Qubit logici e AI: il 2026 non è ancora la svolta
Nonostante i recenti annunci di IBM sui qubit logici, l’addestramento di modelli AI su hardware quantistico rimane impraticabile a causa di un tasso di scarto del 99,94% dovuto alla post-selezione e all’insormontabile collo di bottiglia del caricamento dei dati classici.
La corsa all’oro dell’intelligenza artificiale cerca costantemente nuovi paradigmi computazionali per superare i limiti del silicio tradizionale. Il calcolo quantistico viene spesso dipinto come l’alleato definitivo, pronto a sbloccare potenze di calcolo inimmaginabili per i modelli generativi. Tuttavia, analizzando i dati reali emersi nel 2026, la convergenza tra queste due tecnologie si scontra con barriere fisiche ed economiche invalicabili nel breve termine.
La trappola della post-selezione e il collasso del campionamento
I comunicati stampa dei grandi vendor celebrano ogni minimo progresso nell’hardware quantistico come un passo decisivo. La realtà ingegneristica, tuttavia, viaggia su un binario differente. Il problema cardine dell’attuale generazione di macchine risiede nella gestione degli errori, un ostacolo che rende l’addestramento dei modelli di Machine Learning un miraggio.
Oggi, per ottenere calcoli puliti, i ricercatori si affidano alla tecnica della post-selection. In parole semplici: si eseguono i calcoli e si scartano tutti i risultati che mostrano anomalie o rumore di fondo. Questo metodo presenta un conto salatissimo. Il tasso di scarto delle computazioni non perfette raggiunge il 99,94% [1]. Significa che quasi la totalità del lavoro computazionale svolto dalla macchina viene cestinata all’istante perché corrotta dal rumore ambientale.
Questo immenso spreco di calcolo si traduce in un rallentamento drastico delle operazioni. La velocità di campionamento effettivo subisce una riduzione di ben 860 volte [1]. Qualsiasi velleità di addestrare una rete neurale si scontra con questo muro di inefficienza. Simon Martiel e Ali Javadi-Abhari di IBM Research hanno affrontato chiaramente il problema: è impossibile scalare indefinitamente la sola rilevazione degli errori senza un sistema di correzione attivo e integrato [8]. Continuare a filtrare i dati ex-post, sperando che basti ad aumentare la potenza di calcolo, è una strategia fallimentare sul piano ingegneristico.
Il collo di bottiglia del caricamento dei dati classici
Anche ipotizzando un processore quantistico perfettamente stabile, sorge un secondo limite strutturale, spesso ignorato dal marketing dei vendor: la preparazione dello stato quantistico (state preparation).
I dati che utilizziamo ogni giorno per addestrare i modelli di intelligenza artificiale sono dati classici, espressi in bit (0 e 1). Per essere elaborati da un computer quantistico, questi enormi database devono essere convertiti e caricati in stati quantistici (qubit). Questo processo di traduzione richiede un tempo immenso, che finisce per consumare interamente qualsiasi vantaggio teorico di velocità di calcolo ottenuto successivamente [7]. Più il database classico è grande, più il caricamento diventa lento e inefficiente.
A questo limite tecnico si aggiunge una barriera economica insostenibile per la maggior parte delle aziende. L’accesso all’hardware avanzato tramite la piattaforma IBM Quantum Platform costa cifre proibitive, a partire da $96 USD al minuto [5]. Fate un rapido calcolo: tenere connesso un sistema per giorni, o anche solo per poche ore, per caricare dati e tentare un addestramento con i tassi di errore attuali significa bruciare budget enormi senza alcuna garanzia di risultato. Per le aziende italiane che cercano efficienza pratica, l’equazione economica semplicemente non sta in piedi.
La risposta dei supercomputer classici
Mentre la tecnologia quantistica cerca di risolvere i suoi problemi strutturali, l’hardware tradizionale non rimane a guardare. La simulazione classica degli algoritmi quantistici ha raggiunto livelli di efficienza straordinari, dimostrando che il silicio ha ancora molto da dire.
Un supercomputer classico ottimizzato, equipaggiato con sole 256 GPU NVIDIA H100, è riuscito a riprodurre gli stessi identici risultati quantistici in appena 37,3 minuti [3]. Questo risultato mette profondamente in prospettiva i proclami trionfalistici sui 70 qubit logici di IBM [2].
Se un’infrastruttura classica standard, facilmente accessibile sul mercato, può replicare ed eguagliare le prestazioni dei chip quantistici più avanzati in poco più di mezz’ora, il presunto vantaggio computazionale svanisce. Per i professionisti e i CTO, investire oggi in soluzioni quantistiche per compiti di calcolo reali non ha alcun senso logico o finanziario.
I falsi qubit logici e i benchmark sintetici
Per comprendere appieno lo stato dell’arte, è necessario guardare oltre le definizioni commerciali dei vendor. I tanto sbandierati 70 qubit logici annunciati nell’agosto 2026 non sono veri qubit tolleranti ai guasti (Fault-Tolerant Quantum Computing – FTQC) [9]. Si tratta invece di qubit monitorati da codici spaziotemporali, sistemi che restano soggetti a un rapido deprezzamento della coerenza quantistica [9]. Non siamo ancora davanti a macchine stabili in grado di eseguire calcoli complessi a lungo termine.
Anche i test utilizzati per dimostrare la superiorità quantistica sono specchietti per le allodole. Il benchmark denominato doped Clifford sampling, risolto in 15 minuti dall’hardware quantistico, è un calcolo puramente sintetico [9]. È un problema matematico astratto, progettato ad hoc per sfruttare le caratteristiche fisiche della macchina, ma privo di qualsiasi utilità pratica per l’addestramento di reti neurali o per applicazioni aziendali reali [9]. Celebrare questo risultato come un passo avanti per l’AI industriale è scorretto e fuorviante.
In sintesi
L’AI quantistica rimane confinata nei laboratori di ricerca per il prossimo futuro. Gli sviluppatori e i CTO devono continuare a puntare sull’ottimizzazione degli algoritmi classici e sull’efficienza dell’hardware tradizionale, poiché la vera svolta quantistica non avverrà nel 2026. L’hardware classico su silicio garantisce oggi prestazioni superiori, costi prevedibili e una stabilità che i qubit logici non possono ancora offrire.
