Modelos de IA cuántica: presente, retos y futuro

Seguidores Online » Redes Sociales » Modelos de IA cuántica: presente, retos y futuro

La combinación de modelos de IA cuántica y computación cuántica es uno de esos temas donde la palabra “revolución” no parece exagerada. Por un lado, tenemos la inteligencia artificial clásica, que ya domina desde los sistemas de recomendación hasta los modelos generativos gigantes. Por otro, una tecnología cuántica todavía inmadura, pero con un potencial que podría cambiar por completo la forma en la que entrenamos, ejecutamos y entendemos la IA.

Ahora bien, el panorama es bastante más complejo de lo que suele contarse en titulares. No basta con decir que la cuántica hará la IA más rápida: hay limitaciones de hardware, problemas de ruido, dificultades para codificar datos clásicos en qubits y, sobre todo, una gran brecha entre la teoría y las aplicaciones industriales reales. En este artículo vamos a desgranar con calma qué son los modelos de IA cuántica, qué beneficios prometen, en qué punto está la tecnología y por qué, a pesar del hype, sigue habiendo tantas incógnitas sobre su futuro.

Qué son realmente los modelos de IA cuántica

Cuando hablamos de modelos de IA cuántica, nos referimos a algoritmos de inteligencia artificial que aprovechan directamente recursos cuánticos para aprender, optimizar o hacer predicciones. No se trata solo de ejecutar el mismo algoritmo clásico en otro tipo de hardware, sino de diseñar modelos que usan propiedades como la superposición y el entrelazamiento para procesar información de forma distinta.

En este contexto suele hablarse de Quantum Machine Learning (QML), que engloba técnicas de aprendizaje automático que incorporan circuitos cuánticos en alguna parte del flujo de trabajo. Estos modelos pueden ser totalmente cuánticos o híbridos, combinando procesadores clásicos (CPU/GPU) con unidades de procesamiento cuántico (QPU), algo que en la práctica es lo más habitual hoy en día.

La idea de fondo es que, gracias al espacio de estados de un sistema cuántico, un modelo cuántico podría explorar patrones y correlaciones inaccesibles para la IA clásica con el mismo coste computacional. En teoría, eso permitiría entrenar modelos más precisos, más rápidos o que funcionen mejor en ciertos problemas de optimización, simulación y toma de decisiones compleja.

Sin embargo, a día de hoy seguimos sin una prueba general de que los modelos de IA cuántica superen de forma clara y sistemática a sus equivalentes clásicos en datos del mundo real. La mayoría de resultados prometedores se dan en casos muy concretos, en tamaños reducidos y con bastantes condiciones técnicas.

Qubits, superposición y corrección de errores: la base física

En la computación cuántica, la unidad de información es el qubit o bit cuántico. A diferencia de un bit clásico, que solo puede estar en estado 0 o 1, un qubit puede situarse en una superposición de ambos estados al mismo tiempo, con ciertas probabilidades. Esto significa que un conjunto de qubits puede representar en paralelo una cantidad enorme de configuraciones posibles.

Gracias a la superposición y al entrelazamiento cuántico, los algoritmos cuánticos son capaces de evaluar simultáneamente muchas soluciones de un problema, lo que en teoría ofrece ventajas enormes para tareas como la optimización, la búsqueda o la simulación física. Ese es el fundamento matemático y físico que hace tan atractiva la idea de modelos de IA cuántica.

El problema es que los qubits físicos son extremadamente delicados. Están sometidos a ruido, decoherencia y errores causados por el entorno, por imprecisiones en los controles o por imperfecciones del propio hardware. Como consecuencia, los ordenadores cuánticos actuales se equivocan con relativa frecuencia al ejecutar puertas lógicas y, si el circuito es lo bastante largo, la información se degrada antes de terminar el cálculo.

Para paliar esto, la comunidad científica está desarrollando qubits lógicos, que son una abstracción de nivel superior creada a partir de muchos qubits físicos. El objetivo es introducir esquemas de corrección de errores que permitan construir una computación cuántica tolerante a fallos: un requisito imprescindible para que los modelos de IA cuántica sean realmente útiles en aplicaciones críticas.

En esta línea, se han propuesto modelos inspirados en sistemas físicos como el modelo de Ising para mejorar el proceso de decodificación necesario en la corrección de errores cuánticos. Algunos trabajos apuntan a mejoras de más del doble en rendimiento y aumentos muy significativos en precisión durante la decodificación de qubits lógicos, lo que acerca un poco más ese escenario de computación cuántica fiable.

Hoy por hoy, incluso los mejores procesadores cuánticos cometen errores del orden de uno cada mil operaciones. Para que se conviertan en verdaderos aceleradores de alto valor científico o empresarial, esa tasa de error tendría que reducirse a uno entre un billón o menos. Aquí es donde entra en juego la IA clásica: muchos expertos ven la inteligencia artificial como el futuro “sistema operativo” o plano de control de las máquinas cuánticas, capaz de ajustar continuamente parámetros, corregir desviaciones y aprender modelos de error del propio hardware.

Beneficios potenciales de los modelos de IA cuántica

Si miramos más allá de las limitaciones actuales, los modelos de IA cuántica podrían aportar ventajas importantes frente a la IA clásica en varios frentes clave: coste de entrenamiento, precisión de las predicciones, avances científicos y nuevos tipos de algoritmos.

Reducción drástica de los costes de entrenamiento

Entrenar los grandes modelos de IA actuales, especialmente los modelos generativos de base con miles de millones de parámetros, es una auténtica barbaridad computacional. Hace falta pasar cantidades inmensas de datos por redes neuronales muy profundas, ajustando pesos a base de millones y millones de operaciones matemáticas. Esto implica clústeres de GPUs, infraestructuras distribuidas complejas y un consumo energético enorme.

En teoría, un procesador cuántico suficientemente maduro podría realizar millones de operaciones en paralelo en un único chip, eliminando buena parte de la necesidad de grandes configuraciones distribuidas para muchas cargas de trabajo de IA. Eso permitiría entrenar modelos mucho más grandes o más detallados con un coste computacional y energético mucho menor al actual.

Además, si esa capacidad se combina con arquitecturas de multiprocesador cuántico, podríamos escalar el entrenamiento de modelos a tareas hoy inimaginables, tanto por tamaño de los datos como por complejidad de los patrones a capturar. De cumplirse este escenario, el impacto medioambiental y económico del entrenamiento de modelos punteros se vería muy reducido.

Predicciones más precisas en escenarios complejos

Otro frente donde los modelos de IA cuántica podrían brillar es en la calidad y riqueza de las predicciones. Al ser capaces de manejar simulaciones probabilísticas y optimizaciones a gran escala de manera más natural, estos modelos podrían incorporar más variables y relaciones que los algoritmos clásicos, muchas veces limitados por el hardware.

En sistemas clásicos solemos simplificar hipótesis, ignorar dimensiones o asumir aproximaciones para que el problema sea tratable. Un modelo de IA cuántica, en cambio, podría sostener más variables y correlaciones simultáneamente, generando predicciones más matizadas y potencialmente más acertadas, sobre todo en entornos de alto riesgo.

Casos como la negociación algorítmica de acciones, la evaluación crediticia o la planificación de cadenas de suministro son candidatos claros. En finanzas, por ejemplo, un modelo cuántico podría analizar datos de mercado a un nivel de detalle inabordable hoy, teniendo en cuenta gran cantidad de factores e interdependencias al mismo tiempo. Eso se traduciría en carteras mejor optimizadas y en una evaluación de riesgos con una ventaja competitiva real frente a los modelos clásicos.

Aceleración de la investigación científica avanzada

La intersección entre IA cuántica y ciencia aplicada es otra de las grandes promesas. Muchos campos punteros, como la investigación médica, el estudio del clima o la ciencia de materiales, requieren procesar volúmenes enormes de datos y simular sistemas complejos que, a menudo, son intrínsecamente cuánticos (por ejemplo, reacciones químicas o interacciones a escala atómica).

Un modelo de IA cuántica podría simular reacciones químicas detalladas con una precisión que supera con creces lo que permiten los ordenadores clásicos, abriendo la puerta al diseño de nuevos fármacos, catalizadores o materiales avanzados. Lo mismo ocurre con modelos climáticos a escala planetaria, donde la capacidad de integrar un número masivo de variables y escenarios en tiempo razonable cambiaría la forma de hacer ciencia.

Nuevos tipos de algoritmos y formas de aprender

Más allá de acelerar lo que ya tenemos, los modelos de IA cuántica ofrecen algo aún más sugerente: la posibilidad de diseñar algoritmos completamente nuevos, que no son simples versiones “rápidas” de sus equivalentes clásicos. La IA actual está construida, en gran medida, sobre las limitaciones de la computación clásica; cambiar el sustrato computacional permite replantear el propio concepto de modelo.

Ejemplos tempranos son las redes neuronales cuánticas (Quantum Neural Networks) o los esquemas de aprendizaje por refuerzo con mejoras cuánticas. Estas líneas de trabajo intentan redefinir cómo pueden “aprender” las máquinas cuando trabajan en espacios de estados cuánticos, con un abanico de resultados mucho más amplio de lo habitual.

En el largo plazo, esto podría desembocar en modelos especialmente buenos en áreas donde la IA clásica sigue sufriendo: planificación con horizontes temporales muy largos, toma de decisiones en tiempo real con información incompleta o problemas con un gran número de soluciones posibles que se influyen entre sí de forma compleja.

Un poco de historia: de Feynman al Quantum Machine Learning moderno

El germen de la computación cuántica moderna se remonta a principios de los años 80, cuando Richard Feynman lanzó una idea sencilla pero demoledora: si la naturaleza se comporta de forma cuántica, los ordenadores clásicos nunca serán realmente eficientes simulando sistemas físicos complejos. Su propuesta fue usar sistemas cuánticos controlados para simular otros sistemas cuánticos, sentando así las bases conceptuales de la informática cuántica.

Durante los años 90, el campo dio un salto importante con el desarrollo de algoritmos cuánticos teóricos como el algoritmo de Shor, que demostró que era posible factorizar números enormes exponencialmente más rápido que con cualquier método clásico conocido. Eso encendió todas las alarmas, porque muchos sistemas de cifrado (como RSA) se basan justo en la dificultad de esa factorización.

A raíz de esos avances, se incrementó el interés en explorar la relación entre computación cuántica e inteligencia artificial. A principios de los 2000 surgió el Laboratorio de Inteligencia Artificial Cuántica, impulsado por la NASA, Google y la Asociación Universitaria de Investigación Espacial. Su objetivo era precisamente investigar de qué manera la computación cuántica podía mejorar el aprendizaje automático y otros problemas de alto coste computacional.

En paralelo, distintos grupos académicos empezaron a diseñar algoritmos de aprendizaje automático cuántico, concebidos para aprovechar las propiedades cuánticas y acelerar el entrenamiento o mejorar la precisión de modelos de IA. Desde entonces, el foco ha ido desplazándose de la teoría pura a la búsqueda de aplicaciones prácticas.

Hoy, muchas empresas y centros de investigación apuestan por arquitecturas híbridas cuántico-clásicas. Mientras que técnicas como el recocido cuántico se aplican sobre todo a problemas de optimización combinatoria, el modelo de compuerta (circuitos cuánticos universales) se explora para aprendizaje automático, química cuántica y simulación avanzada.

Cuatro paradigmas: datos clásicos y cuánticos, procesamiento clásico y cuántico

Para entender bien dónde encajan los modelos de IA cuántica, resulta útil separar el tipo de datos y el tipo de procesamiento. Podemos combinar datos clásicos o cuánticos con hardware clásico o cuántico, lo que genera cuatro paradigmas básicos:

• CC (Clásico-Clásico): datos clásicos y procesamiento clásico. Es el Machine Learning tradicional: desde una regresión logística a una red neuronal que detecta caras o un modelo generativo de lenguaje.
• QC (Cuántico-Clásico): datos cuánticos y procesamiento clásico. Se usan algoritmos clásicos para analizar resultados de experimentos cuánticos, detección de estados, metrología, etc. Tiene muchas aplicaciones en ciencia básica.
• CQ (Clásico-Cuántico): datos clásicos y procesamiento cuántico. Es el “Santo Grial” actual en QML: usar un ordenador cuántico para exprimir al máximo modelos sobre imágenes, texto y otros datos tradicionales.
• QQ (Cuántico-Cuántico): datos cuánticos y procesamiento cuántico. Es la visión ideal de Feynman: una máquina cuántica aprendiendo directamente de la naturaleza cuántica, por ejemplo en simulaciones moleculares complejas.

Por el momento, el cuadrante CQ es el más perseguido industrialmente, porque permitiría acelerar tareas de IA clásicas sin cambiar la naturaleza de los datos de entrada. Sin embargo, el potencial más profundo del QML probablemente esté en el cuadrante QQ, donde la cuántica “juega en casa” para descubrir nuevos materiales, fármacos o fenómenos físicos.

Codificar datos clásicos en sistemas cuánticos: el gran cuello de botella

Uno de los obstáculos prácticos más serios para los modelos de IA cuántica con datos clásicos es el proceso de codificación o encoding. Un ordenador cuántico no entiende de imágenes JPEG, hojas de cálculo o texto tal cual; su lenguaje son estados de amplitud de probabilidad y fases cuánticas.

La codificación consiste en traducir los datos clásicos a estados cuánticos útiles para el cálculo. Existen técnicas como el amplitude encoding, basis encoding o phase encoding, que reparten la información de los datos en distintos aspectos del estado de los qubits. El problema es que preparar estos estados de forma eficiente para problemas reales es extremadamente complicado.

Si tenemos un conjunto de entrenamiento con millones de muestras y necesitamos un paso de carga por dato, es muy fácil perder cualquier ventaja cuántica antes de empezar siquiera el cálculo. Es la típica situación de tener un coche de alta gama, pero tener que arrastrarlo a pulso hasta la autopista. Además, la preparación de estados complejos requiere circuitos muy profundos, que chocan frontalmente con el ruido de la tecnología NISQ (Noisy Intermediate-Scale Quantum) actual.

Una posible solución futura pasa por disponer de memorias RAM cuánticas (QRAM) capaces de almacenar y recuperar datos cuánticos de forma eficiente. Pero, a día de hoy, esa QRAM todavía no existe como dispositivo físico práctico, y sigue siendo un gran reto de ingeniería y diseño hardware.

Circuitos cuánticos variacionales y Quantum Machine Learning actual

Como el hardware cuántico de hoy está lejos de ser perfecto, la aproximación dominante en QML son los circuitos cuánticos variacionales (VQC). Esta técnica se apoya en una arquitectura híbrida: una parte del cálculo se realiza en el procesador cuántico y otra en el procesador clásico, en un bucle iterativo de optimización.

La dinámica es más o menos así: la CPU clásica propone unos parámetros para el circuito cuántico (por ejemplo, ángulos de rotación en determinados qubits). La QPU ejecuta el circuito con esos parámetros, se realizan las mediciones pertinentes y se devuelven los resultados. La CPU analiza esas salidas, calcula una función de coste y ajusta los parámetros para la siguiente iteración. Este ida y vuelta continúa hasta converger en un conjunto de parámetros que minimiza (o maximiza) el objetivo del modelo.

En realidad, es otro problema de optimización, muy parecido al entrenamiento de una red neuronal profunda. La ventaja potencial es que el espacio de búsqueda en el espacio de Hilbert de los qubits es muchísimo más rico que el de los pesos clásicos, lo que en teoría podría ayudar a encontrar mínimos globales que un algoritmo puramente clásico no detectaría.

Sin embargo, este enfoque se topa con un problema serio: las barren plateaus. Es un fenómeno análogo al vanishing gradient clásico, pero más extremo. Imagina que el paisaje de la función de pérdida no es una montaña con valles, sino un desierto prácticamente plano, donde es casi imposible saber en qué dirección hay que moverse para mejorar. Ese “desierto” es típico de ciertos circuitos cuánticos muy profundos o mal diseñados, donde el gradiente se vuelve prácticamente cero en casi todo el espacio de parámetros.

Cuando esto ocurre, el entrenamiento del modelo cuántico se bloquea: los algoritmos de optimización pierden la referencia y dejan de aprender. La comunidad está proponiendo múltiples trucos y restricciones de diseño para esquivar esas barren plateaus, pero sigue siendo uno de los grandes desafíos teóricos del Quantum Machine Learning.

El algoritmo perdido: Shor, HHL y el kernel trick cuántico

En criptografía, el algoritmo de Shor fue el “momento eureka” que demostró una ventaja exponencial clara de la computación cuántica frente a la clásica. En Machine Learning todavía no hemos llegado a un hito equivalente: no existe un único algoritmo de QML que muestre, de forma robusta y en condiciones realistas, una superioridad generalizada sobre los enfoques clásicos para datos del mundo real.

Hay propuestas teóricas como el algoritmo HHL (Harrow-Hassidim-Lloyd) para resolver sistemas de ecuaciones lineales de manera exponencialmente más rápida. Estos sistemas son la base de muchas técnicas de Machine Learning (regresión, métodos de mínimos cuadrados, etc.). Sobre el papel, ofrece una velocidad increíble, pero en la práctica exige condiciones muy duras sobre cómo se introducen y se leen los datos, lo que hace muy difícil obtener una ventaja tangible en escenarios realistas.

Por eso, gran parte de la esperanza actual está puesta en métodos tipo kernel trick cuántico. La idea, heredada de las máquinas de vectores de soporte (SVM), es que los ordenadores cuánticos pueden calcular de forma natural productos escalares entre datos embebidos en espacios de dimensión enorme, incluso infinita. Si demostramos que ciertos patrones solo son separables de forma eficiente en esos espacios cuánticos, entonces tendríamos una ventaja práctica clara.

Quantum Boosting: combinar modelos clásicos y cuánticos

Dado que ni la IA clásica ni la cuántica actual son perfectas, una de las líneas más sensatas es apostar por modelos en ensemble que mezclen ambos mundos. En aprendizaje automático clásico sabemos que combinar varios modelos débiles puede producir un modelo global más robusto, reduciendo la varianza y mejorando la capacidad de generalizar.

La clave está en que los errores de los modelos no estén correlacionados: si cada modelo se equivoca en cosas distintas, la combinación tiende a corregir parte de esos fallos. Trasladado al terreno cuántico, una estrategia muy prometedora es el llamado Quantum Boosting.

El esquema, simplificando, sería el siguiente: primero entrenamos un modelo clásico fuerte sobre todo el conjunto de datos, hasta alcanzar una precisión razonable (imaginemos un 85 %). Después identificamos el 15 % de ejemplos en los que ese modelo falla, es decir, los residuos. A continuación, entrenamos un modelo cuántico pequeño específicamente sobre ese subconjunto difícil.

De este modo, el modelo cuántico se concentra justo en esos casos donde el modelo clásico no ve bien la estructura oculta de los datos. No hace falta cargar todo el dataset en la QPU, lo que ahorra tiempo de codificación y reduce problemas de ruido. El resultado final es un sistema híbrido donde la parte clásica resuelve la mayor parte de los casos y el componente cuántico refina el comportamiento en las zonas más complejas del espacio de datos.

Este enfoque es pragmático porque no exige una ventaja cuántica total, sino parcial y localizada: basta con que el modelo cuántico aporte una mejora apreciable en esos residuos para que el conjunto global sea mejor que cualquier solución puramente clásica con el mismo coste.

Estado actual de la computación cuántica y su relación con la IA

La computación cuántica se encuentra hoy en una fase intermedia: existen procesadores cuánticos funcionales, accesibles incluso a través de la nube, pero la mayoría son dispositivos de laboratorio o plataformas aún muy lejos de ser sistemas estables y escalables para uso industrial masivo.

Grandes compañías como IBM, Google (con Quantum AI) o Microsoft (Azure Quantum) están desarrollando sus propias plataformas de hardware y software cuántico. A la vez, instituciones como el NIST o iniciativas como el programa europeo Quantum Flagship impulsan la estandarización, nuevos esquemas criptográficos y aplicaciones potenciales.

El problema es que todavía no hay una conexión directa y clara entre la teoría cuántica y un catálogo amplio de aplicaciones industriales, especialmente en el terreno del Machine Learning generalista. Aunque se han identificado casos prometedores en optimización combinatoria, logística o planificación de rutas, el salto de la demostración de laboratorio a la ventaja competitiva estable aún está por darse.

En cuanto a IA, la percepción de muchos expertos es que, incluso si mañana tuviéramos ordenadores cuánticos maduros disponibles a gran escala, no está del todo definido cómo sacarles jugo en modelos de aprendizaje automático ampliamente utilizados, más allá de nichos muy concretos. Se intuye el potencial, pero faltan “recetas” claras.

Helios, fidelidad extrema y la llegada de la cuántica práctica

En este contexto, comienzan a aparecer sistemas que apuntan a una nueva fase. Un ejemplo relevante es Helios, de Quantinuum, un procesador de iones atrapados que ha marcado un hito en términos de fidelidad de operación. La fidelidad, más que el número de qubits, es la métrica clave hoy en computación cuántica, porque mide hasta qué punto podemos mantener estados cuánticos estables y libres de errores durante el tiempo necesario.

Helios ha alcanzado fidelidades de puerta superiores al 99,99 %, lo que lo sitúa como uno de los sistemas cuánticos más precisos del momento. Utiliza iones atrapados en campos electromagnéticos, controlados con láseres ultraestables, y ofrece una topología completamente conectada entre sus 56 qubits: cualquier qubit puede interactuar con cualquier otro, algo muy ventajoso frente a arquitecturas superconductoras con conectividad limitada.

Con este nivel de precisión, la corrección de errores cuánticos comienza a ser realmente manejable, reduciendo la sobrecarga de recursos necesaria para compensar el ruido. Quantinuum describe esta etapa como el inicio de la “cuántica práctica”, donde los algoritmos dejan de ser meras demostraciones académicas para abordar problemas reales en química, energía o finanzas.

Un aspecto llamativo del ecosistema Helios es su integración con NVIDIA. La idea es combinar la enorme capacidad de cálculo clásico de las GPUs con los nuevos procesadores cuánticos para ejecutar flujos híbridos IA-cuántica. Bajo el paraguas de GenQAI (Generative Quantum AI), se explora el uso de modelos generativos que se alimentan de información cuántica para explorar configuraciones moleculares, optimizar materiales o descubrir posibles candidatos a fármacos.

En este enfoque, la computación cuántica no pretende sustituir a la IA generativa clásica, sino amplificar su capacidad exploratoria cuando el espacio de posibilidades es tan grande que los métodos clásicos se vuelven ineficientes. Quantinuum ofrece Helios a través de plataformas como InQuanto, ya en manos de empresas de sectores como energía, química, defensa o finanzas, que buscan resolver problemas específicos más que hacer “demostraciones de concepto”.

En paralelo, otras compañías emergentes han empezado a montar centros de datos cuánticos multimodales, que integran diferentes tecnologías cuánticas bajo un mismo techo, anticipando un futuro en el que la cuántica sea un recurso más dentro de la infraestructura de cálculo avanzada.

Oportunidades, incertidumbre y papel de la IA en el control cuántico

La gran paradoja de los modelos de IA cuántica es que, a la vez que representan una oportunidad estratégica enorme, están rodeados de una incertidumbre considerable. Nadie puede asegurar si la computación cuántica se consolidará en pocos años o si hará falta una o dos décadas más de avances en hardware, teoría y software.

Lo que sí está claro es que, si se produce un salto significativo en la calidad de los procesadores cuánticos, será fundamental haber entendido antes cómo integrarlos en flujos de trabajo reales, especialmente en IA y ciencia de datos. De ahí la importancia de la investigación actual en algoritmos híbridos, corrección de errores guiada por modelos de IA y técnicas inspiradas en la física cuántica (como las tensor networks) para comprimir redes neuronales clásicas, desde CNN hasta LLM.

De hecho, incluso sin hardware cuántico masivo, ya se han desarrollado algoritmos “cuántico-inspirados” que utilizan ideas de la mecánica cuántica y de sistemas complejos para mejorar modelos puramente clásicos. El éxito de estas aproximaciones sugiere que, le guste o no a nadie, la IA y la cuántica están condenadas a entenderse de una forma u otra.

En este escenario, muchos investigadores ven la IA como la pieza que cerrará la brecha entre el ruido actual y la computación cuántica de propósito general. Modelos abiertos y ajustables por la comunidad serán clave para personalizar el control de hardware cuántico, mejorar la calibración, anticipar errores y, en definitiva, hacer que las máquinas cuánticas sean verdaderamente útiles.

Quizá nunca usemos un ordenador cuántico para clasificar fotos de gatos o para optimizar el CTR de anuncios, porque la IA clásica ya lo resuelve de maravilla. Pero en áreas como la simulación molecular, el descubrimiento de materiales o la comprensión de procesos físicos fundamentales, los modelos de IA cuántica tienen muchas papeletas para convertirse en la herramienta de referencia. Y mientras se sigue buscando ese “algoritmo perdido” que demuestre una ventaja cuántica incuestionable en problemas de datos clásicos, lo que sí se vislumbra es un futuro donde la IA y la computación cuántica formen un tándem inseparable en la frontera de la ciencia y la ingeniería.