Nvidia "Día Cuántico" doble impacto: el modelo de IA de código abierto Ising impulsa las acciones cuánticas, IA interna completa en una noche con 80 meses-hombre de diseño de chips

Autor: Claude, Deep Tide TechFlow

Deep Tide Guía de lectura: Nvidia lanzó el 14 de abril, en el «Día Mundial de la Cuántica», la familia de modelos de IA cuántica de código abierto más grande del mundo, Ising, con una velocidad de corrección y decodificación mejorada en 2.5 veces respecto a los estándares de la industria y una precisión aumentada en 3 veces.

Las acciones relacionadas con conceptos cuánticos se dispararon colectivamente ese día, IonQ subió un 18%, D-Wave un 15%. El mismo día, el científico jefe William Dally reveló en GTC 2026 que la biblioteca de unidades estándar de chips de IA se había trasladado de 8 personas en 10 meses a una sola GPU en una noche, con resultados de diseño superiores a los manuales.

Nvidia está usando IA para acelerar los dos problemas de ingeniería más difíciles: hacer que las computadoras cuánticas sean realmente útiles y mejorar el diseño de GPU de manera más rápida y eficiente.

El 14 de abril, «Día Mundial de la Cuántica», Nvidia lanzó la familia de modelos de IA de código abierto para la computación cuántica, NVIDIA Ising, y las acciones relacionadas con conceptos cuánticos subieron en respuesta. Al mismo tiempo, el científico jefe de la compañía, William Dally, reveló en GTC 2026 los avances más recientes en el proceso de diseño de chips internos de Nvidia, con una mejora en la eficiencia de una tarea que alcanza varias centenas de veces.

Dos pistas apuntan a la misma conclusión: la IA está pasando de ser una «herramienta de capa de aplicación» a convertirse en la «infraestructura de infraestructura», acelerando tanto la industria downstream (computación cuántica) como la propia iteración del hardware de IA.

El primer modelo de IA cuántica de código abierto del mundo, dirigido a los dos principales cuellos de botella en la computación cuántica

Según el comunicado de prensa de Nvidia del 14 de abril, la familia de modelos Ising incluye dos dominios: Ising Calibration y Ising Decoding, dirigidos a los dos principales obstáculos en la implementación práctica de la computación cuántica.

Los qubits de los procesadores cuánticos tienen ruido inherente, y los mejores procesadores actuales cometen errores aproximadamente en una de cada mil operaciones. Para que una computadora cuántica tenga valor práctico, la tasa de error debe reducirse a menos de una en un billón.

Ising Calibration es un modelo de lenguaje visual con 35 mil millones de parámetros, capaz de interpretar automáticamente los datos de medición del procesador cuántico y tomar decisiones de calibración, reduciendo un proceso que antes tomaba días a solo unas horas. Ising Decoding es un par de modelos de redes neuronales convolucionales 3D (optimizado para velocidad y precisión respectivamente), utilizados para decodificación en tiempo real de corrección cuántica, siendo 2.5 veces más rápido y 3 veces más preciso que el estándar de la industria de código abierto pyMatching.

El director de productos cuánticos de Nvidia, Sam Stanwyck, explicó en la presentación la lógica de la estrategia de código abierto: los fabricantes de hardware cuántico tienen diferentes características de ruido, y los modelos de código abierto permiten que ajusten localmente con sus propios datos, mejorando el rendimiento y protegiendo datos propietarios.

El CEO de Nvidia, Jensen Huang, fue aún más directo. En su declaración, afirmó que la IA está convirtiéndose en la capa de control de las máquinas cuánticas, transformando los qubits frágiles en sistemas de GPU cuánticas escalables y confiables.

Según Nvidia, varias instituciones ya están adoptando los modelos 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.

Las acciones relacionadas con conceptos cuánticos se disparan colectivamente, IonQ sube un 18% en un día

El día del lanzamiento de Ising, las acciones de conceptos cuánticos en EE. UU. experimentaron un aumento colectivo. Según Yahoo Finance, IonQ subió aproximadamente un 18%, D-Wave Quantum un 15%, Rigetti Computing un 12%.

Este repunte se dio en un contexto en el que las acciones de conceptos cuánticos han estado en profunda corrección desde principios de año. Hasta el 14 de abril, IonQ había caído alrededor del 22% en el año, D-Wave un 35%, y Rigetti un 23%. La recuperación de doble dígito ese día no cambió la tendencia bajista general, pero la magnitud del movimiento colectivo fue notable.

Cabe señalar que el impulso de esta tendencia no se debió únicamente al lanzamiento de Ising. El mismo día, IonQ anunció avances en su red cuántica y un contrato con DARPA, y Rigetti informó de un pedido de 8.4 millones de dólares del Centro de Desarrollo de Cálculo Avanzado de la India (C-DAC). La combinación de múltiples catalizadores amplificó el efecto en el sector.

La firma de análisis Resonance predice que el mercado global de computación cuántica superará los 11 mil millones de dólares para 2030. En un informe publicado ese mismo día, la Alianza de Economía Cuántica (QED-C) afirmó que en 2025 el mercado cuántico global alcanzará los 1.9 mil millones de dólares, con un crecimiento del 14% en empleados de empresas cuánticas puras.

De 80 meses a una noche: la IA está transformando el proceso de diseño de chips de Nvidia

Ising apunta a acelerar la industria externa, mientras que Nvidia usa IA para reinventar su propio proceso de diseño de chips.

En una entrevista en GTC 2026 con Jeff Dean, jefe de ciencia de Google, el científico jefe William Dally reveló varios casos concretos. La más impactante fue la transferencia de la biblioteca de unidades estándar: cada vez que Nvidia cambia a un nuevo proceso semiconductor (como de 7 nm a 5 nm), necesita rediseñar entre 2,500 y 3,000 unidades estándar para adaptarse a la nueva tecnología, lo que antes tomaba 8 ingenieros aproximadamente 10 meses. Nvidia desarrolló una herramienta de aprendizaje reforzado llamada NVCell, que ahora puede completar en una noche en una GPU, produciendo unidades que igualan o superan en tamaño, consumo y latencia a los diseños manuales.

Según Tom’s Hardware, Dally describió este proceso como un «videojuego para arreglar errores en las reglas de diseño», y el aprendizaje reforzado es especialmente bueno en este tipo de optimización por prueba y error.

A un nivel más abstracto, Nvidia ha desarrollado modelos internos de lenguaje grande, Chip Nemo y Bug Nemo. Estos modelos, ajustados con datos propietarios acumulados durante 30 años, contienen todo el código RTL, documentación de hardware y especificaciones de arquitectura de las GPU de la compañía. Dally explicó que los ingenieros junior pueden hacer preguntas directamente a Chip Nemo, ahorrando tiempo y molestias a los diseñadores senior. Lo describió como «un mentor muy paciente».

En el nivel de optimización de circuitos, Nvidia también aplica aprendizaje reforzado a problemas clásicos como las cadenas de anticipación de acarreo. Dally afirmó que los diseños generados por IA «son completamente extraños para los humanos, pero en realidad rinden un 20% a 30% mejor que los diseños humanos».

Pero aún queda mucho camino para que la IA diseñe chips de forma completamente autónoma

Dally también dejó claro cuáles son los límites actuales. Dijo que le gustaría lograr un proceso de diseño de chips completamente automatizado, pero todavía está lejos de ese objetivo.

Actualmente, el diseño de chips con IA en Nvidia sigue siendo asistencial, no sustituto. La IA ayuda en la transferencia de unidades estándar, clasificación y resumen de errores, predicción de colocación y en la exploración del espacio de arquitectura, pero aún no existe un proceso completo de automatización de extremo a extremo. La visión a largo plazo de Dally es un modelo multiagente, donde diferentes sistemas de IA se encarguen de distintas etapas del diseño, similar a la división del trabajo en un equipo de ingenieros humanos.

Según Computer Weekly, Dally y Dean también discutieron el impacto de la inteligencia artificial en las herramientas de software tradicionales: cuando la velocidad de IA supera con creces a la humana, las herramientas de software diseñadas para humanos se convierten en un cuello de botella, y tanto las herramientas de programación como las aplicaciones empresariales deberán ser rediseñadas.