JPMorgan, AMD, dan OQC Luncurkan Pusat Data Kuantum-AI di London untuk Uji Algoritma Keuangan Dunia Nyata

Kemitraan ini disusun dengan peran yang jelas. OQC menyediakan lapisan perangkat keras kuantum, memanfaatkan arsitektur superkonduktor dan sistem GENESIS generasi terbarunya . AMD menyumbangkan infrastruktur komputasi klasik dan AI yang memungkinkan alur kerja hibrida . JPMorganChase membawa program R&D kuantum dan AI jangka panjangnya, yang telah menghasilkan algoritma untuk berbagai kasus penggunaan mulai dari penetapan harga opsi dan analisis risiko hingga deteksi penipuan dan pemrosesan bahasa alami . Bersama-sama, ketiga organisasi ini berkomitmen pada peta jalan riset yang menargetkan beberapa aplikasi spesifik di bidang layanan keuangan.

Optimasi Portofolio: Menguji Strategi Hibrida di Lingkungan Nyata

Optimasi portofolio adalah salah satu kasus penggunaan komputasi kuantum jangka pendek yang paling sering dikutip dalam keuangan, dan ini menjadi agenda utama kolaborasi. Para peneliti JPMorganChase akan menggunakan pusat data baru ini untuk menguji pendekatan kuantum dan hibrida kuantum-klasik terkini yang bertujuan meningkatkan konstruksi portofolio dan imbal hasil yang disesuaikan dengan risiko . Tujuannya bukan sekadar eksplorasi teoretis—platform ini secara eksplisit dirancang untuk mengukur kinerja alur kerja hibrida ini ketika diukur dengan tuntutan latensi, replikasi data, dan reproduktibilitas yang diterapkan bank global pada sistem produksi .

Sejarah riset kuantum JPMorganChase yang lebih luas menambah konteks penting di sini. Grup Global Technology Applied Research perusahaan ini telah menghasilkan algoritma kuantum baru untuk optimasi portofolio, dan menjadi salah satu institusi keuangan paling aktif dalam mengeksplorasi persimpangan antara komputasi kuantum, AI, dan kriptografi . Dengan akses khusus ke GENESIS, tim ini sekarang dapat melakukan eksperimen komparatif di seluruh pendekatan klasik, kuantum, dan hibrida dalam kondisi yang menyerupai apa yang mungkin dibutuhkan oleh meja perdagangan (trading desk) nyata di masa depan.

Machine Learning Kuantum: Dari Teori ke Eksperimen Terkontrol

Machine learning kuantum telah lama menjadi area minat akademis, tetapi pengujian yang ketat dan dapat direproduksi di dalam infrastruktur aman milik bank sendiri masih jarang. Pusat data di London ini mengubahnya. Para mitra menyatakan bahwa platform ini akan digunakan untuk memperluas eksplorasi teknik machine learning kuantum yang dapat diterapkan pada pemodelan dan prediksi keuangan .

Yang membedakan ini dari eksperimen skala kecil adalah penempatan bersama (co-location) prosesor kuantum dengan komputasi AI performa tinggi. Arsitektur ini dirancang untuk beban kerja hibrida waktu nyata, yang memungkinkan pelatihan jaringan saraf konvensional dan menjalankan sirkuit kuantum di dalam loop terkontrol yang sama . Bagi JPMorganChase, pertanyaan terapannya konkret: dapatkah kernel kuantum, sirkuit variasional, atau jaringan saraf kuantum menambah nilai prediktif untuk tugas-tugas seperti penilaian kredit, deteksi anomali, atau klasifikasi rezim pasar ketika diuji pada skala dan latensi yang menyerupai lingkungan keuangan langsung?

Pencapaian kuantum terbaru bank ini menggarisbawahi keseriusannya dalam menjembatani riset dan praktik. Pada Maret 2025, para peneliti JPMorganChase—bekerja sama dengan Quantinuum, Argonne National Laboratory, Oak Ridge National Laboratory, dan University of Texas di Austin—menghasilkan dan secara matematis mengesahkan angka yang benar-benar acak menggunakan komputer kuantum . Dipublikasikan di jurnal Nature, pekerjaan itu mendemonstrasikan bukan hanya kemampuan teoretis, tetapi juga keluaran nyata yang memiliki aplikasi langsung dalam keamanan, kriptografi, dan simulasi Monte Carlo untuk perdagangan. Pusat data baru ini menyediakan tempat untuk mengejar riset kuantum berbasis keluaran yang sama ketatnya dengan kecepatan perusahaan sendiri.

Model AI yang Disempurnakan Kuantum untuk Penemuan Algoritma Baru

Mungkin jalur riset yang paling visioner dalam kolaborasi ini menyelidiki apakah model AI yang disempurnakan kuantum dapat mempercepat penemuan algoritma baru yang dibuat khusus untuk kasus penggunaan keuangan . Ini bukan hanya tentang menggunakan perangkat keras kuantum untuk mempercepat pipeline machine learning yang ada; ini adalah eksplorasi yang lebih terbuka yang menanyakan apakah AI—termasuk model bahasa besar (LLM) dan sistem AI khusus—dapat membantu merancang sirkuit kuantum yang lebih baik, dan apakah prosesor kuantum pada gilirannya dapat meningkatkan model AI yang mencari algoritma keuangan baru.

Dua arah riset berbeda namun terkait berada di dalam jalur ini. Yang pertama adalah peningkatan sirkuit kuantum berbantuan AI: menggunakan AI untuk meningkatkan performa dan ketepatan (fidelity) sirkuit kuantum itu sendiri, secara efektif membuat perangkat keras kuantum lebih berguna dengan meningkatkan lapisan perangkat lunak yang mengendalikannya . Arah kedua menanyakan apakah model AI yang disempurnakan kuantum, yang berpotensi termasuk LLM, dapat menemukan algoritma kuantum baru yang sebelumnya tidak diketahui—algoritma yang mungkin dapat memecahkan masalah optimasi keuangan atau pemodelan risiko tertentu secara lebih efisien daripada metode klasik atau kuantum yang ada .

Pendekatan ini cocok dengan pola industri yang lebih luas dalam menggunakan machine learning untuk menjelajahi ruang desain sirkuit kuantum yang sangat luas. Yang membuat proyek London ini terkenal adalah bahwa ia berlabuh pada domain tertentu—keuangan—dan dijalankan di dalam perimeter keamanan bank yang dapat menentukan dengan tepat masalah mana yang paling relevan secara komersial. Kombinasi keahlian domain, perangkat keras khusus, dan lingkungan data yang dilindungi menjadikannya testbed unik untuk penemuan algoritma di layanan keuangan.

Keamanan, Skalabilitas, dan Jalan Menuju Kesiapan Produksi

Tujuan platform ini melampaui satu algoritma tunggal. JPMorganChase telah menekankan bahwa pusat data ini berfungsi sebagai platform pengujian keamanan kelas perusahaan, di mana tim riset korporat dan akademis dapat mengevaluasi konfigurasi perangkat lunak hibrida klasik-kuantum terhadap standar replikasi data, toleransi kesalahan, dan keamanan yang berlaku untuk layanan keuangan . Peran AMD di sini sangat penting, karena lapisan klasik harus menangani volume data dan beban inferensi yang dihasilkan oleh bank besar, bukan sekadar dataset benchmark yang disederhanakan.

Fasilitas ini diharapkan akan beroperasi penuh dalam waktu 12 bulan setelah pengumuman Juni 2026, dengan JPMorganChase sebagai pengguna khusus pertama . Jangka waktu ini selaras dengan lintasan perangkat keras OQC yang lebih luas: sistem GENESIS merupakan langkah masuk perusahaan ke era qubit logis, dengan 16 qubit logis yang mampu menghasilkan ribuan operasi kuantum yang andal, sebuah ambang batas yang digambarkan OQC sebagai rezim "KiloQuOp" . Menguji algoritma hibrida pada perangkat keras yang telah melangkah dari qubit fisik yang bising ke qubit logis yang dimitigasi kesalahannya merupakan langkah kunci untuk mendemonstrasikan apakah komputasi kuantum dapat memberikan keunggulan praktis di bidang keuangan.

Kolaborasi di London ini bukanlah satu-satunya investasi jaringan kuantum bank tersebut. Pada Maret 2026, JPMorgan Chase secara terpisah menggelar jaringan kripto-agile yang diamankan secara kuantum berkecepatan tinggi yang menghubungkan dua pusat data melalui serat optik yang telah digelar, dengan node kuantum ketiga yang berfungsi sebagai testbed riset untuk teknologi kuantum generasi berikutnya yang berlaku untuk perbankan . Secara keseluruhan, investasi-investasi ini menandakan bahwa JPMorganChase sedang membangun lapisan konektivitas dan lapisan komputasi secara bersamaan—mempersiapkan infrastruktur untuk dunia di mana jaringan yang diamankan secara kuantum dan algoritma yang disempurnakan kuantum hidup berdampingan dalam lingkungan produksi.

Mengapa Pusat Data London Ini Penting di Luar Pengumumannya

Sebagian besar kolaborasi komputasi kuantum antara vendor perangkat keras dan bank beroperasi pada model cloud bersama, di mana para peneliti bank mengakses prosesor kuantum melalui internet bersama pengguna akademis dan komersial. Fasilitas OQC-JPMorganChase-AMD ini berbeda: ditempatkan bersama secara fisik, dioperasikan secara privat, dan dibangun khusus untuk beban kerja dan persyaratan keamanan satu pengguna perusahaan. Konfigurasi itu memungkinkan eksperimen yang tidak dapat dengan mudah direplikasi oleh model akses berbasis cloud, termasuk loop hibrida yang digabungkan secara erat di mana HPC klasik, inferensi AI, dan sirkuit kuantum harus berkomunikasi dengan latensi yang diukur dalam mikrodetik, bukan putaran bolak-balik jaringan.

Untuk layanan keuangan, di mana latensi beberapa milidetik dapat membawa biaya ekonomi material, arsitektur penempatan bersama ini mungkin terbukti lebih penting daripada jumlah qubit mentah. Keberhasilan kolaborasi ini pada akhirnya tidak akan diukur dari siaran pers, tetapi oleh apakah JPMorganChase dapat mendemonstrasikan—pada beban kerja keuangan nyata dan terhadap tolok ukur yang ketat—bahwa pendekatan hibrida kuantum-klasik memberikan performa, skalabilitas, dan efektivitas biaya yang tidak dapat ditandingi oleh infrastruktur klasik murni. Jalur riset tentang optimasi portofolio, machine learning kuantum, dan penemuan algoritma berbasis AI adalah langkah konkret pertama menuju demonstrasi itu.