Computación cuántica e inteligencia artificial
La computación cuántica no va a sustituir mañana a las GPU ni a los modelos de IA actuales. Pero sí puede cambiar una parte profunda del sistema: cómo se simulan materiales, cómo se optimizan decisiones complejas, cómo se descubren nuevas moléculas y cómo se entrenan o combinan modelos cuando los problemas dejan de encajar bien en la computación clásica.
Resumen inicial
La inteligencia artificial moderna avanza gracias a tres motores: más datos, mejores algoritmos y más capacidad de cálculo. Durante los últimos años, buena parte del salto ha venido de GPU, aceleradores especializados, entrenamiento distribuido y arquitecturas de modelos cada vez más eficientes. Pero hay problemas que siguen siendo muy difíciles para la computación clásica: simular sistemas cuánticos, explorar espacios de soluciones gigantescos, optimizar miles de restricciones interdependientes o descubrir materiales con propiedades muy concretas.
Ahí entra la computación cuántica. Su promesa no consiste en hacer lo mismo que un ordenador convencional pero más rápido en cualquier tarea. Su valor está en otro lugar: representar y manipular ciertos problemas de forma más natural, especialmente cuando la propia naturaleza del problema es cuántica o combinatoria.
El anuncio de Majorana 2 por parte de Microsoft vuelve a poner el foco en esta frontera. Según la compañía, su nuevo chip topológico mejora de forma significativa la fiabilidad respecto a la generación anterior y acelera su hoja de ruta hacia una máquina cuántica escalable. La lectura correcta no es que la IA empresarial vaya a cambiar de inmediato, sino que el mapa de capacidades futuras empieza a moverse.
La IA puede apoyarse en cómputo cuántico para explorar soluciones que hoy son demasiado costosas o aproximadas.
Materiales, química, energía, logística, optimización industrial, diseño de fármacos y simulación avanzada.
Majorana 2 no convierte automáticamente la computación cuántica en una herramienta diaria para entrenar LLMs.
Guía inicial: cómo leer la relación entre IA y computación cuántica
Para entender por qué la computación cuántica puede cambiar la IA, conviene separar tres niveles. El primero es el hardware: qubits, estabilidad, corrección de errores, criogenia e interconexiones. El segundo es el software: algoritmos cuánticos, métodos híbridos, simuladores y compiladores. El tercero es el impacto: qué decisiones, descubrimientos o modelos pueden mejorar gracias a esa nueva capacidad.
La mayor confusión suele aparecer cuando se presenta la computación cuántica como una máquina universalmente más rápida. No lo es. Una GPU seguirá siendo mejor para muchísimas cargas de IA, igual que hoy la elección entre CPU, GPU y aceleradores depende del tipo de operación. Datision lo explicaba en el análisis sobre por qué se usan GPU en lugar de CPU en la IA: el hardware importa porque condiciona qué operaciones se pueden ejecutar de forma eficiente.
La computación cuántica añade otra familia de hardware al mapa. No compite en todas las tareas; puede ser decisiva en tareas concretas donde la estructura matemática del problema encaja con fenómenos como superposición, interferencia y entrelazamiento.
Lectura práctica: no hay que preguntar si la computación cuántica reemplazará a la IA actual. La pregunta útil es qué partes del ciclo de IA podrían mejorar cuando exista una capa cuántica fiable: generación de datos sintéticos físicos, simulación, optimización, búsqueda de hipótesis y diseño de experimentos.
Por qué la IA actual empieza a rozar límites físicos y económicos
La IA generativa ha demostrado que escalar modelos puede desbloquear capacidades sorprendentes. Pero escalar también tiene coste: energía, memoria, latencia, disponibilidad de datos de calidad, complejidad de entrenamiento y dificultad para validar resultados. La historia de la inteligencia artificial siempre ha estado marcada por estas restricciones: una idea puede existir décadas antes de que el hardware permita explotarla de verdad. Por eso el recorrido desde Alan Turing hasta la IA generativa no es solo una historia de algoritmos, sino también de capacidad computacional, como se desarrolla en la historia de la inteligencia artificial.
En la práctica, muchos problemas que interesan a la IA industrial y científica tienen una dificultad explosiva. No basta con añadir más servidores si el espacio de posibilidades crece de forma combinatoria o si el sistema físico que se quiere simular contiene interacciones cuánticas. En esos casos, se usan aproximaciones, modelos reducidos, heurísticas o simulaciones costosas que consumen tiempo y dejan incertidumbre.
La computación cuántica promete aliviar parte de ese cuello de botella. No porque haga magia, sino porque ciertos estados físicos pueden representarse de forma más eficiente en un sistema cuántico que en uno clásico. Para la IA, eso abre una posibilidad muy potente: aprender, optimizar o descubrir con una representación más cercana al problema real.
Qué puede aportar la computación cuántica a la inteligencia artificial
1. Simulación de sistemas complejos
Muchos avances en IA aplicada a ciencia dependen de simular moléculas, reacciones químicas, materiales, proteínas o sistemas energéticos. La dificultad es que la materia obedece reglas cuánticas. Un ordenador clásico puede aproximarlas, pero el coste crece muy rápido cuando aumenta la complejidad.
Un ordenador cuántico fiable podría generar datos, hipótesis y resultados de simulación más ricos para alimentar sistemas de IA. Esto no sustituye al científico ni al modelo, pero mejora el terreno sobre el que ambos trabajan.
2. Optimización combinatoria
La IA empresarial no solo predice. También debe decidir: qué producir, cuándo cambiar una línea, cómo asignar recursos, cómo reducir energía, cómo planificar rutas o cómo equilibrar restricciones de coste, calidad y plazo. Muchos de estos problemas son combinatorios y se vuelven difíciles a gran escala.
3. Búsqueda de mejores modelos
La investigación en IA incluye seleccionar arquitecturas, hiperparámetros, funciones de coste, estrategias de entrenamiento y combinaciones de modelos. Algunos enfoques cuánticos podrían ayudar a explorar espacios de búsqueda complejos, especialmente en esquemas híbridos donde una parte clásica y una parte cuántica colaboran.
4. Descubrimiento científico asistido por IA
La conexión más inmediata puede estar en el laboratorio: IA para generar hipótesis, computación cuántica para simular propiedades, experimentos automatizados para validar y nuevos datos para refinar el ciclo. Es un enfoque de descubrimiento continuo, más cercano a un sistema científico asistido que a una herramienta aislada.
| Área de IA | Limitación actual | Posible aportación cuántica | Madurez esperada |
|---|---|---|---|
| Simulación científica | Modelar sistemas moleculares y materiales con precisión es muy costoso. | Representar fenómenos cuánticos de forma más natural y generar mejores datos para IA. | Alta relevancia, pendiente de escala y corrección de errores. |
| Optimización industrial | Planificación, scheduling y logística pueden crecer de forma combinatoria. | Explorar espacios de solución complejos en métodos híbridos clásico-cuánticos. | Prometedor, con valor inicial en casos muy acotados. |
| Diseño de materiales | Muchos candidatos deben evaluarse mediante aproximaciones lentas. | Acelerar la búsqueda de propiedades específicas para baterías, semiconductores o catalizadores. | Uno de los campos con mayor encaje estratégico. |
| Modelos generativos | El entrenamiento de grandes modelos consume muchos recursos. | No hay sustitución inmediata; sí posibles mejoras en componentes de búsqueda, muestreo o simulación. | Aún exploratorio. |
Qué es Majorana 2 y por qué importa
Majorana 2 es el chip cuántico de nueva generación anunciado por Microsoft en junio de 2026. Su importancia no está solo en el número de qubits, sino en la arquitectura: Microsoft apuesta por qubits topológicos, una vía que busca qubits más resistentes al ruido y al error desde su propia base física.
La computación cuántica tiene un problema central: los qubits son extremadamente frágiles. Pierden coherencia, se ven afectados por ruido ambiental y necesitan corrección de errores. Si cada operación introduce demasiada incertidumbre, el sistema no escala de forma útil. Por eso la fiabilidad de los qubits es uno de los grandes cuellos de botella.
Microsoft afirma que Majorana 2 introduce una pila de materiales rediseñada y consigue una mejora de fiabilidad de 1.000 veces respecto a la generación anterior. También comunica una vida media de qubit de 20 segundos, con casos de hasta un minuto. Son cifras importantes si se validan y escalan, porque desplazan la conversación desde la demostración física hacia la posibilidad de una arquitectura más estable.
Qué significa que use qubits topológicos
Un qubit convencional puede entenderse como una unidad de información cuántica que no se limita a 0 o 1, sino que puede operar en combinaciones de estados. El problema es mantener ese estado el tiempo suficiente y con el control necesario para calcular.
Los qubits topológicos buscan proteger la información de una forma distinta: codificarla en propiedades globales del sistema, menos sensibles a perturbaciones locales. La idea es atractiva porque podría reducir la tasa de error y, por tanto, la enorme sobrecarga de qubits físicos necesaria para obtener qubits lógicos fiables.
En el caso de Microsoft, la apuesta se apoya en modos de Majorana y materiales capaces de crear condiciones topológicas. Es una ruta ambiciosa y técnicamente exigente. También es una ruta que ha generado debate científico, por lo que conviene mantener dos ideas a la vez: si funciona, puede ser muy relevante; hasta que exista validación amplia y escala operativa, sigue siendo una frontera en construcción.
El objetivo es que el qubit sea menos vulnerable al ruido local y mantenga mejor la información.
Si la tasa de error baja, se necesitan menos recursos para construir operaciones fiables.
La promesa es acercar arquitecturas con muchos qubits sin que el sistema se vuelva inmanejable.
La comunidad científica seguirá mirando reproducibilidad, métricas, escalado y evidencia experimental.
Los avances recientes de Majorana 2
Según Microsoft, Majorana 2 incorpora cambios relevantes en la pila de materiales. Uno de los más destacados es el uso de plomo como superconductor, en sustitución del aluminio de la generación anterior. La compañía lo presenta como una mejora clave para proteger los qubits frente a perturbaciones y aumentar la calidad del dispositivo.
También es relevante el papel de Microsoft Discovery, la plataforma de IA agéntica que Microsoft ha usado para acelerar procesos de investigación: gestión de conocimiento, análisis de datos de laboratorio, automatización de mediciones, detección de anomalías en fabricación y propuestas de ajuste. La lectura estratégica es muy interesante: la IA ayuda a construir mejor hardware cuántico, y ese hardware podría ayudar en el futuro a ampliar ciertas capacidades de la IA.
Ese ciclo es una de las claves de la próxima década tecnológica. La IA no solo será usuaria de la computación cuántica; también puede ser una herramienta para diseñarla, probarla, medirla y mejorarla.
Majorana 2 introduce una pila de materiales revisada para mejorar la calidad del dispositivo y la estabilidad del qubit.
Microsoft habla de qubits 1.000 veces más fiables frente a su generación anterior y vidas medias de 20 segundos.
Microsoft Discovery se ha usado para acelerar mediciones, fabricación, análisis de datos y coordinación interdisciplinar.
La compañía afirma que este avance acorta su hoja de ruta hacia un ordenador cuántico escalable, con objetivo declarado para 2029.
Por qué esto puede cambiar la IA
El impacto más probable no será una sustitución directa de los modelos actuales. Será una ampliación del ecosistema de cómputo. La IA seguirá usando GPU, aceleradores, CPU, nube, edge y supercomputación clásica. La capa cuántica entrará donde aporte una ventaja clara.
En investigación científica, puede mejorar la calidad de simulaciones que alimentan modelos de IA. En industria, puede ayudar a resolver problemas de planificación, energía, producción y logística cuando las restricciones se vuelven demasiado complejas. En materiales, puede acelerar ciclos de diseño que hoy requieren años de experimentación. En biotecnología, puede apoyar modelos capaces de explorar interacciones moleculares con más precisión.
El contexto europeo y español también importa. La capacidad de supercomputación, las AI Factories y los centros de investigación avanzados están construyendo el puente entre modelos, infraestructura y aplicación. La visita de Datision al BSC y la BSC AI Factory ya apuntaba a esa misma idea: la IA competitiva no depende solo del algoritmo, sino de la infraestructura que permite convertir cálculo en decisiones útiles.
Para empresas: el mensaje no es comprar computación cuántica hoy. El mensaje es empezar a identificar problemas donde una mejora radical de simulación u optimización tendría impacto real: formulación, calidad, energía, mantenimiento, planificación, logística, materiales o diseño de procesos.
Qué conviene mirar con cautela
La computación cuántica lleva años acumulando avances prometedores y también expectativas exageradas. Majorana 2 debe analizarse con esa doble mirada. Por un lado, el salto comunicado por Microsoft es relevante y sugiere progreso en una arquitectura difícil. Por otro, la comunidad científica seguirá pidiendo evidencia reproducible, validación independiente, escalado y demostraciones de utilidad práctica.
En IA, además, utilidad no significa solo ejecutar un algoritmo cuántico. Significa integrarlo en un flujo completo: datos, modelo, evaluación, coste, seguridad, explicación, despliegue y decisión. Una tecnología puede ser brillante en laboratorio y tardar años en convertirse en una herramienta operativa.
Por eso la posición más sólida es evitar tanto el rechazo automático como el entusiasmo acrítico. La computación cuántica puede cambiar la IA, pero lo hará de forma gradual, híbrida y probablemente desigual por sectores.
Hoja de ruta práctica para equipos de IA e innovación
Las empresas no necesitan esperar a tener un ordenador cuántico propio para prepararse. Lo útil ahora es construir criterio: entender qué problemas podrían beneficiarse, qué datos y modelos existen, qué métricas de valor se usarían y qué proveedores o plataformas conviene observar.
- Mapear problemas de alta complejidad. Identificar decisiones donde el espacio de soluciones sea enorme o donde la simulación física limite la innovación.
- Diferenciar hype de caso de uso. Preguntar qué parte del flujo mejoraría: simulación, búsqueda, optimización, muestreo, diseño experimental o validación.
- Preparar datos y arquitectura. La capa cuántica no arregla datos pobres. La base sigue siendo gobierno del dato, trazabilidad y contexto operativo.
- Explorar enfoques híbridos. Lo más realista será combinar IA clásica, supercomputación, heurísticas, simuladores cuánticos y, cuando maduren, QPU reales.
- Vigilar métricas de madurez. No basta con titulares de qubits. Importan vida útil, fidelidad, corrección de errores, conectividad, coste y demostraciones útiles.
Preguntas frecuentes sobre computación cuántica e IA
¿La computación cuántica hará que la IA sea más inteligente?
No de forma automática. Puede mejorar ciertas capacidades de cálculo, simulación y optimización que alimentan sistemas de IA, pero la inteligencia del sistema seguirá dependiendo del problema, los datos, el modelo, la evaluación y su integración en decisiones reales.
¿Majorana 2 ya permite entrenar grandes modelos de IA?
No. Majorana 2 debe entenderse como un avance de hardware cuántico en una hoja de ruta de investigación y escalado. No es una plataforma comercial para entrenar modelos generativos de gran tamaño en producción.
¿Por qué los qubits topológicos son tan importantes?
Porque buscan proteger mejor la información cuántica frente al ruido. Si esta arquitectura consigue reducir errores de forma significativa, podría hacer más viable escalar sistemas cuánticos útiles.
¿Qué sectores pueden beneficiarse antes?
Los primeros impactos razonables se esperan en ámbitos donde la simulación y la optimización son críticas: materiales, química, energía, farmacología, logística avanzada, fabricación compleja y diseño de procesos.
¿La computación cuántica sustituirá a GPU y supercomputadores?
No en términos generales. Lo más probable es un modelo híbrido: GPU y supercomputación clásica para muchas cargas de IA, y computación cuántica para subproblemas específicos donde aporte ventaja.
¿Qué deberían hacer ahora los equipos de IA?
Formarse, identificar casos de alta complejidad, fortalecer la arquitectura de datos y seguir avances medibles. La preparación útil no es comprar tecnología inmadura, sino saber dónde tendría valor cuando alcance suficiente fiabilidad.
Cierre estratégico
La computación cuántica puede cambiar la IA porque ataca una parte esencial del problema: la capacidad de representar, explorar y optimizar sistemas que hoy son demasiado complejos para la computación clásica. Majorana 2 es relevante porque apunta a uno de los obstáculos principales, la fiabilidad del qubit, y porque muestra cómo la IA agéntica ya está acelerando el propio desarrollo del hardware cuántico.
La conclusión no es que todo vaya a cambiar de golpe. La conclusión es más interesante: la IA del futuro será cada vez más híbrida. Combinará modelos generativos, datos industriales, simulación, supercomputación, agentes, automatización experimental y, cuando la tecnología madure, recursos cuánticos para problemas que hoy están fuera de alcance.