Los modelos de inteligencia artificial entrenados con computadoras cuánticas de IBM marcan un progreso sin precedentes en el campo de la inteligencia artificial. (Biblioteca de imágenes ilustrativas)
Un grupo de científicos logró un avance sin precedentes al utilizar computadoras cuánticas de IBM para entrenar modelos de inteligencia artificial. El desarrollo plantea preguntas clave sobre el futuro de la inteligencia artificial y el papel que puede desempeñar la computación cuántica en su desarrollo.
Los experimentos demuestran que es posible mejorar las capacidades predictivas y de respuesta de los modelos de lenguaje de alto orden sin duplicar su tamaño ni consumir recursos clásicos.
Hasta ahora, los modelos de inteligencia artificial a gran escala (como los que impulsan los asistentes de texto o los sistemas de chat) solo se han entrenado en infraestructuras tradicionales basadas en procesadores (como CPU o GPU).
Este proceso implica ajustar miles de millones de parámetros para que el modelo aprenda a predecir la siguiente palabra de una oración, una tarea fundamental para comprender y generar lenguaje natural.
Esta prueba utilizó un procesador IBM Quantum System Two y un adaptador de unidad Cayley para soportar el modelo Llama 3.1 8B desarrollado por Meta. (Biblioteca de imágenes ilustrativas)
Una investigación reciente realizada por MultiverseComputing y que se ejecuta en procesadores cuánticos IBM Quantum System Two introduce una variación: en lugar de ampliar el modelo básico agregando enormes bloques de memoria y potencia clásica, los investigadores incorporaron pequeños bloques cuánticos llamados Cayley Single Adapters (CUA).
Estos bloques se insertaron en la versión Llama 3.1 8B del modelo desarrollado por Meta, que tiene 8 mil millones de parámetros.
La principal diferencia con los métodos tradicionales es que las computadoras cuánticas no reemplazan toda la infraestructura, sino que complementan el modelo básico con módulos especializados que pueden mejorar las predicciones con una pequeña cantidad de parámetros adicionales.
La importancia de este avance es que, por primera vez, se ha utilizado hardware cuántico comercial para lograr una «mejora cuántica de extremo a extremo» en un modelo de lenguaje integral.
La innovación es que los ordenadores cuánticos complementan los modelos clásicos de inteligencia artificial, mejorando las predicciones con sólo 6.000 parámetros adicionales. (Imagen de referencia/Kawase Satoshi/IBM)
El impacto de la integral cuántica se mide mediante un parámetro llamado perplejidad. Esta métrica evalúa la capacidad del modelo para predecir correctamente la siguiente palabra: cuanto menor sea la perplejidad, mejores serán las predicciones del sistema.
En experimentos, el modelo híbrido redujo con éxito la perplejidad del Llama 3.1 8B en un 1,4%. Esta mejora se logró con sólo 6.000 parámetros adicionales, equivalente al 0,000075% de todo el modelo.
En resumen, los grandes modelos de IA suelen mejorar la precisión añadiendo millones de parámetros, lo que consume más memoria y energía. Aquí las mejoras se logran con un aumento casi insignificante de la complejidad del sistema.
Aunque la mejora numérica puede no parecer grande, los resultados son relevantes: el modelo cuántico responde correctamente a preguntas que el modelo clásico no puede responder. Por ejemplo, en un cuestionario sobre astronomía, el modelo original respondió que sólo Saturno tenía anillos, mientras que el modelo mejorado identificó correctamente que todos los planetas gigantes tienen anillos.
En otra pregunta biológica sobre genética de poblaciones, los modelos cuánticos corrigieron las respuestas donde fallaba el modelo básico, apoyando la homogeneidad genética.
Este avance muestra que las computadoras cuánticas pueden aportar mejoras concretas a la inteligencia artificial sin reemplazar la infraestructura tradicional. (Biblioteca de imágenes ilustrativas)
Estos resultados muestran que la integración de componentes cuánticos puede cambiar el comportamiento de la inteligencia artificial en la dirección deseada. Esto no significa que los ordenadores cuánticos vayan a poder sustituir a los clásicos en todos los aspectos, pero sí que podrán aportar mejoras específicas a un menor coste computacional.
Este experimento sirve como prueba de concepto: demuestra que los bloques cuánticos pueden incorporarse a modelos reales y producir mejoras mensurables, aunque todavía no estamos ante una revolución inmediata. La computación cuántica aún enfrenta desafíos de hardware, como la necesidad de reducir el ruido y aumentar la cantidad de qubits útiles.
Sin embargo, esta investigación abre la puerta a nuevas estrategias para mejorar los modelos de inteligencia artificial sin depender únicamente de aumentar la escala y el costo de la infraestructura clásica. Si es posible desarrollar circuitos cuánticos más potentes y eficientes en el futuro, entonces los modelos híbridos como el propuesto podrían tener el potencial de superar las limitaciones actuales y lograr una «ventaja cuántica», es decir, resolver tareas que serían imposibles para cualquier computadora convencional.
Por ahora, la lección más importante es estratégica: las empresas y startups que trabajan en inteligencia artificial deben observar la evolución de la computación cuántica e incorporarla a la posibilidad de mejorar modelos sin aumentar los recursos. Por ahora, los procesadores clásicos siguen dominando, pero la frontera tecnológica ha comenzado a moverse.
