Il quantum computing punta all’intelligenza artificiale. Non per sostituire nel breve periodo le gpu che alimentano i grandi modelli, ma per assumersi alcune delle elaborazioni più costose e specializzate. Aziende tecnologiche, gruppi farmaceutici e laboratori di ricerca stanno sperimentando architetture ibride in cui processori quantistici, cpu e gpu lavorano insieme.
Il possibile vantaggio economico è rilevante. L’espansione dell’AI sta aumentando la domanda di capacità di calcolo, energia e data center. Se un processore quantistico riuscisse a ridurre i tempi necessari per alcune operazioni di ottimizzazione, simulazione o machine learning, potrebbe diminuire almeno una parte dei costi legati all’addestramento e all’esecuzione dei modelli.
Il punto, nel 2026, è capire quanto di questa prospettiva sia già utilizzabile e quanto rimanga ancora affidato alle roadmap dei produttori.
Indice degli argomenti:
Qpu accanto a gpu e cpu, non al loro posto
L’architettura che sta prendendo forma non prevede un computer quantistico incaricato di eseguire da solo un modello di intelligenza artificiale. Il modello più realistico è quello ibrido: cpu per le elaborazioni generali, gpu per il calcolo parallelo e quantum processing unit, o qpu, per particolari sottoproblemi.
John Licata, enterprise quantum lead di ServiceNow, sostiene che cpu e gpu continueranno a gestire la maggior parte dei carichi AI. Le qpu potrebbero entrare nei casi in cui il calcolo classico incontra limiti di tempo, scala o complessità.
È la stessa impostazione adottata da diversi produttori del settore. I computer quantistici disponibili oggi non hanno infatti la stabilità, il numero di qubit logici e i sistemi di correzione degli errori necessari per sostituire l’infrastruttura classica.
Le gpu, inoltre, sono estremamente efficienti nelle operazioni sulle matrici che dominano l’addestramento delle reti neurali. Un algoritmo quantistico deve invece affrontare altri costi: trasferimento dei dati dal dominio classico a quello quantistico, misurazione dei risultati e correzione degli errori.
Per questo la competizione non riguarda tanto la sostituzione delle gpu quanto l’individuazione delle operazioni nelle quali una qpu possa produrre un risultato migliore o più rapidamente.
Silicon Quantum Computing vende già un acceleratore per l’AI
Una delle aziende che stanno tentando di trasformare questa impostazione in un prodotto commerciale è l’australiana Silicon Quantum Computing, nata nel 2017 dalla ricerca sviluppata all’University of New South Wales.
SQC commercializza Watermelon, un sistema definito dalla società come “quantum feature generator” per applicazioni di machine learning. Il processore quantistico viene inserito all’interno di un flusso di lavoro classico e utilizzato per estrarre caratteristiche dai dati da trasferire successivamente al modello AI. L’azienda indica tra le applicazioni finanza, telecomunicazioni, energia, difesa, trasporti e farmaceutica.
Il National Reconstruction Fund australiano ha investito inizialmente 20 milioni di dollari australiani in SQC e ha annunciato altri 40 milioni l’11 giugno 2026 per espandere la capacità produttiva di semiconduttori quantistici dell’azienda. Secondo l’ente pubblico, la società impiega oltre cento persone e alcuni clienti hanno già utilizzato Watermelon in applicazioni commerciali.
Matthew Bradley, vicepresidente corporate development di SQC, sostiene che la riduzione dei tempi di elaborazione possa tradursi in un minor consumo di risorse. Il rapporto tra accelerazione, risparmio energetico e costo complessivo, tuttavia, varia in funzione del problema affrontato e non può essere generalizzato a tutti i modelli AI.
Anche il calendario della società invita a distinguere i prodotti specializzati dalla prospettiva di un computer quantistico universale: SQC indica il 2033 come obiettivo per sistemi fault-tolerant su scala commerciale.
D-Wave e Shionogi portano il quantum nella ricerca farmaceutica
La ricerca di nuovi farmaci è uno dei settori in cui l’integrazione tra AI e quantum computing ha prodotto risultati misurabili.
D-Wave e la farmaceutica giapponese Shionogi hanno utilizzato un computer quantistico ad annealing all’interno di un modello generativo progettato per individuare nuove molecole. Nella seconda fase del progetto, comunicata nel 2026, D-Wave ha riferito un aumento di dieci volte del numero di molecole considerate desiderabili rispetto al modello classico utilizzato come termine di confronto.
Un successivo studio sottoposto a peer review, pubblicato nel 2026 su Scientific Reports e illustrato da D-Wave il 20 agosto, ha confrontato un modello generativo interamente classico con una versione in cui il campionamento era affidato anche a un quantum annealer. I ricercatori hanno ottenuto molecole con caratteristiche di validità chimica e compatibilità farmacologica migliori nel sistema assistito dal quantum.
Si tratta però di un problema specifico, non della dimostrazione che il quantum computing possa accelerare genericamente l’intelligenza artificiale.
La distinzione è importante perché l’espressione “quantum AI” comprende tecniche molto diverse: algoritmi realmente eseguiti su hardware quantistico, sistemi ibridi e algoritmi “quantum-inspired” che sfruttano idee provenienti dalla ricerca quantistica ma continuano a funzionare su hardware tradizionale.
La ricerca dimostra vantaggi teorici, non ancora industriali
Il quantum machine learning dispone ormai di una consistente letteratura scientifica, ma il passaggio dal vantaggio matematico alla convenienza industriale rimane aperto.
Uno studio di Hayata Yamasaki, Natsuto Isogai e Mio Murao, pubblicato il 28 luglio 2026 su npj Quantum Information, ha costruito una famiglia più ampia di problemi di apprendimento supervisionato sui quali è possibile dimostrare teoricamente un vantaggio quantistico rispetto agli algoritmi classici efficienti.
Il risultato amplia la base teorica del quantum machine learning, ma non equivale alla dimostrazione di un vantaggio economico su applicazioni AI già usate dalle imprese.
Su questo punto Gartner ha adottato una posizione particolarmente prudente. In una previsione pubblicata il 4 agosto 2026, la società di analisi ha sostenuto che nessun carico AI aziendale su larga scala verrà eseguito su hardware quantistico entro il 2028. Gartner osserva inoltre che non esiste ancora un risultato sottoposto a peer review capace di dimostrare un “quantum advantage” su un carico AI di produzione.
La differenza tra esperimenti promettenti e produzione industriale rimane quindi ampia.
QuEra punta al 2028, Ibm a Starling nel 2029
Le prospettive cambieranno se i produttori riusciranno a costruire computer fault-tolerant, capaci cioè di correggere gli errori abbastanza a lungo da eseguire algoritmi complessi.
QuEra ha annunciato il 15 giugno 2026 Libra, un sistema progettato con oltre 256 qubit logici corretti e un tasso di errore logico previsto di 10^-6. La società prevede di renderlo accessibile attraverso Amazon Braket nel 2028. QuEra parla di circa un milione di operazioni quantistiche logiche affidabili, una soglia molto superiore alle capacità dei sistemi rumorosi disponibili oggi.
Ibm segue un calendario leggermente più lungo. Il gruppo punta a rendere disponibile nel 2029 Quantum Starling, un computer fault-tolerant modulare con 200 qubit e capacità dichiarata di eseguire 100 milioni di gate. Nell’agosto 2026 Ibm ha annunciato di aver collegato e raffreddato due moduli criogenici destinati all’architettura che dovrà sostenere il sistema.
Starling dovrebbe essere costruito nel nuovo Quantum Data Center di Poughkeepsie, nello Stato di New York. Secondo la roadmap pubblicata da Ibm, il passo successivo sarebbe Blue Jay, sistema previsto oltre il 2033 con fino a 2.000 qubit e un miliardo di gate. Le date restano obiettivi industriali dichiarati dall’azienda, non risultati acquisiti.
Il costo dell’AI spinge la ricerca di nuovi acceleratori
L’interesse economico nasce anche dall’aumento della capacità di calcolo richiesta dall’AI generativa. Addestramento e inferenza dei modelli più grandi assorbono gpu, energia, reti ad alta velocità e sistemi di raffreddamento.
Il quantum computing potrebbe quindi inserirsi nella stessa logica che ha trasformato il mercato dei semiconduttori negli ultimi anni: affidare determinate operazioni a chip specializzati.
Le qpu non devono necessariamente battere una gpu in qualsiasi compito. Per avere valore industriale sarebbe sufficiente che offrissero un vantaggio verificabile in una parte costosa di un processo più ampio: ottimizzazione, campionamento, simulazione molecolare o ricerca all’interno di spazi combinatori molto grandi.
La convenienza dovrà però essere misurata sull’intero sistema. Un algoritmo quantistico più veloce perde parte del proprio vantaggio se richiede procedure onerose per preparare i dati, correggere gli errori o trasferire continuamente informazioni tra processori classici e quantistici.
Per i responsabili IT il parametro economico rilevante sarà quindi il costo complessivo del carico di lavoro, non il tempo di esecuzione della sola qpu.
Per le imprese il problema immediato è la sicurezza
C’è intanto un settore nel quale le aziende non possono aspettare la maturazione del quantum computing: la crittografia.
Un computer quantistico sufficientemente potente potrebbe compromettere sistemi a chiave pubblica oggi ampiamente utilizzati. Il rischio non dipende soltanto dall’esistenza attuale di una macchina capace di farlo. Un aggressore può raccogliere oggi informazioni cifrate e conservarle fino al momento in cui sarà disponibile la capacità di decifrarle: il modello di attacco noto come “harvest now, decrypt later”.
Il Nist statunitense ha finalizzato il 13 agosto 2024 i primi tre standard di crittografia post-quantum:
- Fips 203, basato su ML-KEM per lo scambio delle chiavi,
- Fips 204 e 205 per le firme digitali.
L’istituto raccomanda alle organizzazioni di iniziare subito la migrazione, perché la sostituzione degli algoritmi crittografici su sistemi complessi può richiedere molti anni.
Nel 2025 il Nist ha inoltre selezionato HQC come ulteriore algoritmo destinato alla standardizzazione. Nel luglio 2026 una vulnerabilità individuata con l’aiuto dell’AI ha invece portato al ritiro di HAWK, candidato per le firme digitali; secondo il Nist, il problema non riguarda gli standard ML-KEM e ML-DSA già approvati.
Per banche, assicurazioni, sanità, pubbliche amministrazioni e imprese che conservano proprietà intellettuale di lunga durata, la migrazione crittografica ha quindi una scadenza economica più concreta delle applicazioni quantum AI.
La strategia per i Cio: sperimentare senza anticipare il mercato
La prospettiva più plausibile per gli anni successivi non è una sostituzione dei data center AI con computer quantistici. È la costruzione di infrastrutture eterogenee nelle quali diversi acceleratori vengono assegnati ai problemi per cui risultano più efficienti.
Le imprese possono già sperimentare sistemi di quantum machine learning e servizi cloud, ma le dichiarazioni sulle prestazioni richiedono benchmark comparabili con le migliori alternative classiche. Occorre distinguere hardware quantistico, simulatori e algoritmi quantum-inspired e verificare quale parte del flusso venga effettivamente eseguita sulla qpu.
Il passaggio decisivo arriverà quando i risultati ottenuti in laboratorio saranno replicabili su dati industriali, con vantaggi misurabili su costo, tempo, precisione o consumo energetico.
Fino ad allora, gpu e cpu resteranno il motore dell’intelligenza artificiale. Le qpu stanno cercando il proprio spazio accanto a loro. Alcuni esperimenti mostrano che quello spazio esiste, soprattutto nell’ottimizzazione e nella scoperta di molecole. La dimensione economica di quel mercato dipenderà dalla capacità dei produttori di trasformare questi casi specifici in vantaggi ripetibili, verificabili e abbastanza grandi da compensare la complessità dell’infrastruttura quantistica.
Partecipa alla community