¿Puede la computación cuántica acelerar la IA generativa (LLMs)?

Al 1 de octubre de 2026, la computación cuántica no acelera la IA generativa. El número de aceleraciones cuánticas demostradas sobre una carga de trabajo de LLM — entrenamiento o inferencia — en el registro público es cero. La historia está en la brecha de escala. El modelo insignia Llama 3.1 de Meta se pre-entrenó con 3,8×10²⁵ FLOPs sobre 15,6 billones (T) de tokens usando hasta 16.000 GPUs H100 (arXiv:2407.21783), mientras que la mayor corrida adyacente a LLMs en hardware cuántico real usó 128 cúbits para computar una similitud coseno — y corrió más lento que el baseline clásico (arXiv:2512.02619). Rosetta Quantum mantiene este veredicto en 0 hasta que una corrida medida y reproducible a presupuesto igualado diga lo contrario.

Estado a: 1 de octubre de 2026.

¿Qué se afirma?

Circulan tres familias de claims, y ninguna, tal como está publicada, incluye una aceleración de punta a punta sobre una carga real de IA generativa. La primera es la versión de titular: los computadores cuánticos acelerarán el entrenamiento o la inferencia de los grandes modelos de lenguaje. Aparece en keynotes de vendors y notas para inversionistas, casi siempre en tiempo futuro y casi nunca con un benchmark al lado. La segunda es más sutil: datos generados cuánticamente mejorarán los modelos de IA. Es el encuadre del Gen QAI de Quantinuum, anunciado el 4 de febrero de 2025 con la promesa de «significantly enhancing the fidelity of AI models, allowing them to tackle challenges previously deemed unsolvable» (comunicado de Quantinuum, 4-feb-2025) — un lanzamiento, sin benchmark público adjunto a la fecha. La tercera es la única con mediciones detrás: los modelos generativos cuánticos pueden aprender y muestrear distribuciones que los clásicos no. Es el claim del paper de «generative quantum advantage» de Google Quantum AI (Huang et al., arXiv:2509.09033, 12-sep-2025) — medido, pero sobre distribuciones sintéticas, y con las salvedades de los propios autores, que citamos abajo.

¿Qué está medido de verdad?

Paridad o más lento, a escalas nueve o más órdenes de magnitud por debajo de la IA de producción. El registro público contiene tres mediciones recientes en hardware, cada una con su letra chica. Primera: la mayor corrida adyacente a LLMs en una QPU real que encontramos usó 128 cúbits en el ibm_fez de IBM para computar una similitud coseno entre embeddings de sentence transformers (Laine, arXiv:2512.02619, dic-2025). El resultado cuántico fue 0,8635 contra 0,8682 clásico, y el propio autor escribe la letra chica: la implementación «is not currently practical, as classical methods are faster». Segunda: IonQ corrió un modelo generativo cuántico (QCBM) para detección de cambios sobre imágenes satelitales SAR reales de Capella Space, y la comparación publicada reporta que el método cuántico y el clásico «achieved similar peak filtered F1 scores» (Quantum Zeitgeist, 24-sep-2026) — paridad, con una ventaja alegada solo en distribuciones de píxeles fuertemente sesgadas. Tercera: los experimentos de ventaja generativa de Google corrieron en un procesador superconductor de 68 cúbits mapeado a 816 cúbits «shallow» efectivos, y los autores escriben que 816 cúbits shallow «are not yet expected to be in the beyond-classical regime» y que los «precise remaining steps towards useful generative quantum advantage remain an open question» (arXiv:2509.09033). Las salvedades estaban en los papers; los titulares las soltaron — el patrón que nuestra guía para leer papers cuánticos de arXiv documenta caso por caso.

¿Por qué los números no cierran?

Porque la IA generativa tiene exactamente la forma de carga en la que el hardware cuántico es peor: datos enormes de entrada, datos enormes de salida. El régimen cuántico honesto es el opuesto — mucho cómputo sobre pocos datos, como lo despliega nuestro catálogo de problemas que la cuántica no va a acelerar. La tabla pone los dos lados del registro 2026 uno al lado del otro, con fuente por fila.

Detrás de esa tabla hay dos paredes estructurales, y ambas tienen su propia página en esta serie. La pared de carga de datos: meter datos clásicos en un estado cuántico a escala requiere QRAM, una propuesta de 2008 que nunca se ha construido a escala — nuestro explicador de QRAM cubre por qué ese asterisco vive debajo de la mayoría de los speedups de QML. La pared de I/O: Hoefler, Häner y Troyer computaron que el ancho de banda de entrada/salida cuántico corre aproximadamente cuatro órdenes de magnitud por debajo de las interconexiones clásicas (CACM 66(5), 2023); un corpus de 15,6T tokens es el dataset menos cuántico imaginable. La energía tampoco rescata el claim. El paper de Meta declara que cada H100 corrió a 700 W de TDP; al pico declarado de 16.384 GPUs eso da ≈11,5 MW solo en GPUs — aritmética nuestra, declarada, sobre las cifras del propio paper — contra los ≈26 kW de potencia de pared medidos para una QPU actual en nuestro libro contable de energía. Pero los vatios no son veredictos: una máquina que no puede correr la carga no es una forma eficiente de correrla.

¿Qué pasó con los speedups de QML en papel?

La mayoría cayó por dequantización, y el sobreviviente más fuerte lleva letra chica escrita por sus propios autores. El resultado de Tang de 2018 (arXiv:1807.04271) eliminó la aceleración exponencial de los sistemas cuánticos de recomendación, y la letra chica de HHL hizo el resto con la familia de álgebra lineal — nuestro explicador de dequantización y el post de la letra chica de HHL siguen esa historia claim por claim. El claim teórico sobreviviente más fuerte para entrenamiento de modelos grandes es Liu et al. en Nature Communications (10-ene-2024): un algoritmo cuántico que escala como O(T²·polylog(n)) en el tamaño del modelo — pero solo mientras la red se mantenga dispersa, y los autores lo dicen sin rodeos: «there is no guarantee that our hybrid quantum-classical algorithm will necessarily outperform all other conceivable classical algorithms», y en entrenamiento real «the sparsity ratio will generically decay» (Nature Communications, s41467-023-43957-x). Es teoría más simulación clásica; no hubo hardware cuántico. Los transformers cuánticos existen como programa de investigación — un survey cuenta 28 papers desde 2022, a escala chica, nombrando barren plateaus y carga de datos como los cuellos abiertos, sin comparación sistemática contra transformers clásicos de producción (arXiv:2504.03192). El marcador general del machine learning cuántico no se ha movido desde nuestro veredicto de QML.

¿Qué es lo que sí está en producción en la economía de los LLMs?

La única tecnología «cuántica» en producción en la economía de los LLMs de 2026 es quantum-inspired — es decir, software clásico. Multiverse Computing levantó $215M (Serie B, 12-jun-2025, liderada por Bullhound Capital) para CompactifAI, un producto de compresión de LLMs construido sobre redes tensoriales, descrito por la propia empresa como «a quantum-inspired approach to simplifying neural networks»: comprime modelos Llama, DeepSeek y Mistral y corre en CPUs, GPUs y dispositivos de borde — sin computador cuántico de por medio (insideHPC, 12-jun-2025). Que las redes tensoriales sean el caballo de batalla clásico es un tema viejo de este ledger: son el rival clásico que sigue ganando. Mientras tanto, la dirección que sí es demostrablemente real corre al revés: IA para la computación cuántica. Una review de Nature Communications (Alexeev et al., 2-dic-2025) cataloga machine learning a lo largo de todo el stack cuántico — decodificación, calibración, diseño de circuitos — y sostiene que «many of QC's biggest scaling challenges may ultimately rest on developments in AI» (s41467-025-65836-3). El tráfico entre los dos campos es real; hoy fluye casi todo desde la IA hacia lo cuántico, no al revés.

Las ofertas sobre la mesa, con su estado:

¿Qué tendría que pasar para que este veredicto cambie?

El veredicto cambiará el día que alguien demuestre un advantaged solve sobre una carga de IA generativa: misma tarea, mismo presupuesto, lado cuántico más rápido o más barato, artefactos publicados para re-correr. Llegar ahí requerirá máquinas e infraestructura que hoy no existen — hardware tolerante a fallos órdenes de magnitud por encima de los conteos lógicos actuales, y una vía de carga de datos (QRAM a escala) que nunca se ha construido — y cualquier speedup candidato tendrá después que sobrevivir el test de dequantización que mató a la generación anterior de claims de QML. Los propios autores de Google encuadran los pasos restantes hacia una ventaja generativa útil como pregunta abierta. Rosetta Quantum re-correrá esta pregunta cada trimestre y actualizará esta página bajo la misma URL con fecha nueva; si una aceleración se demuestra y se verifica, el 0 de esta página cambiará ese mismo día.

Qué no sabemos

No sabemos qué hay en los laboratorios privados: este veredicto cubre solo el registro público, y podría existir un resultado de un laboratorio de frontera sin publicar. No sabemos si los datos de entrenamiento generados cuánticamente (el carril Gen QAI) mejorarán la fidelidad de un modelo real — todavía no existe benchmark público en ninguna dirección. No sabemos dónde queda el umbral beyond-classical de los modelos generativos de Google: los autores proyectan experimentos hacia 34.304 cúbits shallow y declaran abierto el umbral para tareas útiles. Y no sabemos si la ventaja angosta de IonQ en distribuciones de píxeles fuertemente sesgadas sobreviviría a un baseline clásico afinado para ese régimen específico — la comparación publicada hasta ahora reporta paridad en la métrica principal.

Fuentes

• Meta AI — The Llama 3 Herd of Models (arXiv:2407.21783, jul-2024)
• Laine — Quantum LLMs: procesamiento semántico en hardware cuántico (arXiv:2512.02619, dic-2025)
• Huang et al., Google Quantum AI — Generative quantum advantage (arXiv:2509.09033, 12-sep-2025)
• The Quantum Insider — cobertura del estudio de Google (15-sep-2025)
• Liu et al. — Towards provably efficient quantum algorithms for large-scale machine-learning models (Nature Communications, 10-ene-2024)
• Zhang et al. — A Survey of Quantum Transformers (arXiv:2504.03192)
• Quantinuum — comunicado Gen QAI (4-feb-2025)
• insideHPC — Multiverse Computing levanta $215M para compresión de LLMs (12-jun-2025)
• Quantum Zeitgeist — IonQ prueba IA cuántica sobre datos satelitales (24-sep-2026)
• Hoefler, Häner & Troyer — Disentangling Hype from Practicality (CACM 66(5), 2023)
• Alexeev et al. — Artificial intelligence for quantum computing (Nature Communications, 2-dic-2025)
• Tang — A quantum-inspired classical algorithm for recommendation systems (arXiv:1807.04271, 2018)
• Rosetta Quantum — ¿Sirve quantum para machine learning?
• Rosetta Quantum — ¿Qué es QRAM y por qué es el cuello de botella silencioso?
• Rosetta Quantum — ¿Qué problemas NO va a acelerar la computación cuántica?
• Rosetta Quantum — ¿Cuánta energía consume un computador cuántico?
• Rosetta Quantum — ¿Qué es un advantaged solve?

Rosetta Quantum publica veredictos con datos crudos reproducibles. Esto es contenido educativo, no un claim de producto.