IA cuántica: la carrera por calcular lo que hoy se nos resiste
La inteligencia artificial ya ayuda a detectar errores en procesadores cuánticos. Experimentos con moléculas y nuevas medidas de seguridad muestran por dónde puede llegar el cambio.
Por qué confiar en Pulso Diario
Ilustración editorial original
El salto más interesante de la inteligencia artificial podría ocurrir lejos del chatbot que llevas en el móvil. En laboratorios donde se controlan cúbits —las unidades de información cuántica— se está construyendo otra forma de calcular. La apuesta es abordar problemas científicos que ponen contra las cuerdas a los ordenadores convencionales.
Dos tecnologías que pueden ayudarse mutuamente
La expresión «IA cuántica» reúne dos caminos. Uno utiliza inteligencia artificial para mejorar los ordenadores cuánticos. El otro investiga si estos procesadores pueden resolver partes de una tarea de aprendizaje automático con ventaja frente a los sistemas habituales.
La computación cuántica aprovecha propiedades físicas como la superposición y la interferencia. Un algoritmo bien diseñado puede reforzar la probabilidad de obtener un resultado útil. Eso exige elegir el problema adecuado: medir un sistema cuántico no permite leer todas las respuestas posibles a la vez.
Fuentes: [2] IBM Quantum Learning: introducción al aprendizaje automático cuántico · [3] Google DeepMind y Quantum AI: AlphaQubit, 20 de noviembre de 2024
La IA ya está ayudando a detectar errores cuánticos
Hay un ejemplo concreto: AlphaQubit, presentado por Google DeepMind y Google Quantum AI en noviembre de 2024. Este sistema aprende a interpretar comprobaciones de un procesador cuántico para identificar errores en la información que intenta conservar.
En los experimentos más grandes descritos entonces con Sycamore, cometió un 30% menos de errores de decodificación que el método de comparación denominado correlated matching. La cifra mide ese trabajo específico de detección; no significa que cualquier ordenador cuántico gane un 30% de potencia. La publicación también identificaba retos de velocidad y escalado.
La razón de fondo es sencilla: los estados cuánticos son frágiles. Controlar sus errores es esencial para poder encadenar cálculos largos y fiables.
Fuentes: [3] Google DeepMind y Quantum AI: AlphaQubit, 20 de noviembre de 2024
Ilustración editorial original
13.000 veces más rápido: una cifra con apellido
En octubre de 2025, Google presentó Quantum Echoes, un algoritmo ejecutado en su procesador Willow. Según la compañía, realizó un cálculo físico concreto 13.000 veces más rápido que la mejor alternativa clásica utilizada en su comparación.
Es un resultado experimental específico. No mide la velocidad de un chatbot ni demuestra una aceleración universal de la inteligencia artificial. El experimento envía una señal, altera un cúbit y revierte la evolución del sistema para estudiar el eco de esa perturbación.
Al cargarlo te conectarás con YouTube (Google), sujeto a su política de privacidad.
Fuentes: [4] Google Quantum AI: Quantum Echoes y prueba molecular, 22 de octubre de 2025 · [6] Google Quantum AI: vídeo oficial Quantum Echoes, 22 de octubre de 2025
Una regla molecular para explorar nuevos materiales
En una prueba de concepto separada, Google y UC Berkeley estudiaron moléculas de 15 y 28 átomos con datos de resonancia magnética nuclear. La técnica aportó información sobre su estructura.
Conocer mejor esas estructuras podría ayudar a investigar materiales o interacciones entre moléculas. Ese es el horizonte científico: herramientas más capaces para explorar preguntas difíciles, antes de llegar a un producto o tratamiento.
Fuentes: [4] Google Quantum AI: Quantum Echoes y prueba molecular, 22 de octubre de 2025
Ilustración editorial original
El laboratorio antes que la revolución en tu móvil
Los ámbitos que atraen interés incluyen el diseño de materiales, la química y ciertos problemas de optimización: elegir una buena solución entre muchas combinaciones, como ocurre al organizar recursos. Cada aplicación necesita demostrar su utilidad por separado.
En aprendizaje automático, IBM plantea procesos híbridos: un ordenador convencional prepara los datos, el procesador cuántico ejecuta una parte especializada y el sistema clásico analiza el resultado. Introducir un componente cuántico también tiene costes; cargar los datos y repetir mediciones puede comerse la ventaja del cálculo.
Fuentes: [2] IBM Quantum Learning: introducción al aprendizaje automático cuántico · [3] Google DeepMind y Quantum AI: AlphaQubit, 20 de noviembre de 2024
La seguridad ya se está preparando
Una consecuencia práctica está llegando antes que las grandes aplicaciones de consumo. El 27 de octubre de 2026, el Instituto Nacional de Estándares y Tecnología de Estados Unidos (NIST) publicó su hoja de ruta final para migrar a criptografía poscuántica: métodos diseñados para resistir futuros ataques de ordenadores cuánticos suficientemente potentes.
La preocupación es que alguien almacene información cifrada hoy para intentar descifrarla más adelante. Para las organizaciones, el trabajo empieza por localizar qué sistemas y proveedores usan algoritmos vulnerables y planificar su sustitución. No significa que cualquier cifrado esté roto ni exige una IA capaz de saberlo todo.
Fuentes: [5] NIST: hoja de ruta de transición a criptografía poscuántica, 27 de octubre de 2026
El futuro espectacular todavía tiene trabajo por delante
El carrusel de @the.ai.chapter que inspira este artículo combina una estética futurista con escenarios sobre salud, seguridad y control de la información. Sus afirmaciones sobre curar el cáncer o romper todos los secretos no están acreditadas por los experimentos aquí descritos.
La señal que merece atención es más concreta: una tarea útil, una comparación exigente y un resultado reproducible. Para valorar el próximo anuncio, pregunta qué problema resolvió, frente a qué alternativa y si la mejora se mantiene al contar todo el proceso.
Fuentes: [1] Publicación de origen: @the.ai.chapter, 13 de octubre de 2026 · [2] IBM Quantum Learning: introducción al aprendizaje automático cuántico
La revolución cuántica se ganará con problemas resueltos
El atractivo de esta carrera está en ampliar las preguntas que podemos investigar. Una medición molecular mejor o una máquina más fiable pueden importar más que una demostración visual deslumbrante. El criterio debería ser la utilidad que llega al laboratorio, a la industria y, después, a las personas.
La ambición necesita comparaciones exigentes. Invertir en investigación y preparar sistemas de seguridad son decisiones defendibles; prometer una transformación inmediata de toda la IA confunde el destino deseado con el camino recorrido.
Opinión de Pulso Diario · elaborada a partir de los hechos y fuentes citadosSobre las imágenes
Las escenas son ilustraciones conceptuales originales generadas con IA, inspiradas en la estética futurista de la publicación de origen. No son fotografías de los equipos citados ni representaciones científicas exactas.
Comentarios · ¿qué duda te queda?
¿Qué dato te ayudaría a entender mejor esta noticia? Comparte tu pregunta o señala un posible error con su fuente. Usaremos las dudas para orientar nuevas explicaciones, sin prometer una respuesta individual.
Los comentarios se revisan antes de publicarse. Respeta a los demás, aporta argumentos y evita publicidad o datos personales. Puedes eliminar tus propios comentarios.
Google se cargará al pulsar. Privacidad.
Has accedido con Google.
Más en Inteligencia artificial
Claude amplía su marca de agua textual a tres modelos: qué permite detectar y qué no
Claude abre hilos temporales para agilizar conversaciones largas sin reducir los tokens facturados
La historia viral de Claude Code y 17.342 fotos: qué revisar en tu iPhone
OpenAI presenta LifeVal para evaluar la ayuda de la IA en tareas cotidianas
Gemini tiene diez consejos para la próxima década: el primero empieza por tu cuerpo
Karpathy se hartó de YouTube: así creó HackerTube con IA en unas dos horas
Los nuevos proyectos de pago de Gemini API guardan solicitudes por defecto: cómo controlar el registro
Sheets añade las fuentes web de las respuestas generadas con Gemini a cada celda
«Brain fry»: cuando supervisar la IA se convierte en otra carga de trabajo
AlphaFold y las curas con IA: qué está demostrado y qué falta
Claude abre una API en beta para desglosar el consumo y el coste de las organizaciones
