Negli ultimi anni due tecnologie emergenti hanno catturato l’attenzione globale: i computer quantistici e i modelli di intelligenza artificiale generativa. I computer quantistici promettono di rivoluzionare il calcolo sfruttando fenomeni quantistici come la sovrapposizione e l’entanglement, che permettono ai loro qubit di esplorare uno spazio computazionale immensamente più ampio rispetto ai bit tradizionali. Parallelamente, l’AI generativa – resa celebre da applicazioni come ChatGPT – ha dimostrato la capacità di creare testi, immagini e altre informazioni sintetiche con un livello di realismo prima impensabile. Viene naturale chiedersi quale convergenza sia possibile tra queste due rivoluzioni tecnologiche. In questo articolo esamineremo come i computer quantistici e l’AI generativa potrebbero integrarsi, quali progetti attuali stanno già esplorando questa intersezione, e quali scenari futuri si profilano all’orizzonte grazie a tale sinergia.
Come si può integrare il quantum con l’AI generativa?
L’idea di combinare computer quantistici e modelli generativi nasce dalla constatazione che ognuno può potenziare l’altro in modi unici. Concettualmente, un computer quantistico è in grado di eseguire calcoli su molte possibilità contemporaneamente. Un singolo qubit può infatti rappresentare sia 0 che 1 simultaneamente (sovrapposizione), e più qubit possono essere correlati tra loro (entanglement) per rappresentare strutture di dati estremamente complesse. Questo significa che un sistema quantistico potrebbe, in linea di principio, generare o manipolare distribuzioni di probabilità ad alta dimensionalità molto più ricche di quelle ottenibili con i computer classici. Nel contesto di un modello generativo, ciò equivarrebbe ad esplorare con più efficacia lo spazio delle soluzioni possibili – ad esempio generando dati sintetici più variegati e realistici per l’addestramento di AI. Non a caso, alcuni esperti sostengono che la generazione di dati sintetici sarà uno dei primi campi in cui i quantistici faranno davvero la differenza per l’AI.
Sul piano pratico, l’integrazione oggi avviene soprattutto tramite approcci ibridi. Poiché gli attuali computer quantistici hanno ancora capacità limitate (sebbene i più recenti abbiano superato i 1000 qubit), la strategia è usare il meglio di entrambi i mondi: far svolgere a un circuito quantistico quei sotto-compiti in cui eccelle, integrandolo poi in un modello AI classico. Un esempio è la cosiddetta Quantum Generative Adversarial Network (qGAN), versione quantistica delle reti generative avversarie: in una qGAN, un circuito quantistico parametrizzato funge da generatore di esempi, mentre una rete neurale classica svolge il ruolo di discriminatore che valuta gli esempi stessi. Addestrando iterativamente questo sistema, il generatore quantistico impara la distribuzione probabilistica dei dati di training e la “carica” in uno stato quantistico. In termini semplici, il computer quantistico impara a produrre dati simili a quelli reali. Architetture ibride di questo tipo stanno già venendo sperimentate grazie a librerie come TensorFlow Quantum di Google o Qiskit Machine Learning di IBM, che consentono di costruire modelli misti quantistici-classici in modo relativamente intuitivo. In prospettiva, man mano che l’hardware quantistico diventerà più potente, potremo affidare porzioni sempre maggiori del lavoro computazionale dei modelli generativi a componenti quantistici, ottenendo potenzialmente una velocità e una capacità di modellazione ben superiori a quelle odierne.
Progetti attuali e collaborazioni in corso
L’idea di fondere quantum computing e AI generativa non è solo teorica: numerosi progetti industriali e accademici stanno già esplorando questa frontiera. Un ambito particolarmente vivace è quello della generazione di dati sintetici per addestrare modelli di AI. Ad esempio, la società Quantinuum (nata da una costola di Honeywell) ha annunciato un sistema quantistico in grado di produrre dati per il training di AI tramite un suo Generative Quantum AI framework, sfruttando il proprio processore H2. L’idea è combinare dati reali, dati sintetici prodotti da algoritmi classici e dati sintetici generati da quantistici per superare i limiti dei dataset attuali – una strategia confermata anche da esperti come il Dr. Graham Enos di Strangeworks, secondo cui “il futuro dell’addestramento delle AI generative consisterà nel combinare dati del mondo reale con dati sintetici sia classici sia quantistici”. In ambito difesa, la startup quantistica Rigetti ha mostrato che un suo modello quantistico (quantum neural network) poteva colmare lacune in dati radar meteorologici generando misurazioni simulate, il tutto con accuratezza pari a un modello classico di riferimento. Questi risultati, seppur iniziali, suggeriscono che i quantistici possono già oggi contribuire a migliorare la varietà e qualità dei dati per l’AI.
Anche il settore farmaceutico è in fermento su questo fronte. Nel 2023 IBM ha avviato una collaborazione con la biotech Moderna per applicare sia computer quantistici sia modelli di AI generativa alla ricerca sui vaccini e farmaci mRNA. Da un lato, i ricercatori di Moderna sfrutteranno algoritmi quantistici per simulare molecole complesse (un compito in cui i quantistici potrebbero eccellere, data la natura quantistica delle molecole stesse). Dall’altro, utilizzeranno modelli generativi avanzati – come l’AI MoLFormer di IBM – per progettare nuove strutture molecolari, ad esempio ottimizzando i lipidi che veicolano l’mRNA nei vaccini. “Vogliamo essere pronti per l’era del quantum e sfruttare l’AI generativa per capire meglio come si comportano le molecole e magari crearne di completamente nuove,” ha dichiarato il direttore di IBM Research Darío Gil, sottolineando il potenziale rivoluzionario di questa doppia strategia. Anche altre grandi aziende farmaceutiche (come Roche o Boehringer Ingelheim) si sono mosse stringendo accordi con i principali attori del quantum computing, a conferma che la convergenza tra AI e quantum è vista come una chiave per le prossime scoperte.
Sul versante delle startup tech, è emblematico l’accordo strategico tra Zapata AI (società specializzata in algoritmi quantistici e generativi) e il produttore di computer quantistici IonQ. Le due aziende stanno lavorando insieme per far girare algoritmi generativi su hardware quantistico e misurarne le prestazioni rispetto alle controparti classiche. “Ci aspettiamo che proprio il quantum generative modeling sia il primo ambito dove emergerà un vantaggio quantistico concreto per problemi industriali – dalla scoperta di farmaci all’ottimizzazione, dall’elaborazione del linguaggio alla predictive analytics,” afferma Yudong Cao, cofondatore di Zapata. Questa fiducia non è infondata: nel 2024, un team composto da scienziati di Zapata, Insilico Medicine e istituzioni accademiche ha dimostrato il primo caso di un modello generativo eseguito su computer quantistico capace di superare i migliori modelli classici nella generazione di candidati farmaci anticancro. In quello studio, un circuito quantistico IBM a 16 qubit è stato impiegato per generare milioni di possibili molecole antitumorali, in parallelo a modelli generativi classici; dopo filtraggio e test in laboratorio, le molecole proposte dal modello quantistico sono risultate inedite e con capacità di legame al bersaglio migliori rispetto a quelle generate dai modelli convenzionali. È una pietra miliare che suggerisce come approcci ibridi quantistici-classici possano già ora produrre risultati qualitativamente diversi – e talvolta superiori – in domini complessi come la progettazione di farmaci.
Non mancano inoltre esempi di collaborazioni interdisciplinari spinte dai colossi dell’informatica. NVIDIA, leader delle GPU per l’AI, ha recentemente annunciato progetti con università e aziende quantistiche per combinare supercalcolo classico e quantistico. In una dimostrazione presentata nel 2024, NVIDIA ha collegato due computer quantistici fotonici con i suoi supercomputer GPU, creando una piattaforma ibrida multi-QPU/multi-GPU capace di eseguire algoritmi AI avanzati. In questo contesto, i ricercatori hanno sviluppato un algoritmo (RS-GPT) che utilizza un modello Transformer generativo per ottimizzare la progettazione di circuiti quantistici fotonici – un esempio di AI generativa usata per migliorare l’hardware quantistico stesso. Non solo: lo stesso team ha implementato un workflow ibrido quantum-classical GAN (rete generativa avversaria) per il riconoscimento di volti umani, e una rete neurale quantistica per classificare immagini biologiche, dimostrando così sul campo come i quantum computer possano partecipare attivamente a compiti di visione artificiale e pattern recognition insieme ai sistemi classici. Queste collaborazioni indicano che l’ecosistema sta maturando: non si tratta più di singoli esperimenti isolati, ma di sforzi congiunti fra industrie dell’AI e del quantum (coinvolgendo centri di supercalcolo, aziende pharma, università e startup) per esplorare le applicazioni reali della convergenza quantistica-AI.
Ipotesi e scenari futuri
Guardando al futuro, quali nuove capacità potrebbero emergere dall’unione tra computer quantistici e AI generativa? Un primo scenario è l’ottenimento di un vero vantaggio quantistico in compiti di intelligenza artificiale. Ciò significa risolvere problemi di AI – che richiedono creatività, apprendimento o generazione di dati – a una velocità o con una qualità irraggiungibili per i soli computer classici. I risultati preliminari di cui abbiamo discusso (come il design di farmaci quantistici o i dati sintetici generati via QNN) lasciano intendere che questo traguardo è alla portata in determinati domini ristretti. Con il progredire dell’hardware (si prevedono quantum computer con migliaia o milioni di qubit in futuro) e con l’affinarsi degli algoritmi ibridi, potremmo assistere alla nascita di modelli generativi “nativamente quantistici” capaci di elaborare informazioni con una complessità ben maggiore. Immaginiamo modelli in grado di simulare accuratamente fenomeni molecolari o fisici complessi, generare nuove strutture chimiche o materiali avanzati, oppure analizzare enormi quantità di dati eterogenei per fornire soluzioni creative a problemi di design industriale. Ad esempio, già oggi si sperimenta l’idea di quantum transformers – versioni quantistiche delle reti Transformer alla base di GPT – per generare molecole con proprietà specifiche, integrando l’attenzione neurale con circuiti quantistici per cogliere interazioni chimiche molto complesse. Nel lungo termine, tali modelli quantistici potrebbero diventare strumenti indispensabili per la scoperta di farmaci personalizzati, nuove terapie o materiali innovativi, con un impatto trasformativo su industrie come la sanità, la farmaceutica, l’energia e oltre.
Un altro scenario intrigante riguarda l’uso dell’AI generativa per potenziare gli stessi computer quantistici. Questa convergenza funziona infatti in due direzioni. Da una parte il quantum potrà accelerare l’AI, dall’altra l’AI (anche generativa) potrà aiutare il quantum. Modelli generativi avanzati potrebbero, ad esempio, progettare algoritmi quantistici ottimizzati o scoprire nuove configurazioni di qubit per migliorare l’hardware. Come visto nell’esempio di NVIDIA, l’AI può suggerire come costruire chip quantistici migliori ottimizzando parametri e layout tramite tecniche generative. Allo stesso modo, reti neurali di tipo Transformer sono state impiegate per ideare codici di correzione degli errori quantistici più efficienti, essenziali per far funzionare macchine quantistiche su larga scala. È plausibile che in futuro avremo “copiloti” di intelligenza artificiale specializzati nel campo quantistico, in grado di proporre nuove architetture di qubit, schemi di calibrazione o protocolli di comunicazione quantistica, accelerando così l’evoluzione dei computer quantistici stessi.
Infine, la convergenza tra queste tecnologie potrebbe generare trasformazioni di vasta portata. Alcuni esperti ritengono che si aprirà un’era in cui l’AI – potenziata dal calcolo quantistico – diventerà uno strumento ancora più pervasivo e potente, capace di affrontare problemi oggi fuori portata. Pensiamo a sistemi di intelligenza artificiale scientifica che esplorano lo spazio delle teorie fisiche o matematiche generando ipotesi e verificandole tramite simulazioni quantistiche ultra-rapide. Oppure assistenti creativi in grado di elaborare progetti ingegneristici o artistici attingendo a una capacità di calcolo praticamente illimitata. Già entro questo decennio, ci si aspetta che i dati sintetici quantistici affianchino (e secondo alcuni superino) quelli classici nell’addestramento delle AI. Aziende come Quantinuum prevedono che i loro nuovi sistemi quantistici (come la piattaforma Helios) consentiranno all’AI di essere usata “in modi finora impensabili, liberando un potenziale trasformativo in molti settori”. In altre parole, la sinergia tra computer quantistici e AI generativa potrebbe catalizzare una nuova ondata di innovazione trasversale: dalla risoluzione di sfide globali (clima, energia, salute) fino a applicazioni quotidiane più efficienti e personalizzate.
Conclusione
La convergenza tra computing quantistico e modelli di intelligenza artificiale generativa è una delle frontiere più affascinanti e promettenti della tecnologia contemporanea. Pur essendo ancora agli albori, questa integrazione sta rapidamente passando dalla teoria alla pratica, grazie a una serie di esperimenti pionieristici e collaborazioni tra industria e ricerca. Abbiamo visto come, concettualmente, i computer quantistici offrano un nuovo tipo di “materia prima computazionale” che ben si sposa con le esigenze dei modelli generativi avanzati. Allo stesso tempo, l’AI generativa fornisce strumenti per sfruttare al meglio la potenza quantistica, chiudendo un circolo virtuoso. I progetti in corso – dalla generazione di dati sintetici alla scoperta di farmaci, dai dimostratori ibridi nei supercomputer ai framework software dedicati – suggeriscono che i primi frutti di questa unione stanno già emergendo. Certamente rimangono molte sfide: l’hardware quantistico deve maturare ulteriormente, e comprendere appieno quando e perché un algoritmo quantistico supera uno classico non è banale. Tuttavia, gli scenari futuri delineano possibilità entusiasmanti: nuove capacità di calcolo e di apprendimento automatico che potrebbero trasformare radicalmente il modo in cui risolviamo problemi complessi. In un certo senso, l’integrazione di computer quantistici e AI generativa è l’incontro di due strade che già individualmente stanno cambiando il mondo. La loro convergenza, se realizzata appieno, potrebbe condurci verso traguardi oggi appena intuibili, inaugurando una nuova era di scoperte scientifiche e innovazioni tecnologiche.
