Sí, los ordenadores cuánticos ya pueden generar imágenes, y lo hacen en hardware real. Las imágenes que producen son diminutas, normalmente dígitos manuscritos en escala de grises de 28 por 28 píxeles sacados de bancos de pruebas de investigación estándar, creados por sistemas híbridos en los que un circuito cuántico genera pequeños fragmentos de la imagen y una red neuronal clásica juzga el resultado. Una sola publicación de Instagram contiene unas 4.400 veces más valores que uno de esos dígitos. Las imágenes con IA de calidad de campaña y los influencers IA salen de modelos generativos clásicos, y la generación cuántica de imágenes sigue siendo un campo de investigación al que conviene seguir la pista.
En resumen
- La generación cuántica de imágenes es real. Las GAN cuánticas funcionan en procesadores reales y producen imágenes reales
- Las imágenes tienen tamaño de banco de pruebas. Normalmente dígitos de 28 por 28 en escala de grises o imágenes pequeñas parecidas
- Los sistemas son híbridos. Un circuito cuántico genera fragmentos de imagen y una red clásica hace de juez
- El tamaño es el problema menor. La generalización, un techo analítico de fidelidad y los gradientes que se desvanecen son más difíciles
- Las marcas deberían usar hoy IA clásica. Los modelos de difusión ya ofrecen imágenes de calidad de campaña
Por qué surge la pregunta
La palabra "cuántico" aparece ya junto a "IA generativa" en presentaciones comerciales y noticias tecnológicas, y los profesionales del marketing empiezan a preguntarse si las imágenes de su próxima campaña podrían producirse en un ordenador cuántico. Es una pregunta razonable, y tiene una respuesta precisa. La generación cuántica de imágenes existe, funciona en hardware real y produce imágenes reales. Lo que zanja la cuestión para la planificación de cualquier marca es cómo son realmente esas imágenes.
Qué es una GAN cuántica
Una red generativa antagónica normal, o GAN, tiene dos mitades. Un generador inventa imágenes, un discriminador juzga si cada una parece real, y los dos se entrenan uno contra otro hasta que el generador acierta lo bastante a menudo como para ser útil.
Una GAN cuántica, o QGAN, sustituye el generador por un circuito cuántico parametrizado. El discriminador sigue siendo una red neuronal clásica. Ese detalle importa más de lo que parece a primera vista. Las QGAN actuales son sistemas híbridos, y la mitad que juzga es aprendizaje automático corriente.
Hay un segundo compromiso. Los procesadores cuánticos disponibles hoy son pequeños, demasiado pequeños para representar una imagen entera, así que la imagen se divide en fragmentos. Cada fragmento tiene su propio circuito subgenerador. Se introduce ruido aleatorio en cada uno, la salida de cada circuito se convierte en valores de píxel y los fragmentos se vuelven a unir en una sola imagen.
Lo que se ha construido de verdad
El ejemplo práctico más claro viene de la empresa de computación cuántica fotónica Quandela, cuyo algoritmo QGAN genera imágenes artificiales a partir de conjuntos de imágenes existentes, implementado en su procesador fotónico y entrenado de principio a fin. El diseño sigue el enfoque por fragmentos descrito arriba, con ruido que alimenta circuitos fotónicos variacionales, salidas de subgeneradores convertidas en píxeles, recombinación en una imagen terminada y una red neuronal clásica como discriminador. La implementación se ha publicado abiertamente.
El objetivo comercial declarado son los datos de entrenamiento sintéticos. Generar imágenes artificiales para muchos escenarios puede reducir el coste y el tiempo de reunir conjuntos de imágenes especializados y aumentar la variedad de datos con que se entrenan otros modelos de IA. Eso importa en sectores como la automoción y la aeronáutica, donde grabar casos límite poco frecuentes en la vida real es caro o peligroso.
Es un caso de uso genuino y sensato. También es un trabajo muy distinto de producir una imagen de campaña, y en esa diferencia es donde las marcas se confunden.
El resultado, en cifras
La generación cuántica de imágenes publicada trabaja a escala de banco de pruebas. Según describen Quandela y ZKSF.org, cuyo resumen práctico sobre aprendizaje automático cuántico en simuladores explica por qué este entrenamiento es tan caro, los conjuntos de datos estándar son los que usa todo el sector.
| Qué se genera | Tamaño | Valores por imagen |
|---|---|---|
| Dígito manuscrito MNIST, el banco de pruebas habitual de las QGAN | 28 x 28 en escala de grises | 784 |
| Prenda de Fashion-MNIST | 28 x 28 en escala de grises | 784 |
| Objeto de CIFAR-10 | 32 x 32 en color | 3.072 |
| Una publicación de Instagram | 1080 x 1080 en color | 3.499.200 |
| Un retrato en 4K | 3840 x 2160 en color | 24.883.200 |
Una sola publicación en redes contiene unas 4.400 veces más valores que un dígito de MNIST. Un retrato en 4K contiene unas 31.700 veces más. Esa es la escala real de la distancia, y harán falta muchas más de una generación de hardware para cerrarla.
Por qué la resolución es el problema menor
Si el tamaño de la imagen fuera el único obstáculo, el sector podría limitarse a esperar procesadores más grandes. Tres problemas más profundos hacen que la brecha sea más difícil de cerrar.
La generalización. Los trabajos publicados muestran que a las QGAN les cuesta generalizar entre conjuntos de datos y que tienden a converger hacia la representación media de sus datos de entrenamiento. Para una marca es una debilidad seria. Una campaña con un influencer IA necesita variedad, personalidad propia y un personaje coherente, y un modelo que se colapsa hacia la media de su conjunto de entrenamiento produce el resultado más insulso posible.
Un techo analítico. Cuando la salida del generador es un estado cuántico puro, la calidad alcanzable del discriminador está limitada por la fidelidad entre ese estado y la distribución de datos objetivo. Es un límite matemático de la arquitectura, así que un hardware mejor por sí solo no lo elimina.
El coste del entrenamiento y los gradientes que se desvanecen. El aprendizaje automático cuántico necesita miles de evaluaciones de circuito en cada entrenamiento, y los circuitos variacionales de este tipo se topan con mesetas estériles, regiones donde el gradiente prácticamente desaparece y el optimizador deja de aprender. Quien haya entrenado un modelo clásico sabe lo que cuesta un gradiente muerto. En estos circuitos el problema suele crecer a medida que los circuitos se hacen más anchos.
Por qué las webs de los proveedores rara vez muestran estas cifras
Siendo justos con los proveedores, una página de casos de uso existe para describir una capacidad a un público comercial, y la investigación de fondo suele estar abierta para quien quiera el detalle. Aun así, la consecuencia práctica recae en el comprador. Una página que describe la generación de imágenes artificiales en un procesador cuántico rara vez menciona que el resultado es un dígito de 28 por 28. Para descubrirlo hay que leer la investigación, algo que, con toda lógica, la mayoría de quienes planifican un presupuesto de marketing no hace.
Una regla sencilla te protege. Pregunta qué produjo, a qué tamaño y cómo se midió. Una afirmación sobre capacidad cuántica que no responde a esas tres preguntas describe una hoja de ruta.
Cómo produce hoy la IA clásica las imágenes de campaña
Las imágenes de calidad de campaña y los influencers IA salen de modelos generativos clásicos, sobre todo modelos de difusión entrenados con colecciones de imágenes enormes y ejecutados en GPU corrientes. Producen personas, productos y escenas fotorrealistas en alta resolución y, con el sistema de producción adecuado, mantienen los personajes coherentes a lo largo de cientos de imágenes y vídeos. Así crea Proklisi los influencers SI y las imágenes de campaña para las marcas. Nuestra guía para crear imágenes con IA fotorrealistas explica el oficio, y nuestro artículo sobre la IA generativa en publicidad cubre la tecnología.
Conoce a los influencers SI que pueden protagonizar tu campaña
Qué debería hacer una marca con la generación cuántica de imágenes
Para planificar campañas, la respuesta útil es seguir con la IA clásica y vigilar la investigación.
- Deja la creatividad cuántica fuera del presupuesto. No hay ningún producto que comprar para imágenes de campaña, y la distancia es de unos cuatro órdenes de magnitud.
- Mantenla fuera del camino crítico. Esperar a ver qué hace la cuántica no sustituye a una estrategia de contenido. El calendario es un calendario de investigación.
- Trátala como un campo real. Los procesadores fotónicos y de otros tipos generan imágenes de verdad, y el caso de uso de los datos de entrenamiento sintéticos es sólido. Simplemente es una herramienta distinta de una cadena de producción creativa.
- Vigila dos hitos concretos. El número de cúbits dice poco por sí solo. Las señales que importan son demostraciones de generalización más allá de la media del conjunto de entrenamiento y generación por encima de la resolución de los bancos de pruebas.
¿Quieres un influencer SI trabajando para tu marca?
Elige uno de nuestro catálogo y empieza en menos de 24 horas, o encarga un personaje creado solo para ti
Puedes comprobarlo tú mismo, gratis
Verificar todo esto no cuesta nada para empezar. Los circuitos cuánticos se pueden crear y ejecutar en un navegador sin instalar nada, así que las afirmaciones de este artículo se pueden comprobar directamente. Hay un simulador de circuitos cuánticos online y gratuito que funciona en el navegador, suficiente para ver los pocos valores que emite de verdad un circuito pequeño y por qué hace falta repartir una imagen entre muchos.
Más allá del nivel gratuito, la simulación cuesta una fracción de céntimo por trabajo, y el tiempo en procesadores cuánticos reales se alquila por disparo, del orden de 0,30 dólares por tarea más fracciones de céntimo por disparo. Una tarde de curiosidad genuina cuesta menos que un café, y es una base mejor para tener una opinión estratégica que cualquier presentación comercial.
Dónde podría importar antes la cuántica al marketing
Si la computación cuántica llega al marketing, es poco probable que la generación de imágenes sea lo primero. Las áreas basadas en la optimización y la simulación, como la logística, la planificación y algunos problemas de carteras y de precios, se mencionan más a menudo como primeras candidatas. En el trabajo creativo, la IA clásica avanza deprisa, y ahí están hoy las mejoras prácticas para las marcas.
Resumen
Los ordenadores cuánticos generan hoy imágenes. Generan dígitos manuscritos de 28 por 28 píxeles en escala de grises, usan una red neuronal clásica para juzgar y dividen la imagen en fragmentos porque los procesadores no pueden representar una entera. La distancia hasta un influencer IA fotorrealista es de unos cuatro órdenes de magnitud en valores brutos, y los obstáculos que más importan son la generalización, un techo analítico de fidelidad y unos gradientes que se desvanecen a medida que crecen los circuitos. Es un campo fascinante que merece la pena seguir, y las imágenes de campaña salen hoy de la IA generativa clásica.
Proklisi crea webs y apps, gestiona SEO, ASO y redes sociales, y crea influencers SI para marcas. Todo lo que lees aquí sale del trabajo que hacemos para clientes cada semana. Sobre nosotros o habla con el equipo