JPMorgan, AMD i OQC otwierają centrum kwantowo-AI: Testy algorytmów giełdowych w Londynie

Współpraca ma jasno określone role. Firma OQC dostarcza sprzęt kwantowy, oparty na architekturze nadprzewodnikowej i systemie nowej generacji GENESIS . AMD odpowiada za warstwę obliczeń klasycznych i AI, która umożliwia hybrydowe przepływy pracy . JPMorganChase wnosi swój wieloletni program badawczy w dziedzinie kwantowej i AI, w ramach którego powstały już algorytmy do wyceny opcji, analizy ryzyka, wykrywania oszustw i przetwarzania języka naturalnego . Razem te trzy organizacje zobowiązały się do realizacji planu badawczego, który koncentruje się na kilku konkretnych zastosowaniach w usługach finansowych.

Optymalizacja portfela: strategie hybrydowe w realnych testach

Optymalizacja portfela to jedno z najczęściej wymienianych bliskoterminowych zastosowań komputerów kwantowych w finansach i znajduje się ono na szczycie agendy tej współpracy. Badacze JPMorganChase będą używać nowego centrum danych do testowania podejść kwantowych i hybrydowych, których celem jest poprawa konstrukcji portfela i zwrotów skorygowanych o ryzyko . Cel nie jest czysto teoretyczny – platforma została zaprojektowana do testowania, jak te hybrydowe przepływy pracy sprawdzają się przy wymaganiach dotyczących opóźnień, replikacji danych i powtarzalności, które globalny bank stosuje wobec systemów produkcyjnych .

Szersza historia badań kwantowych JPMorganChase dodaje tu istotnego kontekstu. Grupa Global Technology Applied Research banku stworzyła już nowatorskie algorytmy kwantowe do optymalizacji portfela i jest jedną z najbardziej aktywnych instytucji finansowych badających skrzyżowanie obliczeń kwantowych, AI i kryptografii . Mając dedykowany dostęp do GENESIS, zespół może teraz przeprowadzać eksperymenty porównawcze między podejściami klasycznymi, kwantowymi i hybrydowymi w warunkach, które odzwierciedlają to, czego mógłby ostatecznie wymagać prawdziwy dział handlowy.

Kwantowe uczenie maszynowe: od teorii do kontrolowanego eksperymentu

Kwantowe uczenie maszynowe od dawna jest przedmiotem zainteresowania akademickiego, ale rygorystyczne, powtarzalne testy w bezpiecznej infrastrukturze banku należały do rzadkości. Londyńskie centrum to zmienia. Partnerzy ogłosili, że platforma zostanie wykorzystana do rozszerzenia badań nad technikami kwantowego uczenia maszynowego, które mają zastosowanie w modelowaniu i przewidywaniu finansowym .

Tym, co wyróżnia to przedsięwzięcie na tle mniejszych eksperymentów, jest fizyczna bliskość procesora kwantowego z wydajną infrastrukturą obliczeniową AI. Architektura jest zaprojektowana do obsługi hybrydowych zadań w czasie rzeczywistym, umożliwiając trenowanie konwencjonalnych sieci neuronowych i uruchamianie obwodów kwantowych w tej samej kontrolowanej pętli . Dla JPMorganChase pytania aplikacyjne są konkretne: czy jądra kwantowe (ang. quantum kernels), obwody wariacyjne lub kwantowe sieci neuronowe mogą dodać wartości predykcyjnej w zadaniach takich jak scoring kredytowy, wykrywanie anomalii czy klasyfikacja reżimów rynkowych, gdy są testowane w skali i przy opóźnieniach przypominających środowiska produkcyjne w finansach?

Niedawne kamienie milowe banku w dziedzinie kwantowej podkreślają poważne podejście do łączenia badań z praktyką. W marcu 2025 roku naukowcy JPMorganChase – współpracując z Quantinuum, Argonne National Laboratory, Oak Ridge National Laboratory i Uniwersytetem Teksańskim w Austin – wygenerowali i matematycznie certyfikowali prawdziwie losowe liczby za pomocą komputera kwantowego . Opublikowana w czasopiśmie Nature praca pokazała nie tylko teoretyczną zdolność, ale namacalny wynik, który ma bezpośrednie zastosowanie w bezpieczeństwie, kryptografii i symulacjach Monte Carlo na potrzeby handlu. Nowe centrum danych zapewnia miejsce do prowadzenia równie rygorystycznych, zorientowanych na wyniki badań kwantowych we własnym tempie banku.

Odkrywanie nowych algorytmów: gdy AI spotyka fizykę kwantową

Być może najbardziej przyszłościowy tor badawczy dotyczy tego, czy ulepszone kwantowo modele AI mogą przyspieszyć odkrywanie nowatorskich algorytmów stworzonych dla konkretnych przypadków użycia w finansach . Nie chodzi tu tylko o wykorzystanie sprzętu kwantowego do przyspieszania istniejących procesów uczenia maszynowego; to bardziej otwarta eksploracja, która stawia pytanie, czy AI – w tym duże modele językowe (LLM) – może pomóc projektować lepsze obwody kwantowe i czy procesory kwantowe mogą z kolei ulepszać modele AI, które szukają nowych algorytmów finansowych.

W ramach tego toru znajdują się dwa odrębne, ale powiązane kierunki badawcze. Pierwszy to poprawa obwodów kwantowych wspomagana przez AI: wykorzystanie sztucznej inteligencji do zwiększenia wydajności i wierności samych obwodów kwantowych, co efektywnie czyni sprzęt kwantowy bardziej użytecznym poprzez ulepszenie warstwy oprogramowania, która nim steruje . Drugi kierunek pyta o to, czy ulepszone kwantowo modele AI, potencjalnie w tym LLM-y, mogą odkryć nowe algorytmy kwantowe, które wcześniej były nieznane – algorytmy zdolne do rozwiązywania konkretnych problemów optymalizacji finansowej lub modelowania ryzyka skuteczniej niż jakakolwiek istniejąca metoda klasyczna czy kwantowa .

Takie podejście wpisuje się w szerszy trend branżowy polegający na wykorzystaniu uczenia maszynowego do eksploracji ogromnej przestrzeni projektowej obwodów kwantowych. To, co czyni londyński projekt wyjątkowym, to jego powiązanie z konkretną domeną – finansami – oraz prowadzenie prac wewnątrz bezpiecznego środowiska banku, który jest w stanie precyzyjnie określić, które problemy są najbardziej istotne komercyjnie. Połączenie wiedzy domenowej, dedykowanego sprzętu i chronionego środowiska danych tworzy unikalny poligon do odkrywania algorytmów w usługach finansowych.

Bezpieczeństwo, skalowalność i droga do gotowości produkcyjnej

Platforma służy celom wykraczającym poza jakikolwiek pojedynczy algorytm. JPMorganChase podkreśla, że centrum danych pełni funkcję korporacyjnej platformy testowania bezpieczeństwa, gdzie zespoły badawcze z firm i uczelni mogą oceniać konfiguracje hybrydowego oprogramowania klasyczno-kwantowego pod kątem standardów replikacji danych, odporności na awarie i bezpieczeństwa, które obowiązują w usługach finansowych . Udział AMD jest tutaj szczególnie istotny, ponieważ warstwa klasyczna musi obsłużyć ogromne wolumeny danych i zapytania, jakie generuje duży bank, a nie uproszczony zestaw danych testowych.

Oczekuje się, że placówka osiągnie pełną operacyjność w ciągu 12 miesięcy od ogłoszenia z czerwca 2026 roku, a JPMorganChase będzie jej pierwszym dedykowanym użytkownikiem . Ten harmonogram jest zbieżny ze szerszą trajektorią sprzętową OQC: system GENESIS reprezentuje wejście firmy w erę kubitów logicznych, z 16 kubitami logicznymi zdolnymi do wykonywania tysięcy niezawodnych operacji kwantowych, w reżimie nazywanym przez OQC „KiloQuOp” . Testowanie algorytmów hybrydowych na sprzęcie, który przeszedł od zaszumionych kubitów fizycznych do kubitów logicznych z korekcją błędów, jest kluczowym krokiem w kierunku wykazania, czy komputery kwantowe mogą zapewnić praktyczną przewagę w finansach.

Londyńska współpraca nie jest jedyną inwestycją banku w sieci kwantowe. W marcu 2026 roku JPMorgan Chase oddzielnie wdrożył szybką, zabezpieczoną kwantowo i krypto-agilną sieć (Q-CAN), łączącą dwa centra danych za pomocą światłowodów, z trzecim węzłem kwantowym służącym jako platforma testowa dla technologii kwantowych nowej generacji . Razem wzięte, te inwestycje sygnalizują, że JPMorganChase buduje jednocześnie warstwę łączności i warstwę obliczeniową – przygotowując infrastrukturę na świat, w którym sieci zabezpieczone kwantowo i algorytmy ulepszone kwantowo współistnieją w środowisku produkcyjnym.

Dlaczego londyńskie centrum ma znaczenie poza ogłoszeniami

Większość współpracy w dziedzinie obliczeń kwantowych między dostawcami sprzętu a bankami opiera się na modelu współdzielonej chmury, gdzie badacze banku uzyskują dostęp do procesora kwantowego przez internet razem z użytkownikami akademickimi i komercyjnymi. Placówka OQC, JPMorganChase i AMD jest inna: fizycznie współzlokalizowana, prywatnie obsługiwana i zbudowana specjalnie dla obciążeń i wymogów bezpieczeństwa pojedynczego użytkownika korporacyjnego. Ta konfiguracja umożliwia eksperymenty, których modele dostępu oparte na chmurze nie mogą łatwo odtworzyć – w tym ściśle sprzężone pętle hybrydowe, gdzie klasyczny HPC, wnioskowanie AI i obwody kwantowe muszą się komunikować z opóźnieniem mierzonym w mikrosekundach, a nie w czasie potrzebnym na wymianę danych przez sieć.

Dla sektora finansowego, gdzie kilka milisekund opóźnienia może nieść za sobą wymierny koszt ekonomiczny, taka architektura współzlokalizowana może być ważniejsza niż sama liczba kubitów. Sukces tej współpracy będzie ostatecznie mierzony nie komunikatami prasowymi, ale tym, czy JPMorganChase zdoła wykazać – na rzeczywistych zadaniach finansowych i w oparciu o rygorystyczne testy porównawcze – że podejścia hybrydowe (kwantowo-klasyczne) zapewniają wydajność, skalowalność i opłacalność, których nie dorówna infrastruktura czysto klasyczna. Opisane tory badawcze dotyczące optymalizacji portfela, kwantowego uczenia maszynowego i odkrywania algorytmów napędzanego przez AI są pierwszymi konkretnymi krokami w kierunku takiej demonstracji.