Kvantedatamaskiner akselererer AI-trening
Kvantedatamaskiner vil innen 2028-2030 kunne drastisk redusere treningstiden for store språkmodeller (LLMs) ved å utnytte kvantealgoritmer for lineær algebra og gradient-descent. Grunnleggende fremskritt i kvantefeilretting og qubit-koherenstid er nødvendig for praktisk anvendelse. IBM, Google og Microsoft jobber alle mot hybrid kvante-klassiske AI-systemer.
Post-kvantekryptografi blir standard
Ettersom kvantedatamaskiner truer dagens RSA- og ECC-kryptering, vil NIST-standardiserte post-kvantekryptografiske algoritmer (CRYSTALS-Kyber, CRYSTALS-Dilithium) bli implementert i TLS, SSH og andre kritiske protokoller. "Harvest now, decrypt later"-trusler driver tidlig adopsjon. Forvent at Google, Apple og Microsoft ruller ut hybrid post-kvante/klassisk kryptering innen 2026-2028.
Feiltolerante kvantesystemer kommer i produksjon
De første kommersielt tilgjengelige feiltolerante kvantedatamaskinene — med tilstrekkelig lav feilrate til å kjøre Shors og Grovers algoritmer på praktiske problemer — ventes mellom 2028-2032. Googles Willow-chip viser veien med eksponentielt reduserte feilrater. Dette vil markere overgangen fra NISQ (Noisy Intermediate-Scale Quantum) til universelle kvantedatamaskiner.
Praktisk kvante-overlegenhet i materialvitenskap
Kvantedatamaskiner vil oppnå praktisk anvendbar overlegenhet først innen molekylær simulering og materialdesign — før generell databehandling. Dette vil revolusjonere utvikling av batterier, katalysatorer, legemidler og supraledere. Microsoft Azure Quantum Elements og IBMs Qiskit Runtime fokuserer allerede på disse anvendelsene.
Kvante-internett mellom store byer
Kina, EU og USA arbeider mot kvante-kommunikasjonsnettverk basert på sammenfiltring (entanglement) og Quantum Key Distribution (QKD). Første interkontinentale satellitt-baserte kvante-nett ventes innen 2028. Dette vil gi teoretisk uknekk bar kryptering, men krever kvante-repeaters med lang koherenstid.
Kvante-forbedrede transformer-modeller
Hybride kvante-klassiske arkitekturer vil forbedre spesifikke deler av transformer-modeller (attention-mekanismer, embeddings) ved å utnytte kvante-sampling og amplitude-estimering. Dette vil ikke erstatte klassiske LLMs, men akselerere spesifikke operasjoner og potensielt redusere energiforbruk. Første eksperimenter ventes 2026-2027.