IBM, “quantum advantage”: che significa e perché conta per l’AI

IBM, in un annuncio di ieri, sostiene che il quantum computing sia entrato nell’era del “quantum advantage”, il vantaggio quantistico: il momento in cui un computer quantistico riesce a svolgere almeno una determinata operazione meglio dei sistemi classici disponibili.

L’annuncio sul quantum computing non riguarda però un computer capace di sostituire server, GPU o supercomputer. IBM e i suoi partner hanno presentato tre esperimenti molto specifici, dedicati alla simulazione della materia quantistica e all’esecuzione di circuiti particolarmente difficili, nei quali i sistemi quantistici avrebbero raggiunto regimi non accessibili ai migliori metodi classici mantenendo, allo stesso tempo, un certo grado di verificabilità del risultato.

È una distinzione essenziale. Il quantum advantage non significa che i computer quantistici siano diventati più potenti dei computer tradizionali in senso generale. Significa che, per alcuni problemi accuratamente selezionati, una combinazione di hardware quantistico, software di mitigazione degli errori e calcolo classico può offrire un risultato più preciso, più economico o più efficiente rispetto al solo calcolo classico.

IBM, inoltre, non è la prima azienda a fare questa rivendicazione.

Google aveva annunciato una prima forma di “supremazia quantistica” nel 2019 e un vantaggio quantistico verificabile nel 2025. D-Wave aveva dichiarato nel marzo 2025 di aver superato i supercomputer tradizionali nella simulazione di materiali magnetici. La vera importanza dei nuovi lavori IBM va quindi cercata non tanto nella parola “advantage”, ormai utilizzata da più concorrenti, quanto nel tentativo di rendere attendibili calcoli che si spingono oltre la capacità di verifica dei computer classici.

Sarebbe uno sviluppo utile anche al futuro dell’AI, che a sua volta può contribuire al miglioramento del quantum computing.

L’AI può già contribuire alla calibrazione delle macchine, alla correzione degli errori e alla progettazione dei circuiti; i computer quantistici potrebbero, a loro volta, affrontare alcune fasi particolarmente complesse delle simulazioni scientifiche e dei processi di machine learning.

Che cosa ha dimostrato IBM

La dichiarazione di IBM si basa su tre lavori distinti, pubblicati per ora come preprint su arXiv e quindi ancora aperti alla verifica e alla discussione della comunità scientifica.

Nel primo, realizzato con la University of Chicago, i ricercatori hanno eseguito un circuito codificato di 70 qubit logici, utilizzando complessivamente 97 qubit fisici. Il circuito comprendeva 2.415 operazioni logiche a due qubit e 468 “T gate”, operazioni indispensabili per eseguire calcoli quantistici complessi.

Il calcolo è stato completato in circa 15 minuti. Secondo IBM, i principali metodi di simulazione classica avrebbero richiesto tempi proibitivi. L’aspetto più interessante non è però soltanto la velocità: la struttura del circuito permetteva di individuare gli errori e di stimare statisticamente la fedeltà del risultato. Il paper indica un limite inferiore di fedeltà pari a 0,284, con una confidenza del 95%, e una riduzione di circa dieci volte del tasso di errore logico rispetto a quello fisico.

Questo risultato non equivale ad avere un computer fault-tolerant general purpose con 70 qubit logici stabilmente disponibili. I qubit erano codificati per quello specifico esperimento e il risultato è ancora lontano dalla capacità di eseguire arbitrariamente algoritmi lunghi e complessi. Mostra però che correzione e rilevazione degli errori possono essere incorporate in circuiti abbastanza grandi da spingersi oltre le simulazioni classiche più immediate.

Il secondo esperimento è stato condotto con Qedma, RIKEN e BlueQubit. Il gruppo ha studiato un modello di Ising di Floquet, utilizzato per analizzare il comportamento di materiali sottoposti a impulsi periodici. Il software QESEM di Qedma ha mitigato gli errori di un processore IBM Heron, permettendo di osservare con precisione dell’ordine del punto percentuale dinamiche quantistiche prolungate in sistemi fino a 74 qubit.

I risultati sono stati confrontati con differenti tecniche classiche, comprese simulazioni eseguite sul supercomputer giapponese Fugaku e su cluster di GPU. All’aumentare della complessità, i metodi classici hanno cominciato a divergere e a produrre previsioni non coerenti, mentre il risultato quantistico ha continuato a mostrare oscillazioni stabili. Alcuni punti dell’esperimento sono stati inoltre controllati su processori a ioni intrappolati Quantinuum H2 e Helios.

Nel terzo lavoro, realizzato con la società finlandese Algorithmiq, IBM ha simulato la propagazione dell’informazione all’interno di una materia quantistica eterogenea, composta da regioni con proprietà differenti. È un problema rilevante perché i materiali reali, come catalizzatori ed elettroliti per batterie, presentano irregolarità, interfacce e variazioni locali che possono determinarne le prestazioni.

In questo caso i ricercatori non disponevano di una soluzione classica certa con cui confrontare il risultato. Hanno quindi modificato intenzionalmente il rumore del processore, cambiato le calibrazioni ed eseguito i circuiti su più macchine IBM, costruendo un modello del rumore e verificando se il risultato si comportasse come previsto. Il metodo non fornisce una “prova assoluta”, ma un insieme di controlli convergenti che aumenta la fiducia nel calcolo.

Il problema decisivo: come verificare ciò che un supercomputer non può calcolare

Per molti anni il quantum computing ha vissuto un paradosso. Per dimostrare che un processore quantistico aveva dato la risposta giusta, i ricercatori ne simulavano il comportamento su un computer classico. Ma, non appena il calcolo diventava davvero troppo complesso per un sistema tradizionale, veniva meno anche la possibilità di verificarlo direttamente.

Un computer quantistico può quindi apparire più potente proprio nel momento in cui diventa più difficile sapere se abbia prodotto il risultato corretto.

È qui che IBM cerca di collocare la propria novità. Nel modello proposto dall’azienda, il vantaggio quantistico deve rispettare due condizioni. Il risultato deve essere validabile con metodi rigorosi e deve esistere una separazione rispetto al calcolo classico in termini di tempo, costo, precisione o efficienza. IBM sottolinea inoltre che il confronto realistico non sarà quasi mai fra un computer quantistico isolato e un computer tradizionale, ma fra un flusso “quantum più classico” e uno esclusivamente classico.

Il quantum advantage, pertanto, non sarà probabilmente un unico momento paragonabile al lancio di ChatGPT. Sarà una successione di risultati circoscritti: prima formulati come ipotesi, poi sottoposti agli attacchi dei ricercatori che proveranno a sviluppare algoritmi classici migliori e infine, eventualmente, riconosciuti dalla comunità scientifica.

È già successo più volte che una rivendicazione quantistica venisse ridimensionata dall’arrivo di nuovi metodi classici. Il confine non è statico: mentre migliorano i processori quantistici, migliorano anche GPU, supercomputer, tensor network e tecniche di approssimazione.

Google e D-Wave erano arrivate prima

Google aveva dichiarato di aver raggiunto la “quantum supremacy” già nel 2019, eseguendo con il processore Sycamore un’attività di random circuit sampling, cioè la generazione di distribuzioni statistiche estremamente difficili da riprodurre con un computer classico.

Il risultato dimostrava la capacità di controllare un sistema quantistico complesso, ma aveva un’utilità pratica limitata. IBM contestò inoltre le stime di Google, sostenendo che una simulazione classica più efficiente avrebbe potuto ridurre drasticamente la distanza dichiarata.

Nell’ottobre 2025 Google ha presentato una rivendicazione più avanzata. Il suo algoritmo Quantum Echoes, eseguito sul chip Willow, misura particolari correlazioni utilizzate per studiare il caos quantistico. A differenza del random sampling, il risultato consiste in quantità osservabili che possono essere riprodotte su processori differenti. Google ha parlato quindi di “verifiable quantum advantage” e ha indicato possibili applicazioni nell’apprendimento degli Hamiltoniani e nella risonanza magnetica nucleare.

Nel marzo 2025 D-Wave aveva invece annunciato di aver utilizzato un processore Advantage2 per simulare la dinamica di materiali magnetici. Il lavoro, pubblicato su Science, sosteneva che la macchina quantistica avesse completato in pochi minuti un calcolo che avrebbe richiesto centinaia di migliaia di anni a un grande supercomputer.

L’architettura di D-Wave è però basata sul quantum annealing, una tecnica specializzata soprattutto nella ricerca di configurazioni a bassa energia e nei problemi di ottimizzazione. Non è direttamente equivalente ai computer quantistici programmabili a gate sviluppati da IBM, Google o Quantinuum. Anche il risultato di D-Wave ha generato un confronto acceso sulla scelta degli algoritmi classici e sulle condizioni utilizzate per il benchmark.

Questi precedenti mostrano perché il termine “quantum advantage” debba sempre essere accompagnato da quattro domande: vantaggio in quale problema, rispetto a quale algoritmo classico, con quali costi complessivi e con quale metodo di verifica?

A che punto è davvero il quantum computing

Nel 2026 il settore si trova in una fase intermedia. I processori disponibili sono molto più controllabili rispetto a quelli di pochi anni fa, ma rimangono rumorosi. La decoerenza, le imperfezioni delle porte logiche, le interferenze e gli errori di lettura impediscono ancora di eseguire algoritmi arbitrariamente lunghi.

Il semplice numero di qubit fisici è quindi diventato una misura sempre meno significativa. Contano di più la qualità delle operazioni, la connettività fra i qubit, la profondità dei circuiti, la capacità di correggere gli errori e il numero di operazioni logiche affidabili che il sistema può eseguire.

La frontiera è rappresentata dai qubit logici, ottenuti combinando più qubit fisici in modo che si controllino reciprocamente. Il problema è l’overhead: a seconda della qualità dell’hardware e del codice utilizzato, un solo qubit logico realmente affidabile può richiedere molti qubit fisici.

IBM promette di realizzare nel 2029 Starling, un sistema fault-tolerant da 200 qubit logici capace di eseguire 100 milioni di operazioni quantistiche. Il successivo Blue Jay dovrebbe arrivare a 2.000 qubit logici e un miliardo di operazioni dopo il 2033. Si tratta di una roadmap industriale e non di un risultato già acquisito.

Google ha dimostrato con Willow che, oltre una determinata soglia, aumentando le dimensioni del codice di correzione diminuisce esponenzialmente il tasso di errore logico. Nel luglio 2026 ha inoltre presentato un sistema che utilizza reinforcement learning e decoder basati sull’intelligenza artificiale per adattare continuamente la correzione degli errori alle variazioni dell’hardware.

Quantinuum, che utilizza qubit a ioni intrappolati, ha mostrato metodi per ottenere da 98 qubit fisici fino a 48 qubit corretti oppure 64 qubit con rilevazione degli errori. Anche qui, però, “qubit logico” può indicare livelli differenti di protezione: un qubit con error detection non è necessariamente un qubit fault-tolerant in grado di sostenere un calcolo prolungato.

La situazione può essere riassunta così: i computer quantistici sono già strumenti scientifici interessanti, ma non sono ancora computer universali affidabili e commercialmente competitivi per la maggior parte delle applicazioni aziendali.

I primi vantaggi plausibili stanno emergendo nella simulazione di sistemi quantistici, nella chimica, nella scienza dei materiali e in alcuni problemi di sampling. L’ottimizzazione industriale, la finanza e il machine learning rimangono aree molto studiate, ma spesso i risultati riguardano dimostrazioni, piccoli casi pilota o sistemi ibridi nei quali gran parte del lavoro continua a essere svolta da CPU e GPU.

AI e quantum computing: più alleati che concorrenti

Intelligenza artificiale e quantum computing vengono talvolta presentati come due tecnologie concorrenti. Entrambe promettono di affrontare problemi troppo complessi per la programmazione tradizionale ed entrambe richiedono grandi investimenti in chip, data center, energia e competenze. In realtà, la relazione più interessante è quella di complementarità.

• L’intelligenza artificiale può innanzitutto contribuire a costruire computer quantistici migliori. I processori quantistici generano continuamente segnali relativi a errori, derive delle calibrazioni, rumore e interferenze. Interpretare questi dati in tempo reale è un problema di riconoscimento di pattern particolarmente adatto al machine learning. Decoder neurali come AlphaQubit di Google analizzano le misure prodotte dai codici di correzione per stimare dove si sia verificato un errore e quale operazione sia necessaria per compensarlo. Nel luglio 2026 Google ha mostrato anche come il reinforcement learning possa adattare dinamicamente il sistema al progressivo cambiamento delle caratteristiche fisiche del processore, mantenendolo stabile durante calcoli più lunghi.
• L’AI può intervenire anche nella calibrazione delle porte, nella progettazione dei circuiti, nella compilazione degli algoritmi e nella ricerca di materiali più adatti alla costruzione dei qubit. Un processore quantistico contiene migliaia di parametri che devono essere regolati e controllati. Tecniche di ottimizzazione e agenti AI possono esplorare più rapidamente questo spazio, suggerire sequenze di controllo e identificare configurazioni che riducono gli errori. In prospettiva, modelli generativi e agenti per il coding potrebbero tradurre problemi scientifici in circuiti quantistici, scegliere automaticamente l’hardware più adatto e orchestrare il lavoro fra CPU, GPU e QPU.
• Il rapporto può però funzionare anche nella direzione opposta. I computer quantistici potrebbero fornire nuovi acceleratori per alcune componenti del machine learning, come sampling, ottimizzazione, kernel, modelli generativi e analisi di sistemi dinamici. Il punto non è sostituire le GPU nell’addestramento dei grandi modelli linguistici: non esiste oggi una dimostrazione che un computer quantistico possa addestrare un LLM general purpose in modo economicamente vantaggioso. Le opportunità più concrete riguardano funzioni molto specifiche inserite all’interno di pipeline classiche.

Un esempio è il quantum reservoir computing. In questo approccio un sistema quantistico complesso viene utilizzato come “serbatoio” dinamico che trasforma i dati in rappresentazioni ricche, successivamente analizzate con tecniche classiche. In una sperimentazione condotta da Silicon Quantum Computing con Telstra, un reservoir quantistico è stato utilizzato per prevedere l’andamento di parametri della rete di telecomunicazioni. Secondo le aziende, il modello ha raggiunto una precisione comparabile a quella di una rete neurale profonda, ma il training e il fine tuning hanno richiesto giorni invece di settimane e senza la stessa dipendenza da grandi infrastrutture GPU. È un caso pilota comunicato dalle società coinvolte, non ancora una prova di vantaggio generalizzabile, ma mostra quale potrebbe essere il modello di integrazione.

La collaborazione più promettente potrebbe però riguardare l’AI for science. Un modello AI può apprendere da milioni di molecole conosciute e prevedere quali composti abbiano maggiori probabilità di possedere una certa proprietà. Il limite è che l’AI riconosce regolarità statistiche nei dati disponibili, ma non simula necessariamente con precisione le interazioni quantistiche sottostanti.

Un computer quantistico potrebbe eseguire simulazioni più accurate su un numero ristretto di molecole o materiali particolarmente promettenti. I risultati diventerebbero nuovi dati di alta qualità con cui addestrare il modello AI. L’AI potrebbe quindi esplorare uno spazio molto più ampio, selezionare i candidati migliori e rimandarli al processore quantistico per una verifica più precisa. In questo modo si creerebbe un ciclo: l’AI restringe il campo, il quantum risolve i casi più difficili e i risultati quantistici migliorano l’AI.

È la combinazione potenzialmente più importante per farmaci, catalizzatori, batterie, fertilizzanti, semiconduttori e nuovi materiali. Le due tecnologie non devono risolvere lo stesso problema: l’intelligenza artificiale è efficace nell’approssimare e generalizzare, mentre il computer quantistico può essere impiegato per simulare direttamente alcune proprietà fisiche. Gli stessi ricercatori IBM descrivono un circuito nel quale le simulazioni quantistiche producono dati più precisi, i modelli AI individuano nuovi candidati e il processore quantistico viene concentrato sulle regioni più promettenti dello spazio chimico.

C’è poi l’idea che il quantum computing possa consumare meno dei datacenter AI (tre ordini di grandezza: mwh invece di ghw).

Una QPU può eseguire alcune operazioni utilizzando molti meno componenti computazionali di un data center pieno di GPU.

Ma il consumo deve essere misurato sull’intero sistema, includendo criogenia, elettronica di controllo, ripetizione dei calcoli, mitigazione degli errori e infrastruttura classica.

Per il momento non è possibile concludere che il quantum computing ridurrà in modo generalizzato il fabbisogno energetico dell’AI. Ci sono piuttosto singoli casi nei quali un acceleratore quantistico potrebbe rendere più efficiente una fase specifica del processo.

Tutti motivi che costringono le aziende che lavorano con AI a seguire bene anche le evoluzioni del quantum.