Zum Inhalt
KI-BlogBriefing zu künstlicher Intelligenz

Grundlagen

Quanten­computer und KI

Kurzantwort

Quantencomputer sind heute Großgeräte für Forschung, die nur bei sehr speziellen Testaufgaben klassische Rechner übertreffen⁠12. Für das Training heutiger KI-Modelle bringen sie nach einer Analyse in den Communications of the ACM auf absehbare Zeit keinen Vorteil, weil Daten zu langsam hinein- und herauskommen und kleine Beschleunigungen nicht reichen⁠5. Aussichtsreich sind eher Simulationen in Chemie und Materialforschung, große fehlertolerante Rechner plant IBM für 2029⁠45.

Autor
Veröffentlicht
Geprüft
Lesezeit
7 Minuten
Ausschnitt einer goldfarbenen Kühlkonstruktion eines Quantenrechners im Labor, übereinanderliegende Goldplatten mit vielen dünnen Kabeln
Quantenrechner arbeiten bei extremer Kälte und sind Großgeräte für die Forschung. Bild: KI-generiert

Quantencomputer und künstliche Intelligenz werden gern in einem Atemzug genannt, als würde das eine das andere bald vervielfachen. Der Forschungsstand ist nüchterner. Heutige Quantenrechner übertreffen klassische Computer nur bei sehr speziellen Testaufgaben, und für das Training von Sprachmodellen fehlt ihnen vor allem eine schnelle Verbindung zu großen Datenmengen⁠15. Berührungspunkte gibt es trotzdem, vor allem bei der Simulation von Molekülen und Werkstoffen⁠5.

Was ein Quantencomputer anders macht

Ein klassischer Computer speichert in jedem Register zu jedem Zeitpunkt genau einen Wert. In einem Quantencomputer können Register und Speicher mehrere Werte gleichzeitig in Überlagerung enthalten, und Rechenbefehle wirken auf alle diese Werte zugleich⁠1. So beschreibt es das Bundesamt für Sicherheit in der Informationstechnik in seiner Studie zum Entwicklungsstand der Quantencomputer. Die elementare Einheit heißt Qubit⁠1.

Schneller bei allem ist ein Quantencomputer deshalb nicht. Um die Parallelität zu nutzen, braucht es eigens entwickelte Algorithmen, die mit dem Zufallscharakter der Quantenphysik umgehen⁠1. Das BSI zählt bisher bekannte Anwendungen auf: Suche in Datenbanken und Graphen, das Lösen linearer Gleichungssysteme, Faktorisierung und diskrete Logarithmen, die Simulation von Molekülen und Materialien sowie maschinelles Lernen und Optimierung. Wie groß der Gewinn bei den letztgenannten ist, sei aber noch Gegenstand der Forschung⁠1.

Die Studie ordnet Quantencomputer als Technik für Rechenzentren und Höchstleistungsrechnen ein, nicht als Büro- oder Mobilgerät⁠1. Die leistungsfähigsten Geräte seien Großgeräte für Forschung und Entwicklung, mit denen sich Algorithmen entwickeln und prüfen lassen, die außerhalb der Wissenschaft aber noch nichts umwälzen⁠1. Seit den ersten Laborexperimenten sind laut BSI mehr als 25 Jahre Entwicklung vergangen, und das Feld der Hardwareplattformen beginnt sich zu festigen⁠1. Mehrere Firmen bieten Zugang zu Quantenprozessoren als Dienstleistung über das Internet an, einige verkaufen auch Geräte an Rechenzentren⁠1. Den Stand nennt die Studie eine Ära der frühen Quantenüberlegenheit: Überlegen waren Quantenrechner bisher bei sehr speziellen Testproblemen, für praktische Aufgaben liegen die Anforderungen deutlich höher⁠1.

Stand der Technik

Im Dezember 2024 stellte Google den Chip Willow mit 105 Qubits vor⁠2. Das wichtigste Ergebnis betraf die Fehlerkorrektur. Google kombinierte mehrere physische Qubits zu einem logischen, gegen Fehler geschützten Qubit und vergrößerte das Gitter von 3 mal 3 über 5 mal 5 auf 7 mal 7; bei jedem Schritt halbierte sich die Fehlerrate⁠2. Bei einem Testverfahren namens Random Circuit Sampling brauchte Willow nach Googles Angaben weniger als fünf Minuten für eine Rechnung, für die ein führender Supercomputer rund 10 Quadrillionen Jahre bräuchte, eine Eins mit 25 Nullen⁠2. Google räumt selbst ein, dass dieses Testverfahren keine bekannte praktische Anwendung hat⁠2.

Im Oktober 2025 meldete Google einen zweiten Schritt. Mit einem Algorithmus namens Quantum Echoes lief auf Willow eine Berechnung nach Googles Angaben rund 13.000-mal schneller als der beste klassische Algorithmus auf einem der schnellsten Supercomputer⁠3. Google spricht vom ersten überprüfbaren Quantenvorteil auf echter Hardware, weil sich das Ergebnis auf einem vergleichbaren Quantenrechner wiederholen lässt⁠3. Gemeinsam mit der University of California in Berkeley wurde das Verfahren an Molekülen mit 15 und 28 Atomen getestet; die Ergebnisse stimmten mit herkömmlicher Kernspinresonanz überein⁠3. Einen Zeitplan für Anwendungen außerhalb der Forschung nennt der Beitrag nicht⁠3.

IBM hat im Juni 2025 seinen Fahrplan zu fehlertoleranten Rechnern vorgestellt. Bis 2029 will das Unternehmen in Poughkeepsie im Bundesstaat New York den Rechner Starling bauen, mit 200 logischen Qubits, auf denen 100 Millionen Rechenschritte laufen sollen⁠4. Bisher ist das eine Ankündigung.

Zum Vergleich mit einer Aufgabe, die oft als Maßstab dient: Für einen Angriff auf die heute verbreitete RSA-Verschlüsselung mit 2048 Bit braucht es nach dem Forschungsstand, den das BSI zusammenfasst, rund 4.098 logische Qubits; eine Abschätzung von 2021 nennt 20 Millionen physische Qubits bei acht Stunden Laufzeit⁠1. Willow hat zum Vergleich 105 physische Qubits⁠2.

Kleiner quadratischer Chip, gehalten von einer feinen Pinzette über dunklem Samt, Nahaufnahme
Ein Quantenchip im Labor ist noch weit von einem Werkzeug für den Alltag entfernt. Bild: KI-generiert

Wo Quantencomputer der KI helfen könnten

Die Forschung zu Quantum Machine Learning, also maschinellem Lernen auf Quantenrechnern, begann lange vor den heutigen Chips. Ein Überblick von Biamonte und Kollegen, 2016 als Vorabdruck und 2017 in der Zeitschrift Nature erschienen, hält fest, dass Quantensysteme Muster erzeugen können, die für klassische Rechner schwer herzustellen sind, und dass Quantencomputer deshalb klassische bei manchen Lernaufgaben übertreffen könnten⁠6. Die Autoren schreiben aber auch, dass die Hürden bei Hardware und Software beträchtlich bleiben⁠6.

Manche erhoffte Beschleunigung hat sich als Irrtum herausgestellt. Ein Quantenalgorithmus für Empfehlungssysteme, wie sie Shops und Streamingdienste nutzen, galt als einer der aussichtsreichsten Kandidaten für einen exponentiellen Vorteil beim maschinellen Lernen. Im Juli 2018 zeigte die Informatikerin Ewin Tang, dass ein klassischer Algorithmus dasselbe nur polynomiell langsamer schafft, der exponentielle Vorsprung also nicht besteht⁠7. Solche Ergebnisse heißen in der Fachwelt Dequantisierung.

Aussichtsreicher sind Aufgaben, bei denen wenig Daten anfallen, aber sehr viel zu rechnen ist. Eine Analyse von Torsten Hoefler, Thomas Häner und Matthias Troyer, erschienen im Mai 2023 in den Communications of the ACM, nennt Probleme aus Chemie und Materialforschung als die vielversprechendsten Kandidaten⁠58. Für die KI wäre das ein indirekter Nutzen: Quantenrechner könnten Moleküle oder Werkstoffe genauer simulieren, und diese Daten könnten in KI-Modelle für Medikamente oder Batterien einfließen. Google nennt für Quantum Echoes ähnliche Felder, etwa Wirkstoffforschung und die Untersuchung von Polymeren und Batteriebausteinen⁠3. Ob diese Verbindung praktisch trägt, ist offen.

Warum KI-Training nicht dazugehört

Große Sprachmodelle lernen aus riesigen Textmengen und multiplizieren dabei vor allem Matrizen. Dafür sind Grafikprozessoren gebaut, und auf der GPU läuft das Training heute. Die Analyse von Hoefler, Häner und Troyer erklärt, warum Quantenrechner hier nicht mithalten⁠5.

Der erste Grund ist die Datenleitung. Die Autoren rechnen für einen künftigen Quantenrechner mit einer Ein- und Ausgabe von etwa 1 Gigabit pro Sekunde, gegenüber 10.000 Gigabit pro Sekunde bei einem klassischen Chip⁠5. Quantencomputer taugen nach ihrem Fazit für große Rechenaufgaben auf kleinen Daten, nicht für Probleme mit großen Datenmengen⁠5. Das Training eines Sprachmodells ist das Gegenteil: riesige Datenmengen bei vergleichsweise einfachen Rechenschritten. Je größer die Menge an Trainingsdaten, desto stärker fällt die langsame Datenleitung ins Gewicht.

Der zweite Grund betrifft die Art der Beschleunigung. Viele Quantenalgorithmen bringen nur einen quadratischen Vorteil, die Rechenzeit sinkt also etwa auf die Wurzel des klassischen Aufwands. Das reicht nach der Analyse nicht für einen praktischen Vorsprung, weil Quantenoperationen viel langsamer sind als klassische: Schon bei einer einzigen Rechenoperation je Schritt läge der Punkt, ab dem der Quantenrechner gewinnt, bei mehreren Monaten Rechenzeit⁠5. Die Autoren halten fest, dass viele heutige Trainingsverfahren für maschinelles Lernen mit quadratischer Beschleunigung in absehbarer Zeit keinen Quantenvorteil erreichen⁠5.

Wer die Rechenleistung für eigene KI-Modelle sucht, findet sie also weiterhin bei Grafikkarten. Für eigene Modelle zu Hause zählt vor allem der Speicher der Grafikkarte für lokale KI. Auch am Energie- und Wasserverbrauch der KI ändern Quantenrechner nach diesem Stand vorerst nichts.

Großer Haufen Getreide über einem engen Metalltrichter, nur ein dünner Strahl rinnt unten heraus
Wie ein enger Trichter: Daten kommen zu langsam in den Quantenrechner. Bild: KI-generiert

Woran du übertriebene Versprechen erkennst

Meldungen über Quanten-KI vermischen oft Laborergebnisse, Fahrpläne und Hoffnungen. Diese Fragen helfen beim Einordnen:

  • Welche Aufgabe wurde gelöst? Ein Testverfahren ohne Anwendung wie Random Circuit Sampling ist etwas anderes als eine Berechnung mit praktischem Nutzen.
  • Wurde mit dem besten klassischen Verfahren verglichen? Der Fall der Empfehlungssysteme zeigt, dass klassische Algorithmen aufholen können.
  • Wie groß ist die Datenmenge? Je mehr Daten hinein müssen, desto weniger passt ein Quantenrechner.
  • Ist ein Datum ein Ergebnis oder eine Ankündigung? Fahrpläne wie der von IBM beschreiben Ziele.
  • Wer sagt das? Pressemitteilungen von Herstellern sind eine andere Quelle als begutachtete Studien.

Unabhängig von der KI hat das Thema eine Seite, die schon heute zählt: Verschlüsselung. Nach der BSI-Studie gilt ein Großteil der heute verbreiteten asymmetrischen Verschlüsselungsverfahren nicht mehr als sicher, sobald große Zahlen effizient faktorisiert werden können, und genau das könnte ein hinreichend großer Quantenrechner⁠1. Darum lohnt es sich, frühzeitig auf quantensichere Verfahren umzustellen. Für Betriebe gehört das zur IT-Sicherheit, ebenso wie der Schutz eigener KI-Anwendungen im Betrieb. Kommt aus der Quantenforschung ein Ergebnis, das für KI zählt, nehmen wir es in den Monatsüberblick der KI-Entwicklungen auf.

Was das für dich heißt

Für deine Arbeit mit KI ändern Quantencomputer in den nächsten Jahren voraussichtlich nichts, für die IT-Sicherheit schon eher.

  1. Plan Hardware für KI weiterhin mit Grafikkarten und Cloud-Diensten.
  2. Prüf Meldungen über Quanten-KI darauf, ob ein Ergebnis oder eine Ankündigung gemeint ist.
  3. Behalte die Umstellung auf quantensichere Verschlüsselung in deinem Betrieb im Blick.

Häufige Fragen

Werden Quantencomputer ChatGPT schneller machen?

Nach heutigem Forschungsstand nicht. Sprachmodelle verarbeiten riesige Datenmengen, und genau dafür sind Quantenrechner wegen ihrer langsamen Datenleitung schlecht geeignet. Grafikprozessoren bleiben die passende Hardware.

Gibt es schon KI auf Quantencomputern?

Es gibt Forschung zu maschinellem Lernen auf Quantenrechnern. Einen praktischen Vorteil gegenüber klassischen Computern im Alltagseinsatz kennen wir bisher nicht.

Wann gibt es brauchbare Quantencomputer?

Das ist offen. IBM plant einen fehlertoleranten Rechner mit 200 logischen Qubits bis 2029, Google arbeitet an langlebigen logischen Qubits. Wann daraus Anwendungen außerhalb der Forschung werden, sagt keiner der Hersteller verbindlich.

Kann ich einen Quantencomputer nutzen?

Mehrere Anbieter stellen Zugang zu Quantenprozessoren als Clouddienst bereit, vor allem für Forschung und Entwicklung. Für Alltagsaufgaben bringt das keinen Nutzen.

Quellen

Stand:

  1. Bundesamt für Sicherheit in der Informationstechnik: Studie: Entwicklungsstand Quantencomputer, Version 2.1, Stand 08/2024, abgerufen am 22.11.2026. zurück
  2. Google: Blogbeitrag zum Quantenchip Willow, Stand 09.12.2024, abgerufen am 22.11.2026. zurück
  3. Google: Blogbeitrag zu Quantum Echoes auf Willow, Stand 22.10.2025, abgerufen am 22.11.2026. zurück
  4. IBM Quantum: Blogbeitrag zum fehlertoleranten Quantenrechner Starling, Stand 10.06.2025, abgerufen am 22.11.2026. zurück
  5. arXiv (Hoefler, Häner, Troyer): Disentangling Hype from Practicality: On Realistically Achieving Quantum Advantage, Stand 02.07.2023, abgerufen am 22.11.2026. zurück
  6. arXiv (Biamonte u. a.): Quantum Machine Learning, Stand 28.11.2016, abgerufen am 22.11.2026. zurück
  7. arXiv (Tang): A quantum-inspired classical algorithm for recommendation systems, Stand 10.07.2018, abgerufen am 22.11.2026. zurück
  8. Communications of the ACM (Hoefler, Häner, Troyer): Disentangling Hype from Practicality: On Realistically Achieving Quantum Advantage, Band 66, Heft 5, S. 82 bis 87, Stand 05/2023, abgerufen am 22.11.2026. zurück

Weiterlesen

Bilder: KI-generiert

Aus dem Lexikon

Bilder: KI-generiert