Sztuczna inteligencja jest coraz bardziej głodna mocy obliczeniowej, a komputery kwantowe powoli zbliżają się do etapu maszyn, które faktycznie robią coś użytecznego.
Prawdziwe pytanie brzmi, co się wydarzy, gdy te dwa światy się spotkają – a odpowiedź sięga od korekcji błędów aż po szyfrowanie, które chroni twojego Bitcoina (BTC).
W skrócie (TL;DR)
- AI już dziś pomaga budować lepsze komputery kwantowe – od dekodera błędów AlphaQubit Google’a po łącza GPU–kubit Nvidii – podczas gdy realne korzyści kwantów dla AI pozostają wąskie i w dużej mierze niesprawdzone.
- Najostrzejsze zderzenie w krótkim terminie dotyczy kryptografii: badacz Google obniżył szacowany koszt złamania RSA‑2048 do poniżej miliona „hałaśliwych” kubitów, a NIST zaleca migrację na odporne algorytmy do 2030 r.
- Eksperci wciąż dramatycznie różnią się co do terminów – od celu IBM na 2029 r. dla maszyn z korekcją błędów po „20 lat” w wersji Jensena Huanga – więc każdą pojedynczą datę warto traktować z dużą rezerwą.
Sprzęt wreszcie zaczął się zachowywać
Przez trzy dekady komputery kwantowe psuły się w miarę rozbudowy. Więcej kubitów oznaczało więcej szumu, a więcej szumu niszczyło obliczenia.
W grudniu 2024 r. Google opisał w „Nature” odwrócenie tej zależności. Układ Willow z 105 kubitami przekroczył próg, poniżej którego dodawanie kubitów obniża logiczny współczynnik błędu zamiast go podbijać.
Liczby są konkretne. Zwiększanie „dystansu kodu” z 3 do 5 i 7 mniej więcej o połowę redukowało logiczny błąd na każdym etapie, a pamięć o dystansie 7 zeszła do poziomu 0,143% błędu na cykl.
Ta pamięć przetrwała też 2,4 raza dłużej niż najlepszy pojedynczy fizyczny kubit. Inżynierowie mówią o „przekroczeniu progu opłacalności” – to dziś w tej dziedzinie najbliższy dowód z gatunku „dymiącego pistoletu”.
John Preskill z Caltechu, który ukuł nazwę obecnej epoki komputerów kwantowych, uznał pokazanie, że korekcja błędów wydłuża czas przechowywania informacji przez kubit, za „istotny kamień milowy”. Zastrzegł jednocześnie, że codzienny wpływ komputerów kwantowych „może być odległy o całe dekady”.
Dziesięć miesięcy później Google podkręcił tempo.
W październiku 2025 r. opublikował drugi artykuł w „Nature”, opisując algorytm Quantum Echoes, który miał działać 13 000 razy szybciej niż najlepsza klasyczna metoda na jednym z najszybszych superkomputerów świata.
Warto jednak przeczytać drobny druk. Dział newsowy „Nature” relacjonował sceptycyzm części zewnętrznych badaczy co do wagi tego wyniku, a samo Google przyznało, że do maszyny rzeczywiście użytecznej kryptograficznie brakuje jeszcze wielu rzędów wielkości skali.
Wartość tego eksperymentu jest wąska i konkretna. Mierzy on, jak systemy kwantowe „mieszają” informacje – co może pomóc w zrozumieniu budowy cząsteczek i magnetyków, ale nie zastąpi arkusza kalkulacyjnego w biurze.
Tymczasem pozostali gonią w oparciu o publiczne mapy drogowe.
- IBM zapowiada, że do 2029 r. dostarczy Starlinga – maszynę z pełną korekcją błędów, z 200 logicznymi kubitami i 100 milionami bramek – poprzedzoną układami Nighthawk i Loon.
- Quantinuum obiecuje uniwersalny, w pełni odporny na błędy system Apollo do 2029 r., z wcześniejszym debiutem maszyny Helios i procesorem Sol planowanym na 2027 r.
- Laboratoria rozwijające architekturę atomów obojętnych skalują się szybko, wykorzystując lasery do chwytania pojedynczych atomów jako kubitów.
Dwa z tych wyników z atomami szczególnie się wyróżniają.
Zespół Endresa z Caltechu utrzymał 6 100 kubitów cezu w około 12 000 pułapkach optycznych; praca ukazała się w „Nature” 24 września 2025 r. System osiągnął 13‑sekundowy czas koherencji i 99,98% dokładności sterowania pojedynczym kubitem. „To ekscytujący moment dla komputerów kwantowych opartych na atomach obojętnych” – skomentował kierownik projektu Manuel Endres.
Zespół Harvardu pod kierunkiem Mikhaila Lukina, we współpracy z MIT i QuEra, obrał inną ścieżkę. Utrzymał system z 3 000 kubitów w ciągłej pracy przez ponad dwie godziny, cyklicznie wykorzystując ponad 50 milionów atomów i przeładowując do 300 000 atomów na sekundę, by zastąpić te, które „uciekają” z pułapek.
„Pokazaliśmy ciągłą pracę systemu z 3 000 kubitami” – mówi Lukin. – „Ale równie jasne jest, że to podejście zadziała przy znacznie większych skalach”.
Jest też historia ku przestrodze.
Microsoft w lutym 2025 r. ogłosił układ Majorana 1, roszcząc sobie pierwszeństwo w stworzeniu „topologicznych” kubitów – z założenia znacznie odporniejszych na błędy. Fizyków na marcowej konferencji to nie przekonało, a teoretyk Henry Legg później w „Nature” sformułował formalne zastrzeżenia, pokazując, że zastosowany test można wytłumaczyć zwykłymi efektami fizycznymi.
Sankar Das Sarma, jeden z pionierów koncepcji topologicznych kubitów, chwalił postęp Microsoftu w inżynierii materiałowej, ale pod względem samej fizyki pozostał sceptyczny.
Różnica między rozgłosem PR a twardym dowodem to najważniejsza rzecz, o jakiej warto pamiętać, śledząc tę branżę.
Zobacz też: Yang Zhilin Said No To Apple — Now His Kimi K3 Undercuts Claude Fable 5 On Coding
AI po cichu buduje komputer kwantowy
Tego zwrotu większość relacji w ogóle nie zauważa. AI nie czeka na nadejście kwantów – ona już dziś jest narzędziem na kwantowym stole laboratoryjnym.
DeepMind Google’a zbudował dekoder oparty na sieci neuronowej, nazwany AlphaQubit, opisany w „Nature” w listopadzie 2024 r. Wytrenowany na danych z procesora Sycamore, popełniał o 6% mniej błędów niż metody tensorowe i o 30% mniej niż podejścia oparte na dopasowaniu skorelowanym.
To właśnie w dekodowaniu AI zarabia na swoje utrzymanie. Układ kwantowy wyrzuca strumień sygnałów błędu, a ktoś – czy raczej coś – musi te wzorce odczytać i skorygować szybciej, niż pojawią się kolejne zakłócenia.
Nadprzewodzące kubity pracują w przedziałach od dziesiątek do setek nanosekund, więc dekoder musi być zarówno precyzyjny, jak i brutalnie szybki. Jeśli nie zmieści się w tym oknie czasowym, błędy zaczną się kumulować, zanim korekta w ogóle dotrze.
Ten sam nacisk na uczenie maszynowe widać w innych warstwach stosu technologicznego.
- Sieci neuronowe pomagają kalibrować kubity i stroić impulsy sterujące, które nimi obracają.
- Uczenie ze wzmocnieniem bywa wykorzystywane do odkrywania szybszych algorytmów – jak w pracy AlphaTensor DeepMinda nad mnożeniem macierzy.
- Dekodery oparte na AI stale zmniejszają liczbę fizycznych kubitów potrzebnych do ochrony jednego kubitu logicznego.
Ta ostatnia kwestia ma większe znaczenie, niż się wydaje. Każde ścięcie narzutu przybliża moment pojawienia się użytecznej maszyny – bez konieczności wymyślania nowego typu kubitu.
Ten ogranicznik wyjaśnia, czemu giganci sprzętowi łączą układy kwantowe z klasycznymi akceleratorami.
Nvidia w październiku 2025 r. pokazała NVQLink – otwarte łącze integrujące procesory kwantowe z superkomputerami GPU, wspierane przez 17 firm kwantowych i dziewięć amerykańskich laboratoriów narodowych. Quantinuum wykorzystał je do uruchomienia pierwszego skalowalnego dekodera czasu rzeczywistego dla układu Helios, osiągając czas reakcji 67 mikrosekund.
Przekaz Jensena Huanga jest prosty: komputera kwantowego nie da się uruchomić w oderwaniu od reszty – trzeba postawić obok klasyczny superkomputer.
Tak wygląda najbliższa przyszłość: hybrydowe zestawy, w których modele AI w czasie rzeczywistym stroją, kalibrują i „pilnują” delikatnych kubitów.
Zobacz też: Anthropic Denies The Open-Weight Ban Charge, Then Names Its Real Fear
Co kwanty realnie robią dla AI
Odwróćmy teraz pytanie. Czy komputer kwantowy może uczynić AI mądrzejszą?
Uczciwa odpowiedź brzmi: znacznie mniej, niż sugeruje marketing – przynajmniej na razie.
Wielkie marzenie nazywało się „kwantowym uczeniem maszynowym” – algorytmy miały dawać wykładnicze przyspieszenia w zadaniach na danych. A potem nastolatka wzięła to na warsztat.
Ewin Tang w 2018 r. pokazała, że klasyczny komputer potrafi dorównać głośnemu kwantowemu algorytmowi rekomendacyjnemu, a potem „odkwantowiła” kilka kolejnych. Jej prace obnażyły, jak często domniemane przyspieszenie wynikało z nierealistycznych założeń o wczytywaniu danych, a nie z przewagi samej kwantowej matematyki.
Dwa problemy wciąż gryzą kwantowe uczenie maszynowe.
- Wąskie gardło wejścia: zamiana zwykłych danych klasycznych na stan kwantowy potrafi zjeść całe przyspieszenie jeszcze zanim obliczenia się rozpoczną.
- „Barren plateaus”: wraz ze wzrostem złożoności obwodów przestrzeń uczenia spłaszcza się do pustyni, gdzie gradienty zanikają i proces trenowania zamiera.
Scott Aaronson, czołowy teoretyk złożoności obliczeń kwantowych, od lat apeluje, by przy tych obietnicach zawsze czytać przypisy drobnym drukiem.
Do czego więc kwanty naprawdę się nadają?
Przede wszystkim do symulacji innych układów kwantowych. Chemia, materiały i niektóre problemy optymalizacyjne leżą w ich słodkim punkcie, bo sama natura jest kwantowa – a komputer kwantowy mówi jej językiem.
To realna i wartościowa nisza. Lepsze baterie, katalizatory i projektowanie cząsteczek leków – tam jest potencjał.
To po prostu nie jest ta opowieść o „kwantach, które turbo‑doładują twojego chatbota”, tak chętnie sprzedawana inwestorom. Sam Preskill opisał obecną fazę jako epokę hałaśliwych, pośredniej skali urządzeń – platformę do użytecznych eksperymentów, a nie powszechne maszyny ogólnego przeznaczenia.
Zobacz też: OpenAI's Rogue Agent Breached 4 More Services Beyond Hugging Face
Pytanie o energię, na które lepiej nie składać obietnic
Apetyt AI na moc obliczeniową zaczyna przeradzać się w problem infrastrukturalny.
IEA prognozuje, że centra danych do 2030 r. będą zużywać ok. 945 TWh energii elektrycznej, ponad dwukrotnie więcej niż 415 TWh w 2024 r. Ta wartość na 2030 r. jest zbliżona do całorocznego zużycia prądu w Japonii.
Jak dodaje IEA, zapotrzebowanie na energię samych centrów danych zoptymalizowanych pod AI ma w tym czasie wzrosnąć ponad czterokrotnie.
Kusząca narracja jest oczywista: skoro komputery kwantowe wykorzystują egzotyczną fizykę, to może drastycznie obniżą rachunek za prąd.
Tu jednak warto zachować szczególną ostrożność.
Komputery kwantowe mogłyby w zasadzie rozwiązywać… specyficznych problemów chemicznych i z zakresu optymalizacji, przy nieporównywalnie mniejszej liczbie operacji niż w klasycznym superkomputerze – a więc z potencjalną oszczędnością energii w tych wąskich zastosowaniach.
Nie chodzi jednak o to, by na takim sprzęcie uruchamiać modele językowe, a kriogeniczne systemy kwantowe same w sobie wymagają kosztownego chłodzenia. Realistyczna obietnica to wyższa efektywność w wąskiej klasie „kwantowo sprzyjających” zadań, a nie cudowne rozwiązanie problemu zużycia energii przez AI.
Każdy, kto obiecuje to drugie, coś sprzedaje.
Przeczytaj także: Apple zaczyna wynajmować iPhone’y za 17,99 dol. miesięcznie przez Klarna
Gdzie To Uderza W Twój Portfel
Najbardziej namacznym punktem zderzenia AI, komputerów kwantowych i finansów dnia codziennego jest kryptografia.
Szyfrowanie z kluczem publicznym, jak RSA czy kryptografia na krzywych eliptycznych (ECC), opiera się na zadaniach matematycznych trudnych dla klasycznych komputerów, a łatwych dla wystarczająco dużego komputera kwantowego – dzięki algorytmowi Shora.
To zagrożenie ma nazwę, która powinna zaniepokoić każdego z „długowiecznymi” tajemnicami: „zbierz teraz, odszyfruj później”. Przeciwnik może dziś nagrywać zaszyfrowaną komunikację, by złamać ją w przyszłości, gdy sprzęt dojrzeje.
NIST ogłosił swoją odpowiedź w sierpniu 2024 r. Opublikował trzy standardy kryptografii postkwantowej – ML-KEM, ML-DSA i SLH-DSA – a w marcu 2025 r. wskazał dodatkowo algorytm rezerwowy HQC.
Harmonogram jest jasny. Projekt wytycznych migracyjnych NIST zakłada wygaszanie RSA i ECC do 2030 r. i całkowity zakaz ich użycia od 2035 r.
Krypto znajduje się dokładnie w strefie rażenia, bo blockchainy bazują na tych samych podpisach krzywych eliptycznych.
Ryzyko dla Bitcoina jest realne, choć wielkość zagrożenia budzi spory. Z analiz Deloitte wynika, że ponad 4 mln BTC – ok. 25% całej podaży – leży w podatnych wyjściach pay-to-public-key i w wielokrotnie używanych adresach, gdzie klucz publiczny jest już ujawniony.
Nowsze analizy on-chain mówią o jeszcze większej skali. Zespół Google Quantum AI w swoim raporcie wskazuje na ok. 6,5–6,9 mln BTC, czyli blisko jedną trzecią podaży w obiegu, jeśli zliczyć wszystkie ujawnione i ponownie wykorzystywane klucze – z czego nieco ponad 1,7 mln znajduje się w najwcześniejszych skryptach P2PK.
Obrona jest w toku, ale bardzo nierówna.
- Deweloperzy Bitcoina dyskutują nad BIP-360, czyli kwantoodpornym typem adresu, który wciąż pozostaje tylko projektem, bez terminów aktywacji.
- Fundacja Ethereum (ETH) przedstawiła mapę drogową dla kryptografii postkwantowej, a Vitalik Buterin opisał plan przeniesienia podpisów, kont i dowodów na schematy odporne na komputery kwantowe.
- Solana (SOL) oferuje opcjonalny Winternitz Vault, oparty na hashowych, jednorazowych podpisach, ale domyślne konta nadal korzystają z podatnych krzywych.
Żaden z tych łańcuchów nie jest dziś kwantoodporny na poziomie protokołu. Wszystkie wciąż projektują sobie szalupę ratunkową.
Przeczytaj także: BIP-110 utknął, a Saylor nazywa zmiany reguł atakiem na każdego posiadacza
Gdy Obie Technologie Zaczynają Się Napędzać
Najgroźniejsze scenariusze pojawiają się przy konwergencji – kiedy postęp w jednej dziedzinie przyspiesza drugą.
Craig Gidney z Google przestawił wajchę w maju 2025 r. Oszacował, że RSA-2048 da się rozłożyć na czynniki w mniej niż tydzień, mając do dyspozycji poniżej miliona „szumiących” kubitów – to ok. 20-krotne obniżenie wymagań względem 20 mln kubitów, które on i współautor podawali w 2019 r.
Liczba kubitów potrzebnych do złamania twojego szyfrowania spadła na papierze dwudziestokrotnie w sześć lat.
Do tego nie jest potrzebna działająca maszyna. To postęp algorytmiczny i w korekcji błędów – dokładnie ten obszar, w którym AI coraz lepiej znajduje ulepszenia.
Cięcia Gidneya wynikają ze sprytniejszej arytmetyki i gęstszych układów korekcji błędów, a nie z nowego sprzętu. Jeśli podobną presję optymalizacyjną skierować na kryptanalizę, szacunki zasobów będą się dalej osuwać.
Specjaliści od bezpieczeństwa mówią więc o ruchomym celu, a nie o z góry wyznaczonym dniu zagłady. Rozsądna interpretacja jest taka, że AI po cichu obniża poprzeczkę, którą sprzęt kwantowy musi przeskoczyć.
Dlatego „mamy jeszcze lata” to stwierdzenie o sprzęcie, nie o matematyce.
Przeczytaj także: Wieloryby na Ethereum sprzedają 430 mln dol. w dobę, podaż na giełdach najniżej od dekady
Pieniądze I Spór O Horyzont Czasowy
Inwestorzy doskonale to widzą.
McKinsey podał, że przychody firm zajmujących się komputerami kwantowymi przekroczyły 1 mld dol. w 2025 r., a inwestycje VC w startupy sięgnęły 12,6 mld dol. – 6,3 razy więcej niż rok wcześniej. Do 2035 r. technologia mogłaby wygenerować od 1,3 do 2,7 bln dol. wartości.
Rządy też wydają, choć z różnym poziomem wiary.
- Amerykańska ustawa National Quantum Initiative Act, podpisana w 2018 r., autoryzowała ok. 1,2 mld dol.
- Unijny program Quantum Flagship zadeklarował co najmniej 1 mld euro na dziesięć lat od 2018 r.
- Nakłady Chin szacuje się często na ok. 15 mld dol. – to liczba z raportu McKinsey, ale nieweryfikowalna, kwestionowana i wymagająca dużej ostrożności.
Największe rozbieżności dotyczą horyzontu czasowego.
IBM i Quantinuum celują z osiągnięciem pełnej korekcji błędów w 2029 r. Google komunikuje swój plan w kategoriach „lat, a nie dekad”.
A potem jest Jensen Huang. W styczniu 2025 r. podciął nogi pod wyceny spółek kwantowych, sugerując, że użyteczne maszyny są oddalone o 20 lat, by następnie wycofać się z tej tezy podczas Nvidia Quantum Day w marcu 2025 r., żartując, że zaprosił gości, by wyjaśnili, dlaczego się myli.
Świat bezpieczeństwa operuje prawdopodobieństwami. Global Risk Institute przepytał 26 ekspertów, którzy ocenili, że „kryptograficznie relewantny” komputer kwantowy jest „całkiem możliwy” (28–49% szans) w ciągu 10 lat i „prawdopodobny” (51–70% szans) w horyzoncie 15 lat – najwyższe odczyty w historii tego raportu.
Sceptycy, tacy jak Das Sarma, wciąż uważają, że praktyczne, w pełni skorygowane maszyny są dalej, niż sugerują oficjalne roadmappy.
Oba stwierdzenia mogą być prawdziwe. Zagrożenie może być oddalone o dekadę i jednocześnie wymagać działania już dziś – bo migracja zajmuje lata, a zebrane dane nie mają daty ważności.
Przeczytaj także: Trzech członków Fedu głosuje przeciw, eksperci mówią o najgorszym układzie dla krypto
Trzeźwy Obraz
Po odcięciu marketingowego szumu kontury są dość wyraźne.
AI jest dziś dojrzalszą technologią i już teraz poprawia komputery kwantowe – poprzez lepsze dekodowanie, kalibrację i sterowanie. Z kolei wkład kwantów w AI jest węższy: realny w chemii i symulacjach, znacznie przeszacowany niemal we wszystkich innych obszarach.
Pilna konwergencja to nie „supermózg”. To powolna erozja szyfrowania, na którym opiera się cały internet, przyspieszana przez coraz sprytniejsze algorytmy.
Nie musisz trafić w dokładny rok. Musisz założyć, że proces migracji powinien już trwać.
Maszyny dopiero powstają – i ich zabezpieczenia również. Rozsądna strategia to śledzić oba wyścigi jednocześnie.
Przeczytaj następnie: Bitcoin broni 64 000 dol. przed decyzją Fedu, co do której nikt nie ma zgody