NVIDIA ha presentado Ising, una nueva familia de modelos abiertos de Inteligencia Artificial orientados a uno de los grandes problemas de la computación cuántica: cómo calibrar mejor los procesadores y cómo corregir sus errores con la velocidad suficiente para que algún día puedan ejecutar aplicaciones realmente útiles. La compañía lo ha anunciado como su primera familia de modelos abiertos específicamente diseñada para acelerar el camino hacia ordenadores cuánticos prácticos, un movimiento que no convierte de golpe a la computación cuántica en una tecnología madura, pero sí refuerza una idea cada vez más extendida en el sector: sin ayuda de la IA, será mucho más difícil llevar los qubits desde el laboratorio hasta sistemas estables, escalables y rentables.
La importancia del anuncio está en el problema que intenta resolver. Los procesadores cuánticos actuales siguen siendo extremadamente sensibles al ruido. NVIDIA resume esa fragilidad con una cifra sencilla pero reveladora: los mejores procesadores cuánticos actuales cometen, aproximadamente, un error por cada mil operaciones, cuando para abordar aplicaciones útiles a gran escala haría falta reducir esa tasa hasta el entorno de una entre un billón. En otras palabras, el gran cuello de botella del sector no es solo construir más qubits, sino conseguir que funcionen con suficiente fiabilidad como para no arruinar el cálculo antes de terminarlo.
Ahí es donde Ising entra en escena. NVIDIA plantea esta familia como una combinación de modelos, datos, herramientas y flujos de trabajo pensados para dos tareas críticas: la calibración del procesador cuántico y la decodificación dentro de la corrección de errores cuánticos. Ambas son operaciones intensivas en cálculo y muy sensibles al tiempo, porque no basta con detectar que algo falla; hay que corregirlo antes de que los errores se acumulen más rápido de lo que el sistema puede gestionarlos. Esa es la razón por la que NVIDIA defiende que la IA debe convertirse en una especie de “plano de control” de las máquinas cuánticas.
Dos modelos para atacar el gran problema cuántico
La nueva familia arranca con dos piezas principales. La primera es Ising Calibration, un modelo de visión y lenguaje que, según NVIDIA, puede interpretar resultados de medición en procesadores cuánticos y utilizarlos dentro de flujos de trabajo agénticos para ajustar automáticamente el sistema hasta que opere dentro de parámetros aceptables. La empresa sostiene que este enfoque puede reducir procesos de calibración que hoy llevan días a procesos de horas, aunque esa mejora depende del tipo de hardware, del entorno experimental y de cómo se integre en cada laboratorio o plataforma. NVIDIA también explica que el modelo se entrenó con datos proporcionados por socios que trabajan con distintas modalidades de qubit, entre ellas superconductores, trampas de iones, átomos neutros y puntos cuánticos.
La segunda pieza es Ising Decoding, formada por dos variantes basadas en redes neuronales convolucionales 3D para la decodificación en corrección de errores cuánticos. Aquí NVIDIA sí pone cifras muy concretas sobre la mesa: afirma que estos modelos son hasta 2,5 veces más rápidos y hasta 3 veces más precisos que pyMatching, una de las referencias abiertas más conocidas en este ámbito. Es una comparación relevante porque la decodificación debe ejecutarse en tiempo real o casi real para que la corrección de errores no llegue demasiado tarde. Dicho de otra manera, si el decodificador es lento, el procesador cuántico sigue siendo frágil aunque su teoría sea brillante.
El detalle importante aquí es que NVIDIA no presenta Ising como una simple demo académica, sino como una base para que otros puedan adaptarlo a sus propios procesadores y arquitecturas. La compañía indica que Ising incluye modelos base abiertos, un framework de entrenamiento, datos y herramientas para fine-tuning, cuantización y despliegue. También subraya que los modelos pueden ejecutarse localmente, algo especialmente relevante para laboratorios, startups y empresas que no quieran exponer datos sensibles de calibración o telemetría de sus QPU fuera de sus propias instalaciones.
Por qué este lanzamiento importa más de lo que parece
La computación cuántica lleva años atrapada entre dos narrativas opuestas: por un lado, promesas enormes sobre química, materiales, optimización o descubrimiento de fármacos; por otro, una realidad técnica todavía lejos de la robustez que exigen los entornos productivos. Ising no resuelve por sí solo esa distancia, pero sí ataca dos de los puntos más ingratos del problema: la calibración constante del hardware y la necesidad de corregir errores con una latencia ínfima. Es decir, no se centra en vender una “aplicación cuántica milagrosa”, sino en mejorar la fontanería crítica que hace falta antes de llegar a ese momento.
Además, el anuncio tiene una lectura estratégica clara. NVIDIA está extendiendo su papel más allá de la IA generativa y de las GPU para centros de datos tradicionales. Con Ising, refuerza una línea que ya venía desarrollando con CUDA-Q para computación híbrida cuántico-clásica y con NVQLink, su interconexión pensada para enlazar QPU y GPU en flujos de control y corrección de errores en tiempo real. La compañía plantea así un ecosistema en el que la computación cuántica útil no llegará solo con mejores chips cuánticos, sino con una estrecha colaboración entre qubits, GPUs, software de control y modelos de IA especializados.
No es casualidad que NVIDIA haya acompañado el lanzamiento con una lista amplia de adopción temprana. En calibración, menciona a actores como Atom Computing, IonQ, IQM Quantum Computers, Q-CTRL, Harvard, Fermilab y el U.K. National Physical Laboratory. En decodificación aparecen Cornell, Infleqtion, IQM, Sandia National Laboratories, UC San Diego, UC Santa Barbara, University of Chicago o Yonsei University, entre otros. Esa enumeración no demuestra por sí sola despliegue masivo, pero sí indica que la propuesta ha sido diseñada para encajar en un ecosistema cuántico real, no solo en una presentación comercial.
Abierto, sí, pero con una intención muy concreta
Hay otro factor que explica el interés alrededor de Ising: su disponibilidad abierta. NVIDIA ha colocado esta familia en Hugging Face, donde ya aparecen Ising-Calibration-1-35B-A3B, Ising-Decoder-SurfaceCode-1-Fast, Ising-Decoder-SurfaceCode-1-Accurate y el benchmark QCalEval. La compañía también lo integra dentro de su cartera de modelos abiertos, donde figuran propuestas como Nemotron, Cosmos, Isaac GR00T o BioNeMo. Esto le da a Ising una visibilidad importante entre universidades, startups y equipos de investigación que quizá no podrían arrancar desde cero un proyecto semejante.
La clave, sin embargo, no es solo que sea abierto, sino para qué sirve. En la computación cuántica, abrir modelos de calibración y decodificación puede acelerar investigación compartida, reproducibilidad y adaptación a hardware muy distinto. En un sector donde todavía conviven superconductores, iones atrapados, átomos neutros y otras aproximaciones, disponer de herramientas abiertas y ajustables puede ser más útil que lanzar una solución cerrada perfecta solo para una arquitectura. NVIDIA parece haber entendido que la carrera cuántica todavía no necesita tanto productos empaquetados como herramientas que ayuden a empujar la frontera técnica.
En definitiva, Ising no convierte a NVIDIA en un fabricante de ordenadores cuánticos ni transforma mañana la industria. Pero sí coloca a la compañía en una posición muy interesante: la de quien intenta construir la capa de IA y computación acelerada que hará falta para que los ordenadores cuánticos dejen de ser frágiles experimentos y empiecen a comportarse como sistemas útiles. En ese sentido, más que un anuncio espectacular, Ising es una apuesta por resolver uno de los problemas más duros y menos vistosos de toda la computación cuántica. Y precisamente por eso importa.
Preguntas frecuentes
¿Qué es NVIDIA Ising y para qué sirve?
Es una nueva familia de modelos abiertos de Inteligencia Artificial diseñada para ayudar en la calibración de procesadores cuánticos y en la corrección de errores cuánticos, dos áreas críticas para que los ordenadores cuánticos sean realmente útiles.
¿Qué diferencia hay entre Ising Calibration e Ising Decoding?
Ising Calibration es un modelo de visión y lenguaje orientado a automatizar la calibración de los qubits a partir de mediciones experimentales. Ising Decoding son dos modelos 3D CNN pensados para decodificar errores en tiempo real dentro de la corrección de errores cuánticos.
¿Es verdad que Ising mejora a pyMatching?
Según NVIDIA, sus modelos de decodificación son hasta 2,5 veces más rápidos y hasta 3 veces más precisos que pyMatching, al que describe como el estándar abierto actual en este campo.
¿Dónde se puede descargar NVIDIA Ising?
Los modelos y recursos de la familia Ising ya aparecen publicados por NVIDIA en Hugging Face y forman parte de su cartera de modelos abiertos anunciada junto al lanzamiento oficial.
vía: nvidianews.nvidia
