DURANTE AÑOS ESTUVO RESERVADO PARA LAS INSTITUCIONES ⭒ ESO ESTÁ CAMBIANDO

A menudo se habla de la inteligencia artificial y la computación cuántica como si fueran visiones del futuro que compiten entre sí. No lo son. La IA ya tiene utilidad comercial porque convierte datos en predicciones, recomendaciones, automatización y comportamiento de software. La computación cuántica se encuentra en una etapa más temprana de su madurez, pero ofrece un tipo diferente de ventaja computacional: la capacidad de representar y manipular ciertas clases de problemas mediante efectos de la mecánica cuántica, como la superposición y el entrelazamiento. En términos simples, la IA ayuda a los sistemas a aprender de la información; la computación cuántica podría eventualmente ayudar a los sistemas a buscar, optimizar, simular y muestrear de maneras que son difíciles para las máquinas clásicas.

La computación cuántica es distinta a una computación clásica más rápida. Los bits clásicos son cero o uno. Los bits cuánticos, o cúbits, pueden existir en superposiciones de estados y pueden entrelazarse entre sí. Los algoritmos cuánticos explotan estas propiedades para interferir con las probabilidades de maneras útiles. Eso no los hace universalmente mejores. Significa que pueden ser superiores para ciertas clases de problemas, que incluyen algunas tareas de optimización, simulación, álgebra lineal, muestreo y criptografía. Un modelo mental útil es pensar en las computadoras cuánticas como coprocesadores altamente especializados.

Existen cuatro razones principales por las que la IA y la computación cuántica son estratégicamente complementarias. Primero, la IA puede ayudar a construir mejores sistemas cuánticos. El aprendizaje automático ya se está utilizando para la calibración de cúbits, la caracterización del ruido, la optimización del control, la decodificación de errores y la programación de experimentos. Estas no son tareas periféricas; son fundamentales para determinar si el hardware cuántico se vuelve más confiable y útil. Segundo, la computación cuántica podría eventualmente ayudar a resolver cuellos de botella dentro de flujos de trabajo adyacentes a la IA. Muchos problemas industriales combinan la predicción con la optimización.

El trading es una de las áreas de aplicación más discutidas, pero también más incomprendidas, para la IA y la computación cuántica. La fantasía popular es una máquina que predice los mercados a la perfección. Las finanzas reales no son así. Los mercados son adaptativos, ruidosos, reflexivos, regulados y están saturados de estrategias competitivas. Las ventajas se desvanecen. Los costos importan. La latencia importa. Los controles de riesgo importan aún más. Cualquier discusión seria sobre la IA y lo cuántico en el trading debe partir de esa realidad. La IA ya es profundamente relevante en las finanzas. Se utiliza para la extracción de señales, detección de regímenes, monitoreo de fraudes, inteligencia documental, análisis del flujo de órdenes, servicio al cliente, vigilancia, pruebas de estrés y análisis de carteras.

El sector de la salud incluye mucho más que el diseño de moléculas. Los hospitales y los sistemas de salud deben optimizar la dotación de personal, la asignación de camas, el flujo de pacientes, las imágenes diagnósticas, la programación, la gestión de reclamos y la priorización de tratamientos. La IA ya es útil en imágenes médicas, soporte de triaje, documentación, puntuación de riesgos y planificación operativa. Los métodos potenciados por la computación cuántica podrían llegar a ser importantes donde estos flujos de trabajo incluyan grandes problemas de optimización o inferencia probabilística.

Las organizaciones de ingeniería confían cada vez más en los gemelos digitales: representaciones computacionales de máquinas, fábricas, sistemas energéticos o infraestructuras que se actualizan a medida que cambian las condiciones. La IA ayuda a estos gemelos estimando estados ocultos, prediciendo fallas, comprimiendo flujos complejos de sensores y aprendiendo modelos sustitutos que se ejecutan más rápido que las simulaciones completas. Los enfoques cuánticos podrían volverse útiles cuando la optimización subyacente o la simulación física superen la conveniencia clásica. En la industria aeroespacial, por ejemplo, los equipos optimizan materiales, geometrías de componentes, horarios de mantenimiento, rutas y eficiencia de combustible bajo muchas restricciones. En el diseño de semiconductores, modelan procesos de fabricación, patrones de defectos e interacciones físicas a escalas minúsculas. En robótica y sistemas autónomos, deben razonar sobre entornos inciertos y políticas de control dinámicas. Cada una de estas áreas contiene subproblemas que son computacionalmente costosos y estructuralmente interesantes para los métodos híbridos cuántico-clásicos.