QANTIS: actualitzacions de creences POMDP a IBM Heron. Els sistemes autònoms que operen al món real rarament disposen d'una visió completa del seu entorn. Un dron, un robot de magatzem o un vehicle de repartiment reben sensors sorollosos, lectures parcials i missatges que poden arribar tard. En lloc de raonar sobre l'estat exacte, aquests sistemes raonen sobre una creença: una distribució de probabilitat que resumeix tot el que l'agent sap. La gestió d'aquesta creença no és un detall d'implementació; és la base de la seguretat i del rendiment.
El problema del tigre, clàssic en planificació amb incertesa, il·lustra perfectament aquesta dificultat. Hi ha dues portes; darrere d'una hi ha un tigre i darrere de l'altra una recompensa. L'agent pot escoltar per obtenir pistes, però l'oïda no és fiable. Si obre la porta del tigre, el cost és alt; si obre la correcta, obté una recompensa. Un POMDP modela aquesta situació amb estats, accions, observacions i recompenses. La creença inicial assigna la mateixa probabilitat a les dues portes; cada nova observació l'ajusta. Quan l'evidència és molt rara o molt feble, aquest ajust esdevé numèricament inestable i la decisió final pot canviar per un petit error numèric.
QANTIS parteix d'una observació pràctica: el processador quàntic es pot tractar com un servei d'actualització de creences. No necessita resoldre tot el POMDP. Rep un prior, un model d'observació i un senyal d'evidència rara; estima el terme de versemblança; i retorna un posterior clàssic a un planificador. Aquest plantejament té sentit perquè la inferència bayesiana amb esdeveniments de baixa probabilitat és un dels punts on els mètodes clàssics pateixen més. La precisió de l'actualització depèn d'estimar amb decisió la probabilitat d'una observació que gairebé mai no ocorre. Aquí, l'estimació d'amplitud quàntica pot aportar una variància menor que un mostreig clàssic.
L'estudi que dona títol a l'article s'executa sobre IBM Heron, el processador de maquinari actual d'IBM, i no es presenta com una demostració de superioritat en velocitat. El que pretén és delimitar una envolvent operativa: en quines condicions el posterior retornat pel maquinari continua sent fidel al posterior bayesià exacte i, sobretot, en quines condicions no canvia l'acció immediata seleccionada pel planificador. És una pregunta de robustesa, no de rendiment. És la pregunta adequada abans d'integrar computació quàntica en un bucle de decisió real.
Per avaluar la fidelitat, els autors comparen tres modes d'amplificació. El primer no amplifica res i fa servir la sortida crua del circuit. El segon aplica una amplificació de Grover protegida, que busca incrementar la probabilitat dels estats d'interès. El tercer utilitza una amplificació de punt fix en tots els passos de l'horitzó. La diferència entre els dos últims és crucial: l'amplificació de Grover pot allunyar la distribució final de la correcta si s'aplica durant massa temps, mentre que la de punt fix corregeix aquest biaix. En els recorreguts principals de vuit i dotze passos, i en els controls de vint i trenta-dos passos, el posterior quàntic i l'exacte seleccionen la mateixa acció immediata. Això significa que l'error residual no és innocu; és irrellevant per a la decisió.
La segona peça tècnica és l'estimació d'amplitud conscient dels límits, anomenada BIQAE. Quan la probabilitat que s'ha d'estimar és molt a prop de zero o molt a prop d'un, els estimadors estàndard d'amplitud quàntica perden precisió perquè la funció de versemblança s'aplana. BIQAE tracta explícitament aquests casos i permet fer un escombratge de l'envolupant de complexitat mostral per a evidències d'un entre un milió. Aquesta calibració d'extrems és exactament el que necessita un sistema autònom: els esdeveniments rars són els més perillosos i els que més distorsionen el posterior si no s'estimen bé.
La lliçó d'enginyeria que deixa QANTIS és que la computació quàntica no es pot tractar com una capsa negra. El resultat final depèn de la construcció de l'oracle, de l'estratègia d'amplificació i de la calibració del maquinari. Un posterior aparentment raonable pot estar mal calibrat a les cues i, en un POMDP, aquest error apareix molt més tard en forma d'una acció inesperada. Per això, qualsevol projecte d'IA amb components quàntics ha d'incloure un conjunt de proves de fidelitat: comparar el posterior quàntic amb el clàssic, mesurar l'error màxim i verificar que l'acció escollida no canvia en un conjunt representatiu de trajectòries.
A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, seguim de prop aquesta tendència. La integració de solucions quàntiques en entorns productius no és un exercici acadèmic; és un problema d'arquitectura de programari. Necessitem interfícies que consumeixin el posterior, adaptadors que tradueixin el model d'observació a circuits i capes de monitoratge que alertin quan l'error surt de l'envolvent. Aquesta feina requereix experiència en aplicacions clàssiques i en la lògica de la computació híbrida.
Per exemple, una empresa de logística que fa servir agents d'IA per planificar rutes pot beneficiar-se d'una actualització de creences estable quan les observacions són escasses. Per integrar aquest servei en producció, no n'hi ha prou amb enviar circuits quàntics: cal construir aplicacions a mida que connectin el planificador clàssic amb el backend quàntic, desplegar els microserveis al núvol AWS/Azure, monitorar la desviació amb quadres de BI/Power BI i protegir l'accés mitjançant ciberseguretat. A més, tot el cicle es pot orquestrar amb agents d'Intel·ligència Artificial que decideixin quan cal invocar el servei quàntic i quan cal quedar-se amb l'estimació bayesiana clàssica.
Aquesta combinació no és futurista. Els agents d'IA actuals ja prenen decisions en sistemes logístics, financers i sanitaris. El que falta és que aquestes decisions siguin transparents i estiguin calibrades. Un agent que mai no expressa incertesa és perillós. Els POMDP proporcionen el llenguatge per parlar de creences, i serveis com QANTIS suggereixen que el maquinari quàntic pot estabilitzar aquest llenguatge en escenaris d'esdeveniments rars. El següent pas serà integrar aquesta lògica en plataformes d'automatització que avui fan servir regles o models de llenguatge.
En resum, QANTIS no promet una revolució immediata de l'autonomia, sinó una manera mesurable de saber quan un processador quàntic és útil per a la inferència bayesiana. El cas d'ús sobre IBM Heron defineix una finestra operativa, no una victòria general. Aquesta prudència és valuosa: permet a les empreses planificar inversions, equips d'enginyeria i processos de validació. Qui comenci ara a construir la infraestructura de programari, seguretat, núvol i analítica al voltant d'aquests serveis estarà millor posicionat quan el maquinari quàntic assoleixi la maduresa. La intel·ligència artificial del futur no serà només clàssica ni només quàntica; serà una barreja controlada per bons contractes de dades i per una enginyeria rigorosa.
