NVIDIA lanzó Ising — la primera familia abierta de modelos de IA para sistemas cuántico-clásicos

El 14 de abril de 2026, NVIDIA presentó Ising — la primera familia abierta de modelos de IA diseñados no para chatbots, sino para servir procesadores cuánticos. El lanzamiento se dirige a dos de los cuellos de botella más críticos de la industria: la calibración de hardware cuántico y la decodificación de errores en tiempo real, sin las cuales el camino desde demostraciones de laboratorio hasta aplicaciones prácticas sigue siendo demasiado largo. Los computadores cuánticos han prometido avances durante mucho tiempo, pero en la práctica sus limitaciones no derivan únicamente de la cantidad de qubits.

Tales sistemas son ruidosos, inestables y requieren ajuste continuo. Incluso si un procesador se logra calibrar, los errores en los qubits se acumulan más rápidamente de lo que el software convencional puede corregirlos. Por lo tanto, junto a un chip cuántico casi siempre se necesita un poderoso bucle de control clásico, que continuamente analiza mediciones, recalcula parámetros y ayuda a mantener el sistema en estado operativo.

Es precisamente en esta combinación — "procesador cuántico más GPU y software clásico" — en la que NVIDIA ha estado apostando durante varios años. NVIDIA Ising llega en dos direcciones. Primero — Ising Calibration, un modelo visión-lenguaje con 35 mil millones de parámetros, entrenado para entender los resultados de experimentos cuánticos y sugerir los siguientes pasos para la sintonización del procesador.

Según la empresa, combinado con un escenario basado en agentes, tal modelo puede reducir la calibración de días a horas. Segundo — Ising Decoding, una familia de dos modelos 3D-CNN para decodificación preliminar de errores en la corrección de errores cuánticos. La versión rápida contiene aproximadamente 0,9 millones de parámetros, la precisa — aproximadamente 1,8 millones.

En comparación con el estándar abierto pyMatching, NVIDIA afirma aceleración de hasta 2,5x y mejora de precisión de hasta 3x, con ciertos benchmarks mostrando una mejora de 1,53x en la métrica de logical error rate mientras se reduce simultáneamente la latencia. Un aspecto importante del lanzamiento es la apertura no solo de los pesos, sino también de herramientas de apoyo. NVIDIA lanza los modelos, marcos de trabajo de entrenamiento, datasets, recetas para cuantización y fine-tuning, así como un nuevo benchmark QCalEval para evaluar la calibración en datos reales de instalaciones cuánticas.

Esto es necesario porque diferentes arquitecturas — superconductoras, basadas en iones, de átomos neutros y otras — tienen sus propias características de ruido y escenarios de degradación. Un modelo universal es útil aquí como punto de partida, pero el valor real emerge cuando un laboratorio o proveedor puede adaptarlo para su propio QPU sin exponer datos sensibles. Juzgando por la lista de socios, esto no es un experimento de laboratorio para un comunicado de prensa.

Ising Calibration ya está siendo utilizado por Atom Computing, IonQ, IQM, Infleqtion, Harvard SEAS, Fermilab y el Laboratorio Nacional de Física del Reino Unido. Los modelos de decodificación están siendo probados por Cornell, UC San Diego, UC Santa Barbara, University of Chicago, Sandia y otros equipos. La línea completa complementa la plataforma CUDA-Q para computación cuántico-clásica híbrida y la interconexión NVQLink, a través de la cual QPU y GPU pueden intercambiar datos con baja latencia.

Para NVIDIA este es un movimiento lógico: la empresa no construye sus propios procesadores cuánticos, pero quiere convertirse en la capa computacional estándar alrededor de ellos — desde el entrenamiento de modelos hasta el control real y la corrección de errores. A nivel más amplio, el lanzamiento demuestra cómo está cambiando la propia lógica del desarrollo de la industria cuántica. Anteriormente, la discusión principal se centraba en la cantidad de qubits y las arquitecturas físicas; ahora cada vez más atención se dedica al software de control, decodificadores, telemetría y herramientas de IA que permiten extraer más valor del hardware existente.

Según analistas de Resonance, el mercado de computación cuántica podría exceder los 11 mil millones de dólares para 2030, pero este pronóstico depende directamente de si la industria logra calibración rápida y escalado de sistemas de corrección de errores. Si las métricas declaradas de Ising se sostienen fuera de escenarios de demostración, la IA podría convertirse no en una capa adicional alrededor de computadores cuánticos, sino en una interfaz operacional obligatoria entre qubits frágiles y tareas de aplicación real. La conclusión práctica es simple: NVIDIA no está vendiendo "IA cuántica" como una etiqueta bonita, sino infraestructura para que las máquinas cuánticas no estén inactivas, permitan una configuración más rápida y mantengan estados operativos útiles más tiempo.

Para centros de investigación y empresas, esta es una oportunidad de reducir el tiempo experimental y acercarse al momento en que los sistemas cuántico-clásicos híbridos resolverán tareas no académicas, sino comercialmente significativas.