Emuladores aprendidos aceleraron simulaciones climáticas y de materiales, complementando HPC clásico.
Modelos surrogados entrenados con salidas de simuladores físicos redujeron órdenes de magnitud el coste de escenarios climáticos y de diseño de materiales.
La validación contra leyes de conservación y datos observacionales es crítica: un emulador rápido pero sesgado puede engañar políticas.
AI for science se institucionalizó en labs nacionales y big tech con métricas de impacto físico, no solo de chat.
Hacia el 4 de septiembre de 2026, DeepMind presentó WeatherNext 3 con pronósticos horarios en una malla de 5 km (frente a 25 km en WeatherNext 2), datos satelitales en vivo frente al rezago de ~6 h de NWP, viento a 100 m para turbinas y hasta ~50% mejor precipitación; alimenta Search, Gemini, Maps y Earth Engine.
Productos tipo ingeniero autónomo planifican issues, editan repos y abren pull requests con supervisión humana variable.
Distritos y edtech desplegaron tutores LLM; estudios mostraron ganancias cuando hay diseño pedagógico, no solo chat genérico.