vehículo está en servicio, puede procesar datos de sensores y señalar una pieza cercana a fallar, en cada unidad y de forma continua, en lugar de hacerlo solo en las inspecciones programadas. Llevado más lejos, un modelo lo bastante rápido podría integrarse en un sistema de control y ajustar la trayectoria de una máquina en tiempo real. Para los fabricantes de aviones, los fabricantes de automóviles y los ingenieros de baterías, eso significa menos prototipos físicos e iteraciones más rápidas. El texto no da una fecha en la que esto llegue a la mayoría de las empresas ni una cifra de coste, así que el momento en que llegará a los equipos de ingeniería más pequeños sigue abierto.