Autor: Claude, Shenchao TechFlow
Guía de Shenchao: El 14 de abril, NVIDIA lanzó en el «Día Mundial de la Cuántica» la primera familia de modelos de IA cuántica de código abierto del mundo, Ising, mejorando la velocidad de decodificación de corrección de errores 2.5 veces respecto al estándar de la industria y aumentando la precisión tres veces.
Los valores relacionados con la computación cuántica experimentaron un aumento colectivo el día de hoy: IonQ subió un 18% y D-Wave un 15%. Ese mismo día, el científico principal William Dally reveló en GTC 2026 que la IA ha reducido el tiempo de migración de la biblioteca de celdas estándar de chips de 8 personas durante 10 meses a una sola noche con una GPU, y los resultados del diseño superan los logrados manualmente.
NVIDIA está utilizando IA para acelerar dos de los problemas de ingeniería más difíciles: hacer que las computadoras cuánticas sean realmente útiles y hacer que el diseño de las GPU sea más rápido y mejor.
El 14 de abril, en el «Día Mundial de la Cuántica», NVIDIA lanzó la primera familia mundial de modelos de IA de código abierto para computación cuántica, NVIDIA Ising, lo que provocó un aumento generalizado en las acciones de empresas relacionadas con la cuántica. En ese mismo período, el científico principal de la empresa, William Dally, reveló en GTC 2026 los últimos avances en el uso de la IA en los procesos internos de diseño de chips de NVIDIA, con una mejora en la eficiencia de hasta cientos de veces en una de las tareas.
Dos pistas apuntan al mismo juicio: la IA está pasando de ser una «herramienta de capa de aplicación» a convertirse en la «infraestructura de la infraestructura», acelerando tanto las industrias aguas abajo (computación cuántica) como la propia iteración de hardware de la IA.
El primer modelo de IA cuántica de código abierto del mundo, enfocado en los dos cuellos de botella de la computación cuántica
Según el comunicado de prensa de NVIDIA del 14 de abril, la familia de modelos Ising incluye inicialmente dos dominios de modelos: Ising Calibration e Ising Decoding, diseñados para abordar los dos cuellos de botella principales en la implementación de la computación cuántica.
Los qubits de los procesadores cuánticos son inherentemente ruidosos; el mejor procesador cuántico actual comete aproximadamente un error por cada mil operaciones. Para que las computadoras cuánticas tengan valor práctico, la tasa de error debe reducirse por debajo de uno por billón.
Ising Calibration es un modelo de lenguaje visual con 35 mil millones de parámetros que puede interpretar automáticamente los datos de medición de procesadores cuánticos y tomar decisiones de calibración, reduciendo el proceso de calibración, que antes requería varios días, a unas pocas horas. Ising Decoding, por su parte, es un par de modelos de redes neuronales convolucionales 3D (optimizados respectivamente para velocidad y precisión) utilizados para la decodificación en tiempo real en corrección cuántica de errores, siendo 2.5 veces más rápido y 3 veces más preciso que el estándar abierto actual del sector, pyMatching.
Sam Stanwyck, Director de Productos Cuánticos de NVIDIA, explicó en el lanzamiento la lógica detrás de la estrategia de código abierto: los fabricantes de hardware cuántico tienen distintas características de ruido, y los modelos de código abierto les permiten ajustar finamente los modelos localmente con sus propios datos, mejorando así el rendimiento y protegiendo al mismo tiempo los datos propietarios.
El CEO de NVIDIA, Jensen Huang, fue aún más directo. En su declaración, dijo que la IA está convirtiéndose en el plano de control de las máquinas cuánticas, transformando los qubits frágiles en sistemas cuánticos GPU escalables y confiables.
Según NVIDIA, varias instituciones ya han adoptado el modelo de Ising, incluyendo la Escuela de Ingeniería y Ciencias Aplicadas de Harvard, el Laboratorio Nacional Fermi, IQM Quantum Computers, el Laboratorio Nacional Lawrence Berkeley y el Laboratorio Nacional de Física del Reino Unido.
Los valores relacionados con la computación cuántica subieron en conjunto, con IonQ aumentando un 18% en un solo día.
El día del lanzamiento de Ising, las acciones de empresas estadounidenses relacionadas con la computación cuántica experimentaron un aumento colectivo. Según datos de Yahoo Finance, IonQ aumentó aproximadamente un 18%, D-Wave Quantum subió alrededor del 15% y Rigetti Computing creció cerca del 12%.
Este repunte se produce en un contexto en el que los valores relacionados con la computación cuántica han experimentado una fuerte corrección desde principios de año. Hasta el 14 de abril, IonQ había caído aproximadamente un 22% este año, D-Wave un 35% y Rigetti un 23%. Aunque el rebote de dos dígitos del día no alteró la tendencia bajista anual, la magnitud de la movilización colectiva sigue siendo notable.
Cabe señalar que los factores impulsores de este movimiento no son solo el anuncio de Ising. El mismo día, IonQ anunció avances clave en su red cuántica y un contrato con DARPA, mientras que Rigetti recibió un pedido de 8,4 millones de dólares del Centro Indio de Desarrollo de Cómputo Avanzado (C-DAC). La combinación de múltiples catalizadores amplificó el efecto del sector.
La institución de análisis Resonance predice que el mercado global de computación cuántica superará los 11.000 millones de dólares para 2030. El Consorcio para la Economía Cuántica (QED-C), en un informe emitido el mismo día, indicó que el mercado cuántico global alcanzó los 1.900 millones de dólares en 2025, con un aumento del 14% en el empleo en empresas puramente cuánticas.
80 meses-hombre reducidos a una noche: IA redefinir el proceso de diseño de chips de NVIDIA
Ising apunta a la aceleración de industrias externas, mientras que NVIDIA utiliza la IA para redefinir sus propios procesos de diseño de chips.
Durante una conversación en GTC 2026 entre William Dally, científico jefe de NVIDIA, y Jeff Dean, científico jefe de Google, se revelaron varios casos concretos. Los datos más impactantes provienen de la migración de bibliotecas de celdas estándar: cada vez que NVIDIA cambia a un nuevo proceso semiconductores (por ejemplo, de 7 nm a 5 nm), se requiere rediseñar y adaptar aproximadamente 2.500 a 3.000 celdas estándar al nuevo proceso, lo que anteriormente tomaba a 8 ingenieros alrededor de 10 meses. NVIDIA desarrolló una herramienta de aprendizaje por refuerzo llamada NVCell, que ahora puede completar esta tarea en una sola GPU durante una noche, y las celdas generadas coinciden o incluso superan en métricas como área, consumo de energía y latencia a las diseñadas manualmente.
Según Tom's Hardware, Dally describe este proceso como un "videojuego de reparación de errores en reglas de diseño", precisamente el tipo de optimización por ensayo y error en el que destaca el aprendizaje por refuerzo.
En un nivel más abstracto, NVIDIA desarrolló modelos de lenguaje grandes internos y especializados llamados Chip Nemo y Bug Nemo. Estos modelos se ajustaron con datos propietarios acumulados durante 30 años de NVIDIA, que abarcan todo el código RTL, documentación de diseño de hardware y especificaciones arquitectónicas de todas las GPU de la empresa a lo largo de su historia. Según Dally, los ingenieros junior pueden preguntar directamente a Chip Nemo, ahorrando el tiempo de molestar constantemente a diseñadores experimentados. Él describió a Chip Nemo como «un mentor muy paciente».
En el nivel de optimización de circuitos, NVIDIA también ha aplicado el aprendizaje por refuerzo a problemas clásicos de diseño de circuitos, como cadenas de anticipación de acarreo. Dally afirmó que los diseños generados por IA son «completamente extraños, algo que los humanos nunca considerarían, pero que en la práctica superan en rendimiento los diseños humanos entre un 20% y un 30%».
Aún hay un largo camino por recorrer antes de que la IA diseñe chips por sí misma
Sin embargo, Dally también estableció claramente los límites de las expectativas. Dijo que le gustaría mucho lograr un estado end-to-end, pero que actualmente aún está muy lejos de ese objetivo.
El diseño actual de chips de IA de NVIDIA sigue siendo complementario, no sustitutivo. La IA aporta su fuerza en etapas como la migración de unidades estándar, la clasificación y resumen de errores, la predicción de colocación y enrutamiento, y la exploración del espacio arquitectónico, pero aún no ha logrado un proceso automatizado completo de extremo a extremo. La visión a largo plazo de Dally es un modelo de múltiples agentes, donde diferentes sistemas de IA se encargan de distintas etapas del diseño, similar a la división de tareas en un equipo de ingeniería humano.
Según Computer Weekly, Dally y Dean también discutieron en su conversación el impacto de los agentes de IA en las herramientas de software tradicionales: cuando los agentes de IA operan mucho más rápido que los humanos, las herramientas de software diseñadas para usuarios humanos se convertirán en cuellos de botella de rendimiento, lo que requiere rediseñar desde herramientas de programación hasta aplicaciones empresariales.