Quantentechnologien und KI: Was heute realistisch ist und was Zukunft bleibt

Die Debatte über Quantencomputing und KI pendelt oft zwischen zwei Extremen: utopischen Ankündigungen einer Revolution und völliger Ablehnung als substanzlosen Hype. Die OECD.ai-Plattform hat eine dreiteili Analyse gestartet, die versucht, einen Mittelweg zu finden – und die erste Episode, von Industrieexperten verfasst, bringt eine nützliche Unterscheidung zwischen dem, was heute funktioniert, und dem, was ein Forschungsziel bleibt.

Die Autoren sind Victor Gaspar, Vertriebsdirektor bei Multiverse Computing – einem spanischen Startup, das auf quanteninspirierte Optimierung spezialisiert ist – und Katsuyuki Hanai von der Toshiba Corporation, wo er die Geschäftseinheit für Quantenkommunikation leitet. Wichtiger Hinweis: Der Text gibt die Ansichten der Autoren als Industriepraktiker wieder, nicht den regulatorischen oder forschungspolitischen Standpunkt der OECD.

Was ist heute bereits realistisch und verfügbar?

Der konkreteste Befund der Analyse betrifft Tensornetzwerke – eine mathematische Technik, die ursprünglich in der Physik von Quantensystemen entwickelt wurde, aber ausschließlich auf klassischer Hardware anwendbar ist. Tensornetzwerke komprimieren die Repräsentation großer Sprachmodelle durch strukturiertes Entfernen redundanter Parameter, das wichtige Datenbeziehungen bewahrt.

Das von den Experten genannte Ergebnis ist bedeutend: Reduktion des Speicher- und Rechenbedarfs um den Faktor 10 bis 100 im Vergleich zu unkomprimierten Modellen, bei moderatem Genauigkeitsverlust, der durch kurzes Fine-Tuning ausgeglichen werden kann. Eine wichtige Unterscheidung: Dies erfordert keine Quantenhardware, keinen Zugang zu Quantencomputern in der Cloud und ist kein theoretisches Konstrukt – nach Aussage der Autoren haben Startups und Technologieanbieter Tensornetzwerktechniken bereits in kommerzielle Produkte integriert.

Quantensensoren sind die zweite Kategorie mit nachgewiesener kurzfristiger Anwendung. Im Gegensatz zu Quantencomputern, die extreme Kühlung und Abschirmung von der Umgebung erfordern, können Quantensensoren unter realen Bedingungen arbeiten und erreichen bereits Messpräzisionen, die für klassische Geräte unerreichbar sind – Messung von Magnetfeldern, Temperatur, chemischer Zusammensetzung oder mechanischen Vibrationen. Anwendungen erstrecken sich von medizinischer Diagnostik bis hin zu präziser Landwirtschaft und Infrastrukturmonitoring.

Wo die Einschätzung kritisch wird

Quantum Machine Learning (QML) – die Anwendung von Quantenalgorithmen für das Training oder die Inferenz von KI-Modellen – bleibt das am meisten gehypte, aber auch problematischste Segment. Gaspar und Hanai identifizieren drei systemische Einschränkungen, die einen Durchbruch verhindern:

Erstens bleibt die Datenübertragung zwischen klassischen und Quantensystemen langsam. Ein Quantenprozessor empfängt Daten nicht wie ein klassischer Chip; jede Dateneingabe erfordert eine Quanten-Initialisierung, die wertvolle Kohärenzzeit verbraucht. Dieser Engpass eliminiert den Vorteil für die meisten ML-Aufgaben, die massiven Datendurchsatz erfordern.

Zweitens ist der Vorteil gegenüber klassischen Algorithmen für relevante ML-Aufgaben nicht nachgewiesen. Während Quantenalgorithmen für bestimmte mathematische Probleme theoretische Beschleunigung zeigen, halten optimierte klassische Algorithmen auf modernen GPUs und TPUs in Benchmarks konstant Schritt oder übertreffen Quantenalternativen. Die Autoren führen explizit an, dass breite kommerzielle QML-Anwendungen im nächsten Jahrzehnt nicht erwartet werden.

Drittens bleiben die Hardwarespezifikationen, die für ein funktionsfähiges QML-System benötigt werden, undefiniert. Wie viele Qubits, welche Kohärenz, wie niedrige Gate-Error-Raten – ohne klare Ziele gibt es keinen klaren Entwicklungspfad.

Der hybride Ansatz als Brücke

Das realistischste kurzfristige Szenario, das die Autoren beschreiben, sind hybride Quanten-klassische Systeme: Quantenprozessoren übernehmen enge, gut definierte Optimierungsprobleme (z. B. Optimierung chemischer Reaktionen, molekulare Simulation), während klassische KI-Systeme alles andere verwalten. Cloud-Plattformen, die heute Zugang zu Quantencomputern als API anbieten, senken die Einstiegshürde für Entwickler, die mit diesen hybriden Architekturen experimentieren möchten.

Auf politischer Ebene warnen die Autoren vor einem Mangel an spezialisiertem Talent, das sowohl Quantenphysik als auch KI versteht, sowie vor der Notwendigkeit internationaler Zusammenarbeit bei der Entwicklung ethischer Rahmen für Quanten-KI-Systeme – ein Thema, das vorerst am Rande regulatorischer Debatten geblieben ist.

Die Analyse wird in den nächsten zwei Teilen der Reihe auf der OECD.ai-Plattform fortgesetzt.