Dopo aver visto Signal One, thriller fantascientifico del 2026 diretto da Jonathan Sobol, la domanda interessante non riguarda soltanto il dispositivo quantistico che muove la trama, ma quanto della sua premessa possa trovare un riscontro nella ricerca contemporanea. Il film ruota attorno a Littlemouth, una macchina progettata dal fisico Perry Glassner, interpretato da David Thewlis, che dovrebbe sfruttare le proprietà della comunicazione quantistica e dell’entanglement per intercettare segnali provenienti da un’intelligenza extraterrestre. La macchina non viene presentata semplicemente come un supercomputer più potente, ma come uno strumento capace di accedere a informazioni altrimenti irraggiungibili. È un’intuizione narrativa efficace, perché porta all’estremo una questione che interessa anche l’industria tecnologica: quali informazioni possiamo elaborare quando cambiano le regole fisiche su cui si fonda il calcolo?
La premessa di Littlemouth si inserisce nella tradizione della fantascienza che utilizza il paradosso di Fermi e la teoria della Foresta Oscura per immaginare un universo nel quale le civiltà intelligenti potrebbero evitare di rivelare la propria esistenza. Se una civiltà non conosce le intenzioni delle altre, trasmettere un segnale potrebbe comportare rischi imprevedibili. L’ascolto passivo diventa così una strategia di sopravvivenza: raccogliere informazioni senza dichiarare la propria presenza. Nel film, l’entanglement offre il meccanismo immaginario attraverso cui rendere possibile questa forma di osservazione. La suggestione è potente, ma occorre separare la libertà della narrazione dalle proprietà dimostrate della meccanica quantistica.
L’entanglement è un fenomeno fisico reale, confermato sperimentalmente, nel quale sistemi quantistici condividono correlazioni che non possono essere spiegate attraverso una semplice descrizione classica locale. Non costituisce, tuttavia, un canale autonomo per trasmettere messaggi arbitrari più velocemente della luce. Il teorema di non comunicazione stabilisce che le correlazioni quantistiche, da sole, non permettono a un osservatore di inviare informazioni controllabili a un altro. Per confrontare i risultati delle misurazioni rimane necessario un canale di comunicazione classico. Non esiste neppure una tecnologia verificata che consenta di sfruttare l’entanglement per ricevere messaggi dal futuro. L’idea che Littlemouth possa ascoltare flussi informativi senza alterare lo stato quantistico appartiene quindi alla finzione, non a una capacità dimostrata dei computer quantistici.
Questa precisazione non riduce l’interesse tecnologico del film. Al contrario, permette di affrontare il tema più importante: il calcolo quantistico non è una versione accelerata dell’informatica tradizionale, ma un paradigma differente, con vantaggi potenziali circoscritti a determinate classi di problemi. I computer convenzionali rappresentano le informazioni attraverso bit che assumono valori binari; i qubit possono invece sfruttare la sovrapposizione degli stati quantistici e l’entanglement. L’interferenza consente agli algoritmi di modificare le probabilità dei risultati ottenuti attraverso le misurazioni. Non significa che una macchina quantistica possa provare tutte le soluzioni possibili e restituire automaticamente quella corretta. La misurazione produce risultati probabilistici, mentre l’algoritmo deve essere progettato per estrarre un vantaggio dalla struttura matematica del problema.
Il Quantum Machine Learning, o QML, cerca di applicare queste proprietà all’apprendimento automatico. I ricercatori studiano circuiti quantistici parametrizzati, quantum kernel e modelli ibridi che combinano elaborazione quantistica e ottimizzazione classica. L’obiettivo è capire se alcune rappresentazioni dei dati o determinate operazioni matematiche possano essere eseguite con vantaggi rispetto agli algoritmi tradizionali. Le applicazioni ipotizzate comprendono la scoperta di farmaci, la classificazione di dati complessi e alcuni problemi finanziari, ma la presenza di un circuito quantistico non dimostra di per sé una superiorità. Per stabilirla occorre confrontare i risultati con modelli classici ben ottimizzati, considerando accuratezza, tempi di esecuzione, costi computazionali e preparazione dei dati. Un modello che funziona in laboratorio può essere scientificamente interessante senza risultare ancora competitivo in un ambiente industriale.
La soluzione più pragmatica, nel breve periodo, è rappresentata dalle architetture ibride quantistico-classiche. In questi sistemi, il computer tradizionale gestisce una parte consistente del processo, mentre il dispositivo quantistico viene utilizzato per operazioni specifiche. Un ottimizzatore classico può aggiornare i parametri di un circuito, ricevere i risultati delle misurazioni e ripetere il procedimento. Piattaforme cloud come Amazon Braket permettono di sperimentare con simulatori e diversi tipi di hardware quantistico senza costruire un laboratorio proprietario. L’accessibilità dell’infrastruttura, però, non equivale alla dimostrazione di un vantaggio computazionale. I processori quantistici attuali sono ancora condizionati dal rumore, dalla decoerenza e dalla difficoltà di correggere gli errori. Anche l’addestramento dei circuiti può incontrare problemi come i cosiddetti barren plateau, nei quali i gradienti diventano così piccoli da rendere difficile l’ottimizzazione.
Un’altra area merita attenzione perché viene spesso confusa con il calcolo quantistico vero e proprio: il quantum-inspired computing. In questo caso non sono necessari qubit. Gli algoritmi vengono eseguiti su processori convenzionali e utilizzano tecniche matematiche ispirate alla fisica quantistica, comprese alcune rappresentazioni mediante reti tensoriali. Questi metodi possono risultare efficaci per specifici problemi di ottimizzazione o per la compressione di determinate strutture matematiche. Non esiste, tuttavia, una garanzia generale di accelerazione. Dichiarare che una tecnica risolve un problema logistico cento volte più velocemente richiede un confronto documentato, con la definizione del problema, le dimensioni dei dati e l’algoritmo utilizzato come riferimento. Senza queste informazioni, il dato non dimostra un vantaggio industriale.
L’ottimizzazione quantistica affronta una questione economica altrettanto concreta. Algoritmi come il Quantum Approximate Optimization Algorithm, o QAOA, cercano soluzioni approssimate a problemi combinatori, mentre il Variational Quantum Eigensolver, o VQE, è stato sviluppato soprattutto per studiare le energie fondamentali dei sistemi quantistici. La pianificazione delle reti logistiche, l’allocazione delle risorse e alcuni problemi finanziari sono possibili aree di sperimentazione. Non è corretto, però, sostenere che questi algoritmi risolvano in modo definitivo i problemi NP-hard o garantiscano portafogli finanziari ottimali. La complessità di un problema non scompare quando cambia il processore, e il vantaggio deve essere misurato rispetto agli algoritmi classici più competitivi. La simulazione della chimica e dei materiali rappresenta invece un ambito particolarmente promettente, perché un sistema quantistico può essere difficile da descrivere con precisione attraverso metodi classici.
La Quantum Natural Language Processing, o QNLP, porta questa ricerca nel territorio del linguaggio. L’idea è utilizzare circuiti quantistici per rappresentare strutture linguistiche e studiare applicazioni come la classificazione dei testi o l’analisi delle relazioni semantiche. Si tratta di una linea di ricerca sperimentale, non della dimostrazione che una macchina quantistica comprenda il linguaggio meglio di un modello linguistico tradizionale. La classificazione corretta di una frase non equivale alla comprensione umana del suo significato, e la stessa cautela vale per i sistemi di intelligenza artificiale convenzionali. La questione scientifica consiste nel verificare se una rappresentazione quantistica produca un vantaggio misurabile, tenendo conto anche dei costi necessari per codificare i dati classici nei circuiti.
La relazione tra intelligenza artificiale e calcolo quantistico è, inoltre, bidirezionale. Se il quantum computing potrebbe offrire strumenti per affrontare alcuni problemi oggi difficili da trattare con metodi classici, il machine learning può contribuire alla calibrazione dei dispositivi quantistici, all’analisi dei loro errori e al controllo delle operazioni. La ricerca procede quindi su due fronti: rendere i processori quantistici più affidabili e capire quali applicazioni possano giustificare il loro impiego. Questa distinzione è importante anche dal punto di vista economico, perché lo sviluppo dell’hardware, la correzione degli errori e la disponibilità di competenze specialistiche richiedono investimenti significativi prima che molte applicazioni possano diventare prodotti commerciali.
Per un CEO o un responsabile tecnologico, la questione non è scegliere tra intelligenza artificiale e computer quantistico, come se fossero due tecnologie destinate a contendersi lo stesso mercato. Si tratta piuttosto di individuare problemi specifici per i quali un approccio quantistico potrebbe produrre un vantaggio misurabile, avviando sperimentazioni con obiettivi verificabili e confronti credibili. Nella scoperta di molecole, nella simulazione dei materiali e in alcuni problemi specialistici di ottimizzazione esistono motivazioni scientifiche solide per proseguire la ricerca. Nella maggior parte delle applicazioni aziendali quotidiane, dalla generazione di testi all’analisi dei dati, gli algoritmi classici restano invece il riferimento operativo.
Littlemouth immagina un dispositivo capace di ascoltare l’universo senza essere ascoltato a sua volta. La tecnologia reale è molto meno spettacolare, ma pone una domanda altrettanto rilevante: come distinguere una nuova possibilità computazionale da una promessa che non ha ancora superato la verifica sperimentale? La risposta non dipende dal numero di qubit annunciati né dalla capacità di costruire una narrazione convincente attorno a una scoperta. Dipende dalla possibilità di dimostrare, con misure riproducibili, che una macchina quantistica risolve un problema meglio delle alternative disponibili. Il cinema può immaginare un computer che intercetta comunicazioni attraverso lo spazio e il tempo; l’industria deve ancora stabilire dove, nella realtà, un qubit possa valere più di un transistor.