El rol de la IA en el análisis genómico para vacunas personalizadas
Likang Life Sciences está preparando una fábrica en la zona de Yizhuang en Pekín que comenzará a operar en octubre de 2026. La inversión ronda los 110 millones de yuanes, equivalentes a unos 14 millones de euros, y se centra en producir vacunas de mRNA personalizadas contra el cáncer basadas en neoantígenos tumorales. El candidato inicial es LK101, que ya ha pasado ensayos clínicos y cuenta con autorizaciones regulatorias iniciales en Estados Unidos.
El aspecto técnico más llamativo es el uso de IA para analizar el ADN del tumor y detectar mutaciones relevantes en un solo día. En condiciones normales este proceso de secuenciación completa del genoma tumoral seguido de identificación de variantes y predicción de neoantígenos mediante modelos de machine learning puede llevar semanas. Aquí es donde la cosa se complica: aunque la aceleración es prometedora desde el punto de vista computacional, los ingenieros deben cuestionar la precisión de los modelos en conjuntos de datos genómicos tan heterogéneos y la validación clínica que respalda afirmaciones de velocidad tan agresivas.
La infraestructura de semiconductores que hace posible esta escala de IA
Este tipo de pipelines de IA en biotecnología no funcionan en el vacío. Requieren volúmenes masivos de cómputo para entrenar y ejecutar los modelos que predicen interacciones entre péptidos y receptores de células T. Corea del Sur anunció el 29 de junio de 2026 un plan de inversiones de 1.461 billones de wones, alrededor de 830.000 millones de euros, que involucra a Samsung Electronics y SK hynix. El proyecto crea un nuevo clúster de semiconductores en Gwangju y las provincias de Jeolla, además de instalaciones para IA física, robótica y centros de datos de IA fuera del área de Seúl.
SK hynix destinará parte significativa a memorias HBM, críticas para el entrenamiento de modelos grandes porque ofrecen el ancho de banda necesario para mover pesos y activaciones entre GPUs a velocidad. Samsung considera ubicar una nueva fábrica de chips en Gwangju. Los ejecutivos de ambas compañías fueron calificados como ‘héroes nacionales’ por el presidente Lee Jae-myung. La realidad técnica es que sin este tipo de capacidad de fabricación a escala, los modelos usados tanto en genómica como en otros dominios de IA simplemente no se entrenan con la rapidez o el coste requerido.
Limitaciones de hardware y trade-offs en IA para consumidores
Al mismo tiempo que Asia invierte fuertemente en la capa de hardware e infraestructuras de IA, Apple prepara el lanzamiento de iOS 27 para septiembre de 2026. La compañía mantiene compatibilidad completa con todos los modelos que soportaban la versión anterior, incluyendo la familia completa de iPhone 11 lanzada en 2019, los SE de segunda y tercera generación, y toda la línea hasta los iPhone 17. Esta decisión evita fragmentar la base de usuarios pero crea un claro escenario de dos velocidades.
Las funciones avanzadas de Apple Intelligence y la nueva Siri, que incorpora diseño integrado en la Dynamic Island y una aplicación dedicada tipo chatbot, quedan reservadas para iPhone 15 Pro en adelante. El motivo es el requerimiento de motores neuronales potentes para procesamiento on-device. En la Unión Europea el despliegue de Siri AI se retrasa por regulaciones de la Ley de Mercados Digitales relacionadas con privacidad y competencia. La interfaz Liquid Glass permite ahora ajustar niveles de transparencia y efectos visuales, mientras mejoras de accesibilidad como VoiceOver Image Explorer usan procesamiento de imagen en tiempo real. Para los desarrolladores esto significa optimizar modelos con quantización agresiva y técnicas de destilación si queremos que funcionen en hardware más antiguo.
La penetración de la tecnología en sectores tradicionales
Movistar ha comenzado a ofrecer en renting una gama de vehículos eléctricos que incluyen modelos de Tesla, Kia y BYD. Desde el Kia EV2 a partir de 397 euros al mes hasta el Tesla Model Y, el catálogo refleja cómo la movilidad eléctrica se está convirtiendo en un servicio más dentro de las carteras de operadores de telecomunicaciones. Estos vehículos incorporan sus propios sistemas de IA para asistencia a la conducción, gestión de batería y actualizaciones over-the-air, cerrando el círculo entre la infraestructura de chips, los modelos de IA y los productos finales que llegan a los usuarios.
El ecosistema que se está formando depende fuertemente de la cadena de suministro asiática tanto para semiconductores como para baterías. Como ingenieros debemos prestar atención a los riesgos de concentración geográfica y a las implicaciones de privacidad cuando modelos de IA procesan datos genómicos o datos de sensores de vehículos. La fábrica china de Likang busca precisamente reducir dependencia de tratamientos extranjeros, pero la realidad es que el hardware subyacente sigue concentrado en unos pocos actores en Corea y Taiwán.
Implicaciones técnicas para el desarrollo de software
Para los que construimos sistemas, estos anuncios marcan un cambio en los requerimientos de cómputo y en las arquitecturas. Los pipelines que combinan secuenciación genómica con inferencia de modelos de lenguaje para diseño de mRNA requieren tanto aceleradores en la nube como optimizaciones edge. Los centros de datos de IA que SK planea construir con inversión de 1.000 billones de wones serán esenciales para entrenar esos modelos a escala. Mientras tanto, las decisiones de Apple sobre qué features corren localmente versus en la nube definen los patrones de diseño que veremos repetirse en aplicaciones móviles y de salud.
El anuncio de la fábrica en Pekín es ambicioso pero debemos ver los datos de eficacia real de LK101 más allá de las autorizaciones iniciales. La inversión coreana en semiconductores y robótica avanza la capacidad de cómputo necesaria, aunque los límites en suministro de energía y agua que mencionó el propio presidente coreano son problemas de ingeniería que no se resuelven solo con dinero. En última instancia, lo que importa es cómo estos desarrollos cambian los sistemas que construimos: más personalizados, más distribuidos y mucho más dependientes de la calidad de los datos de entrenamiento y de la cadena de suministro de hardware.