Zespół Google Quantum AI opublikował nową, pięcioetapową strategię, która ma ukierunkować rozwój komputerów kwantowych na znajdowanie użytecznych, komercyjnych zastosowań. Inicjatywa przesuwa punkt ciężkości z postępów sprzętowych na weryfikację realnej przewagi kwantowej, aby uzasadnić ogromne inwestycje w technologię i przełamać „wąskie gardła” blokujące jej komercjalizację.
W opublikowanym 14 listopada 2025 roku artykule naukowym zespół Google Quantum AI przedstawił model dojrzałości aplikacji kwantowych, dzieląc drogę od pomysłu do wdrożenia na pięć etapów: 1. odkrycie algorytmu, 2. znalezienie trudnych problemów, 3. dowód przewagi w realnym zadaniu, 4. inżynieria i optymalizacja zasobów, oraz 5. wdrożenie produkcyjne. Zdaniem badaczy, mimo iż postęp sprzętowy, taki jak opracowanie zaawansowanych chipów, przebiega pomyślnie, branży wciąż brakuje odpowiedzi na pytanie: „do czego realnie użyjemy pełnej mocy komputera kwantowego?”. Nowa strategia ma zmienić metryki sukcesu z liczby kubitów na liczbę praktycznych problemów, które udało się rozwiązać.
Największym wyzwaniem i zarazem „wąskim gardłem” hamującym rozwój są etapy drugi i trzeci, czyli przejście od abstrakcyjnych algorytmów do konkretnych, weryfikowalnych problemów oraz połączenie ich z realnymi zastosowaniami biznesowymi. Według Google, przyczynami tego stanu rzeczy są zarówno bariery techniczne, jak i kulturowe: brakuje ekspertów posiadających wiedzę z dwóch dziedzin (np. fizyki kwantowej i chemii baterii), a akademicki system motywacyjny często promuje fundamentalne odkrycia ponad żmudne prace wdrożeniowe. Google proponuje zmianę podejścia na „algorithm-first”, gdzie zamiast zaczynać od ogólnego problemu biznesowego, zespoły powinny startować ze znanym prymitywem kwantowym (np. symulacją molekularną) i aktywnie szukać dla niego zastosowań.
W praktyce Google już dziś demonstruje skuteczność nowego podejścia. W osobnym artykule opublikowanym w „Nature” firma zaprezentowała algorytm DQI (Decoded Quantum Interferometry), który przekształca trudne problemy optymalizacyjne w łatwiejsze do rozwiązania problemy dekodowania, dowodząc jego przewagi w zadaniu zwanym optymalną interpolacją wielomianową (oznacza to, iż zamiast szukać skomplikowanego rozwiązania bezpośrednio, algorytm „przepisuje” problem na prostszy język, który komputer kwantowy rozumie znacznie lepiej, co pozwala znaleźć odpowiedź szybciej i efektywniej; jest to jak znalezienie „drogi na skróty” do rozwiązania trudnego zadania matematycznego).
Powyższe podejście to przykład udanego przejścia przez drugi etap strategii. Aby przyspieszyć dalszy postęp, Google wzywa do zmiany sposobu finansowania badań, tworzenia otwartych narzędzi deweloperskich oraz wykorzystania sztucznej inteligencji, takiej jak Gemini, do automatycznego wyszukiwania połączeń między algorytmami kwantowymi a problemami opisanymi w literaturze naukowej z różnych dziedzin.
