Por: Felice Miller, líder de estrategia de negocios, cadena de suministro y operaciones, venta minorista mundial, bienes de consumo y juegos, Microsoft

Oliver Guy, arquitecto de la industria global, bienes de consumo y comercio minorista, Microsoft

Paul Manikas, arquitecto principal de la industria, entrega de soluciones para la industria, Microsoft

El desafío de la cadena de suministro continúa

Los minoristas y las empresas de bienes de consumo se han enfrentado a cambios constantes, en especial en las cadenas de suministro. Han evolucionado nuevos modelos de venta y distribución, como las ventas online, los enfoques omnicanal, las ventas directas al consumidor y los ecosistemas complejos. Las interrupciones externas son frecuentes, y el 90% de los líderes informan de desafíos en la cadena de suministro en 2024¹.

La agilidad y la resiliencia de la cadena de suministro dependen de una toma de decisiones rápida y precisa. Las malas decisiones o las respuestas lentas conducen al incumplimiento de las promesas, lo que afecta de manera negativa a los ingresos y la satisfacción del cliente, y aumenta los costos debido a envíos ineficientes y niveles de inventario más altos.

Para hacer frente a estos desafíos, existe una necesidad urgente de mejorar tanto la calidad como la velocidad de la toma de decisiones en la gestión de la cadena de suministro.

Presentamos a los agentes y los sistemas agénticos

Los sistemas agénticos ofrecen una oportunidad revolucionaria para mejorar la calidad y la velocidad de la toma de decisiones. Activados por eventos de negocio, los agentes recopilan y analizan datos relevantes para actuar de manera directa o recomendar acciones.

Microsoft anunció la capacidad de crear agentes autónomos por medio de Microsoft Copilot Studio durante Microsoft Ignite en octubre de 2024. En el contexto de una cadena de suministro, esta capacidad podría, por ejemplo, permitir la identificación y la acción sobre fuentes de suministro alternativas en caso de retraso en el envío, con una intervención humana mínima. 

Click here to load media

Visión general de los sistemas agénticos

En el contexto de los sistemas agénticos, un agente se refiere a un sistema capaz de tomar decisiones y actuar de forma autónoma. Estos sistemas pueden perseguir objetivos de forma independiente sin intervención humana directa. Los sistemas agénticos  tienen las siguientes características:

• Autonomía. Operan de forma independiente, toman decisiones y ejecutan tareas sin supervisión humana, y escalan a un humano cuando es necesario.
• Consciencia del contexto. Interpretan los datos y ajustan las acciones en consecuencia.
• Orientación a objetivos. Pueden aspirar a la consecución de objetivos específicos.
• Aprendizaje. Mejoran su rendimiento mediante el uso de nuevos datos y resultados anteriores.
• Razonamiento y toma de decisiones. Los agentes utilizan el razonamiento para procesar información, inferir relaciones y tomar decisiones.
• Percepción y sensación. Los agentes perciben su entorno a través de sensores u otros medios, lo que les permite ser activados por cambios en el proceso.
• Habilidades y capacidades. Los agentes poseen habilidades o capacidades específicas para realizar tareas. Estas habilidades se pueden aprender o programar.
• Memoria. La memoria de un agente almacena información relevante para la toma de decisiones y acciones futuras.

Los agentes pueden ser programados para perseguir objetivos específicos una vez activados. Por ejemplo, al buscar una fuente de suministro alternativa, pueden priorizar la minimización de costos en lugar de seleccionar la primera opción disponible.

Los agentes ya han comenzado a entregar valor a los clientes, por ejemplo, un cliente tiene agentes autónomos que revisan las facturas de envío con más casos de uso planeados. Con el tiempo, los agentes se pueden desarrollar para diversas tareas en toda la organización, con Microsoft Copilot que sirve como «interfaz de usuario para la IA».  

¿Hemos escuchado esto antes?

Esto puede sonar como RPA (Automatización Robótica de Procesos). Pero también pueden preguntarse en qué se diferencia un agente de un copiloto.

La RPA emplea la automatización basada en reglas, mientras que los agentes mejoran esta capacidad mediante el razonamiento sobre datos y el uso de grandes modelos de lenguaje (LLM, por sus siglas en inglés) para extraer información relevante de conjuntos de datos extensos. Mientras que una solución basada en RPA es rígida en términos de los escenarios que puede abordar y requiere programación para realizar cambios, una solución de automatización de procesos basada en agentes puede aprender y mejorar con el tiempo, lo que resulta en resultados más efectivos.

Los agentes operan de forma autónoma, a diferencia de los copilotos que asisten a los usuarios en tiempo real. Un agente puede trabajar dentro de Copilot, alineándose con la visión de Microsoft de Copilot como la interfaz de usuario para la IA. En el futuro, los usuarios tendrán un copiloto, pero varios agentes, muchos de los cuales trabajarán de forma autónoma entre bastidores. 

Cómo pueden operar los agentes en la cadena de suministro minorista y de bienes de consumo (RCG)

Los agentes se pueden aplicar de manera amplia en toda la cadena de suministro de RCG para automatizar tareas repetitivas, analizar grandes cantidades de datos para obtener información y mejorar la gestión de la cadena de suministro. Un caso de uso ideal implica tareas que requieren un uso intensivo de humanos, repetitivas y que requieren toma de decisiones en tiempo real, donde la IA puede aumentar de manera significativa la eficiencia y la precisión. Los criterios para un caso de uso ideal incluyen una alta disponibilidad de datos, resultados alcanzables definidos con claridad y el potencial de mejoras medibles en los ingresos y el ahorro de costos.

Los agentes de IA pueden desempeñar un papel crucial en el rendimiento de las tiendas minoristas y en las prácticas de gestión de inventario. Un agente puede monitorear de forma autónoma los datos de rendimiento para alertar al gerente de la tienda cuando las métricas de rendimiento de la tienda caigan por debajo de un umbral definido. Al comparar el rendimiento de tiendas similares, el agente puede identificar áreas de mejora y recomendar acciones para mejorar el rendimiento de la tienda.

Los agentes pueden ayudar a evitar situaciones de desabastecimiento y exceso de existencias en las tiendas minoristas. Al analizar datos de varias fuentes (como ventas, inventario, promociones y eventos externos), un agente puede identificar cuándo un pico de ventas no está alineado con el pronóstico, lo que lleva a una posible escasez, y alertar al equipo de la cadena de suministro. El agente recomienda una orden de reposición que puede generar de manera automática para ayudar a garantizar niveles óptimos de existencias, menores costos de transporte y reducir la probabilidad de desabastecimientos o excedentes de inventario.

Mitigación de desafíos con IA agéntica

Las interrupciones en toda la cadena de suministro a menudo conducen a la escasez de productos y a una baja tasa de llenado de cajas (CFR, por sus siglas en inglés), lo que lleva a la compleja tarea diaria de asignar el inventario entre sus clientes. Un agente puede analizar los pedidos de los clientes, los niveles de inventario actuales y las opciones de sustitución de productos para identificar posibles situaciones de CFR. El agente asigna el inventario a través de la priorización de los pedidos en función de criterios predefinidos, como la lealtad del cliente, la segmentación del cliente, el valor del pedido, las multas de SLA y la urgencia.

Uno de los mayores retos a los que se enfrentan las empresas de RCG en 2025 es evaluar el impacto de los aranceles. Los agentes de IA pueden evaluar y recomendar proveedores alternativos de diferentes regiones para mitigar el riesgo de tarifas altas. Esta estrategia de diversificación ayuda a mantener un suministro constante de materiales al tiempo que minimiza los costos. Al monitorear de manera continua las regulaciones arancelarias y las condiciones del mercado, un agente de IA puede sugerir medidas de ahorro de costos, como compras al por mayor antes de aumentos de tarifas o trasladar la producción a países con tarifas más bajas. Un agente puede ayudar a negociar mejores términos con los proveedores mediante el análisis de las condiciones del mercado y los datos históricos de precios. Esto ayuda a garantizar que las empresas obtengan las mejores ofertas posibles a pesar de las fluctuaciones tarifarias.

¿Qué sigue?

Consideren la significativa cantidad de tiempo y esfuerzo que se necesita hoy en día para responder a la pregunta: «¿Cómo puedo optimizar mi cadena de suministro para aumentar las ventas en un 10%?».

Aunque esto puede parecer una pregunta de la cadena de suministro, involucra finanzas, ventas, marketing y posiblemente fabricación. Es una pregunta tan compleja que es probable que responderla requiera días o semanas de análisis.

Hoy en día, los agentes integrados en Copilot permiten a los usuarios hacer preguntas específicas en áreas definidas. Esta capacidad se expandirá en alcance y complejidad con el tiempo, lo que de manera eventual conducirá a un rediseño integral de las aplicaciones comerciales.

Project Sophia imagina agentes, copilotos y aplicaciones empresariales que convergen en un lienzo de investigación infinito.   

Diseñado con un enfoque que da prioridad a la IA, Project Sophia les permite hacer preguntas empresariales mediante el análisis de datos de varios sistemas y entradas dispares. La IA los guía para ver diferentes perspectivas, lo que los ayuda a comprender y actuar sobre los conocimientos de manera integral.

Click here to load media

Project Sophia reinventa la experiencia del usuario, al apoyar a cada función laboral para abordar las preguntas desde su perspectiva, al tiempo que integra enfoques estratégicos y tácticos.

Introducción a los sistemas agénticos

Aumentar el potencial de la IA para escalar la optimización de la cadena de valor en el comercio minorista y los bienes de consumo

La IA agéntica se presta bien para navegar por la complejidad de las rutas al mercado, al integrar estrategias de fabricación y ventas, vender a través de múltiples canales o directo al consumidor, administrar múltiples líneas de productos y negocios, e integrar esfuerzos de marketing y ventas a nivel mundial.

Se trata de una herramienta integral que da agencia a los LLM, con la capacidad de actuar de forma autónoma. Mientras que los LLM se han utilizado antes para realizar tareas como la generación de texto y el resumen de documentos, no han podido actuar según sus recomendaciones. La IA agéntica, por otro lado, está diseñada para impulsar optimizaciones basadas en objetivos y puede adaptar y ejecutar objetivos de manera dinámica con alta previsibilidad y mínima supervisión humana. Juntos, los avances en IA generativa e IA agéntica redefinirán el valor estratégico y la productividad derivados de la tecnología, al incorporar procesos de toma de decisiones más avanzados con mayor precisión y velocidad.

Identificar los problemas y escenarios de negocio para una mayor participación estratégica

Al considerar cómo utilizar los agentes de IA de manera estratégica, es vital enmarcar las aplicaciones de la IA agéntica en el contexto más amplio de la identificación de los procesos de la línea de negocio que se prestan a la automatización: optimización de tareas/escenarios mundanos y que consumen mucho tiempo; establecer la confianza de los usuarios en las capacidades del agente y establecer barreras operativas claras para la IA de los agentes, incluida la gobernanza de datos, la privacidad y la seguridad; e infundir confianza en la entrega de valor del agente, para extender la gestión del trabajo colaborativo más allá del seguimiento de tareas a las funciones de planificación y ejecución.

La integración de la IA agéntica y la IA generativa en las aplicaciones empresariales significa un cambio monumental en la forma en que las organizaciones pueden abordar la resolución de problemas, la planificación estratégica y la eficiencia operativa. Mediante el uso de capacidades avanzadas de IA, las empresas pueden anticipar un futuro en el que la toma de decisiones no solo sea más rápida y precisa, sino también más perspicaz y holística. Esta convergencia de la tecnología allana el camino para soluciones innovadoras y niveles de productividad sin precedentes, con la IA en el centro del panorama empresarial del mañana.

Más información sobre los sistemas agénticos

Exploren Microsoft Cloud for Retail.

• Entrega de su copiloto de cadena de suministro: Priorización de áreas de retorno de la inversión 
• Entrega de su copiloto de cadena de suministro: Introducción a la ideación 
• Potenciar las prácticas responsables de IA 
•  Sitio web de Microsoft Cloud for Retail  

Fuentes

¹ https://www.mckinsey.com/capabilities/operations/our-insights/supply-chain-risk-survey  

Por: Peter Lee, presidente de Microsoft Research.

Microsoft ha lanzado hoy Muse, el primer modelo de IA generativa de su clase que aplicamos a los juegos. Pero es mucho más que eso. Lo que compartimos hoy es un gran paso adelante para la ideación del juego. Y lo que es aún más emocionante es lo que representa este avance en nuestro recorrido de construcción y uso de la IA generativa, y lo que las industrias, los desarrolladores y los creadores de todos los intereses podrán hacer a continuación.

Las impresionantes habilidades que presenciamos por primera vez con ChatGPT y GPT-4 para aprender el lenguaje humano ahora se corresponden con las habilidades de la IA para aprender la mecánica de cómo funcionan las cosas, para desarrollar, en ,efecto una comprensión práctica de las interacciones en el mundo. Como informático, esta capacidad de comprender y modelar un mundo en 3D es algo que yo y muchos otros grandes investigadores hemos perseguido durante más de 10 años y, a nivel personal, no estaba seguro de que pudiera ser posible con tanta velocidad y calidad.

En el caso de Muse, a partir de la observación del juego humano, este modelo desarrolla una comprensión profunda del entorno, incluida su dinámica y cómo evoluciona con el tiempo en respuesta a las acciones. Esto desbloquea la capacidad de iterar, remezclar y crear con rapidez en videojuegos, para que los desarrolladores puedan, de manera eventual, crear entornos inmersivos y dar rienda suelta a toda su creatividad.

Más allá de los juegos, estoy entusiasmado con el potencial de esta capacidad para permitir asistentes de IA que entiendan y ayuden a visualizar cosas, desde la reconfiguración de la cocina de su hogar hasta el rediseño de un espacio comercial y la construcción de un gemelo digital de una fábrica para probar y explorar diferentes escenarios. Todas estas cosas se vuelven posibles ahora con la IA. Desde la perspectiva de la investigación en ciencias de la computación, es bastante sorprendente, y es probable que las aplicaciones futuras de esto sean transformadoras para los creadores.

—

En Microsoft, tenemos una larga historia de colaboración entre la investigación y la ingeniería. Hoy, con el lanzamiento de Muse, también anunciamos Azure AI Foundry Labs, donde la comunidad de IA puede explorar las últimas novedades de Microsoft Research. Azure AI Foundry Labs ayudará a acelerar la transición de la investigación a las soluciones, para aportar nuevas ideas a la comunidad en general que ayuden a dar forma al futuro de la IA. Conozcan más aquí.

Por: Chetan Nayak, miembro técnico y vicepresidente corporativo de Quantum Hardware.

Las computadoras cuánticas prometen transformar la ciencia y la sociedad, pero solo después de que alcancen la escala que alguna vez pareció lejana y difícil de alcanzar, y su confiabilidad esté garantizada por la corrección de errores cuánticos. Hoy, anunciamos rápidos avances en el camino hacia la computación cuántica útil:

• Majorana 1: la primera unidad de procesamiento cuántico (QPU, por sus siglas en inglés) del mundo impulsada por un núcleo topológico, diseñada para escalar a un millón de qubits en un solo chip.
• Un qubit topológico protegido por hardware: una investigación publicada en Nature, junto con los datos compartidos en la reunión de la Estación Q, demuestran nuestra capacidad para aprovechar un nuevo tipo de material y diseñar un tipo bastante diferente de qubit que es pequeño, rápido y controlado de manera digital.
• Una hoja de ruta de dispositivos para una computación cuántica fiable: nuestro camino desde dispositivos de un solo qubit hasta matrices que permiten la corrección de errores cuánticos.
• Construcción del primer prototipo tolerante a fallos (FTP, por sus siglas en inglés) del mundo basado en qubits topológicos: Microsoft está en camino de construir un FTP de una computadora cuántica escalable, en años, no décadas, como parte de la fase final del programa de la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA, por sus siglas en inglés) para Sistemas Subexplorados para la Computación Cuántica a Escala de Servicios Públicos (US2QC, por sus siglas en inglés).

Juntos, estos hitos marcan un momento crucial en la computación cuántica a medida que avanzamos desde la exploración científica hasta la innovación tecnológica.

Aprovechamiento de un nuevo tipo de material

Todos los anuncios de hoy se basan en el reciente avance de nuestro equipo: el primer topoconductor del mundo. Esta revolucionaria clase de materiales nos permite crear la superconductividad topológica, un nuevo estado de la materia que antes solo existía en teoría. El avance se deriva de las innovaciones de Microsoft en el diseño y fabricación de dispositivos definidos por puerta que combinan arseniuro de indio (un semiconductor) y aluminio (un superconductor). Cuando se enfrían hasta casi el cero absoluto y se sintonizan con campos magnéticos, estos dispositivos forman nanocables superconductores topológicos con modos cero de Majorana (MZM, por sus siglas en inglés) en los extremos de los cables.

Durante casi un siglo, estas cuasipartículas solo existieron en los libros de texto. Ahora, podemos crearlos y controlarlos bajo demanda en nuestros topoconductores. Los MZM son los bloques de construcción de nuestros qubits, que almacenan información cuántica a través de la «paridad», ya sea que el cable contenga un número par o impar de electrones. En los superconductores convencionales, los electrones se unen en pares de Cooper y se mueven sin resistencia. Cualquier electrón desapareado puede ser detectado porque su presencia requiere energía extra. Nuestros topoconductores son diferentes: aquí, un electrón desapareado se comparte entre un par de MZM, lo que lo hace invisible para el entorno. Esta propiedad única protege la información cuántica.

Si bien esto hace que nuestros topoconductores sean candidatos ideales para los qubits, también presenta un desafío: ¿cómo leemos la información cuántica que está tan bien oculta? ¿Cómo podemos distinguir entre, digamos, 1.000.000.000 y 1.000.000.001 electrones?

Nuestra solución a este desafío de medición funciona de la siguiente manera (consulten también la Figura 1):

• Usamos interruptores digitales para acoplar ambos extremos del nanocable a un punto cuántico, que es un pequeño dispositivo semiconductor que puede almacenar carga eléctrica.
• Esta conexión aumenta la capacidad del punto para mantener la carga. De manera fundamental, el aumento exacto depende de la paridad del nanocable.
• Medimos este cambio por medio de microondas. La capacidad del punto para mantener la carga determina cómo se reflejan las microondas en el punto cuántico. Como resultado, regresan con una huella del estado cuántico del nanocable.

Hemos diseñado nuestros dispositivos para que estos cambios tengan el suficiente tamaño como para medirlos de forma fiable en una sola toma. Nuestras mediciones iniciales tenían una probabilidad de error del 1 % y hemos identificado caminos claros para reducirla de manera significativa.

Nuestro sistema muestra una estabilidad impresionante. La energía externa, como la radiación electromagnética, puede romper los pares de Cooper, lo que crea electrones desapareados que pueden cambiar el estado del qubit de paridad par a paridad impar. Sin embargo, nuestros resultados muestran que esto es raro, ya que ocurre solo una vez por milisegundo en promedio. Esto indica que el blindaje que envuelve nuestro procesador es eficaz para mantener alejada dicha radiación. Estamos en el proceso de exploración de las formas de reducir esto aún más.

Tal vez no sea sorprendente que la computación cuántica requiera que diseñemos un nuevo estado de la materia diseñado en específico para permitirlo. Lo que es notable es lo precisa que ya es nuestra técnica de lectura, lo que demuestra que aprovechamos este estado exótico de la materia para la computación cuántica.

Revolucionar el control cuántico a través de la precisión digital

Esta técnica de lectura permite un enfoque muy diferente de la computación cuántica en el que se utilizan mediciones para realizar cálculos.

La computación cuántica tradicional rota los estados cuánticos a través de ángulos precisos, lo que requiere señales de control analógicas complejas personalizadas para cada qubit. Esto complica la corrección de errores cuánticos (QEC, por sus siglas en inglés), que debe depender de estas mismas operaciones sensibles para detectar y corregir errores.

Nuestro enfoque basado en mediciones simplifica de manera importante el QEC. Realizamos la corrección de errores por completo a través de mediciones activadas por pulsos digitales simples que conectan y desconectan puntos cuánticos de nanocables. Este control digital hace que sea práctico administrar la gran cantidad de qubits necesarios para las aplicaciones del mundo real.

De la física a la ingeniería

Con los bloques de construcción centrales ahora demostrados (información cuántica codificada en MZM, protegida por topología y procesada a través de mediciones), estamos listos para pasar del avance de la física a la implementación práctica.

El siguiente paso es una arquitectura escalable construida en torno a un dispositivo de un solo qubit llamado tetrón (consulte la Figura 2). En la reunión de la Estación Q, compartimos datos que demuestran el funcionamiento básico de este qubit. Una operación fundamental, medir la paridad de uno de los nanocables topológicos en un tetrón, utiliza la misma técnica descrita en nuestro artículo de Nature.

Otra operación clave coloca el qubit en una superposición de estados de paridad. Esto también se realiza mediante una medición de reflectometría de microondas de un punto cuántico, pero en una configuración de medición diferente en la que desacoplamos el primer punto cuántico del nanocable y conectamos un punto diferente a ambos nanocables en un extremo del dispositivo. Al realizar estas dos mediciones ortogonales de Pauli, Z y X, hemos demostrado un control basado en mediciones, un hito crucial que desbloquea los próximos pasos en nuestra hoja de ruta.

Nuestra hoja de ruta ahora conduce de manera sistemática hacia un QEC escalable. Los próximos pasos involucrarán un conjunto de tetrón 4×2. Primero usaremos un subconjunto de dos qubits para demostrar el entrelazamiento y las transformaciones de trenzado basadas en mediciones. Al utilizar toda la matriz de ocho qubits, implementaremos la detección de errores cuánticos en dos qubits lógicos.

La protección contra errores incorporada de los qubits topológicos simplifica la QEC. Además, nuestros códigos QEC personalizados reducen los gastos generales cerca de diez veces en comparación con el enfoque anterior de última generación. Esta drástica reducción significa que nuestro sistema escalable se puede construir a partir de menos qubits físicos y tiene el potencial de funcionar a una velocidad de reloj más rápida.

El reconocimiento de DARPA a nuestro enfoque

La Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA, por sus siglas en inglés) ha seleccionado a Microsoft como una de las dos empresas que avanzarán a la fase final de su riguroso programa de evaluación comparativa conocido como Underexplored Systems for Utility-Scale Quantum Computing (US2QC), uno de los programas que conforman la Iniciativa de Evaluación Comparativa Cuántica (QBI, por sus siglas en inglés) más grande de DARPA. Microsoft considera que este reconocimiento es una validación de nuestra hoja de ruta para crear un ordenador cuántico tolerante a errores con qubits topológicos.

El programa US2QC de DARPA y su Iniciativa de Benchmarking Cuántico más amplia representan un enfoque riguroso para evaluar sistemas cuánticos que podrían resolver problemas que están más allá de las capacidades de las computadoras clásicas. Hasta la fecha, el programa US2QC ha reunido a expertos de DARPA, el Laboratorio de Investigación de la Fuerza Aérea, el Laboratorio de Física Aplicada de la Universidad Johns Hopkins, el Laboratorio Nacional de Los Álamos, el Laboratorio Nacional de Oak Ridge y el Centro de Investigación Ames de la NASA para verificar el hardware, el software y las aplicaciones cuánticas. En el futuro, se espera que la Iniciativa de Evaluación Comparativa Cuántica más grande involucre a aún más expertos en las pruebas y evaluaciones de computadoras cuánticas.

Antes, DARPA seleccionó a Microsoft para una fase anterior tras una evaluación de que podríamos construir de manera plausible una computadora cuántica a escala de servicios públicos en un período de tiempo razonable. A continuación, DARPA evaluó los diseños arquitectónicos y el plan de ingeniería del equipo cuántico de Microsoft para un ordenador cuántico tolerante a fallos. Como resultado de este cuidadoso análisis, DARPA y Microsoft han firmado un acuerdo para comenzar la fase final del programa. Durante esta fase, Microsoft tiene la intención de construir un prototipo tolerante a fallos basado en qubits topológicos en años, no en décadas, un paso de aceleración crucial hacia la computación cuántica a gran escala.

Desbloquear la promesa de la cuántica

Hace dieciocho meses, trazamos nuestra hoja de ruta hacia una supercomputadora cuántica. Hoy alcanzamos nuestro segundo hito, al demostrar el primer qubit topológico del mundo. Y ya hemos colocado ocho qubits topológicos en un chip diseñado para albergar a un millón.

Una computadora cuántica de un millón de qubits no es solo un hito, es una puerta de entrada para resolver algunos de los problemas más difíciles del mundo. Incluso los superordenadores más potentes de hoy en día no pueden predecir con precisión los procesos cuánticos que determinan las propiedades de los materiales esenciales para nuestro futuro. Pero la computación cuántica a esta escala podría conducir a innovaciones como materiales autorreparables que reparan grietas en puentes, agricultura sostenible y descubrimientos químicos más seguros. Lo que hoy requiere miles de millones de dólares en búsquedas experimentales exhaustivas y experimentos de laboratorio húmedo podría encontrarse, en cambio, a través del cálculo en una computadora cuántica.

Nuestro camino hacia una computación cuántica útil es claro. La tecnología fundamental está probada y creemos que nuestra arquitectura es escalable. Nuestro nuevo acuerdo con DARPA muestra un compromiso con el progreso incesante hacia nuestro objetivo: construir una máquina que pueda impulsar el descubrimiento científico y resolver los problemas que importan. Estén atentos para más actualizaciones sobre nuestro viaje.

Manténganse informados de los avances de Microsoft en computación cuántica:

• Den un vistazo al Dr. Chetan Nayak en el podcast de investigación de Microsoft mientras exploran estos avances innovadores.
• Lean nuestros artículos en Naturey en arXiv.
• Únanse a nosotros para prepararse para la cuántica.
• Lean la historia de Microsoft Source sobre las noticias de hoy.
• Escuchen al equipo cuántico de Microsoft hablar sobre estos hitos:

Click here to load media

Más información sobre el hardware cuántico de Microsoft