L’intelligenza artificiale divora sempre più potenza di calcolo, mentre i computer quantistici si avvicinano – lentamente – a diventare davvero utilizzabili.
Il punto non è solo dove arrivano singolarmente, ma cosa succede quando le due curve si incrociano: dalla correzione d’errore fino alle chiavi che proteggono i tuoi Bitcoin (BTC).
In sintesi
- L’AI sta già aiutando a costruire computer quantistici più affidabili, dal decoder AlphaQubit di Google ai collegamenti GPU–qubit di Nvidia, mentre i benefici quantistici per l’AI restano di nicchia e in gran parte da dimostrare.
- Lo scontro a breve più concreto è crittografico: un ricercatore Google ha ridotto la stima per rompere RSA‑2048 a meno di un milione di qubit rumorosi, e il NIST invita tutti a migrare entro il 2030.
- Le previsioni degli esperti sono tutt’altro che allineate, dall’obiettivo di fault tolerance di IBM per il 2029 al «20 anni» di Jensen Huang: qualsiasi data precisa va presa con molta cautela.
L’hardware ha (finalmente) iniziato a comportarsi bene
Per trent’anni i computer quantistici peggioravano man mano che crescevano. Più qubit significava più rumore, e più rumore significava calcoli distrutti.
A dicembre 2024 Google ha pubblicato su Nature un’inversione di rotta. Il chip Willow da 105 qubit ha superato la soglia in cui aggiungere qubit fa scendere – e non salire – il tasso di errore logico.
I numeri erano chiari. Aumentare la “distanza del codice” da 3 a 5 a 7 ha dimezzato circa ogni volta il tasso di errore logico, con la memoria a distanza 7 che è scesa allo 0,143% di errore per ciclo.
Quella memoria è sopravvissuta più a lungo del miglior singolo qubit fisico, di un fattore 2,4. Gli ingegneri chiamano questo punto “beyond breakeven”: è il segnale sperimentale più vicino a una pistola fumante che il settore abbia mai avuto.
John Preskill del Caltech, che ha coniato il termine che definisce questa fase storica, ha definito la dimostrazione – il fatto che la correzione d’errore allunghi il tempo di conservazione dell’informazione in un qubit – «una tappa importante». Ma ha avvertito che l’impatto quotidiano del calcolo quantistico «potrebbe essere ancora lontano decenni».
Dieci mesi dopo Google ha rilanciato.
A ottobre 2025 ha firmato su Nature un secondo lavoro su un algoritmo battezzato Quantum Echoes, sostenendo un vantaggio di 13.000 volte rispetto al miglior metodo classico eseguito su uno dei supercomputer più veloci al mondo.
Ma è nelle note a margine che sta la verità. Lo stesso team news di Nature ha raccolto lo scetticismo di molti ricercatori esterni sul reale peso del risultato, e Google riconosce che per un uso crittografico servono ancora svariati ordini di grandezza in più di scala.
Il valore dell’esperimento è molto mirato. Misura come i sistemi quantistici “mescolano” l’informazione, un tassello cruciale per comprendere molecole e materiali magnetici, non per far girare il tuo foglio Excel.
Il resto dell’industria corre su road map pubbliche.
- IBM prevede di consegnare Starling, un sistema fault-tolerant con 200 qubit logici in grado di eseguire 100 milioni di porte, entro il 2029, dopo le tappe intermedie Nighthawk e Loon.
- Quantinuum promette un sistema universale completamente fault-tolerant battezzato Apollo per il 2029, con il lancio di Helios come prima macchina e un processore chiamato Sol atteso nel 2027.
- I laboratori che usano atomi neutri stanno scalando rapidamente, intrappolando singoli atomi con fasci laser per usarli come qubit.
Due risultati, in quest’ultima linea di ricerca, spiccano sui grafici.
Il laboratorio Endres del Caltech ha mantenuto 6.100 qubit di cesio distribuiti su circa 12.000 siti di pinzette ottiche, come descritto su Nature il 24 settembre 2025, con un tempo di coerenza di 13 secondi e un’accuratezza del 99,98% nel controllo a singolo qubit. «È un momento entusiasmante per il calcolo quantistico con atomi neutri», ha commentato il responsabile Manuel Endres.
Un gruppo di Harvard guidato da Mikhail Lukin, in collaborazione con MIT e QuEra, ha scelto una via diversa. Ha fatto funzionare in modo continuo un sistema da 3.000 qubit per oltre due ore, ciclando più di 50 milioni di atomi e ricaricandone fino a 300.000 al secondo per sostituire quelli che si perdono.
«Abbiamo dimostrato un’operazione continua con un sistema da 3.000 qubit», ha detto Lukin. «Ed è altrettanto evidente che questo approccio potrà funzionare con numeri molto più alti».
C’è poi il caso di scuola sulle promesse eccessive.
Microsoft ha presentato il chip Majorana 1 a febbraio 2025, rivendicando i primi qubit “topologici”, un’architettura pensata per essere intrinsecamente resistente agli errori. Alla conferenza di marzo i fisici, però, sono rimasti in larga parte scettici, e il teorico Henry Legg ha successivamente pubblicato su Nature una contestazione formale spiegando come il test alla base della rivendicazione potrebbe essere ingannato da effetti del tutto ordinari.
Sankar Das Sarma, uno dei padri teorici dei qubit topologici, ha lodato i progressi di Microsoft sui materiali ma si è detto tutt’altro che convinto dalla fisica mostrata.
Il divario fra comunicati stampa e prove sperimentali è probabilmente il singolo promemoria più utile da tenere a mente su tutto il settore.
Da leggere anche: Yang Zhilin ha detto no ad Apple — ora il suo Kimi K3 fa meglio di Claude Fable 5 sul coding
L’AI sta già costruendo il computer quantistico
C’è un dettaglio che sfugge a gran parte della copertura mediatica. L’AI non aspetta l’arrivo del quantum: è già diventata uno strumento da banco per i fisici quantistici.
Il team DeepMind di Google ha sviluppato un decoder neurale chiamato AlphaQubit, descritto su Nature nel novembre 2024. Addestrato sui dati del processore Sycamore, ha ridotto gli errori del 6% rispetto ai metodi tensor-network e del 30% rispetto al cosiddetto correlated matching.
È proprio nella decodifica che l’AI si guadagna il posto in sala controllo. Un chip quantistico produce flussi di segnali d’errore, e qualcuno deve leggerne i pattern e correggerli più in fretta di quanto se ne accumulino di nuovi.
I qubit superconduttivi operano su scale di decine o centinaia di nanosecondi: il decoder deve essere insieme accurato e brutale in velocità. Se si manca quella finestra temporale, gli errori si sommano prima che la correzione possa intervenire.
La stessa pressione del machine learning si vede in altri strati dello stack.
- Le reti neurali aiutano a calibrare i qubit e a ottimizzare gli impulsi di controllo che li fanno ruotare.
- Il reinforcement learning è stato usato per scoprire algoritmi più rapidi, incluso il lavoro AlphaTensor di DeepMind sulla moltiplicazione di matrici.
- I decoder basati su AI stanno riducendo il numero di qubit fisici necessari per proteggere un singolo qubit logico.
Quest’ultimo punto conta più di quanto sembri. Ogni taglio di overhead porta una macchina utile un passo più vicino, senza inventare un solo qubit nuovo.
È questa la ragione per cui i grandi dell’hardware stanno fondendo chip quantistici con acceleratori classici.
A ottobre 2025 Nvidia ha presentato NVQLink, un’interconnessione aperta che collega processori quantistici a supercomputer a GPU, con il supporto di 17 costruttori quantistici e nove laboratori nazionali statunitensi. Quantinuum l’ha usata per far girare il primo decoder scalabile in tempo reale per il suo chip Helios, centrando un tempo di reazione di 67 microsecondi.
Il messaggio di Jensen Huang è diretto: un computer quantistico non si manda in campo da solo, gli si mette accanto un supercomputer classico.
Il profilo del futuro prossimo è questo: un sistema ibrido in cui i modelli di AI regolano, calibrano e “sorvegliano” in tempo reale qubit estremamente fragili.
Da leggere anche: Anthropic respinge l’accusa di voler vietare i pesi aperti, poi svela la sua vera paura
Cosa fa davvero il quantum per l’AI
Ora rovesciamo la domanda: un computer quantistico può rendere l’AI più intelligente?
La risposta onesta è: molto meno di quanto racconti il marketing, almeno allo stato attuale.
Il sogno era il quantum machine learning: algoritmi con promesse di accelerazioni esponenziali su compiti di analisi dati. Poi è arrivata una teenager a smontare il castello.
Nel 2018 Ewin Tang ha dimostrato che un computer classico può eguagliare un celebrato algoritmo quantistico di raccomandazione, e ha poi “dequantizzato” diversi altri casi simili. Il suo lavoro ha messo in luce quanto spesso il vantaggio apparente dipendesse da ipotesi irrealistiche sul caricamento dei dati, più che dalla matematica quantistica in sé.
Due problemi continuano a mordere il quantum machine learning.
- Collo di bottiglia in ingresso: trasformare dati classici in stati quantistici può erodere qualunque vantaggio prima ancora che il calcolo inizi.
- “Barren plateaus”: all’aumentare della complessità dei circuiti, il paesaggio d’addestramento tende ad appiattirsi, i gradienti si annullano e l’apprendimento si blocca.
Scott Aaronson, uno dei principali teorici della complessità quantistica, da anni invita a leggere le note a piè di pagina di queste promesse.
Su cosa è davvero forte il quantum, allora?
Soprattutto sulla simulazione di altri sistemi quantistici: chimica, materiali, alcune classi di problemi di ottimizzazione. Settori dove la natura stessa è quantistica e una macchina quantistica “parla la stessa lingua”.
È una nicchia reale e con potenziale economico concreto: batterie migliori, catalizzatori più efficienti, nuovi candidati farmaceutici nascono lì.
Semplicemente, non è la storia “il quantum supercaricherà il tuo chatbot” che fa salire le valutazioni. Lo stesso Preskill ha definito l’epoca attuale come NISQ, una fase di esperimenti utili ma lontani dalle macchine universali.
Da leggere anche: L’agente rogue di OpenAI ha violato altri 4 servizi oltre Hugging Face
La questione energetica che nessuno dovrebbe vendere al rialzo
L’appetito energetico dell’AI sta diventando un problema infrastrutturale.
L’IEA stima che i data center consumeranno circa 945 terawattora entro il 2030, più del doppio dei 415 terawattora del 2024. Un livello, per il 2030, vicino all’intero fabbisogno elettrico annuo del Giappone.
La sola domanda di elettricità dei data center ottimizzati per l’AI, aggiunge l’IEA, è destinata a più che quadruplicare nello stesso arco temporale.
È facile allora costruire una narrativa seducente: i computer quantistici sfruttano una fisica esotica, quindi magari taglieranno il conto della bolletta.
Qui però serve cautela.
In linea di principio i computer quantistici potrebbero risolvere… problemi specifici di chimica e di ottimizzazione con un numero di operazioni enormemente inferiore rispetto a un supercomputer classico, con un evidente risparmio energetico su quei compiti ultra-specializzati.
Non faranno girare modelli linguistici, e i sistemi quantistici criogenici hanno propri costi di raffreddamento estremamente elevati. La promessa realistica è un’efficienza mirata su problemi “quantum-friendly”, non un piano di salvataggio per il fabbisogno elettrico dell’AI.
Chi vende il contrario, sta vendendo fumo.
Also Read: Apple Inizia A Noleggiare Gli iPhone A 17,99 Dollari Al Mese Tramite Klarna
Dove Questo Tocca Il Tuo Portafoglio
Il punto di contatto più concreto tra AI, quantistico e finanza quotidiana è la crittografia.
La cifratura a chiave pubblica come RSA e la crittografia a curve ellittiche si basano su problemi matematici difficili per i computer classici ma facili per un computer quantistico sufficientemente grande, grazie all’algoritmo di Shor.
La minaccia ha un nome che dovrebbe preoccupare chiunque abbia segreti destinati a durare: “harvest now, decrypt later”. Gli avversari possono registrare oggi il traffico cifrato e decifrarlo quando l’hardware sarà maturo.
NIST ha definito la sua risposta nell’agosto 2024. Ha pubblicato tre standard post-quantum, ML-KEM, ML-DSA e SLH-DSA, selezionando poi a marzo 2025 un algoritmo di backup chiamato HQC.
Il timer è esplicito. La bozza di linee guida per la transizione di NIST depreca RSA ed ECC entro il 2030 e ne vieta l’uso del tutto dal 2035.
Le crypto sono in pieno raggio d’esplosione, perché le blockchain poggiano sulle stesse firme a curve ellittiche.
L’esposizione di Bitcoin è concreta ma dibattuta. Uno studio Deloitte stima che oltre 4 milioni di BTC, circa il 25% di tutti i bitcoin, siano parcheggiati in output “pay-to-public-key” e in indirizzi riutilizzati dove la chiave pubblica è già esposta.
Analisi on-chain più recenti alzano l’asticella. Il team Google Quantum AI, in una ricerca, parla di circa 6,5–6,9 milioni di BTC, quasi un terzo dell’offerta circolante, se si includono chiavi esposte e riutilizzate, con poco più di 1,7 milioni nei primi script P2PK.
Le contromisure si stanno muovendo, ma in modo disomogeneo.
- Gli sviluppatori Bitcoin stanno discutendo BIP-360, un nuovo tipo di indirizzo resistente al quantistico, ancora in bozza e senza percorso di attivazione.
- La Ethereum (ETH) Foundation ha pubblicato una roadmap post-quantum, e Vitalik Buterin ha illustrato un piano per migrare firme, account e proof verso schemi quantum-safe.
- Solana (SOL) offre opzionalmente il Winternitz Vault, basato su firme monouso a hash, ma gli account di default restano su curve vulnerabili.
Nessuna di queste chain è oggi “quantum-safe” a livello di protocollo. Tutte stanno ancora progettando la scialuppa.
Also Read: BIP-110 Si Arena Mentre Saylor Bolla Le Modifiche Alle Regole Come Un Attacco A Ogni Holder
Quando Le Due Tecnologie Si Alimentano A Vicenda
Gli scenari più inquietanti nascono dalla convergenza, quando i progressi in un campo accelerano l’altro.
Craig Gidney di Google ha cambiato le carte in tavola a maggio 2025. Ha stimato che RSA-2048 potrebbe essere fattorizzato in meno di una settimana con meno di un milione di qubit rumorosi, circa 20 volte in meno dei 20 milioni che lui e un coautore prevedevano nel 2019.
Il numero di qubit necessari per rompere la tua cifratura si è ridotto di un fattore venti in sei anni, sulla carta.
Non serve alcuna macchina funzionante per questo. È progresso algoritmico e di correzione d’errore: esattamente il tipo di ottimizzazione in cui l’AI sta diventando molto brava.
Il taglio di Gidney viene da aritmetiche più efficienti e schemi di correzione d’errore più densi, non da nuovo hardware. Se la stessa pressione ottimizzativa viene applicata alla criptoanalisi, le stime delle risorse continuano a scivolare verso il basso.
I ricercatori di sicurezza descrivono questo scenario come un bersaglio mobile, non un “giorno del giudizio” fisso. La lettura prudente è che l’AI sta silenziosamente abbassando l’asticella che l’hardware quantistico deve superare.
Per questo “abbiamo ancora anni” è un’affermazione sull’hardware, non sulla matematica.
I Soldi, E Il Dissenso
Gli investitori hanno colto il quadro.
McKinsey ha segnalato che le società di calcolo quantistico hanno superato 1 miliardo di dollari di ricavi nel 2025, che gli investimenti in startup hanno raggiunto 12,6 miliardi (6,3 volte l’anno precedente) e che la tecnologia potrebbe generare tra 1,3 e 2,7 trilioni di dollari di valore entro il 2035.
Anche i governi stanno spendendo, con livelli di fiducia molto diversi.
- Il National Quantum Initiative Act americano ha autorizzato circa 1,2 miliardi di dollari alla firma, nel 2018.
- Il programma europeo Quantum Flagship ha impegnato almeno 1 miliardo di euro in dieci anni a partire dal 2018.
- L’investimento cinese è spesso citato intorno ai 15 miliardi di dollari, una stima McKinsey non verificata, contestata e da prendere con molta cautela.
Sulle tempistiche, le posizioni serie sono apertamente divergenti.
IBM e Quantinuum puntano entrambe al 2029 per la “fault tolerance”. Google parla del proprio percorso in anni, non in decenni.
E poi c’è Jensen Huang. Ha scosso i titoli quantistici a gennaio 2025 dicendo che le macchine davvero utili erano a 20 anni di distanza, per poi correggere il tiro al Quantum Day di Nvidia a marzo 2025, scherzando di aver invitato ospiti per spiegargli perché si sbagliava.
Il mondo della cybersecurity ragiona in termini probabilistici. Il Global Risk Institute ha sondato 26 esperti che giudicano un computer quantistico “crittograficamente rilevante” “abbastanza possibile” (28–49%) entro dieci anni e “probabile” (51–70%) entro quindici, le stime più alte mai registrate dal report.
Gli scettici, come Das Sarma, continuano a ritenere che macchine pratiche e pienamente corrette dagli errori siano più lontane di quanto suggeriscano le roadmap.
Le due cose possono coesistere. La minaccia può essere a un decennio di distanza e valere comunque un’azione immediata, perché la migrazione richiede anni e i dati già intercettati non scadono.
Also Read: Tre Membri Della Fed Votano Contro, Gli Esperti Avvertono: È Lo Scenario Peggiore Per Le Crypto
L’Inquadratura Realistica
Tolto il rumore di fondo, il profilo è nitido.
L’AI è il partner più maturo e già oggi sta migliorando i computer quantistici in decoding, calibrazione e controllo. I benefici del quantistico per l’AI sono più circoscritti: molto concreti per chimica e simulazione, ampiamente sopravvalutati per quasi tutto il resto.
La convergenza urgente non è un “super-cervello”. È l’erosione lenta della cifratura che regge l’intero internet, accelerata da algoritmi che diventano ogni anno più ingegnosi.
Non serve indovinare l’anno esatto. Bisogna partire dal presupposto che la migrazione dovrebbe essere già iniziata.
Le macchine sono ancora in costruzione, e lo sono anche le loro difese. La mossa intelligente è seguire entrambe le corse, in parallelo.
Read Next: Bitcoin Difende I 64.000 Dollari In Attesa Della Riunione Fed Su Cui Nessuno È D’Accordo