Quanten-KI: Die Chance für effizientere und nachhaltigere KI-Systeme?

Ein folgenreicher Aspekt, der laut den Autoren des UN-Berichts in der Debatte über KI-Risiken vergleichsweise wenig Beachtung findet, ist der ökologische Fußabdruck [1]. Jedes Modelltraining, jeder Prompt verbraucht Ressourcen wie Wasser, Strom und Fläche. Ein genaues Beziffern dieses Ressourcenverbrauchs ist schwierig, weil viele Unternehmen ihre Verbrauchsdaten nicht (vollständig) offenlegen. Laut dem UN-Bericht wird der jährliche Stromverbrauch von Rechenzentren weltweit auf etwa 448 Terawattstunden geschätzt (2025). Bis 2030 könne dieser Wert sogar auf 945 Terawattstunden steigen. Die Autoren veranschaulichen diese abstrakte Zahl, indem sie darauf hinweisen, dass die Rechenzentren – wären sie ein Land – beim weltweiten Stromverbrauch den elften Platz einnehmen würden.

An dieser Stelle kommt das Feld der Quantenintelligenz oder Quanten-KI ins Spiel. Ziel dieser Technologie ist es unter anderem, ausgewählte Komponenten der KI-Infrastruktur durch Verfahren des Quantencomputings zu ergänzen oder zu beschleunigen. Dies soll dazu führen, dass KI-Modelle Daten schneller und kosteneffizienter verarbeiten können. Diese Technologie könnte laut IBM durch neue Möglichkeiten für Rechenleistung, Algorithmen-Effizienz und allgemeine Problemlösungsfähigkeiten in zahlreichen Branchen wie z. B. pharmazeutischer Forschung, Klimawissenschaft und Finanzwesen einen entscheidenden Wandel bedeuten [2].

Was ist Quantencomputing?

Quantencomputing im Detail zu beschreiben, würde den Rahmen dieses Beitrags sprengen. Daher möchte ich an dieser Stelle auf meine Kollegin Lea Joosten verweisen, die in ihrem Artikel „Quantencomputing wird die IT-Welt grundlegend verändern“ die grundlegende Idee hinter dem Quantencomputing skizziert hat [3].

Klassisches Computing	Quantencomputing
Findet Anwendung auf gängigen Mehrzweckcomputern und -geräten.	Benötigt schnelle, spezialisierte und experimentelle Quantenhardware, die auf Quantenmechanik basiert.
Informationen werden in Bits (2 diskrete Zustände) gespeichert.	Informationen werden in Qubits gespeichert (Quantenzustand: 0, 1 oder eine Superposition von 0 und 1).
Daten werden logisch und sequenziell verarbeitet.	Daten werden mit Quantenlogik und auf parallelen Instanzen verarbeitet.

Was ist Quanten-KI?

Quanten-KI beschreibt die Synergie zwischen Quantencomputing und künstlicher Intelligenz. Quanten-KI-Modelle verwenden Quantenalgorithmen, die auf Qubits basieren. Diese Algorithmen nutzen Prinzipien der Quantenmechanik wie Superposition und Verschränkung. Dadurch können Berechnungen durchgeführt und Zusammenhänge identifiziert werden, die für ausgewählte Problemklassen Vorteile gegenüber klassischen Verfahren bieten könnten. Das Geheimnis dahinter ist im Wesentlichen, dass man bei Quantencomputern riesige Rechenräume zur Verfügung hat. Wie beim „klassischen“ Machine Learning besteht dadurch die Möglichkeit, ein Problem in einen deutlich höherdimensionalen Raum zu übertragen, um dort Strukturen in den Daten sichtbar zu machen. Neben den Algorithmen umfasst Quanten-KI auch angepasste Datenstrukturen und Trainingsmethoden. Es ist wichtig zu erwähnen, dass sich die Quanten-KI noch in der Forschungsphase befindet. Forschungsfelder sind beispielsweise:

• Quantenoptimierungsalgorithmen [4]
• Quantum-neuronale Netzwerke [5]
• Quantengestütztes Reinforcement Learning [6]

Potenzielle Vorteile von Quanten-KI

• Reduktion der KI-Trainingskosten

Eingangs habe ich die Motivation für Quanten-KI darauf zurückgeführt, dass der ökologische Fußabdruck von KI-Rechenzentren eine enorme Gefahr für unsere Umwelt darstellt. Quanten-KI bietet die Chance, KI-Trainingskosten deutlich zu reduzieren. Der Trainingsprozess eines KI-Modells beinhaltet unter anderem, dass neuronale Netzwerke Millionen von Operationen durchführen, um interne Gewichte anzupassen und die Genauigkeit zu optimieren. Dieser Prozess ist sehr rechen- und somit energieintensiv. Quantencomputer könnten theoretisch bestimmte Berechnungen deutlich effizienter ausführen als klassische Systeme. Dadurch könnten künftig KI-Modelle für komplexere Aufgaben trainiert und gleichzeitig der Energieverbrauch reduziert werden.

• Verbesserte KI-Vorhersagen

Hardwarebeschränkungen klassischer Systeme sorgen dafür, dass bei Vorhersagen möglicherweise Annahmen vereinfacht oder bestimmte Variablen ignoriert werden. Quanten-KI könnte diese Variablen berücksichtigen und hat die Chance, differenziertere und potenziell genauere Vorhersagen zu treffen. Beispielhafte Anwendungsbereiche:

• Aktienhandel
• Bonitätsbewertung
• Prognose von Lieferketten
• Forschung

Die Fähigkeit von Quanten-KI, riesige Datenmengen effizient zu verarbeiten, kann verschiedene Forschungsbereiche enorm unterstützen. Komplexe chemische Reaktionen könnten beispielsweise mit nie dagewesener Genauigkeit simuliert werden. Hier ist die Grundidee, dass bei diesen Problemen Quantenmechanik eine entscheidende Rolle spielt, weshalb direkt Quantencomputer genutzt werden sollen. Beispielhafte Forschungsfelder:

• Medizinwissenschaften
• Klimaforschung
• Materialwissenschaften
• Innovative KI-Algorithmen

Die Entwicklung neuartiger Lernverfahren, die auf den Prinzipien der Quantenmechanik basieren, befindet sich noch in einem frühen Forschungsstadium. Ansätze wie quantenneuronale Netzwerke und quantengestütztes Reinforcement Learning untersuchen, wie Quantencomputer für Lern- und Optimierungsaufgaben genutzt werden können. Langfristig könnten solche Verfahren das Potenzial besitzen, KI-Systeme für bestimmte Problemklassen leistungsfähiger zu machen als heutige klassische Ansätze. Mögliche Anwendungsbereiche sind:

• Langfristige Planung
• Entscheidungsfindung in Echtzeit bei unvollständigen Informationen

Fazit

Quanten-KI ist ein aufstrebendes und innovatives Gebiet der Informatik. Solange sich Quantencomputer noch größtenteils in der Forschung befinden, wird auch die Quanten-KI nicht das Licht der Allgemeinheit erblicken. Es gibt jedoch die Hoffnung, dass der ökologische Fußabdruck von KI künftig durch Quanten-KI gesenkt und die Leistungsfähigkeit gleichzeitig gesteigert werden kann.

Bis dahin (und darüber hinaus) ist es unsere Aufgabe, KI verantwortungsvoll, zielgerichtet und fair einzusetzen. Nicht jede E-Mail muss von ChatGPT auf Fehler überprüft werden, und nicht jede WhatsApp-Gruppe braucht ein KI-generiertes Profilbild.

Literaturverzeichnis

[1] M. Aczel, S. Chamamara, M. Martin, A. Farsi, T. Marwala und K. Madani, „UNU INWEH,“ 14 06 2026. [Online]. Available: https://unu.edu/inweh/collection/environmental-cost-of-AIs-Enrgy-Use-Carbon-water-and-land-footprints.
[2] J. Schneider und I. Smalley, „IBM,“ 12 03 2024. [Online]. Available: https://www.ibm.com/de-de/think/topics/quantum-ai. [Zugriff am 14 06 2026].
[3] L. Joosten, „ComConsult,“ 14 01 2025. [Online]. Available: https://www.comconsult.com/quantencomputing-wird-die-it-welt-grundlegend-veraendern/. [Zugriff am 14 06 2026].
[4] „Fraunhofer,“ [Online]. Available: https://www.fraunhofer.de/de/institute/kooperationen/fraunhofer-kompetenznetzwerk-quantencomputing/quantencomputing-bei-fraunhofer/qckompetenzen/quantenoptimierung.html. [Zugriff am 14 06 2026].
[5] S. Luber und N. Litzel, „Bigdata Insider,“ 30 06 2020. [Online]. Available: https://www.bigdata-insider.de/was-ist-ein-quantum-neural-network-a-942767/. [Zugriff am 14 06 2026].
[6] T.-A. Drăgan , „Fraunhofer IKS,“ 03 11 2023. [Online]. Available: https://safe-intelligence.fraunhofer.de/artikel/quantencomputing-hilft-reinforcement-learning-auf-die-spruenge. [Zugriff am 14 06 2026].