IA y computación cuántica: la convergencia va en un solo sentido (por ahora)

TESIS: La convergencia entre inteligencia artificial y computación cuántica es real y se está acelerando, pero es profundamente asimétrica. Hoy la IA está aportando ventajas concretas y medibles a la cuántica —sobre todo en corrección de errores y calibración—, mientras que el camino inverso, la «IA cuántica» que supere a la clásica, no tiene todavía ninguna ventaja práctica demostrada. Quien venda el bucle como algo simétrico y ya operativo está confundiendo la aspiración con la capacidad.

Empecemos por la dirección que sí funciona: la IA acelerando la cuántica. El ejemplo estrella es AlphaQubit, el descodificador de errores desarrollado por Google DeepMind junto a Google Quantum AI y publicado en Nature. Es una red neuronal de tipo transformer entrenada para identificar el «ruido» que corrompe los cálculos cuánticos, y en los experimentos con el procesador Sycamore cometió un 6% menos de errores que los métodos de redes tensoriales (los más precisos, pero demasiado lentos para usarse en tiempo real) y un 30% menos que la técnica rápida de referencia. El talón de Aquiles sigue siendo la velocidad: descodificar tiene que ocurrir en microsegundos, al ritmo de los qubits superconductores, y ahí es donde se está trabajando. Pero la señal de fondo es inequívoca: uno de los problemas más duros de la física de la información —decidir qué error ha ocurrido a partir de señales ambiguas— resulta ser precisamente el tipo de problema en el que el aprendizaje profundo brilla.

Y no es un caso aislado. La IA se está infiltrando en toda la pila cuántica: aprendizaje por refuerzo para optimizar circuitos de hasta 60 qubits reduciendo su profundidad, redes neuronales de grafos para diseñar parámetros de circuitos superconductores, y hasta agentes de lenguaje que orquestan de forma autónoma la puesta en marcha y calibración de un procesador de 112 qubits —lo que sus autores bautizaron, medio en broma, como «vibe calibration»—. Nuestra lectura: la calibración y el control de qubits son tareas tediosas, de altísima dimensionalidad y sin gloria, exactamente el trabajo que la automatización inteligente debería absorber. Que la IA esté madurando aquí primero, en la trastienda del laboratorio, es coherente con lo que vemos en otros dominios: la tecnología llega antes a lo aburrido que a lo espectacular.

El hardware, mientras tanto, ha dado un salto que merece reconocerse sin euforia. El chip Willow de Google (105 qubits) demostró por primera vez corrección de errores «por debajo del umbral»: al agrandar el código, la tasa de error lógico baja en lugar de subir, con una supresión de 2,14× cada vez que se aumenta la distancia del código, y una memoria lógica que supera en 2,4× la vida del mejor qubit físico. Es un hito de 30 años de espera desde los años 90. IBM ha publicado una hoja de ruta insólitamente concreta hacia Starling en 2029 —200 qubits lógicos, 100 millones de puertas—, apoyada en códigos qLDPC que, según la compañía, recortan hasta un 90% el número de qubits físicos necesarios. Quantinuum presume de fidelidades del 99,9% en sus iones atrapados con Helios; QuEra y la propia Quantinuum ya exhiben decenas de qubits lógicos con ratios de codificación mucho más eficientes de lo que se creía. Es el fin del relato de que la cuántica «siempre estará a veinte años vista».

Ahora la parte incómoda, porque nuestra línea es no edulcorar el corto plazo. Primero, el hype con consecuencias: el chip Majorana 1 de Microsoft, presentado en febrero de 2025 con la afirmación de contener ocho qubits «topológicos» ultrarrobustos, ha recibido críticas duras y sostenidas de la comunidad de física de la materia condensada; la propia nota editorial de Nature advirtió de que los resultados publicados no constituyen evidencia de modos topológicos, y el debate seguía abierto en 2026. Lo citamos como acusación y matiz, no como veredicto —Microsoft mantiene su interpretación—, pero ilustra por qué en este campo hay que exigir revisión por pares y benchmarks duros antes de comprar el titular.

Segundo, y más importante para desmontar el bucle mágico: la cuántica aplicada a la IA sigue sin entregar. El aprendizaje automático cuántico (QML) choca contra las «mesetas áridas» (barren plateaus), un fenómeno en el que los gradientes se desvanecen exponencialmente con el tamaño del sistema y el entrenamiento se vuelve inviable. Y hay una ironía demoledora, documentada por investigadores de Los Álamos: muchas de las arquitecturas diseñadas para esquivar esas mesetas resultan ser simulables de forma clásica —es decir, si el modelo cuántico se puede entrenar, probablemente un ordenador normal también podía hacerlo—. Súmese el coste de cargar datos clásicos en estados cuánticos, que suele devorar cualquier ventaja teórica. A día de hoy no existe una ventaja práctica demostrada del QML sobre los mejores métodos clásicos. El horizonte más creíble para la ventaja cuántica no está en el machine learning, sino en la química y los materiales: simular moléculas con más de ~100 orbitales activos, algo que la clásica no alcanza y que requerirá cientos o miles de qubits lógicos, previsiblemente ya en los años treinta.

El dinero, cómo no, ya está apostando. Según el Quantum Technology Monitor de McKinsey, la inversión en startups cuánticas alcanzó 12.600 millones de dólares en 2025 —6,3 veces más que en 2024—, con el 90% dirigido a computación; la firma proyecta hasta 2,7 billones de dólares de valor económico para 2035. Señal reveladora: la proporción de capital público cayó del tercio en 2024 a apenas el 3% en 2025, y el 60% se concentró en las diez mayores operaciones (IonQ comprando Oxford Ionics por 1.100 millones, la ronda de 1.000 millones de PsiQuantum, Quantinuum rozando los 10.000 millones de valoración). Nuestra lectura: el capital privado huele el «punto de inflexión comercial», pero esa misma concentración y ese entusiasmo son el caldo de cultivo perfecto para las afirmaciones infladas. La disciplina de separar demo de producto nunca ha sido más necesaria.

IMPLICACIONES. A corto plazo (esta década), lo sensato es esperar avances reales pero acotados: mejores descodificadores, más qubits lógicos, primeras ventajas de nicho en optimización y simulación química, y una necesidad urgente de migrar la criptografía a estándares poscuánticos —el riesgo de «cosechar ahora, descifrar después» es de hoy, no de mañana—. Nada de esto justifica ni el pánico ni la euforia. A largo plazo, la convergencia sí apunta al horizonte que defendemos: si la IA sigue engrasando la maquinaria cuántica y esta madura hacia la tolerancia a fallos, el premio es acelerar el descubrimiento de fármacos y materiales —baterías, catalizadores, superconductores, moléculas contra enfermedades hoy intratables—. Ese es el vínculo directo con la abundancia y la longevidad: no una IA que piensa más rápido gracias a los qubits, sino herramientas que comprimen décadas de I+D en años. Objetivos como el de DARPA de computación cuántica a escala útil hacia 2033 encajan con nuestro marco de una transición dura pero orientada al bienestar.

En síntesis: la convergencia IA↔cuántica no es un cohete que se autopropulsa; es, por ahora, la IA empujando a la cuántica cuesta arriba, mientras la cuántica todavía no puede devolver el favor. Reconocer esa asimetría no es pesimismo: es la condición para invertir, regular y entusiasmarse con la cabeza fría. El horizonte de erradicar enfermedades y liberar tiempo humano sigue intacto. Solo que se conquista con física verificada y benchmarks honestos, no con titulares.