La computación cuántica promete resolver problemas imposibles para los ordenadores clásicos, pero no todos los ordenadores cuánticos son iguales. Existen dos categorías principales: de uso especializado y de uso general. Sin embargo, la falta de claridad en la comunicación de sus capacidades puede generar confusión. Un caso notable es el ordenador cuántico Jiuzhang, desarrollado por la Universidad de Ciencia y Tecnología de China (USTC), cuya cobertura mediática a veces exagera o simplifica su potencial, dando la impresión de que es una solución universal cuando en realidad es un sistema especializado. Este artículo explica las diferencias entre ambos tipos de ordenadores cuánticos, detalla el caso de Jiuzhang y subraya la importancia de un enfoque claro para evitar información engañosa.
Ordenadores cuánticos de uso especializado
Definición
Un ordenador cuántico de uso especializado está diseñado para resolver un problema específico o un conjunto limitado de problemas, aprovechando las propiedades cuánticas como la superposición y el entrelazamiento para lograr un rendimiento superior en tareas concretas.
Características
Tarea específica: Está optimizado para una aplicación particular, como el muestreo de bosones gaussianos (GBS) o el muestreo de circuitos aleatorios.
Limitaciones: No puede ejecutar algoritmos cuánticos generales ni resolver problemas diversos.
Ventaja: Puede superar a los superordenadores clásicos en tareas específicas, demostrando ventaja cuántica (quantum advantage).
Jiuzhang es un ordenador cuántico fotónico que utiliza láseres, espejos, prismas y detectores de fotones para realizar el muestreo de bosones gaussianos (GBS). En 2020, resolvió un problema de GBS con 76 fotones en 200 segundos, una tarea que habría tomado ~600 millones de años a un superordenador clásico (según el artículo publicado en Science, DOI: 10.1126/science.abe8770). En 2023, Jiuzhang 3.0 alcanzó 255 fotones, resolviendo un problema en 1.27 microsegundos, comparado con ~600 años para el superordenador Frontier (Physical Review Letters, 2023).
Por qué es especializado: Jiuzhang está diseñado específicamente para GBS, un problema que calcula distribuciones de probabilidad de fotones en un circuito óptico. No puede ejecutar algoritmos como el de Shor (para criptografía) o simulaciones químicas completas, que requieren un sistema universal.
Riesgo de confusión: Notas periodísticas han afirmado que Jiuzhang resuelve problemas en «4 minutos» que tomarían «miles de millones de años» a superordenadores, lo que es cierto para GBS, pero puede dar la impresión errónea de que Jiuzhang es un ordenador universal capaz de cualquier tarea. Sin aclarar que su ventaja se limita a una tarea específica, se genera una expectativa inflada sobre sus aplicaciones prácticas.
Ordenadores cuánticos de uso general
Definición
Un ordenador cuántico de uso general (o universal) puede ejecutar cualquier algoritmo cuántico, adaptándose a una amplia gama de problemas, desde criptografía hasta simulaciones químicas o inteligencia artificial, siempre que cuente con suficientes qubits y corrección de errores.
Características
Versatilidad: Puede implementar algoritmos diversos, como los de Shor, Grover o simulaciones de sistemas físicos.
Requerimientos: Necesita miles o millones de qubits con corrección de errores para ser práctico, ya que los qubits son propensos a errores (ruido).
Estado actual: Hasta julio de 2025, no existen ordenadores cuánticos universales plenamente funcionales. Sistemas como Zuchongzhi 3.0 (China, 105 qubits superconductor) o los de IBM (hasta 433 qubits) están más cerca de este objetivo, pero aún enfrentan limitaciones.
Ejemplos de aplicaciones: Factorización de números grandes (romper criptografía), optimización compleja, simulaciones moleculares para diseño de fármacos.
Diferencias clave
Aspecto
Uso especializado (ej. Jiuzhang)
Uso general
Propósito
Resuelve tareas específicas (ej. GBS).
Resuelve cualquier problema cuántico.
Flexibilidad
Limitado a un problema concreto.
Versátil para múltiples aplicaciones.
Estado actual
Operativo (Jiuzhang, Sycamore).
En desarrollo, no alcanzado a gran escala.
Aplicaciones
Demostraciones teóricas, simulaciones limitadas.
Criptografía, química, optimización.
Escalabilidad
Optimizado para su tarea, no generalizable.
Requiere millones de qubits con corrección de error.
El caso de Jiuzhang y la importancia de la claridad
El ordenador cuántico Jiuzhang ha sido un hito en la computación cuántica, pero su cobertura mediática ilustra cómo una comunicación imprecisa puede generar confusión. Por ejemplo, titulares que destacan que Jiuzhang supera a superordenadores en «miles de millones de años» son técnicamente correctos para el GBS, pero no aclaran que:
El GBS es una tarea de demostración con aplicaciones prácticas limitadas.
Jiuzhang no puede realizar tareas generales como descifrar códigos o simular sistemas químicos completos.
Su ventaja cuántica no implica que sea superior en todos los contextos.
Por ejemplo, una nota podría decir: «Jiuzhang resuelve en 4 minutos un problema que tomaría miles de millones de años», lo cual es cierto según el artículo de Science (2020). Sin embargo, sin explicar que esto aplica solo al GBS, el lector podría asumir que Jiuzhang es un ordenador universal, lo que no es cierto. Esta falta de contexto puede inflar las expectativas sobre su impacto inmediato.
Aplicaciones y limitaciones de Jiuzhang
Aplicaciones teóricas: El GBS podría usarse en química cuántica (simulación de moléculas) o en problemas de optimización, pero estas aplicaciones están en etapas experimentales.
Limitaciones: Jiuzhang no es un sistema universal y no puede ejecutar algoritmos cuánticos genéricos. Su arquitectura fotónica es ideal para GBS, pero menos flexible para otras tareas.
Avances recientes
Hasta julio de 2025, Jiuzhang 3.0 (2023) alcanzó 255 fotones, consolidando su liderazgo en computación cuántica fotónica. China también avanza en sistemas más cercanos al uso general, como Zuchongzhi 3.0 (105 qubits superconductor) y Tianyan-504 (504 qubits), pero estos aún no son universales debido a limitaciones en la corrección de errores.
Conclusión
La distinción entre ordenadores cuánticos de uso especializado y de uso general es crucial para entender su potencial y limitaciones. Jiuzhang es un ejemplo destacado de un sistema especializado, sobresaliente en el muestreo de bosones gaussianos, pero no es un ordenador universal. La comunicación clara y precisa es esencial para evitar malentendidos, especialmente en titulares sensacionalistas que pueden exagerar las capacidades de sistemas como Jiuzhang. Al informar sobre avances cuánticos, es fundamental destacar el propósito específico de cada sistema y su estado actual en la carrera hacia la computación cuántica universal.
D-Wave, la compañía pionera en computación cuántica de recocido (quantum annealing), presentó en agosto un diseño de corrección de errores que, según sus propias simulaciones, puede reducir la tasa de error lógico hasta en un factor de diez por cada incremento adicional de corrección aplicado, un valor que la empresa denomina «lambda de 10». El resultado se apoya en un artículo publicado en la revista Nature y forma parte de una apuesta de 550 millones de dólares que la compañía viene realizando en su hoja de ruta hacia la tolerancia a fallos.
Trevor Lanting, director de desarrollo de D-Wave, explicó a la prensa especializada que la cifra de lambda 10 surge de simulaciones a escala basadas en el desempeño de compuertas ya demostrado en el artículo de Nature, y que determinar experimentalmente ese valor de lambda todavía forma parte de la hoja de ruta pendiente hacia la tolerancia a fallos. La fidelidad reportada como titular del anuncio es, además, «post-seleccionada»: los investigadores descartan las corridas en las que se detectó un error, una práctica habitual quirúrgica con qubits de tipo erasure pero que probablemente no reflejará el funcionamiento final de una computadora completamente corregida.
El anuncio se inscribe en la disputa competitiva más amplia por definir qué arquitectura de qubit —superconductora, de iones atrapados, fotónica o de recocido cuántico como la de D-Wave— logrará primero escalar la corrección de errores a un costo manejable. Mientras compañías como IBM y Google avanzan con arquitecturas de compuertas basadas en códigos de superficie, D-Wave defiende que su enfoque de recocido puede llegar a una reducción de costos de corrección de errores más rápida gracias a la simplicidad relativa de su hardware físico.
La cautela de los propios ejecutivos de D-Wave sobre la brecha entre simulación y demostración experimental es un recordatorio de que buena parte de los anuncios de corrección de errores cuánticos todavía combinan resultados reales con proyecciones optimistas. Para inversores y clientes potenciales del sector financiero o de materiales que siguen de cerca el progreso cuántico, la lección de fondo es que el camino hacia una ventaja cuántica comercialmente relevante seguirá midiéndose en años, no en meses, incluso cuando los titulares de prensa sugieran saltos inminentes.
IonQ anunció el 27 de agosto haber demostrado una canalización de decodificación de corrección de errores cuánticos (QEC) en tiempo real capaz de operar a escala de MegaQuOp utilizando un único procesador Apple M4 Max, un chip disponible comercialmente y no diseñado específicamente para computación cuántica. La solución, completamente basada en software clásico, procesó datos correspondientes a hasta 408 qubits lógicos y más de un millón de compuertas T con una demora computacional mínima.
El resultado busca resolver uno de los cuellos de botella menos visibles pero más determinantes de la computación cuántica tolerante a fallos: la decodificación clásica que corrige los errores generados por el hardware cuántico debe ejecutarse a la misma velocidad que la propia computadora cuántica, o de lo contrario se convierte en el factor que limita todo el sistema. Al validar que un procesador de consumo masivo puede sostener ese ritmo a la escala que IonQ proyecta necesitar, la compañía descarta que la decodificación clásica sea el obstáculo que frene su hoja de ruta hacia sistemas cuánticos de utilidad práctica.
El anuncio se suma a una seguidilla de avances en corrección de errores durante agosto: Quantum X Labs reportó que su decodificador basado en inteligencia artificial superó los puntos de referencia de PyMatching de Google sobre el conjunto de datos de códigos de superficie de hardware cuántico real, apoyándose en la plataforma CUDA-Q de NVIDIA. Estos desarrollos en paralelo muestran que distintos actores de la industria están atacando el mismo problema —decodificar errores más rápido y con mayor precisión— desde ángulos de hardware y software diferentes, en una carrera donde ningún enfoque se impuso todavía como estándar.
Para la industria cuántica en su conjunto, que lleva años prometiendo sistemas tolerantes a fallos sin ofrecer certezas sobre los plazos, este tipo de validaciones incrementales importa porque reduce, pieza por pieza, la lista de incógnitas técnicas abiertas antes de que una computadora cuántica pueda ejecutar cálculos útiles de forma sostenida. La pregunta que sigue sin respuesta es cuándo esos avances de laboratorio se traducirán en máquinas capaces de resolver problemas que hoy resultan intratables para la computación clásica, y qué industrias —farmacéutica, financiera o de materiales— serán las primeras en capturar ese beneficio real.
Más de 15 bancos globales, entre ellos JPMorgan Chase, Goldman Sachs, Barclays, BBVA, BNP Paribas y HSBC, tienen hoy programas activos de investigación en computación cuántica enfocados en acelerar los cálculos de Monte Carlo que sostienen el pricing de derivados y la medición de riesgo. Ninguno corre todavía un algoritmo cuántico en producción real, pero la inversión ya es concreta: cerca del 38% del gasto en investigación y desarrollo cuántico del sector se dirige hoy a aplicaciones financieras. Para un lector argentino, el dato relevante es que ningún banco de la región aparece todavía en ese mapa.
El método de Monte Carlo es, desde los años cincuenta, la herramienta central para poner precio a instrumentos financieros complejos y para calcular el Valor en Riesgo (VaR): se generan miles o millones de escenarios posibles y se promedian los resultados. La versión cuántica de esa técnica, conocida como estimación de amplitud cuántica, promete una aceleración cuadrática sobre el método clásico: donde un cálculo clásico necesita un millón de muestras para alcanzar cierto nivel de precisión, la versión cuántica podría llegar al mismo resultado con apenas mil evaluaciones de circuito. Goldman Sachs ya asoció ese enfoque en un trabajo conjunto con QC Ware e IonQ para el pricing de riesgo financiero, y JPMorgan corrió pricing de opciones call europeas en un procesador cuántico real de 127 qubits de IBM.
El motivo por el que la banca global le presta atención a esto no es cosmético. Un solo cálculo de riesgo nocturno en un banco grande puede involucrar billones de muestras de Monte Carlo sobre miles de instrumentos, consumiendo miles de horas de procesamiento. Cualquier aceleración real reduce directamente el costo operativo y permite recalcular el riesgo con mayor frecuencia, algo especialmente valioso en mercados volátiles. Ese es precisamente el argumento que sostiene el interés de bancos como Barclays y BBVA, que además de Monte Carlo exploran algoritmos cuánticos para optimización de carteras y detección de fraude, todo dentro del mismo esfuerzo de investigación institucional.
La realidad de 2026, sin embargo, es más medida que los anuncios de prensa: ningún banco estadounidense corre hoy un algoritmo cuántico de forma que altere una decisión de producción real, y el consenso técnico es que una ventaja cuántica útil en Monte Carlo financiero todavía depende de computadoras cuánticas con corrección de errores, una tecnología que sigue en desarrollo. Lo que sí está ocurriendo es la construcción de conocimiento institucional: los bancos que corren pilotos hoy son los que van a poder moverse rápido cuando la tecnología cruce el umbral de utilidad real. Para una entidad financiera argentina, el costo de entrada a un primer piloto es bajo —hay acceso gratuito a hardware cuántico real a través de IBM— y la ventana para posicionarse como early mover en la región todavía está abierta.
Fuentes: TechBullion: https://techbullion.com/quantum-computing-in-us-finance-2026-what-banks-are-actually-doing-while-waiting-for-advantage/ The Quantum Insider: https://thequantuminsider.com/2026/03/27/15-plus-global-banks-probing-the-wonderful-world-of-quantum-technologies/ Entangled Future – Quantum Computing for Finance: https://entangledfuture.com/guides/quantum-computing-for-finance/ Medium – Superpositions Studio: https://medium.com/@superpositions_studio/quantum-computing-in-finance-portfolio-optimization-fraud-detection-and-monte-carlo-where-it-4b68ed34bb92
Bio1 año ago
EmpresasTech9 meses ago
Researchland1 año ago
AI1 año ago
Nano1 año ago
AI9 meses ago
AI1 año ago