Dois anúncios de outubro de 2026 apontam para a mesma mudança: a computação quântica começa a ser tratada como parte de sistemas reais, não apenas como equipamento de laboratório. A ORCA Computing instalou o computador fotônico PT-3 em um datacenter de Londres, enquanto a Google Quantum AI demonstrou uma técnica para reduzir erros no processador Willow. Um movimento aproxima a máquina de cargas de trabalho convencionais; o outro tenta resolver o problema que impede os processadores quânticos de crescerem.
A ponte da ORCA chega ao datacenter
A primeira frente é de infraestrutura. O PT-3 foi instalado no Digital Realty Innovation Lab, em Londres, como um sistema fotônico que consome 6 kW e ocupa dois racks padrão. A reportagem descreve a máquina como operando em temperatura ambiente, enquanto a ficha técnica informa refrigeração de ciclo fechado com hélio-4. A proposta é entrar em datacenters sem modificações nas instalações e conectar-se por Ethernet a fluxos de trabalho de computação de alto desempenho ou nuvem, como uma ponte entre idiomas técnicos diferentes. A reportagem detalha o lançamento do PT-3.
A utilidade aparece no modelo híbrido, em que o processador quântico divide a tarefa com hardware convencional. Em testes de descoberta de medicamentos, o PT-3 trabalhou com 32 GPUs Nvidia Hopper e gerou 20% mais candidatos a proteínas viáveis. Em otimização de rede elétrica, concluiu os cálculos em cerca de uma hora, 12 vezes mais rápido que a geração anterior da ORCA. A empresa chama o resultado de "vantagem quântica comercial", mas os números apresentados descrevem testes específicos, não uma substituição geral dos computadores atuais.
Google ataca o custo do controle de erros
Na outra ponta, a Google trabalhou na camada que mantém um cálculo quântico confiável. O estudo publicado na Science apresenta a "cultivação de estados mágicos", processo que usa medições coordenadas para filtrar erros em estados necessários à computação quântica universal. No processador Willow, a técnica alcançou fidelidade lógica de 99,99% para estados T e reduziu os erros em cerca de 40 vezes. A Google explica a demonstração em seu blog de pesquisa.
O ganho está em diminuir o trabalho consumido pela correção de erros antes que o cálculo produza um resultado útil. O experimento também transferiu estados purificados entre códigos de cores e códigos de superfície, dois métodos de correção. A análise disponível indica que a abordagem pode reduzir a dependência da destilação tradicional, mas o escalonamento para uso prático ainda enfrenta desafios técnicos. Lidos juntos, os anúncios deixam uma pergunta objetiva para o setor: quem conseguirá conectar desempenho experimental, integração com datacenters e controle de erros em uma única operação confiável?