Sztuczna Inteligencja 5 min czytania

BMO i IBM: kwantowe ML w bankowości już działa

Bank BMO jako jedna z pierwszych instytucji finansowych na świecie potwierdził osiągnięcie tzw. quantum utility – czyli punktu, w którym komputer kwantowy wykonuje obliczenia użyteczne w realnych zastosowaniach, wykraczające poza możliwości klasycznych maszyn – i to właśnie w dziedzinie uczenia maszynowego. To nie jest kolejny laboratoryjny eksperyment: wyniki dotyczą rzeczywistych procesów bankowych realizowanych na komputerach kwantowych IBM. Dla branży finansowej i AI oznacza to, że era obliczeń kwantowych w produkcyjnych systemach ML może być bliżej, niż zakładano.

Czym jest quantum utility i co udowodniło BMO?

Quantum utility to pojęcie określające moment, w którym kwantowy system obliczeniowy dostarcza wyników praktycznie użytecznych – nie tylko jako demonstracja możliwości, ale jako narzędzie przewyższające lub uzupełniające klasyczne podejście w konkretnym zadaniu. BMO, jeden z największych kanadyjskich banków, opublikował raport potwierdzający osiągnięcie tego progu w zastosowaniu do uczenia maszynowego.

Obliczenia przeprowadzono na komputerach kwantowych IBM, które od lat stanowią jeden z głównych punktów odniesienia w wyścigu o praktyczne zastosowania technologii kwantowej. Fakt, że to instytucja finansowa – a nie ośrodek akademicki czy laboratorium technologiczne – ogłasza taki wynik, nadaje temu doniesieniu szczególną wagę.

Szczegóły techniczne dotyczące konkretnych algorytmów, typów modeli ML ani parametrów użytych kubitów nie zostały ujawnione w dostępnych materiałach źródłowych. Pełen zakres wyników wymaga weryfikacji w publikacji technicznej BMO.

IBM Quantum jako platforma dla finansów

Komputery kwantowe IBM od wielu lat są udostępniane instytucjom i badaczom przez platformę chmurową, co pozwala organizacjom finansowym testować algorytmy kwantowe bez budowania własnej infrastruktury. BMO korzystało właśnie z tej drogi dostępu.

Sektor bankowy od dawna przygląda się obliczeniom kwantowym w kontekście optymalizacji portfeli inwestycyjnych, wyceny instrumentów pochodnych, wykrywania oszustw oraz modelowania ryzyka. Każde z tych zadań wiąże się z obliczeniami, które przy odpowiedniej skali mogą przekraczać wydajność klasycznych procesorów.

Połączenie tych potrzeb z kwantowym uczeniem maszynowym (ang. quantum machine learning, QML) – dziedziny łączącej algorytmy ML z architekturą kwantową – otwiera drogę do modeli działających szybciej lub dokładniej w specyficznych klasach problemów finansowych.

Redakcja IWD Partner: Jeszcze kilka lat temu quantum utility brzmiało jak termin z futurystycznych prezentacji na konferencjach technologicznych. Dziś pojawia się w raportach banku. Skala tego przejścia – od teorii do instytucji finansowej raportującej wyniki produkcyjne – przypomina moment, gdy chmura obliczeniowa przestała być ciekawostką i stała się infrastrukturą krytyczną. Pytanie, które teraz zadają sobie konkurenci BMO, brzmi: czy mogą pozwolić sobie na to, żeby nie badać tego samego?

Czy to przełom dla całej branży AI i ML?

Osiągnięcie quantum utility w kontekście uczenia maszynowego przez podmiot komercyjny ma znaczenie symboliczne i praktyczne jednocześnie. Klasyczne modele ML – od regresji logistycznej po duże sieci neuronowe – opierają się na operacjach macierzowych, które dla pewnych klas problemów mogą być przyspieszone przez algorytmy kwantowe.

Kwantowe obwody parametryczne (ang. parameterized quantum circuits, PQC) to jedna z najczęściej badanych struktur w QML – pełnią rolę analogiczną do warstw sieci neuronowej, ale operują na kubitach i efektach kwantowych, takich jak superpozycja i splątanie. Jeśli BMO faktycznie zastosowało tego rodzaju podejście w produkcyjnym kontekście, byłoby to pierwsze potwierdzenie ich operacyjnej użyteczności poza środowiskiem akademickim.

Jednocześnie środowisko naukowe pozostaje ostrożne: termin „quantum utility” bywa używany w sposób niejednolity, a granica między demonstracją a prawdziwą przewagą kwantową nad klasycznym odpowiednikiem wymaga rygorystycznej weryfikacji metodologicznej.

Co to oznacza dla rozwoju kwantowego ML w najbliższych latach?

Raport BMO może przyspieszyć decyzje innych instytucji finansowych o inwestowaniu w pilotaże kwantowe – szczególnie tych, które dotychczas przyjmowały postawę wyczekującą. Efekt demonstracji przez wiarygodny podmiot regulowany ma inną siłę przekonywania niż wyniki z laboratorium.

Dla ekosystemu IBM Quantum wynik ten wzmacnia pozycję platformy jako środowiska zdolnego do obsługi komercyjnych zastosowań – nie tylko badań podstawowych. Konkurencja w tym segmencie, prowadzona m.in. przez Google Quantum AI, Microsoft Azure Quantum i IonQ, jest intensywna, a każde potwierdzenie praktycznej użyteczności przez klienta korporacyjnego jest argumentem handlowym.

Otwartym pytaniem pozostaje skalowalność: czy wyniki uzyskane na obecnej generacji komputerów kwantowych IBM utrzymają się przy bardziej złożonych modelach i większych zbiorach danych? Odpowiedź na to pytanie zadecyduje o tym, czy mamy do czynienia z początkiem nowego rozdziału w ML, czy z obiecującym, ale wciąż niszowym wynikiem.

Powiązane pojęcia z AI i uczenia maszynowego

  • Quantum utility – punkt, w którym komputer kwantowy wykonuje obliczenia użyteczne praktycznie, wykraczające poza możliwości lub efektywność klasycznych systemów w danym zadaniu.
  • Kwantowe uczenie maszynowe (QML) – dziedzina łącząca algorytmy uczenia maszynowego z architekturą kwantową w celu potencjalnego przyspieszenia lub poprawy jakości modeli.
  • Kubit – podstawowa jednostka informacji w komputerze kwantowym, która – w odróżnieniu od klasycznego bitu – może przyjmować stany superpozycji 0 i 1 jednocześnie.
  • Obwód parametryczny (PQC) – kwantowy odpowiednik warstwy sieci neuronowej: struktura bramek kwantowych z regulowanymi parametrami, trenowana analogicznie do modelu ML.
  • Quantum advantage – wyższy próg niż quantum utility: punkt, w którym komputer kwantowy rozwiązuje problem szybciej lub dokładniej niż jakikolwiek klasyczny komputer, nawet najbardziej zaawansowany.

Opracowanie redakcji IWD Partner z wykorzystaniem narzędzi AI na podstawie materiału: The Quantum Insider (19.11.2026).

Zdjęcie: Brecht Corbeel / Unsplash