SIMULACIÓN · Del dado de von Neumann al mundo sintético

Stanislaw Ulam (Los Alamos) concibe el método Monte Carlo recuperándose de una enfermedad en 1946. Estudiando solitario, se pregunta: ¿cuál es la probabilidad de que salga un cierto orden de cartas? En lugar de calcularlo combinatoriamente, propone muestrear el espacio aleatoriamente. John von Neumann lo formaliza y lo aplica a cálculos de difusión de neutrones para la bomba. El nombre "Monte Carlo" lo elige Ulam en honor al casino de Mónaco.

El método: si no puedes integrar una función analíticamente, muestrea muchos puntos aleatorios y promedia. Con suficientes muestras, el promedio converge al valor real. Funciona en 100 dimensiones igual que en 2.

Jules Charney (MIT), Ragnar Fjørtoft (meteorólogo noruego) y John von Neumann ejecutan la primera predicción meteorológica numérica en ENIAC (abril 1950, Princeton). Calculan un pronóstico de 24 horas para Norteamérica usando ecuaciones de cuasi-geostrofía simplificadas. El cálculo tarda 24 horas — el mismo tiempo que predice.

En 1955, la Joint Numerical Weather Prediction Unit (USAF + USNavy + USWB) ya produce predicciones operacionales diarias. El tiempo de cómputo cae por debajo del tiempo real a finales de los 50.

Donald Pederson y equipo en UC Berkeley crean SPICE (Simulation Program with Integrated Circuit Emphasis): simulador de circuitos analógicos y digitales. Open source desde el primer día — Pederson insiste en que el código sea público para facilitar la adopción universitaria.

SPICE resuelve las ecuaciones diferenciales de los componentes electrónicos (transistores, condensadores, resistencias) y predice el comportamiento del circuito antes de fabricarlo. Antes de SPICE, los diseñadores de chips construían prototipos físicos para cada iteración — proceso lento y caro.

SPICE y sus variantes se convierten en una referencia de la simulación de circuitos. Las herramientas EDA actuales integran muchos otros métodos, pero la familia SPICE sigue siendo una pieza fundamental de la verificación analógica.

Computational Fluid Dynamics se vuelve una herramienta industrial habitual en aeronáutica y automoción. El Boeing 777 (certificado en 1995) suele citarse como el primer avión comercial diseñado íntegramente mediante ensamblaje digital, sin construir una maqueta física a escala completa para resolver interferencias de piezas. Eso no eliminó los ensayos físicos ni el túnel de viento: el diseño digital los complementó y redujo prototipos.

Los grupos de investigación clave: NASA Ames, grupos en Oxford, ONERA (Francia). Los códigos: FLUENT, OVERFLOW, CFL3D. La GPU todavía no existe como acelerador — estos cálculos corren en estaciones de trabajo SGI y superordenadores Cray.

Stephen Wolfram publica A New Kind of Science (may 2002): 1.197 páginas con la tesis de que reglas computacionales simples (autómatas celulares) generan complejidad arbitraria. La regla 30, un autómata de 3 colores con una regla de 3 bits, produce patrones que superan el test de aleatoriedad de NIST.

La tesis central: el universo es un autómata computacional. El cómputo es el lenguaje fundamental de la naturaleza, no la matemática diferencial.

El libro es polémico (Wolfram no cita suficiente trabajo previo, incluyendo el de John Conway con Game of Life). Pero conecta la tradición de autómatas autoreplicantes de von Neumann (1948) con la simulación moderna: si las reglas simples generan complejidad, quizá la realidad es una simulación de bajo nivel.

NVIDIA adquiere Ageia Technologies (4 feb 2008) y libera PhysX como SDK gratuito. Erwin Coumans desarrolla Bullet Physics (open source, desde 2003): rigid bodies, soft bodies, colisiones. PhysX se ejecuta en GPU; Bullet corre en CPU.

El impacto no es el videojuego en sí — es que los motores de juego (Unreal Engine, Unity) los integran como infraestructura estándar. Esto convierte los motores de juego en simuladores físicos de propósito general. Años después, Boston Dynamics, Waymo y todos los proyectos de robótica autónoma usarán derivados de esta infraestructura para entrenar sus sistemas.

NVIDIA lanza Omniverse en versión general (dic 2021): plataforma de gemelos digitales en tiempo real basada en USD (Universal Scene Description), el formato de escenas 3D creado por Pixar. Multi-usuario: varios ingenieros de lugares distintos colaboran en la misma simulación simultáneamente. Físicamente correcta: materiales PBR, iluminación ray-traced, simulación de fluidos integrada.

Los primeros adoptantes industriales: BMW simula la fábrica completa antes de mover una máquina real. Boeing simula el ensamblaje de aviones. Foxconn planifica la reorganización de líneas de producción.

Los gemelos digitales pasan de proyecto piloto a práctica industrial estándar. BMW iFactory: cada fábrica tiene su clon digital completo actualizado en tiempo real — líneas de montaje, robots, flujo de materiales. Si se reorganiza la planta virtual, el sistema predice cuellos de botella antes de mover nada físico.

Digital Singapore: el gobierno de Singapur crea un gemelo digital de toda la isla — edificios, infraestructura, datos de sensores urbanos en tiempo real — para planificación urbanística y gestión de emergencias.

La fusión: el gemelo digital no es ya una visualización sino un entorno en el que se toman decisiones que después se ejecutan en el mundo físico.

OpenAI presenta Sora (15 feb 2024): modelo generativo de vídeo capaz de producir clips de hasta un minuto en la demostración de investigación. Capta regularidades de movimiento y espacio a partir de datos, pero el propio informe reconoce fallos de física, causalidad y continuidad.

Google DeepMind publica Genie (paper arXiv, 23 feb 2024): modelo generativo entrenado en vídeos de plataformas 2D que produce entornos interactivos a partir de una imagen o una descripción, sin etiquetas de acciones durante el entrenamiento.

La transición conceptual no sustituye la simulación numérica: añade modelos aprendidos capaces de proponer escenarios o aproximar dinámicas donde escribir todas las reglas resulta costoso.

Aardvark Weather, publicado en Nature el 20 de marzo de 2025, integra en un único sistema de aprendizaje tareas que la predicción meteorológica convencional distribuye entre asimilación de observaciones, modelos numéricos y posprocesado. El trabajo transforma observaciones en pronósticos globales y locales y demuestra predicciones locales útiles de hasta diez días en las variables evaluadas.

La novedad no equivale a haber sustituido toda la meteorología operacional. El artículo presenta un sistema de investigación, con evaluaciones y dominios concretos; desplegar una predicción pública exige además calibración, vigilancia de extremos, infraestructura y responsabilidad institucional. Su importancia histórica reside en mostrar que una cadena científica construida durante setenta y cinco años puede reformularse de extremo a extremo mediante aprendizaje.

NVIDIA anuncia Cosmos en CES (6 ene 2025): una plataforma de modelos fundacionales de mundo, tokenizadores, filtros de seguridad y preparación acelerada de vídeo para desarrollar robots y vehículos autónomos. Sus modelos pueden generar o transformar vídeo condicionado por texto, imágenes y controles.

Genesis es otro proyecto, un motor físico open source publicado en diciembre de 2024 por un equipo independiente. No existe base documental para llamarlo “Genesis 2” ni para presentarlo como componente o sucesor de NVIDIA Cosmos; por eso se elimina esa fusión de la cronología.

La lógica operativa es ampliar datos reales con variaciones sintéticas, especialmente casos raros o peligrosos. Cosmos complementa simuladores deterministas como Isaac Sim y no garantiza por sí solo fidelidad física.

Este nodo no describe un producto anunciado ni una fecha de entrega. Formula una hipótesis comprobable: que modelos multimodales, modelos de mundo y simuladores especializados puedan coordinarse mediante lenguaje natural para generar escenarios, elegir herramientas y contrastar predicciones.

La cautela es parte del argumento. Sora genera vídeo, AlphaFold predice estructuras y Cosmos amplía datos para IA física; ninguno simula por sí solo cualquier dominio ni garantiza validez causal. La convergencia plausible es una capa de orquestación entre modelos y solvers verificados, no una “física universal” aprendida.