Computación Fotónica: qué es, qué no es y qué puede hacer hoy por las finanzas

Un laboratorio de Abu Dhabi publicó pruebas de su computadora óptica con datos de mercado reales, pero sin cifras públicas que permitan evaluarla. El caso sirve para separar promesa de evidencia en una tecnología que lleva años en desarrollo.

Durante décadas, procesar información significó mover electrones por transistores. La computación fotónica propone usar luz para hacer parte de ese trabajo. La idea atrae por un motivo concreto: los centros de datos de inteligencia artificial consumen cada vez más energía y generan cada vez más calor. Este martes 30 de septiembre, QuantLase, el centro de I+D de International Holdings Company (IHC) en Abu Dhabi, sumó un dato nuevo al debate: dice haber probado su plataforma óptica sobre siete series de datos financieros.

Qué es la computación fotónica

Es un conjunto de enfoques, no una sola tecnología. Conviene distinguir cuatro.

Aceleradores ópticos para IA. Hacen con luz la operación más pesada del aprendizaje profundo: la multiplicación de matrices. Lo hacen con redes de componentes como los interferómetros Mach-Zehnder, o con óptica en espacio libre, como propone la empresa Lumai. En este grupo están Lightmatter, Lightelligence (que lanzó su segunda generación en febrero de 2026) y Q.ANT. Al desplazar esa carga de los electrones a los fotones, se busca reducir consumo y calor.

Óptica para conectar chips. Es la variante más cercana al mercado, aunque no computa: transmite datos entre componentes con luz. Un análisis reciente ubica su escalamiento comercial entre 2026 y 2028, con jugadores como TSMC, Marvell y Lightmatter.

Computación con la dinámica física de la luz. Es el enfoque de QuantLase con su PIPU (Photonic Intelligence Processing Unit). No se trata de acelerar una operación digital, sino de dejar que el comportamiento físico de un sistema óptico con retroalimentación participe en el cálculo. Se parece a lo que la literatura llama computación de reservorio, con antecedentes fotónicos que se remontan a trabajos de 2013 y 2014, aunque QuantLase no usa ese término.

Fotónica cuántica. Usa fotones individuales y estados cuánticos. Es otra cosa: el PIPU, según su descripción, trabaja con luz coherente clásica y no es una computadora cuántica.

Qué no es

No es un reemplazo de las GPU. Incluso QuantLase plantea un esquema híbrido: la parte óptica hace la transformación y una GPU se encarga de datos, control e interfaces. Los primeros productos comerciales se parecen más a coprocesadores.

Tampoco resolvió sus límites de fondo:

• Precisión. Los cálculos analógicos sufren ruido y pérdidas. Lightmatter señala que el costo energético fotónico crece con la precisión exigida, y admite que ningún chip fotónico alcanzó todavía la precisión que piden las aplicaciones prácticas de IA.
• Conversiones. Cada paso entre señal óptica y digital agrega consumo, latencia y ruido. En un diseño de acelerador para transformers, los conversores ocupaban más de la mitad del área del chip.
• Escala. Las mejoras entre generaciones son reales. El Centro Leibniz (LRZ) probó sistemas de Q.ANT y midió más rendimiento y menos consumo que su primera generación, pero eso no prueba que superen a las GPU actuales.

El caso QuantLase

La empresa probó el PIPU sobre series de Apple, Amazon, NVIDIA, JPMorgan, First Abu Dhabi Bank, ADNOC y Reliance Industries. Primero midió cómo el sistema seguía los datos observados. Después lo dejó generar una trayectoria más allá de esos datos, sin entrenamiento adicional. Como referencia usó un sistema de IA para series temporales y una simulación en GPU de las mismas ecuaciones. QuantLase aclara que no busca un producto de inversión: los mercados son solo un caso de prueba exigente.

Lo que falta es lo central. Según The Quantum Insider, el comunicado no da resultados numéricos ni prueba ventaja sobre métodos convencionales, y no mide velocidad, energía ni costo. Producir una trayectoria no equivale a acertar el pronóstico, que solo se verifica contra lo que ocurrió después. QuantLase dice que su segundo whitepaper contiene métricas de error (MAE y RMSE), pero está detrás de una suscripción y no pudo revisarse. No hay revisión por pares, y la propia empresa reconoce que faltan más datos, repeticiones y horizontes más largos antes de abrir el acceso.

Hay además un problema de muestra. Cuatro de las siete series son grandes compañías de EE.UU. que tienden a moverse juntas, y cada dataset conservó su configuración propia, lo que abre la puerta al sobreajuste. Un test convincente incluiría un baseline ingenuo, evaluación fuera de muestra, varios horizontes y mediciones de energía y latencia frente a una GPU.

Otra aclaración: el PIPU no es el chip fotónico de QuantLase. Ese es un chip de multiplicación de matrices, en fabricación en una fundición europea, con entrega que se había anunciado para enero de 2026.

Y en las finanzas, ¿qué se puede hacer hoy?

Con fotónica: poco, y en su mayoría experimentos. En 2023 se presentó un chip fotónico cuántico que ejecutó una valuación de opciones europeas, descrito por sus autores como una prueba de concepto. La literatura sobre pronóstico bursátil con reservorios, incluidos algunos fotónicos, existe, pero se apoya en series de precios de cierre, un terreno donde ganar sistemáticamente es difícil.

Con GPU: casi todo lo que hoy importa. Los bancos usan grillas de GPU para XVA y otros cálculos de riesgo, y trabajos citados reportan aceleraciones de alrededor de 100 veces frente a CPU. Scotiabank tiene en producción modelos de Riskfuel sobre GPU para valuar derivados. Ese es el estándar contra el cual cualquier tecnología nueva tendrá que medirse.

Con computación cuántica: pilotos. El caso más citado, HSBC con IBM, mostró una mejora de hasta 34% al predecir si una operación de bonos se ejecutaba al precio cotizado, con datos históricos reales. Los autores no reclamaron ventaja cuántica, y el científico Scott Aaronson lo criticó porque el efecto aparecía con el ruido del hardware y desaparecía en una simulación sin ruido. Según The Quantum Insider, ningún gran banco tiene aún sistemas cuánticos listos para operaciones en vivo.

Qué mirar de acá en adelante

La computación con luz avanza, pero sus logros más sólidos están en interconexión y en aceleración de IA, no en finanzas. Para que un caso como el de QuantLase pase de curiosidad a herramienta, harían falta cuatro cosas: resultados fuera de muestra contra un baseline simple, mediciones de energía y latencia frente a GPU, más y mejores datos, y replicación independiente. Hasta entonces, siete series de datos son un buen punto de partida, no una conclusión.

Fuentes

• The Quantum Insider, QuantLase Tests Photonic Computing Platform on Financial Market Data (30/09/2026)
• QuantLase, blog: PIPU Readiness (30/09/2026)
• QuantLase, Photonic Intelligence Computing Lab
• The Quantum Insider, UAE’s QuantLase Launches Photonic AI Chip Design Into Industrial Fabrication (05/08/2025)
• Lightmatter, Photonic AI Acceleration – A New Kind of Computer
• Yole Group, Lumai tackles photonic’s issues with free space optics
• Tim Ventura, Photonic Computing: Can AI Move at the Speed of Light?
• Wikipedia, Lightelligence
• arXiv, Photonic-Electronic Integrated Circuits for High-Performance Computing and AI Accelerators
• arXiv, Hybrid Photonic-digital Accelerator for Attention Mechanism
• arXiv, Efficient option pricing with unary-based photonic computing chip and generative adversarial learning
• arXiv, Scalable photonic platform for real-time quantum reservoir computing (referencias sobre reservorio fotónico)
• ScienceDirect, Stock market index prediction based on reservoir computing models
• Quantum Computing Report, HSBC and IBM Demonstrate Quantum-Enabled Algorithmic Trading with up to 34% Improvement
• The Quantum Insider, A Deeper Look at HSBC and IBM’s Bond Trading Study
• Shtetl-Optimized, HSBC unleashes yet another «qombie»
• The Quantum Insider, Top Global Banks Exploring Quantum Technologies in 2026
• AWS, A review of purpose-built accelerators for financial services
• Microsoft Azure, Azure GPUs with Riskfuel’s technology offer 20 million times faster valuation of derivatives