Approfondimenti tecnici

Calcolo quantistico e IA: promesse, realtà e punti d’incontro

L’apprendimento automatico già decodifica gli errori all’interno dei computer quantistici; l’idea che i computer quantistici possano accelerare l’IA resta perlopiù teorica. Quantum Echoes di Google è la prima rivendicazione di un vantaggio

AI.info Team · 2026-08-13

Due cicli di entusiasmo, una sovrapposizione problematica

Il calcolo quantistico e l’intelligenza artificiale sono due tecnologie sulle quali, separatamente, si fanno promesse eccessive e che continuano a essere accostate nei comunicati stampa, come se la vicinanza all’«IA» rendesse un qubit più reale o quella al «quantistico» rendesse più intelligente un modello linguistico. Il più delle volte l’accostamento è marketing. Ma sotto il rumore c’è un punto d’incontro reale, più circoscritto: l’apprendimento automatico sta diventando uno degli strumenti più utili per far funzionare l’hardware quantistico, mentre i contributi a breve termine più credibili del calcolo quantistico all’IA restano in gran parte teorici.

Per capire dove passi il confine bisogna essere precisi su ciò che i computer quantistici fanno oggi, su cosa significhi davvero «correzione degli errori» e su quali affermazioni relative all’apprendimento automatico quantistico siano già state smentite, senza troppo clamore, dagli informatici che lavorano sui computer classici.

La fisica non ammette scorciatoie

Un bit classico è 0 o 1. Un qubit può essere posto in una sovrapposizione di entrambi gli stati, descritta da ampiezze complesse, e due o più qubit possono essere entangled, così che misurarne uno vincoli istantaneamente ciò che si troverà misurando l’altro, indipendentemente dalla distanza. Non significa «provare tutte le risposte contemporaneamente», nonostante la semplificazione diffusa: un computer quantistico non legge una sovrapposizione per consegnare il ramo migliore.

Gli algoritmi devono essere progettati in modo che l’interferenza costruttiva amplifichi l’ampiezza delle risposte corrette e quella distruttiva annulli le risposte sbagliate, prima che la misura faccia collassare lo stato in un unico risultato classico. È per questo vincolo che solo per un breve elenco di problemi — la fattorizzazione di interi tramite l’algoritmo di Shor, alcuni compiti di simulazione e ricerca — sono noti algoritmi quantistici con un vantaggio asintotico dimostrato rispetto alla migliore alternativa classica. Ed è per questo che un «computer quantistico» non è un acceleratore universale per qualsiasi carico di lavoro dell’IA.

L’altro vincolo è il rumore. I qubit fisici — che si tratti dei circuiti superconduttori di IBM e Google, degli atomi neutri di QuEra o dei sistemi a ioni intrappolati di aziende come IonQ e Quantinuum — perdono il loro stato quantistico, cioè subiscono decoerenza, in tempi che dipendono dalla piattaforma; in una memoria quantistica a ioni intrappolati è stato dimostrato un tempo di coerenza superiore a un’ora. Ogni operazione di gate, inoltre, presenta una certa probabilità di errore. Il fisico John Preskill ha chiamato il periodo attuale era «NISQ» — Noisy Intermediate-Scale Quantum — in un articolo del 2018 pubblicato sulla rivista Quantum, sostenendo che macchine con un numero di qubit rumorosi compreso tra qualche decina e poche centinaia sarebbero state utili per l’esplorazione in fisica, ma non ancora in grado di cambiare il mondo.

Questa descrizione ha retto meglio della maggior parte delle previsioni tecnologiche del 2018. Nel settembre 2026 è ancora una rappresentazione corretta dello stato dell’hardware, con un asterisco aggiunto nell’ottobre 2025 di cui il resto di questo saggio deve tenere conto.

La supremazia quantistica e perché IBM la contestò subito

Nell’ottobre 2019, Google pubblicò su Nature un articolo in cui sosteneva che il suo processore Sycamore a 53 qubit avesse raggiunto la «supremazia quantistica»: aveva completato in circa 200 secondi uno specifico compito di campionamento, costruito ad hoc, che secondo le stime del team di Google avrebbe richiesto circa 10.000 anni a Summit, all’epoca il supercomputer più veloce al mondo.

IBM contestò il confronto quasi subito, sostenendo che, usando meglio lo spazio su disco come estensione della memoria, una simulazione classica dello stesso compito avrebbe potuto girare su Summit in circa 2,5 giorni anziché in dieci millenni: una differenza di molti ordini di grandezza, ma non quella tra «possibile» e «impossibile» implicita nel termine «supremazia».

La disputa non si chiuse con una concessione da una delle due parti; mise in luce qualcosa di più utile di un verdetto: le affermazioni di «vantaggio quantistico» dipendono dal benchmark, e gli algoritmi classici continuano a migliorare in risposta. Storicamente, quindi, affermazioni del genere hanno avuto una validità limitata, fino a quando qualcuno non ha trovato una scorciatoia classica più ingegnosa.

Lo stesso schema si ripeté nel 2023. Ricercatori di IBM e UC Berkeley pubblicarono su Nature risultati secondo cui le tecniche di mitigazione degli errori permettevano al processore Eagle di IBM, a 127 qubit, di produrre risultati per la simulazione di un modello di Ising quantistico che i computer classici dell’epoca non riuscivano a eguagliare. Nel giro di pochi mesi, diversi gruppi indipendenti mostrarono che metodi classici — le reti tensoriali e, in particolare, una tecnica chiamata sparse Pauli dynamics — potevano riprodurre o superare i risultati quantistici, in alcuni casi usando un solo core di un laptop.

Lo stesso team di IBM riconobbe che il recupero dei metodi classici era reale. La lezione vale in generale: ogni singolo titolo secondo cui «il quantistico batte il classico» va considerato un’istantanea di una competizione ancora in corso, non un verdetto definitivo. E bisogna verificare se il compito usato per il confronto sia stato costruito ad hoc per favorire il dispositivo quantistico o abbia un valore pratico indipendente.

A questo schema c’è un’eccezione tuttora valida, e un saggio fondato sullo scetticismo deve dirlo. Nell’ottobre 2025 Google pubblicò su Nature un risultato chiamato Quantum Echoes: la misura, eseguita su Willow, di un correlatore fuori ordine temporale, presentata come il primo vantaggio quantistico verificabile. «Verificabile» significa che un altro computer quantistico di qualità comparabile può ripetere la misura e ottenere la stessa risposta, anziché lasciare che l’affermazione si basi su una stima del tempo necessario a una simulazione classica.

Google quantificò il vantaggio in termini di velocità in circa 13.000 volte rispetto al miglior metodo classico sui supercomputer più veloci. Le esecuzioni più grandi usarono 65 qubit per l’osservabile OTOC al quadrato e 95 per il correlatore più semplice. A quasi un anno di distanza, non è stata pubblicata alcuna scorciatoia classica che riduca quel divario.

La verifica più vicina a un controllo diede il risultato opposto. Un preprint dell’aprile 2026 rilevò che le reti tensoriali con belief propagation — il tentativo classico plausibile meno costoso — non riescono a riprodurre la misura: la dimensione di legame necessaria cresce esponenzialmente e il metodo fallì già su sistemi di soli 23 qubit. Gli autori precisano che la loro ipotesi di incomprimibilità è empirica, non dimostrata, e che una verifica classica esatta è stata effettuata solo per numeri ridotti di qubit. Essere scettici, in questo caso, significa lasciare aperta la questione, non liquidare l’affermazione.

Perché il vero metro di giudizio è la correzione degli errori, non il numero di qubit

Aggiungere qubit fisici è relativamente facile e fa bella figura in una scheda tecnica; renderli affidabili è il vero ostacolo. L’approccio standard è la correzione quantistica degli errori: un qubit logico, protetto dagli errori, viene codificato usando molti qubit fisici, disposti comunemente secondo un codice di superficie. Misurazioni continue delle sindromi permettono di rilevare gli errori senza far collassare l’informazione codificata e di correggerli più in fretta di quanto si accumulino.

La promessa teorica del codice di superficie è che, aumentando la «distanza del codice» — in sostanza, il numero di qubit fisici che proteggono ciascun qubit logico — il tasso di errore logico dovrebbe diminuire. Ma questo accade solo quando la qualità dei qubit fisici supera una soglia di tolleranza ai guasti. Al di sotto di quella soglia, aggiungere qubit fisici a ogni qubit logico peggiora le cose anziché migliorarle, perché offre al rumore più occasioni di accumularsi.

Il chip Willow di Google ha dimostrato in modo convincente il superamento di quella soglia nel dicembre 2024. Willow — un processore superconduttore da 105 qubit di Google Quantum AI, da non confondere con Google DeepMind, una parte distinta dell’organizzazione di ricerca sull’IA di Alphabet — ha mostrato che, portando un codice di superficie da una disposizione di qubit fisici 3×3 a una 5×5 e poi a una 7×7, il tasso di errore logico si riduceva all’incirca della metà a ogni passaggio. Si tratta di una soppressione esponenziale, anziché della curva piatta o in peggioramento mostrata dai dispositivi dell’era NISQ.

Il dato principale dell’articolo di Google: un qubit logico con distanza del codice pari a 7 ha raggiunto un tasso di errore logico per ciclo di circa lo 0,143% e una durata effettiva superiore di circa 2,4 volte a quella del miglior qubit fisico individuale del chip.

Google ha eseguito anche un benchmark di campionamento di circuiti casuali che, secondo l’azienda, richiederebbe a Frontier, uno dei supercomputer oggi più veloci, più tempo dell’età dell’universo. È un’affermazione dello stesso genere di quella relativa a Sycamore, da leggere con la stessa aspettativa che i progettisti di algoritmi classici cercheranno di ridurre quel tempo.

La differenza, più difficile da contestare, è il risultato stesso della correzione degli errori sotto soglia: è stato replicato aumentando la distanza del codice in modo controllato e graduale, anziché basarsi su un singolo compito di campionamento difficile da verificare.

IBM ha fatto una scommessa tecnica diversa nel suo percorso verso la tolleranza ai guasti: invece di aumentare la dimensione dei codici di superficie, sta passando ai codici quantistici a controllo di parità a bassa densità (qLDPC). Secondo l’azienda, grazie a una connettività più efficiente e non locale tra i qubit, questi codici possono ridurre fino a circa il 90% il fabbisogno di qubit fisici per qubit logico.

Il primo processore con un nome proprio previsto da questa roadmap è arrivato. IBM ha presentato Loon, il traguardo fissato per il 2025, il 12 novembre 2025, insieme a un processore da 120 qubit chiamato Nighthawk, dotato di 218 accoppiatori regolabili. Tra i due, Loon è il più importante: i suoi c-couplers collegano qubit che non sono vicini immediati, consentendo fino a sei gradi di connettività tra qubit. Insieme a Loon, IBM ha dimostrato la decodifica in tempo reale dei codici qLDPC su hardware classico in meno di 480 nanosecondi, con un anno di anticipo sul programma: è la componente della tolleranza ai guasti che deve tenere il passo con la macchina, altrimenti non serve a nulla.

Dopo Loon, la roadmap resta una roadmap. A settembre 2026, Kookaburra rimaneva il traguardo dichiarato per il 2026, ma non era ancora stato consegnato; Cockatoo è previsto per il 2027. Questi passaggi dovrebbero portare a Starling, un sistema tollerante ai guasti su larga scala previsto per il 2029 e progettato per eseguire nell’ordine di 100 milioni di gate quantistici su circa 200 qubit logici in un nuovo IBM Quantum Data Center a Poughkeepsie, New York.

Le tappe successive sono obiettivi dichiarati dall’azienda, non risultati verificati in modo indipendente, e in questo settore le roadmap hanno già subito ritardi. Almeno per la prima tappa, IBM ha rispettato i tempi, mentre il suo decodificatore in tempo reale è arrivato con un anno di anticipo.

Separatamente, nel dicembre 2023, ricercatori di Harvard, QuEra, MIT e NIST hanno pubblicato su Nature un articolo che dimostrava un processore da 48 qubit logici basato su schiere riconfigurabili di atomi neutri: atomi intrappolati e spostati singolarmente, anziché circuiti superconduttori. I qubit superconduttori non sono l’unica strada hardware credibile; anche gli approcci basati su atomi neutri e ioni intrappolati stanno producendo risultati pubblicati sulla correzione degli errori.

Dove l’IA aiuta davvero i computer quantistici oggi

L’incontro più concreto e meno appariscente tra questi due campi, oggi, è rappresentato dai modelli di machine learning addestrati a eseguire la decodifica per la correzione degli errori. La decodifica — esaminare un flusso di misurazioni della sindrome e capire, in tempo reale, quale errore si è verificato con maggiore probabilità e come correggerlo — è un difficile problema di inferenza combinatoria. E deve essere abbastanza rapida da tenere il passo con il tempo di ciclo, dell’ordine dei microsecondi, di un processore superconduttore.

Nel novembre 2024 Google DeepMind, in collaborazione con Google Quantum AI, ha pubblicato su Nature AlphaQubit: un decoder basato su una rete neurale transformer, addestrato su centinaia di milioni di esempi simulati e poi sottoposto a fine-tuning su migliaia di campioni sperimentali provenienti da un processore Sycamore. AlphaQubit ha superato i decoder algoritmici standard con cui è stato confrontato nei benchmark, con miglioramenti dichiarati del tasso di errore nell’ordine del 30% nelle modalità di decodifica più rapide ma meno precise e intorno al 6% in quelle più lente e più precise. È stato inoltre testato su sistemi fino a 241 qubit.

Qui vale la pena essere precisi nell’attribuzione: AlphaQubit è un risultato di ricerca di DeepMind e Quantum AI, verificato su dati di Sycamore, distinto dal decoder in tempo reale che Google Quantum AI ha usato nella separata dimostrazione di Willow sotto la soglia di errore. Entrambi, però, indicano la stessa direzione: il machine learning classico, eseguito su hardware ordinario, è uno strumento davvero utile per rendere più affidabili i processori quantistici soggetti a rumore. Si può sostenere che questo sia oggi l’impiego più maturo dell’IA nel calcolo quantistico, più maturo di qualsiasi contributo del calcolo quantistico all’IA.

Il machine learning trova anche impieghi più prosaici nella calibrazione dell’hardware quantistico: regolare gli impulsi di controllo, caratterizzare le interferenze tra qubit e prevedere le derive. È un lavoro concreto, ma raramente fa notizia perché assomiglia a una normale ottimizzazione ingegneristica.

Machine learning quantistico: le promesse e le smentite

La direzione più speculativa — usare i computer quantistici per accelerare i carichi di lavoro dell’IA o del machine learning — incontra un problema a cui non si presta abbastanza attenzione: come inserire, anzitutto, i dati classici in un computer quantistico. La maggior parte degli algoritmi di machine learning quantistico proposti — macchine a vettori di supporto quantistiche, analisi delle componenti principali quantistica e il risolutore di sistemi lineari noto come HHL, dai nomi di Harrow, Hassidim e Lloyd — ottiene le accelerazioni esponenziali previste dalla teoria solo supponendo che i dati in ingresso possano già essere caricati in modo efficiente in una sovrapposizione quantistica, in genere tramite un’ipotetica memoria quantistica ad accesso casuale (qRAM).

Realizzare una qRAM alla scala e con l’affidabilità presupposte da questi algoritmi resta un problema ingegneristico in gran parte irrisolto. Diverse analisi hanno rilevato che, se si dovesse sostenere il costo computazionale classico necessario per caricare dati arbitrari in una struttura del genere, buona parte dell’accelerazione rivendicata svanirebbe prima ancora che inizi la parte «quantistica» dell’algoritmo. Il problema è noto come collo di bottiglia dell’input, o del caricamento dei dati, ed è una delle ragioni più fondate per guardare con scetticismo alle affermazioni sulle accelerazioni del machine learning quantistico che non precisano come entrano i dati.

La seconda ragione di scetticismo, ancora più incisiva, è la dequantizzazione. Nel 2018 Ewin Tang, allora studente universitario, ha esaminato un algoritmo quantistico per sistemi di raccomandazione pubblicato due anni prima da Kerenidis e Prakash e presentato come un’accelerazione esponenziale rispetto al miglior approccio classico conosciuto. Tang ha dimostrato che, disponendo dello stesso tipo di struttura dati presupposta dall’algoritmo quantistico per accedere all’input — un accesso per campionamento e interrogazione con norme precalcolate, sostanzialmente un equivalente classico di ciò che offrirebbe la qRAM — un algoritmo puramente classico poteva risolvere lo stesso problema con un rallentamento soltanto polinomiale, anziché esponenziale. Il vantaggio quantistico esponenziale rivendicato veniva così meno.

Da allora, la tecnica del campionamento classico ispirato al calcolo quantistico ha permesso di dequantizzare diversi altri algoritmi di machine learning quantistico proposti, comprese versioni dell’analisi delle componenti principali e della regressione di rango ridotto. I ricercatori che si occupano di algoritmi quantistici ora verificano abitualmente questo punto: prima di rivendicare un’accelerazione, esiste un algoritmo classico che, con le stesse ipotesi di accesso ai dati in ingresso, colma il divario? Diverse proposte di machine learning quantistico che avevano fatto notizia a metà degli anni 2010 non hanno superato questa verifica.

Tutto questo non significa che il machine learning quantistico sia un vicolo cieco. Per compiti circoscritti si stanno sperimentando sull’hardware NISQ algoritmi quantistici variazionali e metodi basati su kernel quantistici, in particolare nella chimica quantistica e nella simulazione dei materiali: ambiti in cui i dati sono per loro natura quantomeccanici, anziché classici, e il collo di bottiglia del caricamento è quindi meno grave. La simulazione di molecole e materiali è ampiamente considerata, anche dagli scettici, l’ambito più plausibile per un autentico vantaggio quantistico, proprio perché il sistema simulato è già quantistico.

Che aspetto ha davvero «il punto in cui si incontrano»

Tolto l’accostamento promozionale di due parole di moda, il quadro è questo: l’IA, sotto forma di machine learning classico, svolge già un lavoro reale e misurabile all’interno dei computer quantistici — decodifica gli errori, calibra l’hardware — perché si tratta di un problema di riconoscimento di schemi ben definito, adatto ai punti di forza del deep learning. E non richiede di risolvere il problema del caricamento dei dati, dato che i «dati» sono il rumore prodotto dal dispositivo quantistico stesso, generato alla scala necessaria.

L’idea che i computer quantistici possano accelerare i carichi di lavoro dell’IA o del machine learning classico è molto più speculativa. Dipende da hardware (qRAM) che non esiste su scala utile, è soggetta a riserve sulle ipotesi relative ai dati in ingresso che hanno già portato a dequantizzare diversi algoritmi di grande richiamo e si fonda su rivendicazioni di vantaggio quantistico che, storicamente, i ricercatori nel campo del calcolo classico hanno ridimensionato o smentito entro uno o due anni dalla pubblicazione. Quantum Echoes rappresenta ora un’eccezione attuale a questa tendenza.

Le parti solide della vicenda, che vale la pena seguire, sono poco appariscenti per loro natura: risultati incrementali e verificabili nella correzione degli errori, legati a una precisa distanza del codice e a un preciso tasso di errore (la dimostrazione sotto soglia di Willow, i risultati sui qubit logici ad atomi neutri, la decodifica qLDPC di IBM in meno di un microsecondo), e tabelle di marcia ingegneristiche con nomi e date e con traguardi specifici dichiarati (l’obiettivo di IBM per Starling), da confrontare con la realtà man mano che passano gli anni, anziché accettare sulla fiducia. Per ora, anche Quantum Echoes rientra in questa categoria: una misurazione ripetibile su un’altra macchina è una prova diversa da una stima di ciò di cui avrebbe avuto bisogno un supercomputer.

Chiunque scriva o legga di questo settore dovrebbe applicare alle nuove rivendicazioni lo stesso criterio che Ewin Tang e i ricercatori che studiano la dinamica di Pauli sparsa hanno applicato a quelle precedenti: chiedersi che cosa possa fare l’alternativa classica, alle stesse condizioni, prima di accettare che sia stato il calcolo quantistico a fare la differenza.