Non basta dire «più veloce»
La tentazione, parlando di AI e quantum, è immaginare immediatamente un’intelligenza artificiale enormemente più veloce che pensa contemporaneamente a miliardi di alternative. È un’immagine potente e, proprio per questo, rischia di portarci fuori strada. I computer classici moderni sono già massicciamente paralleli; le GPU che permettono di addestrare i grandi modelli linguistici eseguono enormi quantità di operazioni simultanee. Il vantaggio quantistico, quando esiste, non consiste semplicemente nell’aggiungere altro parallelismo dello stesso genere. Deriva dalla possibilità di progettare algoritmi che sfruttino sovrapposizione, entanglement e interferenza per ricavare determinate informazioni con una struttura computazionale diversa da quella classica.
Dove comincia l’ipotesi
Non sappiamo ancora quanto questo potrà trasformare l’intelligenza artificiale. È importante dirlo con chiarezza perché proprio qui comincia la parte ipotetica del nostro percorso. La citata review di Nature Communications dedicata all’AI per il quantum esclude deliberatamente dalla propria analisi la direzione opposta, il cosiddetto quantum for AI, definendola una prospettiva di più lungo periodo e maggiormente speculativa. Possiamo immaginare applicazioni, esistono ricerche sul quantum machine learning e sono stati dimostrati vantaggi in problemi specifici, ma da questo non segue che un grande modello linguistico trasferito su hardware quantistico diventerebbe automaticamente migliaia di volte più intelligente.
Una macchina ibrida
Lo scenario più plausibile, almeno osservando l’architettura verso cui si orienta oggi l’industria, è ibrido. IBM ha pubblicato una reference architecture per il quantum-centric supercomputing nella quale QPU, GPU e CPU lavorano come componenti differenti di uno stesso ambiente computazionale. La roadmap dell’azienda prevede inoltre l’introduzione progressiva di workflow quantistico-classici più automatizzati e, in prospettiva, strumenti agentici capaci di aiutare a mappare i problemi verso i workflow quantistici appropriati. Sono obiettivi dichiarati da un’azienda e non risultati garantiti; proprio per questo vanno letti come indicazione della direzione progettuale, non come descrizione del futuro già deciso.
L’AI come orchestratore
Possiamo allora immaginare un sistema nel quale l’AI riceve un problema, ne analizza la struttura e sceglie gli strumenti più adatti. Alcune parti vengono elaborate da CPU, altre da GPU, altre ancora, quando esiste un vantaggio dimostrabile, vengono trasformate in un problema destinato alla QPU. L’AI raccoglie il risultato, lo confronta con altri dati, modifica l’ipotesi iniziale e decide quale esperimento computazionale eseguire successivamente. Il salto importante non sarebbe quindi «un’AI che pensa in modo quantistico», qualunque cosa questa espressione significhi, ma un’AI capace di utilizzare il calcolo quantistico come una nuova facoltà all’interno di una più ampia architettura di ricerca.
La doppia opacità
È qui che il nostro labirinto cambia forma e si raddoppia, mostrandoci una fondamentale “doppia opacità”. Se l’intelligenza artificiale classica basata su deep learning è già in parte una scatola nera — un sistema di cui comprendiamo le regole di partenza ma non riusciamo a decifrare l’esatta evoluzione dei pesi e parametri della rete —, la sua convergenza con il calcolo quantistico rischia di infilare una scatola nera dentro un’altra. L’uomo si troverebbe a osservare un’euristica imperscrutabile (l’AI) che interroga ed elabora dati dentro uno spazio matematico (la QPU) che non corrisponde alle nostre categorie intuitive macroscopiche. L’uomo non chiede più alla macchina soltanto di trovare una strada. Le affida progressivamente anche la scelta di quale rappresentazione del labirinto utilizzare, quale motore di calcolo interrogare, quali percorsi scartare e quale domanda porre dopo aver ottenuto il primo risultato, senza poter visualizzare né l’occhio che guarda, né la stanza in cui si muove.
Fonti e riferimenti
Artificial intelligence for quantum computing, Nature Communications. Perché è qui: oltre a descrivere l’AI applicata al quantum, distingue esplicitamente questa direzione dal più speculativo quantum for AI, che in questo movimento segna il confine fra ciò che sappiamo e ciò che stiamo ipotizzando.
IBM Research, Unveiling the first reference architecture for quantum-centric supercomputing. Perché è qui: descrive un’architettura nella quale QPU, CPU e GPU vengono integrate nello stesso ambiente di calcolo ibrido.
IBM Technology Atlas, Quantum Roadmap 2026 e Quantum Roadmap 2028. Perché sono qui: la roadmap indica l’avvio dell’automazione guidata dall’AI nei workflow quantum-classical e prospetta strumenti agentici capaci di mappare problemi verso workflow quantistici. Sono obiettivi industriali dichiarati, non risultati già acquisiti.