Vom Chat zum Act: Quantenrechenleistung treibt den Aufstieg von KI-Agenten an

Im Internationalen Elektronik- und Unterhaltungsmesse (CES) 2026 tauchte erstmals eine brandneue Sektion namens "CES Foundry" auf. Hier beginnt die Fusion von Künstlicher Intelligenz und Quantencomputing, ihre Potenziale zur Umgestaltung der Welt durch Rechenleistung zu demonstrieren.

Als der Wettlauf um große Sprachmodelle (LLM) in die heiße Phase wechselte, begann die Branche zu verstehen, dass die bloße Stapelung von Parametern an ihre Grenzen stößt. Der echte nächste Schritt in der KI-Entwicklung sind künstliche Intelligenz-Agenten (AI Agents), die in der Lage sind, eigenständig Entscheidungen zu treffen und extrem komplexe Probleme zu lösen. Dafür wird jedoch eine noch mächtigere Rechenmaschine benötigt.

Das neue Buch "The Rise of AI Agents" des CITIC Publishing Group beleuchtet diese zentrale Fragestellung: Wie kann Quantencomputing die "Kernkraft" für AI-Agenten werden und die KI vom passiven Chat (Dialoggenerierung) zum aktiven Act (eigenständige Handlung) führen?

I. Der Überlegene Ansatz des Quantencomputings

Für die Funktionsweise von AI-Agenten in der dynamischen und komplexen realen Welt ist eine Rechenkomplexität erforderlich, die weit über unseren heutigen Vorstellungen liegt. Der Schlüssel zum Verständnis der Evolution besteht darin, zu verstehen, wie sich Quantencomputing von dem klassischen Computing, mit dem wir vertraut sind, grundlegend unterscheidet.

1. Quantenüberlagerung

Die Grundlage des klassischen Computers sind Bits. Ein Bit kann entweder den Wert 0 oder 1 haben. Es ist so, als würden wir in einem Labyrinth wandern: Der klassische Computer muss einen Pfad ausprobieren, bei einer Sackgasse zurückkehren und dann einen anderen Pfad versuchen, bis er schließlich den Ausgang findet.

Der Kern des Quantencomputings sind Quantenbits (Qubits). Die Quantenüberlagerung bedeutet, dass ein Quantensystem bei der Beobachtung gleichzeitig in mehreren möglichen Zuständen sein kann.

Basierend auf dem Prinzip der Quantenüberlagerung kann ein Qubit gleichzeitig im Zustand 0 und 1 oder in einer beliebigen Kombination dieser Zustände sein. Das bedeutet, dass ein Quantencomputer nicht wie ein klassischer Computer die Daten nacheinander verarbeiten muss.

Für AI-Agenten ist dies eine qualitative Veränderung. Ein Quantencomputer kann dank seiner Qubits in Überlagerungszuständen mehrere Pfade gleichzeitig erkunden, was die Zeit zur Suche nach dem Ausgang erheblich verkürzt.

Mit der Unterstützung des Quantencomputings müssen zukünftige AI-Agenten bei der Lieferkettenplanung oder der Finanzrisikobewertung nicht unzählige Möglichkeiten einzeln simulieren, sondern können dank des Quantenüberlagerungszustands alle möglichen Szenarien gleichzeitig berechnen. Diese Fähigkeit öffnet die Tür zur gleichzeitigen Verarbeitung von Massendaten und durchstößt das klassische Rechenverfahren, das Daten nacheinander verarbeitet.

2. Quantenverschränkung

Wenn zwei oder mehrere Qubits verschränkt sind, beeinflusst der Zustand eines Qubits augenblicklich den Zustand eines anderen, unabhängig von der Entfernung zwischen ihnen.

Diese Eigenschaft führt zur Quantenparallelität. Wenn das klassische Computing wie das Lesen eines einzelnen Wortes ist, dann ist das Quantencomputing wie das gleichzeitige Lesen mehrerer Seiten eines Buches. Diese parallele Verarbeitungsfähigkeit ist die Grundlage für zukünftige AI-Agenten bei der Lösung von extrem komplexen Problemen wie der Simulation eines gesamten Ökosystems oder der Echtzeitoptimierung des Verkehrsnetzes einer Großstadt.

3. Quantenvorsprung

Der Begriff "Quantenvorsprung" (Quantum Supremacy) beschreibt die Situation, in der ein Quantencomputer bei der Bearbeitung bestimmter Aufgaben die Leistung der heute mächtigsten klassischen Supercomputer übertrifft.

Der Sycamore-Quantenprozessor von Google erreichte 2019 den Quantenvorsprung. Er absolvierte eine bestimmte Berechnung in nur 200 Sekunden, während der damals fortschrittlichste Supercomputer für die gleiche Aufgabe ungefähr 10.000 Jahre bräuchte.

Für AI-Agenten bedeutet die Erreichung des Quantenvorsprungs, dass sie nicht länger an die Rechenleistungsschranken gebunden sind und Aufgaben übernehmen können, die bisher als unerreichbar galten. Sie können an der Spitze der Lösung von Spitzenproblemen in Wissenschaft, Finanzen und anderen Bereichen stehen.

II. Die Zukunft, definiert durch Quantenalgorithmen

Um von der Theorie zur Praxis zu gelangen, müssen AI-Agenten effiziente Algorithmen beherrschen. Derzeit gibt es zwei grundlegende Quantenalgorithmen, die auf den Ebenen der Sicherheit und der Datenverarbeitung den Weg für den Aufstieg von AI-Agenten ebnen, aber auch Herausforderungen mit sich bringen.

1. Der Shor-Algorithmus: Das Damoklesschwert über dem Verschlüsselungssystem

In einer Zukunft, in der AI-Agenten miteinander vernetzt sind, ist Sicherheit die Grundlage des Vertrauens. Der berühmte Shor-Algorithmus hat jedoch bewiesen, dass Quantencomputer die Ganzzahlfaktorisierung exponentiell schneller durchführen können als die besten bekannten klassischen Algorithmen.

Aktuelle Internet-Sicherheitsprotokolle (wie die RSA-Verschlüsselung) beruhen auf der Schwierigkeit der Faktorisierung großer Zahlen. Mit dem Auftauchen des Shor-Algorithmus werden die bestehenden Verschlüsselungssysteme für Quantencomputer, die diesen Algorithmus effizient ausführen können, anfällig.

Dies zwingt AI-Agenten zur Evolution - sie müssen nicht nur die Macht des Quantencomputings nutzen, sondern auch ein Schutzsystem der Post-Quantum-Kryptographie aufbauen.

AI-Agenten müssen sich an die Zeit angepasst halten und quantenresistente Verschlüsselungsmethoden integrieren und anwenden. In einer Zukunft, in der Quantencomputing allgegenwärtig ist, ist dies für die sichere Funktionsweise von AI-Agenten von entscheidender Bedeutung.

2. Der Grover-Algorithmus: Das genaue "Fischen" einer Nadel im Heuhaufen

Wenn der Shor-Algorithmus wie ein Speer ist, dann ist der Grover-Algorithmus die "Auge" von AI-Agenten.

Beim Suchen nach bestimmten Informationen in einer unstrukturierten Datenbank (wie Massen unstrukturierter Texte oder Bilddaten) benötigt ein klassischer Algorithmus im Durchschnitt N/2 Operationen, während der Grover-Algorithmus dank der Quanteneigenschaften nur ungefähr √N Operationen benötigt.

Der Grover-Algorithmus ist für AI-Agenten in der Zeit der Big Data von entscheidender Bedeutung. Er kann nicht nur die Effizienz der Datenbanksuche erheblich verbessern, sondern auch für die Mustererkennung und Optimierung eingesetzt werden. Das bedeutet, dass AI-Agenten bei der Bewältigung von chaotischen und umfangreichen realen Daten in der Lage sind, mit erstaunlicher Geschwindigkeit die relevanten Informationen zu finden und so klare Entscheidungen zu treffen.

III. Der Ausbruch von AI-Agenten durch Quantencomputing

Die Kombination von Quantencomputing und Künstlicher Intelligenz ist nicht einfach eine Addition, sondern eine exponentielle Explosion. Diese Fusion wird AI-Agenten eine bisher unerreichte "Handlungsfähigkeit" verleihen.

1. Die qualitative Veränderung von "Big Data" zu "Quanten-Daten"

Das traditionelle maschinelle Lernen basiert auf der Trainierung mit Massendaten. Mit der Zunahme der Modellparameter und der Datenmenge stoßen klassische Computer an ihre Rechenleistungsschranken. Quantencomputing kann diese Beschränkung dank seiner Fähigkeit, große und komplexe Datensätze effizient zu verarbeiten, überwinden. Quanten-unterstützte maschinelle Lernalgorithmen (Quantum-Enhanced Machine Learning) werden robuster gegen Rauschen, schneller und genauer sein.

Die Fähigkeit von Quantenalgorithmen, Massendatensätze zu verarbeiten, kann die Leistung von maschinellen Lernmodellen erheblich verbessern. Diese Synergie wird Bereiche wie die Klimamodellierung grundlegend verändern.

2. Revolutionäre Anwendungen in vertikalen Bereichen

Die "Handlungsfähigkeit" von AI-Agenten wird mit der Unterstützung des Quantencomputings in konkreten Branchen Fuß fassen:

Medikamentenforschung und Lebenswissenschaften: Dies ist das spannendste Schlachtfeld für Quanten-KI. Klassische Computer können die komplexen Molekülstrukturen nicht präzise simulieren, während Quantensimulationen Moleküle und chemische Reaktionen mit hoher Präzision simulieren können.

Die Simulation der Molekülstruktur eines kleinen Proteins mit einem IBM-Quantencomputer war mit traditionellen Rechenmethoden nicht möglich. Zukünftige AI-Agenten werden in der Lage sein, neue Medikamente autonom zu entwickeln, was die Forschungs- und Entwicklungszeit erheblich verkürzen und die Kosten senken wird.

Finanzen und Risikomanagement: Im Finanzsektor können AI-Agenten mit Tools wie dem Grover-Algorithmus die Risikobewertung erheblich verbessern und komplexe Anlageportfolios in Echtzeit optimieren.

Logistik und Lieferkette: Angesichts des globalen und komplexen Lieferkettennetzes können Quanten-KI-Agenten große Optimierungsprobleme lösen, die für klassische Rechenleistungssysteme unbewältigbar sind, und so den besten globalen Pfad planen.

IV. Die Endform von AI-Agenten

Das ultimative Ziel der Entwicklung von KI ist nicht nur die Textgenerierung (Chat), sondern die Fähigkeit, in komplexen Umgebungen zu erinnern, zu erkennen, zu schließen und eigenständig zu handeln (Act). Quantencomputing ist der entscheidende Baustein für diesen Sprung.

Obwohl das Quantencomputing ein großes Potenzial hat, wird Quanten-KI die klassische Computingtechnologie nicht vollständig ersetzen, sondern sie verstärken.

Die zukünftige Rechenarchitektur wird ein "Hybridmodell" sein: Klassische Computer werden weiterhin für allgemeine Aufgaben, die tägliche Datenverarbeitung und die logische Steuerung verantwortlich sein. Quantencomputer hingegen werden wie eine "Spezialeinheit" eingesetzt, um hochkomplexe Optimierungsaufgaben, Molekülsimulationen oder das Knacken von Codes zu bewältigen. AI-Agenten fungieren als "Kommandanten", die die Ressourcen von klassischen und Quantencomputern koordinieren und die Stärken beider nutzen, um Probleme zu lösen.

Die Fusion von KI und Quantencomputing ist ein zweistufiger Prozess.

Quantencomputing beschleunigt nicht nur die Entwicklung der KI, sondern KI hilft auch dem Quantencomputing, in die Praxis umzusetzen. Neueste Forschungen zeigen, dass KI-Technologien die Entwicklung und Optimierung von Quantenalgorithmen unterstützen können. Durch automatisierte Programmierung können die Schwierigkeiten der Quantencomputing-Entwicklung erheblich gesenkt werden. Beispielsweise können maschinelle Lernmodelle (wie Diffusionsmodelle) flexible und genaue Quanten-Schaltkreise generieren, um Quantencomputer besser an verschiedene Hardwarekonfigurationen anzupassen.

Dieser Zyklus von "KI entwirft Quanten, Quanten stärken KI" könnte das Eintreten des "Technologischen Singularität" beschleunigen.

Originaltitel: The Rise of AI Agents: Integrating AI, Blockchain Technologies, and Quantum Computing

Hinweis: Das Titelbild wurde mit KI generiert

Dieser Artikel stammt aus dem WeChat-Account "Big Data Digest", Autor: [GB] Petar Radanliev, Übersetzer: Dong Shimin, Xu Shenghui. Veröffentlicht von 36Kr mit Genehmigung.