Kunstmatige intelligentie wordt almaar gulziger naar rekenkracht, terwijl kwantumcomputers langzaam opschuiven richting systemen die echt bruikbaar zijn.
De échte vraag is wat er gebeurt als die twee werelden elkaar kruisen. Dat verhaal loopt van foutcorrectie tot en met de versleuteling die uw Bitcoin (BTC) beschermt.
In één oogopslag
- AI helpt nu al betere kwantumcomputers bouwen, van Google’s AlphaQubit-foutdecoder tot Nvidia’s GPU‑naar‑qubit‑koppelingen, terwijl de concrete opbrengst van kwantum voor AI voorlopig smal en grotendeels onbewezen blijft.
- De scherpste botsing op korte termijn is cryptografisch: een Google-onderzoeker bracht de geschatte kostprijs om RSA‑2048 te kraken terug tot onder een miljoen ‘noisy’ qubits, terwijl NIST iedereen oproept om uiterlijk 2030 te migreren.
- Tijdslijnen van experts lopen sterk uiteen, van IBM’s doelstelling voor fouttolerantie in 2029 tot Jensen Huang’s “20 jaar”; behandel elke harde datum dus met wantrouwen.
De hardware begint zich eindelijk te gedragen
Ruim dertig jaar lang gold: hoe meer qubits, hoe slechter de kwantumcomputer. Extra qubits brachten extra ruis, en ruis ondermijnt elke berekening.
In december 2024 meldde Google in Nature dat die logica is omgedraaid. De Willow-chip met 105 qubits kwam onder de zogeheten drempelwaarde: extra qubits verlaagden voortaan de logische foutkans in plaats van die op te drijven.
De cijfers waren concreet. Door de codedistance op te schroeven van 3 naar 5 en 7, halveerde de logische foutkans grofweg bij elke stap. Het distance‑7‑geheugen kwam uit op 0,143% fout per cyclus.
Dat geheugen hield het ook 2,4 keer langer vol dan de beste fysieke qubit afzonderlijk. Ingenieurs noemen dat “beyond breakeven” – de dichtstbijzijnde rookende Colt die het vakgebied vandaag heeft.
John Preskill van Caltech, die de term bedacht voor dit kwantumtijdperk, noemde het bewijs dat foutcorrectie de opslagduur van informatie in een qubit verlengt “een opmerkelijke mijlpaal”. Tegelijk waarschuwde hij dat de dagelijkse impact van kwantumcomputing “nog decennia op zich kan laten wachten”.
Tien maanden later gooide Google er een schep bovenop.
In oktober 2025 volgde een tweede Nature-paper over een algoritme dat het Quantum Echoes doopte, met de claim dat het 13.000 keer sneller draaide dan de beste klassieke methode op een van ’s werelds snelste supercomputers, zo meldde het bedrijf zelf.
Maar wie de kleine lettertjes las, zag meer nuance. De eigen nieuwsdienst van Nature meldde dat externe onderzoekers sceptisch bleven over de reikwijdte van het resultaat, en Google erkende zelf dat een cryptografisch nuttige machine nog vele ordes van grootte aan schaalvergroting vergt.
De waarde van dat experiment is smal en gespecialiseerd: het meet hoe kwantumsystemen informatie ‘scramblen’. Dat helpt bij het begrijpen van moleculen en magneten – niet bij het draaien van uw spreadsheet.
Intussen racen de andere spelers met openlijke roadmaps.
- IBM belooft Starling, een fouttolerante machine met 200 logische qubits die 100 miljoen poorten kan draaien, tegen 2029 – voorafgegaan door chips met de codenamen Nighthawk en Loon.
- Quantinuum mikt eveneens op 2029 voor Apollo, een universeel volledig fouttolerant systeem; eerst komt Helios op de markt, met de processor Sol gepland voor 2027.
- Labs met neutrale atomen schalen intussen razendsnel op, door individuele atomen met lasers als qubits te vangen.
Twee resultaten met atoomgebaseerde systemen springen eruit.
Het Endres-lab van Caltech hield 6.100 cesiumqubits stabiel over zo’n 12.000 optische‑tweezersites, gepubliceerd in Nature op 24 september 2025. De opstelling haalde 13 seconden coherentie en 99,98% nauwkeurigheid voor enkel-qubitbesturing. “Dit is een spannend moment voor kwantumcomputing met neutrale atomen,” aldus hoofonderzoeker Manuel Endres.
Een team van Harvard onder leiding van Mikhail Lukin, samen met MIT en QuEra, koos een andere aanpak. Het liet een systeem met 3.000 qubits meer dan twee uur onafgebroken draaien, waarbij in totaal ruim 50 miljoen atomen door de val gingen en tot 300.000 per seconde werden bijgevuld om wegdrijvende atomen te vervangen.
“We hebben aangetoond dat een 3.000‑qubitsysteem continu kan werken,” zei Lukin. “Maar het is ook duidelijk dat deze aanpak opschaalbaar is naar veel grotere aantallen.”
En dan is er nog het waarschuwende voorbeeld.
Microsoft presenteerde in februari 2025 zijn Majorana 1‑chip, met de claim dat het de eerste ‘topologische’ qubits had gebouwd – een architectuur die van nature bestand moet zijn tegen fouten. Op een conferentie in maart toonden veel fysici zich allerminst overtuigd, en theoreticus Henry Legg publiceerde later in Nature een formele uitdaging waarin hij stelt dat de gebruikte test ook door gewone effecten misleid kan worden.
Sankar Das Sarma, een van de grondleggers van de theorie achter topologische qubits, prees de materiaaldoorbraak van Microsoft, maar bleef onimpressed door de getoonde fysica.
Die kloof tussen persbericht en bewijs is misschien wel de belangrijkste les van dit hele domein.
Lees ook: Yang Zhilin weigerde Apple – nu is zijn Kimi K3 goedkoper dan Claude Fable 5 voor code
AI bouwt ondertussen stilzwijgend de kwantumcomputer
De wending die de meeste berichtgeving mist: AI wacht niet tot kwantum volwassen is. Het is nú al een gereedschap op de werkbank van de kwantumingenieur.
Google’s DeepMind ontwikkelde AlphaQubit, een neurale‑netwerkdecoder, beschreven in Nature in november 2024. Getraind op data van de Sycamore‑processor maakte AlphaQubit 6% minder fouten dan tensor‑netwerkmethodes en 30% minder dan correlated matching.
In de decodinglaag verdient AI zijn geld. Een kwantumchip spuugt continu foutsignalen uit; iets moet die patronen bliksemsnel lezen en corrigeren voordat nieuwe fouten zich opstapelen.
Supergeleidende qubits werken op tijdschalen van tientallen tot honderden nanoseconden. De decoder moet dus tegelijk extreem nauwkeurig en extreem snel zijn. Wie dat tijdvenster mist, ziet fouten zich ophopen nog vóór de correctie landt.
Diezelfde druk van machine learning duikt elders in de stack op.
- Neurale netwerken helpen bij het kalibreren van qubits en het finetunen van de controlepulsen die ze laten flippen.
- Reinforcement learning is ingezet om snellere algoritmes te vinden, zoals DeepMind’s AlphaTensor voor matrixvermenigvuldiging.
- AI‑decoders blijven het aantal fysieke qubits verlagen dat nodig is om één logische qubit te beschermen.
Dat laatste klinkt technisch, maar is financieel cruciaal: elke procent minder overhead brengt een economisch bruikbare machine dichterbij, zonder dat er één nieuwe qubit hoeft te worden uitgevonden.
Die beperking verklaart waarom de hardwaregiganten kwantumchips koppelen aan klassieke accelerators.
Nvidia onthulde in oktober 2025 NVQLink, een open interconnect die kwantumprocessors direct verbindt met GPU‑supercomputers. Zeventien kwantumbouwers en negen Amerikaanse nationale labs staan al achter het initiatief. Quantinuum gebruikte NVQLink om de eerste schaalbare real‑time decoder voor zijn Helios‑chip te draaien, met een reactietijd van 67 microseconden.
De boodschap van Jensen Huang is ongepolijst maar helder: een kwantumcomputer draait niet in zijn eentje; hij staat naast een klassiek supercomputercluster.
Zo ziet de nabije toekomst eruit: een hybride opstelling waarin AI‑modellen in real time fragiele qubits afstellen, kalibreren en bewaken.
Lees ook: Anthropic ontkent verbod op open‑weights en onthult zijn échte angst
Wat kwantum écht doet voor AI
Dan de vraag om te draaien: kan een kwantumcomputer AI zelf slimmer maken?
Eerlijk antwoord: veel minder dan het marketingmateriaal suggereert – voorlopig althans.
De grote belofte heette kwantummachinelearning: algoritmes die exponentiële versnellingen zouden bieden op datagedreven taken. Tot een tiener die droom doorprikte.
Ewin Tang toonde in 2018 aan dat een klassieke computer een befaamd kwantumaanbevelingsalgoritme kon evenaren. Daarna ‘dequantizeerde’ ze nog een reeks andere kwantumalgoritmes. Haar werk legde bloot dat de vermeende snelheidswinst vaak verstopt zat in onrealistische aannames over het inladen van data, niet in het kwantumrekenwerk zelf.
Twee hardnekkige problemen blijven kwantummachinelearning parten spelen:
- De inputflessenhals: het omzetten van klassieke data naar een kwantumtoestand kan de snelheidswinst opsouperen nog voor de berekening begint.
- ‘Barren plateaus’: naarmate circuits groeien, vlakt het trainingslandschap af tot een woestijn waarin gradiënten verdwijnen en leren vastloopt.
Scott Aaronson, een zwaargewicht in de theorie van kwantumcomplexiteit, hamert er al jaren op dat beleggers de kleine lettertjes bij dit soort claims moeten lezen.
Waar blinkt kwantum dan wél in uit?
Vooral in het simuleren van andere kwantumsystemen. Chemie, materiaalwetenschap en bepaalde optimalisatieproblemen liggen precies in dat zoete punt, omdat de natuur zelf kwantummechanisch is en een kwantumcomputer haar taal spreekt.
Dat is een reële, waardevolle niche: betere batterijen, efficiëntere katalysatoren en nieuwe kandidaat‑medicijnen liggen in dit domein.
Maar het is níet het verhaal “kwantum turbo‑laadt uw chatbot” waarmee koersen worden opgepompt. Preskill zelf bestempelde deze fase als het tijdperk van noisy, intermediate‑scale quantum: nuttige experimenten, geen universele werkpaarden.
Lees ook: OpenAI’s ontspoorde agent brak in bij nog 4 diensten naast Hugging Face
De energievraag waar niemand zich aan moet vertillen
De stroomhonger van AI groeit uit tot een infrastructuurdossier.
Het IEA verwacht dat datacenters tegen 2030 zo’n 945 terawattuur verbruiken, meer dan het dubbele van de 415 terawattuur in 2024. Die 2030‑prognose komt in de buurt van het volledige jaarlijkse stroomverbruik van Japan.
De elektriciteitsvraag van AI‑geoptimaliseerde datacenters alleen al zal in dezelfde periode naar verwachting meer dan verviervoudigen.
Dan duikt al snel een verleidelijk narratief op: kwantumcomputers maken gebruik van exotische fysica, dus misschien drukken ze de energierekening drastisch.
Wees daar uiterst voorzichtig mee. specifieke chemie- en optimalisatieproblemen met veel minder bewerkingen dan een klassieke supercomputer nodig heeft – en dus met een lager energieverbruik voor precies die smalle taken.
Ze gaan jouw taalmodel niet draaien, en cryogene quantumsystemen brengen zelf een forse koelrekening mee. De realistische belofte is gerichte efficiëntiewinst op quantum-vriendelijke problemen, niet een reddingsboei voor de stroomrekening van AI.
Wie dat laatste verkoopt, verkoopt lucht.
Ook interessant: Apple Begint iPhones Te Leasen Voor $17,99 Per Maand Via Klarna
Waar Dit Je Portemonnee Raakt
De tastbaarste botsing tussen AI, quantum en jouw geld zit in cryptografie.
Publieke-sleutelcryptografie zoals RSA en elliptische-curve-cryptografie draait op wiskunde die voor klassieke computers lastig is, maar voor een voldoende grote quantumcomputer eenvoudig wordt, dankzij Shors algoritme.
Die dreiging heeft een naam die iedereen met langlopende geheimen wakker zou moeten houden: “harvest now, decrypt later”. Aanvallers kunnen versleuteld verkeer nu opnemen en het kraken zodra de hardware zover is.
NIST rondde in augustus 2024 zijn defensie af. Het publiceerde drie post-quantum-standaarden – ML-KEM, ML-DSA en SLH-DSA – en koos in maart 2025 een reservestandaard, HQC.
De tijdlijn ligt zwart op wit. In de concept-richtlijn voor de overgang verklaart NIST RSA en ECC “verouderd” per 2030 en volledig verboden per 2035.
Crypto staat precies in de vuurlinie, want blockchains leunen op dezelfde elliptische-curvesignaturen.
De kwetsbaarheid van Bitcoin is echt, maar onderwerp van discussie. Een studie van Deloitte schatte dat meer dan 4 miljoen BTC – zo’n 25% van alle Bitcoin – vastzitten in kwetsbare pay-to-public-key-outputs en hergebruikte adressen waar de sleutel al zichtbaar is.
Recentere ketenanalyses komen hoger uit. Google Quantum AI’s onderzoek wijst op grofweg 6,5 tot 6,9 miljoen BTC – bijna een derde van de circulerende voorraad – als je alle blootgestelde en hergebruikte sleutels meetelt, waarvan iets meer dan 1,7 miljoen in vroege P2PK-scripts alleen al.
De verdediging is in gang gezet, maar ongelijk verdeeld.
- Bitcoin-ontwikkelaars discussiëren over BIP-360, een quantum-resistent adrestype dat nog steeds een ontwerp is zonder activatie.
- De Ethereum-(ETH) Foundation publiceerde een post-quantum-roadmap en Vitalik Buterin schetste een plan om handtekeningen, accounts en bewijzen naar quantum-veilige schema’s te verplaatsen.
- Solana (SOL) biedt optioneel een Winternitz Vault op basis van hash-gebaseerde eenmalige handtekeningen, maar standaardaccounts gebruiken nog altijd kwetsbare curves.
Geen van deze chains is vandaag op protocolniveau quantum-proof. Ze zijn allemaal nog bezig de reddingsboot te ontwerpen.
Ook interessant: BIP-110 Loopt Vast Terwijl Saylor Regelswijziging Een Aanval Op Elke Holder Noemt
Als De Twee Technologieën Elkaar Voeden
De spannendere scenario’s ontstaan bij convergentie: wanneer doorbraken in het ene veld het andere versnellen.
Google’s Craig Gidney verschoof de rekensom in mei 2025. Hij berekende dat RSA-2048 in minder dan een week te factoriseren is met minder dan een miljoen “noisy qubits” – ruwweg een factor 20 lager dan de 20 miljoen qubits die hij en een co-auteur in 2019 inschatten.
Het aantal qubits dat nodig is om jouw encryptie te breken, daalde op papier met een factor twintig in zes jaar.
Daarvoor is geen werkende machine nodig. Het gaat om algoritmische en foutcorrectie-vooruitgang – precies het soort optimalisatie waar AI steeds beter in wordt.
Gidney’s winst kwam uit slimmer rekenwerk en compacter foutcorrigerende layouts, niet uit nieuwe hardware. Richt je diezelfde optimalisatiedruk op cryptanalyse, dan blijven de resource-schattingen naar beneden schuiven.
Beveiligingsonderzoekers zien dit als een bewegend doel, geen vaststaande doemdatum. De nuchtere lezing: AI blijft stilletjes de lat verlagen waar quantumhardware overheen moet.
Daarom is “we hebben nog jaren” een uitspraak over hardware, niet over de wiskunde.
Ook interessant: Ethereum-whales Dumpen $430 Miljoen In Een Dag Terwijl Beursvoorraden Dieptepunt Van Een Decennium Bereiken
Het Geld, En Het Meningsverschil
Beleggers hebben dit allemaal gezien.
McKinsey meldde dat quantumcomputingbedrijven in 2025 de grens van $1 miljard omzet passeerden, dat startup‑investeringen $12,6 miljard bereikten – een toename met factor 6,3 jaar op jaar – en dat de technologie tegen 2035 tussen $1,3 biljoen en $2,7 biljoen aan waarde kan creëren.
Overheden geven ook uit, maar met sterk uiteenlopend vertrouwen.
- De Amerikaanse National Quantum Initiative Act autoriseerde circa $1,2 miljard toen de wet in 2018 werd ondertekend.
- De Europese Quantum Flagship committeerde zich in 2018 tot minstens 1 miljard euro over tien jaar.
- China’s investering wordt vaak rond de $15 miljard geschat, een cijfer van McKinsey dat onbevestigd, betwist en met de nodige voorzichtigheid te interpreteren is.
Juist over de tijdslijnen botsen serieuze mensen openlijk.
IBM en Quantinuum mikken beiden op 2029 voor fouttolerante systemen. Google formuleert zijn pad in jaren, niet in decennia.
En dan is er Jensen Huang. Hij schudde in januari 2025 de quantumkoersen op door te suggereren dat bruikbare machines nog 20 jaar weg zijn, om dat tijdens Nvidia’s Quantum Day in maart 2025 weer te nuanceren met de grap dat hij gasten had uitgenodigd om uit te leggen waarom hij ongelijk had.
De securitywereld werkt met kansen. Het Global Risk Institute ondervroeg 26 experts, die een “cryptografisch relevante” quantumcomputer in de komende tien jaar “behoorlijk mogelijk” achtten met 28% tot 49% kans, en in de komende vijftien jaar “waarschijnlijk” met 51% tot 70% – de hoogste inschattingen in de geschiedenis van het rapport.
Sceptici zoals Das Sarma denken nog steeds dat praktische, foutgecorrigeerde machines verder weg zijn dan de roadmaps suggereren.
Beide dingen kunnen tegelijk waar zijn. De dreiging kan een decennium ver weg zijn en tóch nu al actie vereisen, omdat migratie jaren kost en geoogste data niet verjaren.
Ook interessant: Drie Fed-bestuurders Stemmen Tegen, Experts Zien Slechtste Crypto-setup In Jaren
Het Realistische Plaatje
Als je de hype wegstript, blijft er een duidelijk silhouet over.
AI is de meer volwassen partij en maakt quantumcomputers vandaag al beter via decodering, kalibratie en aansturing. Quantum’s bijdrage aan AI is smaller: relevant voor chemie en simulatie, oversold voor bijna al het andere.
De urgente convergentie is geen superbrein. Het is de gestage uitholling van de encryptie onder het hele internet, versneld door algoritmes die almaar slimmer worden.
Je hoeft het exacte jaar niet te raden. Je moet ervan uitgaan dat de migratie al begonnen had moeten zijn.
De machines worden nog gebouwd – en hun verdediging ook. De verstandige strategie is om beide races tegelijk in de gaten te houden.
Lees verder: Bitcoin Verdedigt $64.000 In Aanloop Naar De Fed-call Waar Niemand Het Over Eens Is