O Que Acontece Quando IA e Computadores Quânticos Finalmente Coexistirem?

A inteligência artificial está cada vez mais faminta por capacidade de computação, enquanto os computadores quânticos avançam, centímetro por centímetro, rumo a máquinas realmente funcionais.

O que acontece quando esses dois mundos se cruzam é a história que importa — e ela vai da correção de erros até a criptografia que protege o seu Bitcoin (BTC).

Resumo rápido

A IA já está ajudando a construir computadores quânticos melhores — do decodificador de erros AlphaQubit do Google aos links GPU‑qubit da Nvidia — enquanto o retorno da computação quântica para a própria IA ainda é estreito e, em grande parte, não comprovado.

O choque mais agudo no curto prazo é criptográfico: um pesquisador do Google reduziu a estimativa de custo para quebrar RSA‑2048 para menos de um milhão de qubits ruidosos, e o NIST recomenda que todos migrem até 2030.

As projeções de especialistas ainda divergem brutalmente — do alvo da IBM de tolerância a falhas em 2029 ao “20 anos” de Jensen Huang — então desconfie de qualquer data precisa.

O Hardware Finalmente Começou a Se Comportar

Por três décadas, computadores quânticos ficavam piores à medida que cresciam. Mais qubits significavam mais ruído — e mais ruído destruía o cálculo.

O Google relatou a virada de chave na Nature em dezembro de 2024. Seu chip Willow, com 105 qubits, cruzou a linha de “abaixo do limiar”, em que acrescentar qubits passa a reduzir a taxa de erro lógico em vez de aumentá‑la.

Os números foram bem concretos. Elevar a “distância de código” de 3 para 5 e depois para 7 praticamente dividiu a taxa de erro lógico pela metade a cada passo, e a memória com distância 7 chegou a 0,143% de erro por ciclo.

Essa memória também durou mais que o melhor qubit físico isolado do chip, por um fator de 2,4. Engenheiros chamam isso de “além do ponto de equilíbrio” — é o mais perto que o setor chegou de uma “prova irrefutável” em correção de erros.

John Preskill, do Caltech, que cunhou o termo que define esta era, classificou a demonstração de que a correção de erros prolonga o tempo de armazenamento de informação de um qubit como “um marco importante”. Mas alertou que o impacto cotidiano da computação quântica “pode estar a décadas de distância”.

Dez meses depois, o Google apertou ainda mais o passo.

A empresa publicou um segundo artigo na Nature em outubro de 2025 sobre um algoritmo batizado de Quantum Echoes, alegando ter rodado 13.000 vezes mais rápido que o melhor método clássico em um dos supercomputadores mais velozes do mundo.

Mas vale ler as letras miúdas. A própria editoria de notícias da Nature registrou que pesquisadores externos estavam céticos quanto ao alcance real do resultado, e o próprio Google admitiu que uma máquina útil para criptografia ainda exigirá saltos de várias ordens de magnitude em escala.

O valor do experimento é estreito e bem específico: ele mede como sistemas quânticos “embaralham” informação, algo que pode ajudar a desvendar a estrutura de moléculas e ímãs — não a rodar sua planilha de Excel.

Enquanto isso, o resto da indústria corre com cronogramas públicos.

A IBM afirma que entregará o Starling, um computador tolerante a falhas com 200 qubits lógicos executando 100 milhões de portas lógicas, até 2029, após chips intermediários chamados Nighthawk e Loon.
A Quantinuum promete um sistema universal totalmente tolerante a falhas, batizado de Apollo, também até 2029, com a máquina Helios chegando antes e um processador chamado Sol previsto para 2027.
Laboratórios de átomos neutros estão escalando rápido, usando lasers para prender átomos individuais como qubits.

Dois resultados com átomos neutros chamam atenção.

O laboratório de Manuel Endres no Caltech manteve 6.100 qubits de césio em cerca de 12.000 posições de “pinças ópticas”, em artigo publicado na Nature em 24 de setembro de 2025, com tempo de coerência de 13 segundos e precisão de 99,98% no controle de qubits individuais. “É um momento empolgante para a computação quântica com átomos neutros”, disse Endres.

Já uma equipe de Harvard liderada por Mikhail Lukin, em parceria com o MIT e a QuEra, seguiu outro caminho: operou um sistema de 3.000 qubits continuamente por mais de duas horas, ciclando mais de 50 milhões de átomos e recarregando até 300.000 por segundo para repor os que se perdiam.

“Demonstramos operação contínua com um sistema de 3.000 qubits”, afirmou Lukin. “Mas também está claro que essa abordagem funciona para números bem maiores.”

E há o caso de prudência.

A Microsoft anunciou em fevereiro de 2025 o chip Majorana 1, alegando ter criado os primeiros qubits “topológicos”, desenhados para resistir a erros desde a base. Em uma conferência em março, a maior parte dos físicos se mostrou pouco convencida, e o teórico Henry Legg publicou depois uma contestação formal na Nature, argumentando que o teste usado poderia ser enganado por efeitos convencionais.

Sankar Das Sarma, um dos pioneiros da teoria de qubits topológicos, elogiou o avanço da Microsoft em materiais, mas continuou pouco impressionado com a física apresentada.

Esse fosso entre o press release e a prova experimental é, sozinho, a coisa mais útil a ter em mente sobre este setor.

A IA Está Silenciosamente Construindo o Computador Quântico

Aqui está o ponto que a maioria das coberturas ignora: a IA não está esperando a computação quântica “chegar”. Ela já é ferramenta de bancada no laboratório quântico.

O DeepMind do Google desenvolveu um decodificador baseado em redes neurais, o AlphaQubit, descrito na Nature em novembro de 2024. Treinado com dados do processador Sycamore, ele cometeu 6% menos erros que métodos de redes tensoriais e 30% menos que técnicas de “matching” correlacionado.

É na decodificação que a IA mostra serviço. Um chip quântico cospe fluxos de sinais de erro — e algo precisa ler esses padrões e corrigi‑los mais rápido do que novos erros aparecem.

Qubits supercondutores operam em dezenas a centenas de nanossegundos, então o decodificador precisa ser ao mesmo tempo preciso e brutalmente rápido. Perdeu essa janela, os erros se acumulam antes da correção chegar.

A mesma pressão de machine learning aparece em outras camadas da pilha tecnológica.

Redes neurais ajudam a calibrar qubits e ajustar os pulsos de controle que os fazem girar.
Aprendizado por reforço já foi usado para descobrir algoritmos mais rápidos, incluindo o trabalho AlphaTensor do DeepMind sobre multiplicação de matrizes.
Decodificadores baseados em IA vêm reduzindo o número de qubits físicos necessários para proteger um único qubit lógico.

Esse último ponto importa mais do que parece. Cada redução de overhead aproxima uma máquina útil sem exigir a invenção de um novo tipo de qubit.

Essa restrição explica por que os gigantes de hardware estão fundindo chips quânticos com aceleradores clássicos.

A Nvidia apresentou em outubro de 2025 o NVQLink, um interconector aberto que liga processadores quânticos a supercomputadores de GPU, apoiado por 17 fabricantes quânticos e nove laboratórios nacionais dos EUA. A Quantinuum usou a tecnologia para rodar o primeiro decodificador em tempo real escalável para seu chip Helios, atingindo tempo de reação de 67 microssegundos.

O discurso de Jensen Huang é direto: não dá para operar um computador quântico sozinho — você estaciona um supercomputador clássico ao lado dele.

Esse é o contorno do futuro próximo: rigs híbridos em que modelos de IA ajustam, calibram e “cuidam” de qubits frágeis em tempo real.

O Que a Computação Quântica Realmente Faz Pela IA

Agora vire a pergunta: um computador quântico consegue deixar a IA mais inteligente?

A resposta honesta é: bem menos do que o marketing sugere, pelo menos por enquanto.

A grande aposta atendia pelo nome de “machine learning quântico”, com algoritmos que prometiam ganhos exponenciais em tarefas de dados. Então uma adolescente decidiu testar isso a sério.

Em 2018, Ewin Tang mostrou que um computador clássico podia igualar um celebrado algoritmo quântico de recomendação — e, depois, “desquantizou” vários outros. O trabalho dela expôs o quanto esses supostos speedups dependiam de hipóteses pouco realistas sobre como carregar dados, e não do “superpoder” quântico em si.

Dois problemas continuam atormentando o machine learning quântico:

Gargalo de entrada: converter dados clássicos em estados quânticos pode consumir todo o ganho de velocidade antes mesmo de o cálculo começar.
“Planícies estéreis”: à medida que os circuitos crescem, o espaço de treinamento fica praticamente plano; os gradientes somem e o aprendizado trava.

Scott Aaronson, um dos principais teóricos em complexidade quântica, passa anos dizendo o mesmo: leia as notas de rodapé dessas promessas.

E, afinal, para que a computação quântica é genuinamente boa?

Principalmente para simular outros sistemas quânticos. Química, materiais e certos problemas de otimização estão nesse “ponto doce”, porque a própria natureza é quântica — e uma máquina quântica fala esse idioma nativamente.

É um nicho real e valioso. Melhores baterias, catalisadores mais eficientes e novas moléculas para fármacos vivem aí.

Só não é a narrativa de “o quântico vai turbinar o seu chatbot” que vende ação em bolsa. O próprio Preskill define a fase atual como a era NISQ — máquinas ruidosas de escala intermediária, boas para experimentos úteis, mas longe de serem universais.

A Questão Energética Que Ninguém Deveria Superestimar

O apetite energético da IA está virando um problema de infraestrutura.

A IEA projeta que data centers vão consumir cerca de 945 terawatt‑hora em 2030, mais que o dobro dos 415 terawatt‑hora de 2024. Esse número para 2030 se aproxima do consumo elétrico anual de todo o Japão.

A demanda de eletricidade vinda de data centers otimizados para IA, acrescenta a IEA, deve mais que quadruplicar no mesmo período.

Daí nasce uma narrativa tentadora: computadores quânticos usam física exótica, então talvez derrubem a conta de luz.

Cautela aqui.

Máquinas quânticas poderiam, em princípio, resolver problemas específicos de química e de otimização com muito menos operações do que um supercomputador clássico, o que reduz o consumo de energia nesses nichos bem delimitados.

Eles não vão rodar o seu modelo de linguagem, e sistemas quânticos criogênicos têm um custo altíssimo só para se manterem frios. A promessa real é de eficiência pontual em problemas “amigáveis” ao quântico, não um plano de salvação para a conta de luz da IA.

Quem vende o segundo está empurrando ilusão.

Onde Isso Pega No Seu Bolso

O ponto de contato mais concreto entre IA, computação quântica e dinheiro do dia a dia é a criptografia.

Sistemas de chave pública como RSA e a criptografia de curvas elípticas (ECC) se apoiam em problemas matemáticos difíceis para computadores clássicos, mas tratáveis para um computador quântico grande o bastante, graças ao algoritmo de Shor.

A ameaça tem nome — e deveria preocupar qualquer um que dependa de segredos de longo prazo: “colher agora, decifrar depois”. Invasores podem gravar hoje o tráfego criptografado e quebrar tudo quando o hardware estiver pronto.

O NIST fechou sua estratégia em agosto de 2024. O órgão publicou três padrões pós-quânticos — ML-KEM, ML-DSA e SLH-DSA — e, mais tarde, em março de 2025, escolheu o algoritmo HQC como opção de contingência.

O relógio está dado. O guia de transição em consulta pública do NIST marca a desativação gradual de RSA e ECC até 2030 e a proibição total a partir de 2035.

O mercado cripto está bem no raio da explosão, porque blockchains se sustentam justamente em assinaturas de curvas elípticas.

A exposição do Bitcoin é real, ainda que controversa. Um estudo da Deloitte estimou que mais de 4 milhões de BTC — cerca de 25% de todo o Bitcoin — estão em saídas “pay-to-public-key” vulneráveis e em endereços reutilizados nos quais a chave pública já está exposta.

Análises mais recentes apontam números maiores. A equipe de Google Quantum AI, em uma pesquisa, fala em algo entre 6,5 e 6,9 milhões de BTC — perto de um terço da oferta em circulação — somando chaves expostas e reutilizadas, com pouco mais de 1,7 milhão em scripts P2PK dos primeiros anos.

As defesas começaram a se mover, mas de forma desigual.

Desenvolvedores do Bitcoin discutem a BIP-360, um tipo de endereço resistente a quântica que ainda é rascunho, sem data de ativação.
A Fundação do Ethereum (ETH) publicou um roadmap pós-quântico, e Vitalik Buterin detalhou um plano para migrar assinaturas, contas e provas para esquemas seguros contra computadores quânticos.
A Solana (SOL) oferece o Winternitz Vault como opção, uma solução baseada em assinaturas hash one-time, embora as contas padrão continuem apoiadas em curvas vulneráveis.

Nenhuma dessas redes é hoje quântica-resistente no nível de protocolo. Todas ainda estão desenhando o bote salva‑vidas.

Quando As Duas Tecnologias Se Potencializam

Os cenários realmente incômodos vêm da convergência, quando avanços em uma área aceleram a outra.

Craig Gidney, do Google, mudou a conta em maio de 2025. Ele estimou que um RSA-2048 poderia ser fatorado em menos de uma semana com menos de um milhão de qubits ruidosos — algo como uma redução de 20 vezes em relação aos 20 milhões de qubits projetados por ele e um coautor em 2019.

O número de qubits necessários para quebrar a sua criptografia caiu por um fator de vinte em seis anos — no papel.

Nada disso exige que a máquina exista hoje. É avanço de algoritmo e de correção de erros, o tipo de melhoria em que a IA é cada vez melhor em encontrar atalhos.

O corte de Gidney veio de aritmética mais eficiente e arranjos de correção de erros mais compactos, não de hardware novo. Se esse mesmo tipo de pressão de otimização for direcionado à criptoanálise, as estimativas de recursos continuam encolhendo.

Pesquisadores de segurança veem isso como um alvo móvel, não como data fixa para o fim do mundo. A leitura prudente é que a IA segue silenciosamente abaixando a barra que o hardware quântico precisa superar.

É por isso que “ainda temos alguns anos” é uma afirmação sobre o estado das máquinas, não sobre a matemática.

O Dinheiro, E A Divergência

Os investidores já perceberam tudo isso.

A McKinsey reportou que empresas de computação quântica superaram US$ 1 bilhão em receita em 2025, que o investimento em startups chegou a US$ 12,6 bilhões — um salto de 6,3 vezes sobre o ano anterior — e que a tecnologia pode gerar entre US$ 1,3 trilhão e US$ 2,7 trilhões em valor até 2035.

Governos também estão abrindo o bolso, com graus de convicção bem diferentes.

A National Quantum Initiative Act, dos EUA, autorizou cerca de US$ 1,2 bilhão quando foi sancionada em 2018.
O programa Quantum Flagship da UE reservou ao menos 1 bilhão de euros ao longo de dez anos, a partir de 2018.
O investimento da China costuma ser citado em torno de US$ 15 bilhões, um número da McKinsey que é não verificado, contestado e deve ser tratado com boa dose de ceticismo.

É no cronograma que os especialistas batem de frente.

IBM e Quantinuum miram 2029 para alcançar tolerância a falhas. O Google fala em uma trajetória de anos, não de décadas.

E há Jensen Huang. Em janeiro de 2025, ele sacudiu as ações de empresas quânticas ao dizer que máquinas realmente úteis levariam 20 anos, para depois recuar no Quantum Day da Nvidia, em março de 2025, brincando que tinha convidado palestrantes justamente para explicar por que ele estava errado.

O mundo da segurança trabalha com probabilidades. O Global Risk Institute entrevistou 26 especialistas, que classificaram como “bastante possível” — probabilidade entre 28% e 49% — o surgimento de um computador quântico criptograficamente relevante em até dez anos, e como “provável” — de 51% a 70% — em até quinze anos, os patamares mais altos já registrados no relatório.

Céticos como Das Sarma ainda acreditam que máquinas práticas, com correção de erros plena, estão mais distantes do que sugerem os roadmaps comerciais.

As duas coisas podem ser verdade ao mesmo tempo. A ameaça pode estar a uma década de distância e, ainda assim, valer ação imediata — porque a migração leva anos e dados capturados hoje não “expiram”.

O Quadro Realista

Passado o ruído, o contorno fica nítido.

A IA é o lado mais maduro dessa dupla e já está ajudando a melhorar computadores quânticos, otimizando decodificação, calibração e controle. As contribuições da quântica para a IA são mais restritas: relevantes para química e simulação, superestimadas para quase todo o resto.

A convergência realmente urgente não é um “supercérebro”. É a erosão lenta da criptografia que sustenta toda a internet, acelerada por algoritmos que ficam, ano após ano, mais engenhosos.

Você não precisa acertar o ano exato. Precisa partir do pressuposto de que a migração deveria ter começado ontem.

As máquinas ainda estão sendo construídas — e as defesas também. A atitude racional é acompanhar as duas corridas ao mesmo tempo.

Leia a seguir: Bitcoin Defende US$ 64.000 Às Vésperas Da Reunião Do Fed Que Ninguém Consegue Prever