I computer quantistici a circuiti superconduttori e quelli a ioni intrappolati si contendono da anni la ribalta, ma il vero scalpo potrebbe arrivare da un’architettura più silenziosa: gli atomi neutri raffreddati al laser. L’idea è tanto semplice da sembrare quasi banale – intrappolare singoli atomi in un reticolo ottico generato da pinzette laser, manipolarne gli stati con impulsi di microonde e leggerne i risultati con telecamere ad alta sensibilità – quanto radicale nelle conseguenze per il calcolo.

A differenza dei qubit superconduttori, che lottano con il rumore e richiedono temperature criogeniche, gli atomi neutri sono naturalmente identici e non interagiscono fra loro in assenza di eccitazione: due proprietà che permettono di moltiplicare i qubit senza perdere coerenza, arrivando a griglie di centinaia o migliaia di atomi tutte indirizzabili singolarmente. La roadmap di questa tecnicia – che chiamiamo neural atom quantum computing, per la sua affinità con le reti neurali nella capacità di collegare nodi in schemi riprogrammabili – punta dritta al superamento del muro dei qubit fisici, portando in tempi realistici a calcoli fuori dalla portata di qualsiasi macchina classica.

Per chi sviluppa modelli linguistici di grandi dimensioni (LLM) e valuta deployment on-premise, il segnale è strutturale. Oggi l’addestramento e l’inference di modelli sopra una certa soglia di parametri è economicamente vincolato alla disponibilità di GPU in cloud, con tutte le dipendenze geopolitiche e le preoccupazioni sulla residenza dei dati che questo comporta. Un acceleratore quantistico basato su atomi neutri, se miniaturizzato e reso operativo a temperatura ambiente (come alcuni prototipi lasciano sperare), spezzerebbe quel legame: porterebbe la capacità di calcolo necessario per fine-tuning e inference direttamente nei data center aziendali, riaprendo la partita della sovranità dei dati senza compromettere le performance.

La promessa non è quella di sostituire le GPU nel breve periodo, ma di affiancarle in compiti dove l’esplosione combinatoria rende i metodi classici inefficienti. Simulazioni di strutture molecolari per drug discovery, ottimizzazione su grafi, analisi di correlazioni in dataset massivi: tutti carichi che oggi spediamo fuori sede, accettando latenza e costi di trasferimento, potrebbero essere gestiti on-prem con un footprint energetico drasticamente ridotto.

È esattamente il tipo di rottura che rimette in discussione la distribuzione del potere tra pochi hyperscaler e il resto del mercato enterprise. Se il TCO (TCO) di un nodo quantistico si allineasse con quello di un rack GPU di fascia alta, l’incentivo a mantenere i dati in casa salirebbe rapidamente, spostando investimenti e competenze verso architetture ibride classico-quantistiche gestite localmente. AI-RADAR segue da vicino l’evoluzione di queste tecnicie, perché ogni cambiamento nel substrato hardware riscrive le regole del deployment dell’intelligenza artificiale. E le regole, questa volta, potrebbero essere riscritte in un reticolo di luce.