Un informe de GlobalData publicado en noviembre de 2023 documenta un crecimiento del 14% en la tasa anual compuesta (CAGR) de patentes relacionadas con Quantum AI entre 2020 y 2022. El dato refleja un interés creciente de la industria en combinar computación cuántica e inteligencia artificial, aunque la mayoría de esas patentes pertenecen todavía a investigación de laboratorio, no a productos comerciales desplegados.
Adarsh Jain, director de Mercados Financieros de GlobalData, describe la combinación como un avance en la capacidad de procesar conjuntos de datos complejos de forma eficiente. Kiran Raj, responsable de la práctica de Tecnología Disruptiva del mismo analista, añade un matiz importante: aunque la tecnología promete potencia adicional y una mejor comprensión de cómo funcionan internamente los sistemas de IA, su adopción «es compleja y exige cautela». La tecnología sigue en fases tempranas y requiere inversión significativa para progresar.
Qué es exactamente Quantum AI
Quantum AI es el campo que aplica principios de computación cuántica a los algoritmos de inteligencia artificial. La diferencia fundamental con la computación clásica está en la unidad básica de información: en lugar de bits que solo pueden valer 0 o 1, la computación cuántica usa qubits, que gracias al principio de superposición pueden estar en múltiples estados simultáneamente. Esto permite explorar múltiples posibilidades a la vez, lo que puede acelerar significativamente ciertos tipos de cálculo, especialmente los de optimización y búsqueda en espacios de solución muy grandes.
Conviene ser preciso sobre qué significa «más rápido» en este contexto. La computación cuántica no acelera todos los tipos de cálculo: es ventajosa para problemas específicos donde la exploración paralela de soluciones marca la diferencia, como la simulación molecular, la criptografía o la optimización de carteras financieras. Para tareas como entrenar un LLM estándar, los procesadores clásicos (y las GPU) siguen siendo la opción práctica.
Las alianzas empresariales que cita GlobalData
El informe de GlobalData identifica varias colaboraciones entre empresas de distintos sectores para probar la computación cuántica en casos de uso reales. En finanzas, HSBC e IBM trabajan juntos en aplicaciones de computación cuántica para mercados financieros. En salud, Menten AI usa la plataforma cuántica de D-Wave para el diseño de proteínas y medicamentos, un área donde la simulación molecular es computacionalmente muy intensiva. En transporte, Volkswagen trabaja con Xanadu en la simulación de baterías para vehículos eléctricos, y Zapata Computing colabora con BMW en optimización de procesos industriales. Intel, por su parte, tiene su propio Quantum SDK para desarrolladores que quieren trabajar con su hardware cuántico.
Ninguna de estas colaboraciones implica computación cuántica en producción masiva: son proyectos piloto o de investigación orientados a determinar dónde el hardware cuántico puede ofrecer una ventaja real frente a las soluciones clásicas. La carrera por construir hardware de IA eficiente no se limita al ámbito cuántico; en el segmento de silicio clásico, OpenAI ha comenzado a diseñar su propio chip con Broadcom para abaratar la inferencia de los LLM, lo que muestra cómo la optimización del hardware se ha vuelto central para todos los actores de la IA.
Los retos técnicos que frenan la adopción
Los dos problemas principales de la computación cuántica a finales de 2023 son la decoherencia y el número limitado de qubits. La decoherencia ocurre cuando los qubits pierden su estado cuántico por interacción con el entorno exterior: temperatura, vibraciones o campos electromagnéticos. Mantener qubits estables requiere temperaturas próximas al cero absoluto (-273 °C), lo que exige infraestructura criogénica cara y compleja. Además, los ordenadores cuánticos actuales tienen decenas o cientos de qubits, no los millones que harían falta para superar a los clásicos en tareas de escala real.
En ese contexto, es notable el trabajo de empresas españolas como Multiverse Computing, que buscan aplicar la computación cuántica para hacer rentables ciertos tipos de cálculo en IA. Su propuesta Pulsar 16B, un modelo de razonamiento abierto que busca hacer rentable la IA de razonamiento, muestra cómo las empresas del sector cuántico también participan en la carrera de los LLM.
Preguntas frecuentes
¿Qué es un qubit y en qué se diferencia de un bit clásico?
Un bit clásico solo puede ser 0 o 1. Un qubit, gracias al principio de superposición cuántica, puede estar en ambos estados a la vez hasta que se mide. Eso permite a los ordenadores cuánticos explorar múltiples posibilidades simultáneamente en ciertos tipos de cálculo.
¿La computación cuántica es más rápida que la clásica en todo?
No. La computación cuántica ofrece ventaja en problemas específicos: optimización combinatoria, simulación molecular, factorización de números grandes. Para cálculos estándar de IA, como el entrenamiento de redes neuronales, las GPU clásicas siguen siendo más prácticas y asequibles.
¿Cuáles son los principales frenos de la computación cuántica en 2023?
La decoherencia (los qubits son muy inestables), el número aún bajo de qubits disponibles en hardware comercial y el coste de la infraestructura criogénica necesaria para mantenerlos a temperatura cercana al cero absoluto son los tres factores que más frenan la adopción empresarial.
¿Qué sectores están usando ya computación cuántica en proyectos reales?
Según GlobalData, finanzas (HSBC e IBM), salud (Menten AI con D-Wave), transporte (Volkswagen con Xanadu, Zapata con BMW) y electrónica de consumo con la simulación de baterías. Todos son proyectos de investigación o pilotos, no despliegues en producción a gran escala.
