Quantum e AI nel 2026: la mappa in due direzioni, i risultati e le tre domande da fare
La puntata 30 in forma di guida: le quattro cose che si nascondono dietro "quantum AI", i risultati 2024–26 dell'AI che fa funzionare i qubit (calibrazione, decoder, progettazione) con la loro etichetta — hardware, simulazione, su carta —, lo stato onesto del quantum machine learning, i rivali veri (capitali, energia, attenzione), la strategia di Nvidia e il data center ibrido. Ogni numero con la sua fonte e la sua data.
"Quantum e AI: alleati o rivali?" è la domanda del 2026, e la risposta onesta è "dipende dalla direzione". Nella direzione in cui l'intelligenza artificiale serve a far funzionare i computer quantistici il matrimonio è già celebrato, con risultati pubblicati su Nature e strumenti aperti; nella direzione opposta, il quantum che vorrebbe servire all'AI, la promessa resta una promessa, con un vantaggio dimostrato solo sui dati quantistici. Questo approfondimento mette in fila i fatti con la loro etichetta e consegna tre domande da fare a chiunque usi l'espressione "quantum AI". Regola: nessun giudizio sui titoli, nessuna previsione nostra.
La mappa: quattro cose diverse sotto lo stesso nome
"Quantum AI" non è una tecnologia sola. La prima direzione è l'AI per il quantum: machine learning applicato alla calibrazione dei qubit, alla decodifica degli errori, alla progettazione di circuiti e chip; nel 2026 è in produzione da Google, Nvidia, IBM, Quantinuum, IQM. La seconda è il quantum per l'AI, il quantum machine learning: circuiti quantistici come componenti di modelli di apprendimento; è ricerca, e il vantaggio è dimostrato solo quando i dati sono quantistici. La terza è il quantum-inspired: metodi matematici importati dalla fisica quantistica, i tensor network, eseguiti su computer classici, come CompactifAI di Multiverse Computing che comprime i grandi modelli linguistici; nessun qubit, e va detto. La quarta è il terreno comune: il data center ibrido, in cui il processore quantistico sta accanto alle GPU come acceleratore specializzato. Due equivoci vanno tolti di mezzo: nessuno, nemmeno chi vende qubit, propone di far girare ChatGPT su un computer quantistico; e le due direzioni non sono allo stesso stadio. Tenerle separate è l'unico modo per leggere gli annunci e capire chi, oggi, ha bisogno di chi.
AI per il quantum: calibrare, correggere, progettare
Calibrare. Un processore quantistico ha migliaia di parametri di controllo che si degradano nel giro di ore. Il 22 luglio 2026 Google ha pubblicato su Nature un sistema di reinforcement learning che riaccorda il chip Willow mentre il calcolo gira, usando gli eventi di rilevamento degli errori come segnale di apprendimento: stabilità del codice moltiplicata per 3,5 sotto una deriva indotta, errore logico ridotto del 20% rispetto alla calibrazione esperta. Il 22 ottobre IQM e Nvidia hanno mostrato la calibrazione automatica di un chip da 20 qubit guidata da agenti che leggono i grafici con i modelli Ising, con un benchmark aperto (QCalEval, 243 grafici). Correggere. Il decoder, il programma che decide quale qubit ha sbagliato, è sempre più spesso una rete neurale: AlphaQubit di DeepMind (Nature, novembre 2024) è più accurato dei metodi tradizionali ma non ancora abbastanza veloce per il tempo reale; i modelli aperti Ising di Nvidia (aprile 2026) decodificano fino a 2,5 volte più in fretta e 3 volte più accurati dello standard open source PyMatching; Quantinuum usa decoder neurali nel suo record del 19 ottobre. Progettare. Il 13 ottobre IBM Research ha fatto riprogettare da una squadra di agenti AI l'implementazione hardware di un decoder per codici qLDPC: latenza stimata divisa per 52 con modelli aperti (26 dollari di inferenza) e per 204 con un modello proprietario (299 dollari); sono stime di sintesi, non un chip, e un'analisi indipendente osserva che il design agentico resta più lento del decoder scritto a mano dagli ingegneri. Il 16 ottobre Anthropic, con Harvard e QuEra (arXiv 2610.22367), ha messo Claude in un ciclo con un valutatore automatico a progettare circuiti quantistici: su otto primitive note ha prodotto circuiti con meno qubit e meno porte dei migliori pubblicati, e sull'addizione di punti su curve ellittiche, in 53 ore, un circuito con 17 volte meno porte Toffoli e il 12% di qubit in più; risultati su carta, verificati con simulazioni e prove formali, non eseguiti su hardware. La frase di Jensen Huang, lanciando Ising: "l'AI è il sistema operativo delle macchine quantistiche".
Quantum per l'AI: che cosa è stato dimostrato
Dipende dai dati. Quando i dati sono quantistici, il vantaggio è dimostrato: nel 2022, su Science, Hsin-Yuan Huang, John Preskill, Jarrod McClean e il gruppo di Google hanno mostrato che una macchina quantistica impara da esperimenti quantistici con un numero di campioni esponenzialmente più piccolo, con conferma su 40 qubit superconduttivi; nel settembre 2025 un esperimento fotonico ha appreso un processo a 100 modi con circa 11,8 ordini di grandezza in meno di campioni. Quando i dati sono classici, nessun vantaggio è stato accettato dalla comunità. Il risultato più citato è quello di HSBC e IBM (settembre 2025): un miglioramento relativo fino al 34% nel prevedere il fill rate delle richieste di prezzo sui bond con feature generate su un processore Heron; l'effetto compare solo con il rumore dell'hardware e sparisce in simulazione senza rumore, HSBC stessa lo definisce "empirico" e Scott Aaronson lo ha chiamato "qombie". In uno studio su cinque dataset standard (Scientific Reports, dicembre 2025) il modello che vince più spesso è la regressione logistica. Tre ostacoli strutturali spiegano perché: caricare un dataset classico nei qubit costa spesso quanto il calcolo; il barren plateau appiattisce il segnale di apprendimento al crescere dei qubit; la dequantizzazione, inaugurata da Ewin Tang nel 2018, mostra che molti algoritmi quantistici si possono riprodurre in classico. Le strade nuove del 2026 vanno seguite con l'etichetta giusta: Caltech, Google e Preskill (arXiv 2604.07639, aprile) propongono un vantaggio di memoria, non di velocità — meno di 60 qubit logici per flussi di dati che al classico costerebbero da 10.000 a un milione di volte più memoria — in simulazioni; Quantinuum, Nvidia e una grande farmaceutica (luglio) hanno fatto generare a un modello linguistico i circuiti per una molecola eseguiti su Helios, scrivendo loro stessi "nessun vantaggio commerciale immediato"; D-Wave e Shionogi (Scientific Reports, luglio) hanno usato l'annealer dentro un modello generativo di molecole con il 67% di candidati "drug-like" contro il 43% del miglior classico, un caso revisionato da replicare. E il quantum-inspired di Multiverse Computing, che comprime i LLM fino al 95% con i tensor network e a luglio ha raccolto 570 milioni di dollari a 1,7 miliardi di valutazione, ricorda che il quantum che aiuta l'AI oggi è quello senza qubit.
I rivali veri: capitali, energia, attenzione
Quantum e AI non competono per gli stessi problemi, ma per lo stesso euro, la stessa corrente e la stessa attenzione. I capitali: nel 2026 Amazon, Microsoft, Alphabet e Meta spendono in infrastruttura AI circa 725 miliardi di dollari secondo le stime di consenso (fra 700 e 745 a seconda del trattamento contabile), contro i circa 410 del 2025; tutto il settore quantum nel 2025 ha incassato 1,9 miliardi (QED-C) e ha ricevuto 12,7 miliardi di nuovi impegni pubblici. Nvidia da sola ha fatturato 193,7 miliardi nei data center nell'esercizio chiuso a gennaio 2026: cento volte il quantum. Non è un problema per chi fa quantum, che oggi si finanzia con lo Stato, ma spiega perché ogni azienda quantum si racconta "per l'AI". L'energia: secondo l'Agenzia internazionale dell'energia i data center hanno consumato 485 terawattora nel 2025 (+17%, e +50% quelli dedicati all'AI), più di una volta e mezzo il consumo elettrico italiano, e arriveranno a circa 950 nel 2030. Un computer quantistico assorbe 20–30 chilowatt, un supercomputer exascale circa 20 megawatt: da qui lo slogan "il quantum è verde", vero per la macchina e non dimostrato per il lavoro svolto, perché oggi la macchina fa poco; l'unico conto trovato, un preprint di IonQ del maggio 2026, stima il pareggio energetico intorno ai 34 qubit per un fine-tuning ibrido, ed è di parte e non revisionato. L'attenzione: il 7 gennaio 2025 Jensen Huang disse che per computer quantistici "molto utili" quindici anni erano presto e trenta tardi; il giorno dopo Rigetti, IonQ e D-Wave persero fra il 30 e il 40%; l'11 giugno 2025 lo stesso Huang parlò di "punto di svolta". Il prezzo delle azioni quantum lo muove chi fa l'AI. Nessuna indicazione di investimento.
Nvidia: il ponte, non i qubit
Nvidia non costruisce qubit e non ha annunciato di volerlo fare; in diciotto mesi ha però deciso dove si gioca la partita. Marzo 2025: un "Quantum Day" al GTC e l'annuncio di un centro di ricerca a Boston con Harvard, MIT, Quantinuum, QuEra e Quantum Machines. Nel 2025 il suo fondo NVentures partecipa ai round di QuEra, Quantinuum e PsiQuantum (quote non pubbliche). Il 28 ottobre 2025 presenta NVQLink, un'architettura aperta per collegare GPU e processori quantistici con latenza bassissima, con 17 costruttori di QPU, 5 di sistemi di controllo e 9 laboratori nazionali americani; a novembre più di dodici centri di supercalcolo la adottano, fra cui Jülich e il CINECA di Bologna. A marzo 2026 arriva cudaq-realtime e Quantinuum decodifica gli errori in tempo reale via NVQLink; il 14 aprile i modelli aperti Ising per calibrazione e decoding. Il 19 ottobre 2026, due giorni prima del GTC di Berlino, Nvidia e il Jülich Supercomputing Centre simulano su JUPITER, il primo supercomputer exascale europeo, un processore fault-tolerant da 104 qubit con rumore realistico, usando 8.192 GPU GH200 e la tecnica della magic state cultivation, la stessa che Google aveva eseguito su hardware quattro giorni prima; il record precedente era di 50 qubit senza rumore. Il 21 e 22 ottobre Ising entra nel Parallel Computing Service di AWS, in SEEQC con NVQLink e in IQM. La simulazione classica su GPU è insieme il rivale più serio di un computer quantistico — finché la GPU riesce a simulare la macchina, la macchina non serve — e il suo alleato, perché serve a progettarla prima di costruirla e la stessa GPU poi le corregge gli errori. Chi possiede il ponte decide dove passa il traffico, come è già successo con CUDA per l'AI.
Il data center ibrido: dove nasce il quantum del 2026
La novità del 2026 è architetturale: il computer quantistico non nasce più fuori, in un laboratorio, ma dentro la sala delle GPU. Il 22 ottobre Oracle e Quantinuum hanno aperto il programma beta OCI Quantum AI Compute: accesso dal cloud Oracle a Helios, il processore da 98 qubit, accanto alle GPU, per workload ibridi in chimica, materiali, energia, finanza e ottimizzazione; Helios sarà installata in un data center AI di Oracle negli Stati Uniti, con data non ancora comunicata, e la partnership è stata presentata a Oracle AI World (Las Vegas, 25–28 ottobre). AWS integra i modelli Ising nel suo servizio di calcolo parallelo. Jülich e il CINECA collegano i processori quantistici ai supercomputer: a Bologna, accanto a Leonardo, ci sono già la macchina di Pasqal da 140 qubit e quella di IQM. Il modello di business che ne deriva è chiaro: il quantum si venderà come un acceleratore dentro l'infrastruttura AI, come oggi la GPU è un acceleratore dentro il server, e i pure-play quantum devono scegliere con quale piattaforma AI allearsi (Quantinuum con Nvidia e Oracle, IonQ con Nvidia e AWS). Per Google, Microsoft, Amazon e IBM, che fanno sia AI sia qubit, la domanda "alleati o rivali" non esiste: il quantum è una voce dentro la strategia AI.
Le red flag e le tre domande
Quattro cose ingannano quando si parla di quantum e AI. "Quantum AI" senza qubit: il quantum-inspired è calcolo classico, legittimo e spesso ottimo, ma va dichiarato. Un vantaggio che compare solo con il rumore dell'hardware e sparisce in simulazione, come nel caso HSBC/IBM. "Progettato dall'AI" non vuol dire "eseguito": i circuiti di Claude sono verificati su carta, il decoder di IBM è una stima di sintesi. "Simulato" non vuol dire "costruito": i 104 qubit di JUPITER sono una simulazione su GPU. Tre domande bastano per leggere qualunque annuncio: i dati sono quantistici o classici? è hardware, simulazione o carta? il vantaggio sparisce se si toglie il rumore? Le prossime date: Oracle AI World (25–28 ottobre), la trimestrale IonQ (5 novembre), SC26 a Chicago (15–20 novembre), il Quantum Act europeo atteso a novembre (data non ufficiale), l'Osservatorio Quantum del Politecnico di Milano (25 novembre), Q2B (8–10 dicembre).
