- La IA cuántica combina algoritmos de inteligencia artificial con ordenadores cuánticos, aprovechando cúbits, superposición y entrelazamiento para abordar problemas de optimización y simulación inabordables con hardware clásico.
- Sus beneficios potenciales incluyen reducir drásticamente el coste y tiempo de entrenamiento de modelos, mejorar la precisión de predicciones en sectores críticos y acelerar la investigación en fármacos, materiales, energía o clima.
- El desarrollo actual se centra en arquitecturas híbridas, nuevas formas de aprendizaje automático cuántico (QML) y ecosistemas industriales y académicos como Quantum Spain o plataformas como Helios de Quantinuum.
- Junto a sus ventajas, plantea riesgos en criptografía, desigualdad geopolítica y seguridad, que exigen migrar a criptografía poscuántica y establecer marcos de gobernanza y cooperación internacional.
La expresión modelos de IA cuántica suena a ciencia ficción dura, pero en realidad describe un campo muy real en el que se están dejando millones en I+D en el ecosistema de startups y emprendimiento. Combina lo mejor (y también lo más complejo) de dos mundos: la inteligencia artificial y la computación cuántica. O, dicho de forma más cercana, une cerebros de silicio muy listos con ordenadores que aprovechan las reglas más raras de la física.
Lo interesante es que esta combinación no va solo de hacer lo mismo que hoy, pero más rápido. La IA cuántica apunta a nuevos tipos de algoritmos, formas de aprender y maneras de simular la realidad que simplemente no caben en los ordenadores clásicos. Desde encontrar moléculas para nuevos fármacos hasta optimizar rutas de transporte o carteras de inversión imposibles, el potencial es enorme… aunque todavía estamos en una fase temprana y con muchos retos por delante.
Qué es exactamente la inteligencia artificial cuántica
Cuando hablamos de inteligencia artificial cuántica nos referimos a un área multidisciplinar que se centra en diseñar algoritmos de IA que se ejecutan, total o parcialmente, en ordenadores cuánticos. Es decir, modelos que sacan partido de cúbits, superposición y entrelazamiento en lugar de limitarse a los bits de toda la vida, que solo pueden ser 0 o 1.
La clave está en que un cúbit puede encontrarse en una superposición coherente de 0 y 1, y varios cúbits pueden entrelazarse entre sí. Gracias a estos fenómenos de la mecánica cuántica, un procesador cuántico puede explorar muchas configuraciones de manera paralela, lo que abre la puerta a algoritmos de optimización, búsqueda o simulación radicalmente distintos a los clásicos.
En este contexto, la IA cuántica se apoya en subcampos como el aprendizaje automático (machine learning), el aprendizaje por refuerzo o las redes neuronales, pero reimaginados para arquitecturas cuánticas. No se trata únicamente de acelerar redes neuronales actuales, sino de plantear nuevas estructuras, como las redes neuronales cuánticas o variantes de aprendizaje por refuerzo que aprovechan espacios de estados mucho más grandes.
Todo esto se desarrolla sobre hardware cuántico muy específico: procesadores basados en cúbits superconductores, iones atrapados, átomos neutros ultraenfriados o fotones, entre otros. La promesa es que, aunque hoy estos sistemas sean experimentales y ruidosos, en el futuro podrán atacar problemas de IA que ahora mismo son intratables.
En paralelo, los grandes fabricantes de soluciones de IA clásica están llevando a cabo experimentos híbridos donde combinan servidores tradicionales y procesadores cuánticos. En estos entornos de prueba se exploran casos de uso en visión por computador, procesamiento del lenguaje natural, control robótico y análisis de datos científicos, siempre buscando esa ventaja cuántica que marque la diferencia.
Computación cuántica: cúbits, superposición y entrelazamiento
Para entender por qué los modelos de IA cuántica son tan prometedores, conviene repasar qué hace tan especial a un ordenador cuántico. En lugar de bits, estas máquinas utilizan cúbits o qbits como unidad básica de información. Mientras que un bit está en 0 o en 1, un cúbit puede estar en 0, en 1 y en cualquier combinación lineal de ambos estados al mismo tiempo.
Además de la superposición, la computación cuántica se apoya en el entrelazamiento cuántico, un fenómeno por el cual el estado de un cúbit está ligado al de otro de tal manera que, al medir uno, se afecta instantáneamente al otro, independientemente de la distancia. Esto permite correlaciones muy fuertes entre cúbits y crea un espacio de estados exponencialmente grande.
En la práctica, esto significa que un procesador cuántico puede manejar, de forma implícita, un número gigantesco de configuraciones en paralelo. Para tareas como la optimización compleja, la búsqueda en espacios enormes o la simulación de sistemas físicos y químicos, esa capacidad es oro puro. Y aquí es donde los modelos de IA cuántica pueden marcar el paso.
Los ordenadores cuánticos actuales son todavía prototipos con pocos cúbits útiles y mucho ruido. Sin embargo, ya hay sistemas capaces de realizar demostraciones de superioridad cuántica en problemas concretos, y se trabaja intensamente en técnicas de corrección de errores y en arquitecturas más estables. La meta a medio plazo es lograr ordenadores cuánticos universales y tolerantes a fallos que puedan ejecutar algoritmos complejos durante más tiempo sin perder coherencia.
Mientras tanto, la industria apuesta fuerte por arquitecturas híbridas clásico-cuánticas, donde la parte cuántica resuelve subrutinas muy específicas (como ciertos pasos de optimización o simulación) y el resto del flujo de trabajo sigue corriendo en CPUs y GPUs clásicas. Muchos modelos de IA cuántica que se investigan hoy encajan en este enfoque híbrido.
Beneficios clave de los modelos de IA cuántica
Uno de los grandes ganchos de la IA cuántica es la posibilidad de reducir de forma drástica los costes de entrenamiento de modelos de IA. Hoy en día, entrenar modelos generativos de gran tamaño con miles de millones de parámetros implica pasar cantidades masivas de datos por redes neuronales profundas y complejas. Eso significa millones de operaciones de álgebra lineal, semanas de cálculo en clústeres distribuidos y un consumo energético considerable.
En teoría, un procesador cuántico podría ejecutar millones de operaciones en paralelo sobre representaciones comprimidas de los datos, eliminando o reduciendo de forma notable la necesidad de enormes infraestructuras distribuidas. Configuraciones multiprocesador basadas en núcleos cuánticos permitirían entrenar modelos a escalas que hoy ni siquiera podemos plantear, con un impacto directo en coste económico y huella de carbono.
Otro frente clave es la mejora de la precisión en las predicciones de la IA. Muchos sistemas actuales deben simplificar el mundo: asumen menos variables, hacen aproximaciones o ignoran dependencias porque el hardware clásico no da más de sí. La IA cuántica, al manejar espacios de probabilidad mucho más ricos, podría incorporar más factores y relaciones, ofreciendo resultados más matizados y fiables en entornos de alto riesgo.
Imagina, por ejemplo, modelos cuánticos para la negociación de acciones, la evaluación de solvencia de clientes o las previsiones de cadena de suministro. Un sistema de este tipo podría analizar datos del mercado a un nivel de detalle extremo, teniendo en cuenta un número enorme de escenarios a la vez, y ofrecer señales que proporcionen ventaja competitiva a inversores y empresas. Frente a eso, los algoritmos actuales parecerían meras conjeturas sofisticadas.
La IA cuántica también promete acelerar la investigación científica avanzada en campos como la medicina, el clima, la ciencia de materiales o la química. Simular reacciones químicas complejas, modelar interacciones atómicas o analizar datasets climáticos a escala planetaria son tareas con una complejidad combinatoria brutal. Los modelos de IA cuántica podrían acercar estas simulaciones a tiempos y costes asumibles, desbloqueando nuevos fármacos, materiales o soluciones energéticas.
Nuevos algoritmos y formas de aprender: redes neuronales y QML
La IA cuántica no se limita a “pisar el acelerador” sobre lo ya existente, sino que abre la puerta a nuevos algoritmos de aprendizaje y razonamiento. Un ejemplo son las redes neuronales cuánticas, que utilizan cúbits y operaciones cuánticas para representar y transformar la información, con arquitecturas que pueden explotar espacios de Hilbert de dimensión enorme.
A esto se suma el llamado quantum machine learning (QML), o aprendizaje automático cuántico, que engloba algoritmos diseñados específicamente para procesadores cuánticos. Estas técnicas usan cúbits para almacenar y manipular datos de muchas formas a la vez, explorando un número gigantesco de configuraciones en paralelo. El resultado potencial es una capacidad superior para detectar patrones ocultos y correlaciones complejas en datos ruidosos o de alta dimensión, como los genómicos o los financieros de alta frecuencia.
Otro terreno con mucho movimiento es el aprendizaje por refuerzo mejorado cuánticamente. En este enfoque, un agente aprende a tomar decisiones secuenciales en entornos con muchos posibles resultados y recompensas. Los algoritmos cuánticos podrían ayudar a explorar el espacio de políticas de forma más eficiente, encontrando estrategias óptimas o casi óptimas en menos iteraciones que sus equivalentes clásicos.
Estas innovaciones están empezando a cambiar la forma en que concebimos sistemas inteligentes para tareas como planificación a largo plazo, toma de decisiones en tiempo real con información incompleta o control de sistemas físicos complejos. Campos en los que la IA clásica todavía tropieza podrían beneficiarse de modelos cuánticos capaces de manejar de forma nativa la incertidumbre y la superposición de posibilidades.
Conviene insistir en que la mayoría de estas propuestas están aún en fases tempranas: se prueban en simuladores cuánticos y dispositivos con pocos cúbits ruidosos. Sin embargo, marcan una dirección clara: a medida que el hardware mejore, estos algoritmos irán pasando de ser demostraciones académicas a herramientas aplicables en problemas industriales y científicos reales.
Historia y evolución de la IA cuántica
El origen de todo esto se remonta a principios de los años 80, cuando Richard Feynman planteó usar sistemas cuánticos para simular otros sistemas físicos, algo que los ordenadores clásicos no pueden hacer de forma eficiente en muchos casos. Esa idea encendió la mecha de la informática cuántica y abrió un nuevo frente en el que la física se mezclaba con la computación.
En la década de los 90, la publicación de algoritmos como el de Shor para factorizar grandes números o el de Grover para acelerar búsquedas dejó claro que los ordenadores cuánticos, al menos sobre el papel, podían resolver ciertas tareas mucho más rápido que sus equivalentes clásicos. Desde ahí, era cuestión de tiempo que alguien empezara a conectar esos avances con la inteligencia artificial.
A principios de los 2000 se produjo un paso importante con la creación del Laboratorio de Inteligencia Artificial Cuántica, impulsado por la NASA, Google y la Asociación Universitaria de Investigación Espacial. Esta iniciativa buscaba explorar cómo la computación cuántica podría potenciar el aprendizaje automático y otras tareas computacionales intensivas.
En paralelo, grupos de investigación de todo el mundo comenzaron a desarrollar algoritmos de aprendizaje automático cuántico, explorando desde métodos de clasificación y clustering hasta variantes de redes neuronales y técnicas de reducción de dimensionalidad adaptadas al marco cuántico.
En los últimos años, el foco se ha desplazado hacia las aplicaciones prácticas y las arquitecturas híbridas. Se investiga, por ejemplo, el uso de recocido cuántico (quantum annealing) para resolver problemas de optimización y el modelo de compuertas (gate-based) para aplicaciones más generales como aprendizaje automático, química cuántica y simulación avanzada de materiales.
Aplicaciones sectoriales: de las finanzas a los nuevos materiales
Cuando se aterriza el concepto de modelos de IA cuántica en sectores concretos, aparecen escenarios muy tangibles. En finanzas, por ejemplo, la combinación de IA y computación cuántica puede servir para modelar activos, identificar factores de riesgo globales, diseñar coberturas y optimizar carteras de inversión en espacios de decisión gigantescos.
Gracias a la capacidad de simular múltiples escenarios en paralelo, una IA cuántica podría evaluar millones de configuraciones de cartera considerando volatilidad, correlaciones, liquidez y restricciones regulatorias, encontrando soluciones que minimicen el riesgo o maximicen el retorno de forma más fina que los modelos clásicos.
En el ámbito de la salud y la farmacología, la posibilidad de simular reacciones químicas complejas y estructuras moleculares con gran precisión puede cambiar por completo el descubrimiento de medicamentos. En lugar de depender tanto de pruebas físicas de ensayo y error, se podrían filtrar y optimizar virtualmente miles de moléculas candidatas antes de pasar al laboratorio.
También hay un enorme potencial en la ciencia de materiales y el desarrollo de baterías avanzadas. Modelar cómo se comportan los materiales a nivel cuántico permite diseñar compuestos con propiedades muy específicas: mayor estabilidad, mejor conductividad, resistencia a ciertas condiciones extremas, etc. Esto es clave para sectores como la energía, el transporte o la electrónica.
La logística y el transporte se beneficiarían de modelos de IA cuántica capaces de resolver problemas de rutas, asignación de recursos y planificación con muchas variables dinámicas (tráfico, costes energéticos, disponibilidad de vehículos, clima, restricciones regulatorias…). Encontrar la combinación óptima en estos casos es un quebradero de cabeza matemático donde los algoritmos cuánticos pueden aportar ventajas.
Helios, Quantinuum y la llegada de la cuántica práctica
Dentro del panorama actual, destaca el anuncio de Helios, el sistema de computación cuántica de Quantinuum, que muchos consideran un salto cualitativo importante. En computación cuántica, la métrica estrella no es tanto el número bruto de cúbits, sino la fidelidad: la capacidad de realizar operaciones cuánticas con muy pocos errores.
Helios utiliza tecnología de iones atrapados controlados mediante láseres ultraestables, con una arquitectura en la que los 56 cúbits del chip están completamente conectados: cualquier cúbit puede interactuar con cualquier otro. Este tipo de topología simplifica la implementación de algoritmos complejos y reduce la necesidad de operaciones adicionales para “acercar” cúbits lejanos, lo que normalmente introduce errores.
Según los datos de Quantinuum, Helios alcanza fidelidades de puerta superiores al 99,99 %, lo que reduce drásticamente el ruido cuántico y acerca la posibilidad de aplicar corrección de errores de forma manejable. Este nivel de precisión marca el paso de una cuántica puramente experimental hacia una “cuántica práctica”, donde se pueden ejecutar algoritmos útiles para clientes reales.
Una novedad clave del ecosistema de Helios es su integración con NVIDIA. La idea es combinar la potencia masiva de GPUs clásicas con procesadores cuánticos en flujos de trabajo híbridos para IA. Bajo el paraguas de GenQAI (Generative Quantum AI), se propone que modelos generativos puedan explorar configuraciones moleculares, diseñar materiales o buscar nuevos fármacos, apoyándose en representaciones cuánticas de espacios de probabilidad imposibles de manejar clásicamente.
Quantinuum ofrece Helios a través de su plataforma InQuanto, orientada sobre todo a sectores como energía, química, finanzas, aeroespacial o defensa. No se trata de hacer demos vistosas, sino de resolver problemas concretos de optimización y simulación que son muy difíciles de atacar con hardware clásico puro.
Iniciativas, empresas y ecosistemas en torno a la IA cuántica
En el ecosistema de computación cuántica hay varias compañías que, directa o indirectamente, están allanando el camino para los modelos de IA cuántica. En 2021, por ejemplo, destacaban nombres como Atom Computing, Xanadu, ColdQuanta, Zapata Computing o Azure Quantum, cada una con un enfoque propio sobre hardware, software y servicios.
Algunas de estas empresas se especializan en hardware basado en átomos neutros ultraenfriados, atrapados ópticamente y manipulados con láseres de alta precisión. Este enfoque busca crear ordenadores cuánticos escalables y con acceso remoto a través de la nube, de manera que investigadores y empresas puedan experimentar sin necesidad de disponer del hardware físico.
Otras compañías apuestan por ecosistemas de software abiertos que den acceso a diferentes tipos de hardware cuántico mediante plataformas escalables y seguras, pensando en una transición progresiva hacia un futuro cuántico donde convivan múltiples tecnologías. Aquí entran en juego frameworks, SDKs y herramientas de desarrollo pensadas para que los ingenieros de datos y científicos de IA puedan integrar componentes cuánticos en sus flujos de trabajo.
También hay actores que desarrollan conjuntos de herramientas de extremo a extremo para la computación cuántica, incluyendo simuladores, recursos clásicos de apoyo y flujos de trabajo orquestados. Este tipo de soluciones facilita experimentar con algoritmos de IA cuántica incluso antes de que el hardware comercial alcance el tamaño y la estabilidad deseados.
Por último, algunas empresas están directamente centradas en comercializar tecnologías basadas en átomos ultraenfriados y sistemas láser de precisión, que no solo sirven para computación cuántica, sino también para sensores, relojes atómicos y otros dispositivos de alta exactitud que pueden integrarse con sistemas de IA para aplicaciones industriales muy específicas.
España, Quantum Spain y las oportunidades profesionales
Aunque España no esté en el podio mundial de la cuántica, está dando pasos importantes para no quedarse fuera del top 20 en estas tecnologías exponenciales, con el impulso de los proyectos innovadores. Un punto de inflexión fue la aprobación, en noviembre de 2021, de una subvención inicial de 22 millones de euros (ampliable hasta 60 en tres años) para la creación de un ecosistema de computación cuántica en el país.
Este esfuerzo se articula en torno al proyecto Quantum Spain, alineado con el Plan de Recuperación, la agenda España Digital 2025 y la Estrategia Nacional de Inteligencia Artificial. El objetivo es desarrollar un computador cuántico de altas prestaciones y ponerlo a disposición de empresas, sector público y comunidad investigadora para impulsar aplicaciones avanzadas de IA, incluyendo el Quantum Machine Learning.
Quantum Spain busca crear un ecosistema cuántico competitivo en el sur de Europa, con implicaciones a medio y largo plazo en hardware de deep tech, software y creación de empleo cualificado. Una de las metas explícitas es poner en marcha la primera infraestructura de computación cuántica de la región, accesible de forma remota para que la industria y las administraciones experimenten con nuevos algoritmos.
Este tipo de iniciativas está generando nuevos perfiles y oportunidades profesionales, tanto en investigación académica (doctorados, grupos de laboratorio) como en departamentos de innovación de empresas que quieren posicionarse en la carrera cuántica. Organismos como la Fundación COMPUTAEX han lanzado ya ofertas vinculadas a Quantum Spain, centradas en tareas como la construcción del procesador cuántico, la creación del servicio de acceso remoto en la nube y el desarrollo de librerías de algoritmos cuánticos para problemas reales.
En paralelo, centros de excelencia como el Instituto Max Planck para la Ciencia de la Luz investigan el uso de algoritmos de IA como fuente de inspiración en física cuántica, explorando aplicaciones en telescopios y microscopios cuánticos mejorados, así como en nuevas fuentes para ordenadores cuánticos. Todo ello apunta a un futuro en el que IA e infraestructura cuántica se retroalimenten.
Ventajas, riesgos y medidas de mitigación
La combinación de IA y computación cuántica no es solo promesas y titulares. De hecho, expertos como Josep Curto, de la Universitat Oberta de Catalunya, plantean escenarios muy concretos: aceleración exponencial del entrenamiento de modelos, simulación ultra precisa de sistemas físicos y químicos, y creación de nuevos algoritmos capaces de explorar espacios de posibilidades gigantescos.
Sin embargo, esta tecnología es claramente dual: ofrece beneficios enormes, pero también riesgos serios. Uno de los más citados es el posible colapso de la criptografía de clave pública cuando los ordenadores cuánticos tolerantes a fallos sean capaces de ejecutar el algoritmo de Shor a gran escala. Protocolos como RSA o ECC, que hoy protegen comercio electrónico, banca, VPNs y comunicaciones gubernamentales, podrían quedar obsoletos.
Si la capacidad de romper estos sistemas llega antes de que se generalice la criptografía poscuántica (PQC), todos los datos cifrados con tecnologías vulnerables —historiales médicos, secretos industriales, información militar— podrían quedar expuestos. Esto minaría la confianza en la infraestructura digital global y abriría la puerta a ataques a gran escala.
Otro riesgo es el aumento de la desigualdad digital y geopolítica. El desarrollo y operación de ordenadores cuánticos de alto rendimiento requiere un nivel de inversión, talento y recursos al alcance de muy pocos países y corporaciones. Estados como EE. UU. o China, y empresas como IBM o Google, podrían concentrar una capacidad de cálculo exponencial que agrave la brecha económica y de poder con respecto al resto.
Además, la propia IA cuántica puede amplificar riesgos de seguridad en sistemas de alto impacto. Un atacante con acceso a Quantum Machine Learning podría analizar modelos defensivos (por ejemplo, de detección de fraude o reconocimiento facial) para localizar vulnerabilidades y diseñar ataques de evasión más rápidos y efectivos. Redes eléctricas, gestión del tráfico aéreo o sistemas financieros basados en IA clásica podrían verse desestabilizados ante adversarios con capacidad cuántica.
Gobernanza, criptografía poscuántica y estado actual de la carrera
Para hacer frente a estos riesgos, se proponen medidas que conviene ir tomando en serio antes de que la tecnología madure del todo. Una de las más urgentes es impulsar una migración ordenada hacia la criptografía resistente a la cuántica. Gobiernos y reguladores deben establecer calendarios y obligaciones claras para dejar atrás protocolos vulnerables y adoptar estándares PQC, como los que está seleccionando el NIST en Estados Unidos.
También es clave revisar los repositorios de datos sensibles de larga duración (información sanitaria, secretos militares, propiedad intelectual crítica) y recifrarlos con algoritmos poscuánticos antes de que los ordenadores cuánticos universales sean una realidad. Hay que evitar que alguien “capture hoy y desencripte mañana” grandes volúmenes de información.
En paralelo, se necesita una gobernanza transparente y una cooperación internacional real. Siguiendo el ejemplo de marcos como la EU AI Act, conviene exigir transparencia sobre el uso de IA cuántica en sistemas de alto riesgo y fomentar la creación de consorcios abiertos que democratizen el acceso a simuladores, herramientas de QML y recursos de formación para universidades y pymes.
Otra pieza del puzle es tratar determinados componentes cuánticos como bienes de doble uso (civil y militar), estableciendo acuerdos internacionales que limiten la exportación de hardware cuántico avanzado a países con historiales cuestionables en ciberseguridad o derechos humanos. La cooperación en IA y cuántica no puede ser un “sálvese quien pueda”, porque los impactos son globales.
Todo esto debe hacerse teniendo claro en qué punto estamos. A día de hoy, no vivimos todavía en la era de los ordenadores cuánticos universales y tolerantes a fallos. Las máquinas disponibles —de IBM, Google, IonQ y otros— siguen siendo prototipos con cúbits intermedios y mucho ruido, con una profundidad de cálculo limitada y casos de uso prácticos muy concretos.
Desde una perspectiva geopolítica, hay claramente una carrera por el talento y por la construcción de ecosistemas académicos e industriales, similar a la que hemos visto con la IA en la última década. Tecnológicamente, los esfuerzos se centran tanto en acelerar subrutinas de la IA tradicional como en usar la propia IA (clásica) para mejorar el diseño de hardware cuántico, reducir ruido, optimizar la arquitectura de cúbits y la disposición de criostatos y otros componentes.
Mirando a 10 o 15 años vista, muchos expertos piensan que la IA cuántica dejará de ser un prototipo de alto potencial para convertirse en herramienta cotidiana en laboratorios, hospitales, centros de datos y grandes industrias. El reto ya no es preguntarse si llegará, sino preparar organizaciones, instituciones y sociedades para convivir con estos modelos de IA que, apoyados en la física cuántica, nos permitirán explorar problemas hoy inabordables y, al mismo tiempo, nos obligarán a tomar muy en serio la seguridad, la ética y la gobernanza tecnológica.
