Enemigos Íntimos | AI & Quantum Computing

¿Por qué la inteligencia artificial y la computación cuántica dejaron de competir y empezaron a alimentarse?

Hay una pregunta que se repite cada vez que alguien mezcla las dos palabras de moda en una misma frase ¿la computación cuántica va a reemplazar a la inteligencia artificial, o la IA va a llegar antes y dejar a las máquinas cuánticas sin problemas interesantes que resolver?

La pregunta suena importante. En realidad está mal formulada. Es como preguntarse si el cine iba a reemplazar a la fotografía. Comparten materia prima, luz, tiempo, encuadre, pero resuelven cosas distintas, y la historia terminó mostrando que una alimentó a la otra durante un siglo.

Con la IA y lo cuántico está pasando algo parecido, solo que a una velocidad que no nos da tiempo a acomodar el relato.

La pelea que nunca fue

El malentendido tiene una raíz razonable: las dos tecnologías se presentan al mundo con la misma promesa. Vamos a resolver lo que hoy es irresoluble. Cuando dos cosas prometen lo mismo, el instinto es leerlas como rivales.

Pero si uno mira el mecanismo en vez del discurso, la diferencia es casi filosófica.

Un modelo de IA predice.  Ve millones de ejemplos, infiere la regla implícita y arriesga un resultado. No entiende por qué una molécula se pliega de determinada manera reconoce que las moléculas parecidas a esa se plegaron así. Es un aparato estadístico extraordinariamente sofisticado de intuición inducida.

Una computadora cuántica simula. No infiere la regla: la ejecuta. Como está hecha del mismo material que el fenómeno que quiere describir,estados cuánticos representando estados cuánticos, puede reproducir el comportamiento de la materia en lugar de aproximarlo.

Predecir y simular no son sinónimos. Son operaciones distintas, con costos distintos y con errores distintos. Y cuando dos herramientas fallan de maneras distintas, lo lógico no es elegir una: es ponerlas en serie.

El bucle que cambia todo

Acá está, para mí, el punto que se pierde en la discusión de titulares.

Un modelo de IA que quiere predecir química necesita datos de química. Muchísimos. Hoy esos datos vienen de experimentos caros, lentos, o de simulaciones clásicas que son aproximaciones con error conocido. El techo del modelo es el techo de sus datos: si lo entrenás con aproximaciones, aprende a aproximar.

Una computadora cuántica suficientemente estable podría generar datos de otra calidad. Simulaciones de alta fidelidad de reacciones que hoy no se pueden calcular. Ese material, usado como entrenamiento, corre el techo del modelo hacia arriba.

Y después el bucle se cierra por el otro lado: el modelo, ahora más preciso, sirve para decidir dónde apuntar la computadora cuántica, que es un recurso escaso, carísimo y lento. La IA hace el rastrillaje; lo cuántico hace la verificación profunda.

Nadie gana. El sistema gana.

Lo cuántico necesita IA para existir. La otra mitad de la historia es todavía menos glamorosa y más decisiva: sin aprendizaje automático, las computadoras cuánticas probablemente no lleguen a funcionar del todo.

El problema central del hardware cuántico no es la potencia, es la fragilidad. Los qubits se degradan por cualquier cosa: una vibración, un fotón perdido, un grado de temperatura. La estrategia para sobrevivir a eso es la corrección de errores: agrupar muchos qubits físicos frágiles en un qubit lógico que se controla a sí mismo. Ese control implica leer, en tiempo real, un torrente de señales ruidosas e inferir qué error ocurrió antes de que se propague.

Eso es, literalmente, un problema de reconocimiento de patrones bajo ruido. Es decir: exactamente aquello para lo que el aprendizaje automático es bueno. Los decodificadores entrenados con IA se volvieron una pieza estructural del stack cuántico, no un accesorio. Y algo parecido pasa con la programación de estas máquinas, una disciplina hostil que los modelos de código están empezando a volver accesible.

Dicho de otro modo: la IA no está esperando a que lo cuántico madure. Es parte de por qué lo cuántico está madurando.

La variable que reordenó el debate: la energía

Durante veinte años el argumento cuántico fue la velocidad. Va a hacer en minutos lo que hoy tarda milenios. Es un argumento verdadero y, sin embargo, dejó de ser el más interesante.

El costo real de la IA contemporánea hoy no se mide en tiempo. Se mide en electricidad, en agua, en terreno, en subestaciones eléctricas, en acuerdos con gobiernos para conseguir potencia instalada. Un data center de frontera es una obra de infraestructura energética con computadoras adentro.

Una computadora cuántica es un objeto incómodo: necesita refrigeración cerca del cero absoluto, aislamiento extremo, una ingeniería que parece de laboratorio de física de partículas. Pero comparada con un galpón de decenas de miles de GPUs, consume otra escala de energía. No otra cifra: otra escala.

Ahí hay un giro conceptual que me parece el más subestimado de todos: lo cuántico dejó de venderse como lo rápido para empezar a venderse como lo eficiente. En un contexto donde la restricción del sector ya no es el talento ni los datos sino los megavatios, esa reubicación puede terminar siendo más importante que cualquier récord de velocidad.

Tanto es así que algunos fabricantes ya evitan la palabra "cuántico" en sus pitchs comerciales y hablan de "aceleradores de IA". Marketing, sí. Pero también un diagnóstico honesto de dónde está la demanda.

Qué significa esto para los que trabajamos con IA todos los días

Trabajo con modelos generativos hace años, en producción real, con deadlines reales. Y aprendí algo que aplica perfecto acá: las tecnologías no compiten por el problema, compiten por el presupuesto, por el talento y por la atención.

Ese es el único frente donde la rivalidad es genuina. Hay una cantidad finita de físicos, de ingenieros, de capital paciente y de paciencia institucional. Cada dólar que va a un laboratorio cuántico es un dólar que no va a un cluster de entrenamiento. Ahí sí hay una pelea, y es la pelea de siempre: la de la asignación de recursos.

Pero en el plano técnico, la evidencia empuja para el otro lado. Las dos tecnologías se necesitan más de lo que se estorban.

La imagen que me queda es la de dos ondas propagándose desde focos distintos. Miradas por separado, cada una es un patrón regular y previsible. Donde se cruzan aparece algo que ninguna contenía sola: interferencia constructiva. Nodos de intensidad que no estaban en ninguno de los dos sistemas.

Ese cruce es el lugar interesante. No la carrera.

Damián Marsero

AI Creative & Producer