Künstliche Intelligenz verschlingt immer mehr Rechenleistung – und Quantencomputer rücken langsam von Laborexperimenten zu funktionierenden Systemen vor.
Entscheidend ist, was passiert, wenn beide Welten aufeinandertreffen. Die Geschichte reicht von Fehlertoleranz bis zur Verschlüsselung, die Ihr Bitcoin (BTC) schützt.
Kurzfassung
- KI baut bereits heute bessere Quantencomputer – von Googles AlphaQubit-Fehlerdecoder bis zu Nvidias GPU-zu-Qubit-Verbindungen –, während der Nutzen von Quantum für KI bislang eng begrenzt und weitgehend unbewiesen bleibt.
- Die akuteste Kollision findet in der Kryptografie statt: Ein Google-Forscher senkte die geschätzten Kosten für das Knacken von RSA-2048 auf unter eine Million „Noisy Qubits“, und NIST drängt auf eine Migration bis 2030.
- Zeitpläne von Experten klaffen weit auseinander – von IBMs Ziel einer fehlertoleranten Maschine 2029 bis zu Jensen Huangs „20 Jahre“. Einzelne Jahreszahlen sind daher mit Vorsicht zu genießen.
Die Hardware beginnt, sich zu benehmen
Drei Jahrzehnte lang wurden Quantencomputer schlechter, je größer sie wurden: Mehr Qubits bedeuteten mehr Rauschen – und mehr Rauschen zerstörte die Rechnung.
Im Dezember 2024 meldete Google in Nature die Trendwende. Der 105-Qubit-Chip „Willow“ überschritt die entscheidende Fehlerschwelle („below threshold“): Ab diesem Punkt senkt jedes zusätzliche Qubit die logische Fehlerrate – statt sie zu verschlechtern.
Die Zahlen sind bemerkenswert konkret. Wird der sogenannte Code-Abstand von 3 auf 5 und dann auf 7 erhöht, halbiert sich die logische Fehlerrate jeweils grob – und die Distanz‑7‑Speicherzelle kam pro Zyklus auf nur 0,143 % Fehler.
Dieser logische Speicher überlebte zudem länger als das beste einzelne physikalische Qubit – um den Faktor 2,4. Ingenieure sprechen hier von „beyond breakeven“ – es ist der bislang klarste Beleg dafür, dass praktische Fehlertoleranz erreichbar wird.
John Preskill vom Caltech, der den prägenden Begriff für die aktuelle Ära geprägt hat, nannte den Nachweis, dass Fehlerkorrektur die Speicherzeit eines Qubits verlängert, „einen bemerkenswerten Meilenstein“. Gleichzeitig warnte er, dass der Alltagseffekt von Quantencomputern „noch Jahrzehnte entfernt“ sein könnte.
Zehn Monate später legte Google nach.
Im Oktober 2025 publizierte der Konzern ein zweites Nature‑Paper zu einem Algorithmus namens „Quantum Echoes“ – und beanspruchte, 13.000‑mal schneller gewesen zu sein als die beste klassische Methode auf einem der leistungsfähigsten Supercomputer der Welt.
Der Haken steht – wie so oft – im Kleingedruckten. Das Nature‑News‑Team berichtete, dass externe Forscher skeptisch sind, wie belastbar der Vorsprung tatsächlich ist. Und auch Google räumt ein: Für kryptografisch relevante Anwendungen wären noch mehrere Größenordnungen mehr Qubits nötig.
Der Nutzen dieses Experiments ist sehr spezialisiert: Es misst, wie stark Quantensysteme Information „verquirlen“. Das hilft, Moleküle und magnetische Materialien besser zu verstehen – ersetzt aber keine Tabellenkalkulation.
Der Rest der Industrie rennt derweil öffentlichen Roadmaps hinterher.
- IBM kündigt an, bis 2029 mit „Starling“ einen fehlertoleranten Rechner mit 200 logischen Qubits und 100 Millionen Gattern zu liefern – nach Zwischenstationen mit den Chips „Nighthawk“ und „Loon“.
- Quantinuum verspricht bis 2029 ein universelles, vollständig fehlertolerantes System namens „Apollo“. Zuvor soll „Helios“ starten, gefolgt von einem Prozessor „Sol“ im Jahr 2027.
- Neutralatom-Systeme skalieren rasant, indem sie einzelne Atome per Laser in optischen Fallen als Qubits speichern.
Zwei Ergebnisse aus dieser Richtung stechen hervor.
Das Endres‑Labor am Caltech stabilisierte 6.100 Cäsium-Qubits auf rund 12.000 „Optical-Tweezer“-Plätzen. Das in Nature am 24. September 2025 veröffentlichte Experiment meldete 13 Sekunden Kohärenzzeit und 99,98 % Genauigkeit bei der Einzelqubit-Steuerung. „Dies ist ein spannender Moment für neutrale-Atom-Quantencomputer“, sagte Projektleiter Manuel Endres.
Ein Harvard‑Team um Mikhail Lukin, gemeinsam mit MIT und QuEra, wählte einen anderen Ansatz: Es betrieb ein 3.000‑Qubit‑System über mehr als zwei Stunden im Dauerlauf und schleuste dabei mehr als 50 Millionen Atome durch. Bis zu 300.000 Atome pro Sekunde wurden nachgeladen, um verlorene Qubits zu ersetzen.
„Wir haben einen Dauerbetrieb mit einem 3.000‑Qubit‑System demonstriert“, sagte Lukin. „Aber ebenso klar ist, dass sich dieser Ansatz für deutlich größere Systeme eignet.“
Und dann ist da noch das Mahnbeispiel.
Microsoft verkündete im Februar 2025 seinen „Majorana 1“-Chip und beanspruchte die ersten „topologischen“ Qubits – eine Architektur, die Fehler von vornherein physikalisch abwehren soll. Auf einer Fachkonferenz im März zeigte sich die Community überwiegend skeptisch. Theoretiker Henry Legg legte in Nature später eine formale Kritik vor und argumentierte, der zugrunde liegende Test könne durch konventionelle Effekte getäuscht werden.
Sankar Das Sarma, einer der Pioniere der Theorie topologischer Qubits, lobte Microsofts Materialforschung, zeigte sich vom präsentierten Physik‑Beweis aber wenig beeindruckt.
Diese Lücke zwischen Marketing und belastbarer Evidenz ist das wichtigste, was sich Investoren und Beobachter in diesem Feld merken sollten.
Auch lesenswert: Yang Zhilin lehnte Apple ab – jetzt unterbietet sein Kimi K3 Claude Fable 5 beim Coden
KI baut leise am Quantencomputer
Der Teil, der in vielen Berichten fehlt: KI wartet nicht auf den Durchbruch beim Quantum – sie ist längst Werkzeug in der Werkstatt der Quanteningenieure.
Googles DeepMind entwickelte mit „AlphaQubit“ einen neuronalen Decoder, der im November 2024 in Nature beschrieben wurde. Trainiert mit Daten des Sycamore‑Prozessors, beging das Modell 6 % weniger Fehler als Tensor‑Netzwerkverfahren und 30 % weniger als korrelierte Matching‑Algorithmen.
Beim Decoding verdient KI ihr Geld: Ein Quantenchip spuckt permanent Fehlersignale aus. Ein System muss diese Muster schneller erkennen und korrigieren, als neue Fehler entstehen.
Supraleitende Qubits arbeiten im Bereich von Dutzenden bis Hunderten Nanosekunden – der Decoder muss also zugleich extrem präzise und gnadenlos schnell sein. Verpasst er dieses Zeitfenster, türmen sich Fehler auf, bevor die Korrektur greift.
Der gleiche Machine‑Learning‑Druck zeigt sich an weiteren Stellen des Stacks:
- Neuronale Netze helfen, Qubits zu kalibrieren und die Steuerimpulse zu optimieren, mit denen sie gekippt werden.
- Reinforcement Learning wird eingesetzt, um schnellere Algorithmen zu entdecken – etwa bei DeepMinds AlphaTensor‑Arbeit zur Matrixmultiplikation.
- KI‑Decoder senken den Overhead an physischen Qubits pro logischem Qubit kontinuierlich.
Genau dieser Overhead ist entscheidend. Jede Reduktion bringt eine nützliche Maschine näher – ganz ohne neue Qubit‑Physik.
Das erklärt, warum die großen Hardwareanbieter Quantenchips enger mit klassischer Beschleuniger-Hardware koppeln.
Nvidia stellte im Oktober 2025 „NVQLink“ vor – eine offene Verbindung zwischen Quantenprozessoren und GPU‑Supercomputern, unterstützt von 17 Quantenfirmen und neun US‑National Labs. Quantinuum nutzte die Technik, um für seinen Helios‑Chip den ersten skalierbaren Echtzeit‑Decoder zu fahren – mit einer Reaktionszeit von 67 Mikrosekunden.
Jensen Huangs Botschaft ist klar: Ein Quantencomputer läuft nicht isoliert. Man stellt ihm zwangsläufig einen klassischen Supercomputer zur Seite.
So dürfte die nahe Zukunft aussehen: Hybridsysteme, in denen KI‑Modelle empfindliche Qubits in Echtzeit tunen, kalibrieren und überwachen.
Auch lesenswert: Anthropic weist das Verbot offener Gewichte zurück – und nennt seine eigentliche Sorge
Was Quantum der KI tatsächlich bringt
Drehen wir die Frage um: Macht ein Quantencomputer KI wirklich klüger?
Die ehrliche Antwort: deutlich weniger, als die Marketingfolien suggerieren – zumindest derzeit.
Die große Vision hieß „Quantum Machine Learning“ – Algorithmen, die Datenaufgaben exponentiell beschleunigen sollten. Dann kam eine Teenagerin mit dem Vorschlaghammer.
Ewin Tang zeigte 2018, dass ein klassischer Rechner einen gefeierten Quanten‑Empfehlungsalgorithmus einholen kann – und „dequantisierte“ anschließend mehrere weitere Verfahren. Ihre Arbeit entlarvte, wie oft der angebliche Vorteil in unrealistischen Annahmen über das Einlesen der Daten steckte, nicht in der Quantenmathematik selbst.
Zwei Kernprobleme plagen das Gebiet bis heute:
- Das Input‑Nadelöhr: Klassische Daten in einen geeigneten Quantenzustand zu bringen, kann den Geschwindigkeitsvorteil auffressen, bevor die Berechnung überhaupt beginnt.
- „Barren Plateaus“: Wachsen die Quantenschaltkreise, flacht die Fehlerlandschaft ab – Gradienten verschwinden, Training kommt zum Erliegen.
Scott Aaronson, einer der führenden Theoretiker für Quantenkomplexität, mahnt seit Jahren, bei Speedup‑Behauptungen das Kleingedruckte zu lesen.
Wo liegen die echten Stärken von Quantum?
Vor allem in der Simulation anderer Quantensysteme. Chemie, Materialwissenschaften und bestimmte Optimierungsprobleme sind natürliche Kandidaten – hier ist die Welt selbst quantenmechanisch und ein Quantenrechner spricht ihre „Muttersprache“.
Das ist ein realer, ökonomisch relevanter Anwendungsfall: bessere Batterien, effizientere Katalysatoren, neue Wirkstoffkandidaten.
Es ist nur nicht die Geschichte vom „Quantenbooster für Ihren Chatbot“, die an der Börse so gut zieht. Preskill selbst rahmt die Gegenwart als „Noisy Intermediate‑Scale“-Ära – eine Phase nützlicher Experimente, aber noch keine universellen Maschinen.
Auch lesenswert: OpenAIs „Rogue Agent“ kompromittierte vier weitere Dienste über Hugging Face hinaus
Die Energiefrage – wo man nicht zu viel versprechen sollte
Der Stromhunger moderner KI wird zum Infrastrukturproblem.
Die IEA prognostiziert, dass Rechenzentren 2030 rund 945 Terawattstunden verbrauchen werden – mehr als doppelt so viel wie die 415 Terawattstunden im Jahr 2024. Dieser Wert liegt nahe am gesamten jährlichen Stromverbrauch Japans.
Der Strombedarf speziell für KI‑optimierte Rechenzentren wird sich im gleichen Zeitraum laut IEA sogar mehr als vervierfachen.
Die Versuchung ist groß, daraus eine einfache Story zu stricken: Quantencomputer nutzen exotische Physik, also müssten sie den Energiebedarf dramatisch senken.
Hier ist Vorsicht angebracht.
Quantenmaschinen könnten prinzipiell bestimmte Rechenaufgaben mit deutlich weniger Energie lösen – doch zwischen Laborversuch und einem robusten, industrietauglichen System mit klaren Effizienzgewinnen liegt noch ein weiter, technisch wie regulatorisch verminter Weg. spezifische Chemie- und Optimierungsprobleme mit deutlich weniger Rechenoperationen lösen als ein klassischer Supercomputer – und damit in diesen engen Anwendungsfeldern Energie sparen.
Sprachmodelle werden darauf jedoch nicht laufen, und kryogene Quantensysteme bringen ihrerseits enorme Kühlkosten mit. Die seriöse Aussage lautet: gezielte Effizienzgewinne bei quantenfreundlichen Problemen, nicht die Rettung des Stromnetzes vor dem Energiehunger der KI.
Wer Letzteres verspricht, verkauft etwas.
Auch interessant: Apple startet iPhone-Leasing ab 17,99 Dollar im Monat über Klarna
Wo es ans eigene Geld geht
Der greifbarste Zusammenstoß von KI, Quanten und Alltag betrifft die Kryptografie.
Öffentliche-Schlüsselverfahren wie RSA und elliptische Kurven (ECC) basieren auf Mathematik, die für klassische Computer schwer und für ausreichend große Quantenrechner leicht ist – dank Shors Algorithmus.
Die Bedrohung hat einen Namen, der jeden mit langfristig sensiblen Daten aufhorchen lassen sollte: „Harvest now, decrypt later“. Angreifer können verschlüsselte Kommunikation heute mitschneiden und sie knacken, sobald die Hardware weit genug ist.
NIST hat im August 2024 seine Abwehrstrategie finalisiert. Die Behörde veröffentlichte drei Post-Quanten-Standards – ML-KEM, ML-DSA und SLH-DSA – und wählte im März 2025 mit HQC später noch einen Backup-Algorithmus aus.
Der Zeitplan ist klar definiert. In dem Übergangsleitfaden stuft NIST RSA und ECC ab 2030 als veraltet ein und untersagt deren Einsatz vollständig ab 2035.
Krypto liegt damit mitten im Zielkorridor, weil Blockchains auf denselben elliptischen Kurvensignaturen aufbauen.
Das Risiko für Bitcoin ist real, aber umstritten. Eine Deloitte-Studie schätzte, dass über 4 Millionen BTC – rund 25 % aller Bitcoin – in verwundbaren „pay-to-public-key“-Outputs und wiederverwendeten Adressen liegen, bei denen der öffentliche Schlüssel bereits offengelegt ist.
Neuere Onchain-Analysen kommen höher. Google Quantum AI beziffert das exponierte Volumen auf etwa 6,5 bis 6,9 Millionen BTC, also fast ein Drittel des zirkulierenden Angebots, wenn man alle offengelegten und wiederverwendeten Schlüssel einrechnet – mit gut 1,7 Millionen BTC allein in frühen P2PK-Skripten.
Die Gegenmaßnahmen laufen an – aber uneinheitlich.
- Bitcoin-Entwickler diskutieren BIP-360, einen quantenresistenten Adresstyp. Der Vorschlag liegt aber weiter als Entwurf ohne Aktivierung vor.
- Die Ethereum-(ETH)-Stiftung hat eine Post-Quanten-Roadmap veröffentlicht, und Vitalik Buterin hat skizziert, wie Signaturen, Accounts und Proofs auf quantensichere Verfahren umgestellt werden sollen.
- Solana (SOL) bietet mit dem Winternitz Vault optional ein hashbasiertes Einmal-Signatursystem, setzt bei Standardkonten aber weiterhin auf anfällige Kurven.
Keiner dieser großen Chains ist heute auf Protokollebene quantensicher. Alle arbeiten noch am Rettungsboot.
Auch interessant: BIP-110 kommt nicht vom Fleck – Saylor nennt Regeländerung „Angriff auf alle Holder“
Wenn sich beide Technologien gegenseitig beschleunigen
Die beunruhigendsten Szenarien entstehen dort, wo Fortschritte im einen Feld das andere beschleunigen.
Googles Craig Gidney hat im Mai 2025 die Rechenbasis neu kalibriert. Seine Schätzung: RSA-2048 ließe sich in weniger als einer Woche mit unter einer Million „noisy qubits“ faktorisieren – rund 20-mal weniger als die 20 Millionen Qubits, die er und ein Co-Autor 2019 veranschlagt hatten.
Die Zahl der Qubits, die zur Brechung Ihrer Verschlüsselung nötig wären, ist auf dem Papier in sechs Jahren um den Faktor 20 gefallen.
Dafür braucht es noch keine funktionierende Maschine. Es geht um Fortschritte bei Algorithmen und Fehlertoleranz – genau jene Art von Optimierung, bei der KI zunehmend stark ist.
Gidneys Einsparungen stammen aus effizienterer Arithmetik und dichter gepackten Fehlerkorrekturcodes, nicht aus neuer Hardware. Wird derselbe Optimierungsdruck systematisch auf Kryptanalyse gelenkt, sinken die Ressourcenabschätzungen weiter.
Sicherheitsforscher sprechen daher von einem beweglichen Ziel, nicht von einem fixen Weltuntergangstermin. Die nüchterne Lesart: KI senkt leise, aber stetig die Hürde, die die Quantenhardware noch nehmen muss.
Darum ist „wir haben noch Jahre Zeit“ eine Aussage über die Geräte – nicht über die Mathematik.
Auch interessant: Ethereum-Wale verkaufen 430 Mio. Dollar an einem Tag – Börsenbestände auf 10-Jahres-Tief
Das Geld – und der Streit um die Zeitachse
Kapitalmärkte haben das längst registriert.
McKinsey meldet, dass Quanten-Computing-Firmen 2025 erstmals über 1 Milliarde Dollar Umsatz erzielt haben. Risikokapitalzuflüsse stiegen auf 12,6 Milliarden Dollar – das 6,3-Fache des Vorjahres. Bis 2035 könnte die Technologie Wertschöpfung von 1,3 bis 2,7 Billionen Dollar generieren.
Staaten investieren ebenfalls – mit sehr unterschiedlichen Überzeugungsgraden.
- Der US National Quantum Initiative Act stellte bei Verabschiedung 2018 rund 1,2 Milliarden Dollar bereit.
- Die EU-„Quantum Flagship“-Initiative verpflichtete sich ab 2018 auf mindestens 1 Milliarde Euro über zehn Jahre.
- Chinas Engagement wird häufig mit etwa 15 Milliarden Dollar beziffert – eine McKinsey-Schätzung, die unbestätigt, umstritten und mit Vorsicht zu genießen ist.
Beim Zeitplan gehen die Meinungen ernstzunehmender Akteure deutlich auseinander.
IBM und Quantinuum visieren beide 2029 für Fehlertoleranz an. Google spricht von Jahren, nicht Jahrzehnten.
Und dann ist da Jensen Huang. Er verschreckte im Januar 2025 die Quantum-Stocks, als er „nützliche“ Maschinen 20 Jahre in die Zukunft verortete – um das auf Nvidias Quantum Day im März 2025 wieder zu relativieren und augenzwinkernd zu erklären, er habe Gäste eingeladen, die ihm aufzeigen sollten, warum er falschliegt.
Die Sicherheitscommunity arbeitet mit Wahrscheinlichkeiten. Das Global Risk Institute befragte 26 Experten. Ergebnis: Die Wahrscheinlichkeit eines „kryptografisch relevanten“ Quantencomputers innerhalb von zehn Jahren wird mit 28 % bis 49 % als „ziemlich möglich“ eingestuft, binnen 15 Jahren mit 51 % bis 70 % als „wahrscheinlich“ – die höchsten Werte seit Beginn der Erhebung.
Skeptiker wie Das Sarma halten wirklich praxistaugliche, fehlertolerante Maschinen weiterhin für deutlich weiter entfernt, als Roadmaps suggerieren.
Beides kann stimmen: Die Bedrohung mag noch ein Jahrzehnt entfernt sein – und trotzdem heute Handeln erfordern, weil Umstellungen Jahre dauern und abgegriffene Daten nicht verfallen.
Auch interessant: Drei Fed-Vertreter stimmen dagegen – Experten sehen die schlechteste Krypto-Konstellation seit Jahren
Die realistische Lage
Wenn man den Hype ausblendet, bleibt ein klarer Umriss.
KI ist der reifere Partner und sorgt bereits heute dafür, dass Quantencomputer besser werden – über Decoding, Kalibrierung und Steuerung. Die Beiträge der Quantenhardware zur KI bleiben enger: relevant für Chemie und Simulation, für fast alles andere überverkauft.
Die wirklich dringende Konvergenz ist kein „Superhirn“. Es ist die schleichende Erosion der Verschlüsselung, auf der das Internet basiert – beschleunigt durch immer raffiniertere Algorithmen.
Sie müssen das exakte Jahr nicht kennen. Sie sollten davon ausgehen, dass die Migration längst angelaufen sein müsste.
Die Maschinen werden noch gebaut – und ihre Abwehrmechanismen ebenso. Die kluge Strategie ist, beide Wettrennen gleichzeitig im Blick zu behalten.
Weiterlesen: Bitcoin verteidigt 64.000 Dollar vor dem Fed-Entscheid, über den niemand einer Meinung ist