Las plantas, al igual que los animales, utilizan señales eléctricas para transportar información sobre su estado fisiológico por todo el cuerpo, desde las raíces hasta las ramas. Estas señales han permitido, en décadas recientes, la creación de dispositivos capaces de "escuchar" una planta y usar sus impulsos para mover un macetero hacia la luz o disparar una alarma cuando la humedad del suelo baja de un umbral. Lo que cambió radicalmente en octubre de 2026 fue la capacidad de interpretar estas señales a escala. La Electric Plant Company, startup de San Francisco que emergió del stealth esta semana, presentó Bombadil —el primer modelo fundacional de aprendizaje automático dedicado a la electrofisiología vegetal— entrenado en más de 4 millones de horas de señales eléctricas registradas en 100 especies distintas en diez ambientes diferentes, incluyendo laboratorios, invernaderos comerciales, huertos y bosques naturales.
El modelo fue desarrollado por un equipo liderado por el CEO Justin Mast, fundador anterior de la empresa de plantas online Bloomscape, y el científico jefe Lee von Kraus, neurocientífico que trabajó con la DARPA y la Agencia de Protección Ambiental de Estados Unidos. El enfoque que adoptaron es análogo al que transformó el procesamiento de lenguaje natural y la visión computacional: en lugar de entrenar modelos específicos para cada tarea, como hicieron muchos grupos de investigación anteriores —cada uno enfocado en predecir solo sequía, o solo una especie—, construyeron un backbone generalista que aprende la estructura fundamental de las señales eléctricas vegetales de forma autovisada, sin necesidad de etiquetas.
El hardware de Electric Plant consiste en un sensor llamado "Bud", un dispositivo de bajo costo que se fija al tallo de la planta y registra continuamente señales eléctricas brutales. Los electrodos se insertan lo suficiente para penetrar los tejidos de xilema y floema, los canales que conducen señales eléctricas en las plantas. El calibre del cable varía según la especie: para plantas de tallo carnoso, se utilizan cables de 28 gauge con cobertura Ag/AgCl o acero inoxidable; para plantas leñosas, se usan tornillos de acero inoxidable. El sensor transmite los datos brutos a la nube, donde Bombadil decodifica las señales y estima siete marcadores fisiológicos de estrés: eficiencia del fotosistema II, temperatura foliar relativa al aire ambiente, Índice de Estrés Hídrico de los Cultivos (CWSI), entre otros parámetros establecidos por la literatura de fisiología vegetal.
Lo que hace a Bombadil verdaderamente diferente de los modelos anteriores de electrofisiología vegetal, según se detalla en el paper técnico publicado en arXiv (arXiv:2610.26597) por James Kirk, Piotr Bednarski, Filip Twardy, Justin Mast y Lee von Kraus, es su capacidad de generalización. El modelo fue capaz de estimar indicadores fisiológicos en especies que nunca vio durante el pre-entrenamiento —un resultado que, según los autores, supera significativamente cualquier modelo punto-a-punto entrenado exclusivamente para una sola especie o tarea. Esto es particularmente relevante para el escenario agrícola global, donde existen cientos de miles de especies cultivadas, cada una con respuestas fisiológicas distintas a diferentes tipos de estrés.
La Electric Plant Company levantó US$ 11,2 millones en una ronda seed liderada por Onto Ventures y Climactic, con participación de Ponderosa Partners, Endeavor Catalyst, y otros inversores ángel. El modelo Bombadil es capaz de interpretar señales eléctricas en aproximadamente 125 especies diferentes —desde helechos y secuencias hasta tomates y dalias— y la empresa planea expandir continuamente su conjunto de datos y sus capacidades. El fundador Justin Mast declaró en entrevista a TechCrunch que "sabemos que el modelo va a superar mucho de ese [instrumental tradicional]".
La ciencia detrás de Bombadil no es nueva. La electrofisiología vegetal tiene décadas de investigación publicada que sustenta la idea de que las plantas producen señales eléctricas en respuesta a estímulos ambientales. Lo nuevo es la escala y el enfoque de aprendizaje profundo aplicado al problema. Hasta recientemente, cada modelo de machine learning era entrenado para predecir un único estado de estrés en una única especie, en un único ambiente. Bombadil cambia este paradigma al aprender los fundamentos de las señales eléctricas vegetales en masa, de forma generalista, y luego aplicar ese conocimiento a nuevas especies y nuevas tareas a través de "heads" adicionales que se conectan al backbone pre-entrenado.
Los autores también destacan limitaciones importantes. Ninguno de los registros en el dataset dura más de tres meses por planta, lo que significa que la variación estacional y el ciclo completo de vida de las plantas no están totalmente representados. Extensiones futuras del modelo incluyen la recopilación de datos en más estaciones del año, la adición de nuevos marcadores fisiológicos y la evolución de la arquitectura para leer múltiples sensores simultáneamente en lugar de combinar estimaciones post hoc. Pero el hito ya existe: por primera vez, un modelo de aprendizaje profundo puede generalizar a través de especies vegetales radicalmente diferentes para inferir su estado fisiológico a partir de señales eléctricas puras.
¿Qué revela la electrofisiología vegetal con IA sobre el futuro de la agricultura? Quizás más importante que la aplicación práctica inmediata es el cambio de perspectiva que representa: las plantas no son máquinas pasivas que simplemente "absorben" luz y agua —son sistemas electrofisiológicos activos que comunican continuamente su estado al ambiente, y ahora finalmente tenemos la capacidad técnica de "escuchar" de forma sistemática y escalable. La pregunta es si, al igual que los modelos de lenguaje aprendieron a producir texto coherente a partir de secuencias de símbolos, los modelos de electrofisiología vegetal aprenderán a producir predicciones precisas sobre el comportamiento y las necesidades de las plantas —y si, en algún punto del futuro, será posible, literalmente, hablar con ellas.
Fuentes: arXiv, TechCrunch, BusinessWire
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
