Cada año, la Conferencia Internacional sobre Aprendizaje Automático (ICML) muestra hacia dónde deciden dirigir su trabajo miles de investigadores de inteligencia artificial. Los papers aceptados en esta edición revelan una dirección nítida: los modelos de frontera abiertos y la infraestructura de IA abierta se convirtieron en la base sobre la que se hace la ciencia moderna del sector.

NVIDIA tuvo 74 papers aceptados en ICML 2026. Alrededor de 2.000 trabajos aceptados citan GPUs de la compañía y 145 se apoyan en NVIDIA Nemotron, una familia de modelos abiertos que incluye datasets abiertos, como cimiento de nueva investigación. Cientos más recurren a NVIDIA Cosmos, NVIDIA Isaac GR00T, BioNeMo y otras familias abiertas, que abarcan IA física, robótica, vehículos autónomos e investigación biomédica.

Qué temas definieron la investigación de este año

Áreas como la generación de imagen y video, el aprendizaje por refuerzo para grandes modelos de lenguaje (LLMs), el entrenamiento de agentes y la inferencia siguieron siendo temas dominantes, señal de la inversión sostenida que reciben. Al mismo tiempo, irrumpieron varias líneas nuevas.

Los modelos de mundo para robots concentraron atención. Papers como DreamDojo empujan el límite de cómo los sistemas de IA aprenden a razonar y actuar en entornos físicos. DreamDojo aprende el comportamiento del mundo físico a partir de video humano y se construye sobre los modelos de frontera abiertos de NVIDIA Cosmos para predecir cómo un robot manipularía objetos y operaría en entornos para los que nunca fue entrenado. Permite evaluar políticas, planificar acciones y teleoperar un robot virtual, acelerando el desarrollo sin los costos ni los riesgos del despliegue físico.

La IA para ciencias de la vida se apoyó en los modelos abiertos de NVIDIA BioNeMo y en aportes que ayudan a entender la función de las proteínas, el comportamiento molecular y el código genético. Trabajos como FLIP2 introducen benchmarks públicos para medir qué tan bien la IA predice el efecto de las mutaciones en proteínas, mientras que KERMT es un nuevo modelo abierto de BioNeMo para predecir propiedades moleculares clave en el descubrimiento de fármacos.

La generación de datos sintéticos despertó especial interés este año, con varios datasets abiertos de Nemotron y de IA física. Refleja un cambio más amplio en cómo los investigadores piensan el entrenamiento a gran escala sin depender solo de datos etiquetados por humanos.

El stack de investigación abierto

La infraestructura abierta entrega a los investigadores las herramientas para acelerar sus avances. Los papers muestran a Nemotron usado menos como el lanzamiento de un único modelo y más como un stack de investigación: pesos abiertos contra los cuales evaluar, datasets abiertos para entrenar y adaptar, y recetas abiertas para razonamiento, uso de herramientas, seguridad, curación de datos e inferencia eficiente.

Junto a los modelos, NeMo Curator y los datasets abiertos que soporta ofrecen una base reproducible para la curación de datos de entrenamiento. Las herramientas de datos sintéticos permiten crear conjuntos de entrenamiento de alta calidad a una escala y velocidad que hace pocos años habrían sido impracticables.

La familia Cosmos 3 de omnimodelos abiertos de frontera da a investigadores y desarrolladores un salto generacional para construir robots, vehículos autónomos y visión por IA que perciben, razonan, planifican y actúan en el mundo físico. A esto se suman la familia abierta NVIDIA Alpamayo para vehículos autónomos, Isaac GR00T para robótica y BioNeMo para el área biomédica.

Quién está construyendo sobre estos modelos

El impulso se extiende más allá de los propios laboratorios de NVIDIA. Basecamp Research desarrolló un nuevo modelo fundacional de ADN, EDEN, que ayuda a interpretar y diseñar secuencias genéticas. Merck & Co. usa KERMT para predecir cómo se comportarían en el cuerpo posibles moléculas de fármacos, incluida su probable eficacia y seguridad.

Sakana AI construyó sus modelos Fugu y Fugu-Ultra directamente sobre Nemotron 3 Ultra, apoyándose en la base abierta para avanzar en automatización de la investigación. KiloCode integró Nemotron en su arquitectura de enrutamiento de código y reporta reducciones de costo por token de hasta 90%, un resultado con implicancias reales para la economía de desplegar IA en producción. NAVER desarrolló su propio modelo con la arquitectura Nemotron para extender la investigación en coreano, y Together AI aloja modelos Nemotron en su plataforma para dar acceso más simple a la inferencia abierta.

En robótica, empresas como LG Electronics, NEURA Robotics y Noble Machines están adoptando modelos Isaac GR00T para acelerar despliegues industriales de humanoides, mientras que 1X, Agility, Agile Robots, Boston Dynamics, Hexagon Robotics y Mentee construyen la próxima generación de humanoides con los modelos de mundo Cosmos, Isaac Sim e Isaac Lab para acelerar el desarrollo y la validación de sus robots.