Auf einen Blick
Neuromorphe Chips versuchen, Speicher und Rechnung enger zu verbinden. Bei einzelnen Aufgaben zeigen sie Vorteile. Für jede KI-Anwendung gilt das nicht. [1][3]
Quantenrechner können für bestimmte Probleme besondere Rechenwege eröffnen. Bei gewöhnlichen digitalen Daten ist ein allgemeiner Vorteil gegenüber klassischen Lernverfahren bislang nicht belegt. [4][5]
Die entscheidende Zahl steht selten auf dem Chip allein. Eingabe, Umwandlung, Rechnung und Auswertung gehören zur Bilanz. [3][4]
Die Daten auf Wanderschaft
In vielen heutigen Rechnern liegen Zahlen im Speicher und werden im Prozessor bearbeitet. Für ein KI-Modell geschieht das wieder und wieder. Jeder Transport braucht Energie. Die ETH-Forschenden im SwissChips-Programm untersuchen deshalb ein Material, das den Wert einer künstlichen Synapse speichern kann. Solche Bauelemente könnten künftig einen Teil der Rechnung dort ausführen, wo die Information liegt. Noch ist das Forschung an Materialien und Bausteinen, kein neuer Standard für Rechenzentren. [1]
Das Vorbild ist das Gehirn. Sein Leistungsbedarf liegt grob bei 20 Watt. Das klingt verblüffend wenig. Nur lässt sich ein Gehirn nicht fair mit einem Sprachmodell vergleichen, solange beide nicht dieselbe genau beschriebene Aufgabe lösen. Die Wattzahl allein beweist daher weder, dass Gehirnchips besser sind, noch dass ein Rechenzentrum verschwenderisch arbeitet. [7]
Unter «neuromorph» fallen zudem verschiedene Ideen. Manche Systeme verarbeiten Signale nur, wenn ein Ereignis eintritt. Andere rücken Speicher und Rechnung zusammen. Wie viel Energie das spart, hängt von Aufgabe, Genauigkeit und dem gesamten Gerät ab. [3]
Ein Rekord mit Fussnote
Ein Versuch mit Intels Forschungsprozessor Loihi 2 zeigt, wie schnell eine Schlagzeile zu gross werden kann. Bei einer bestimmten Optimierungsaufgabe fand Loihi 2 unter einem sehr knappen Zeitlimit noch Lösungen für Aufgaben, die viermal so gross waren wie beim verglichenen CPU-Verfahren. Dabei benötigte er ungefähr 37-mal weniger elektrische Leistung. Beides klingt nach einem klaren Sieg. [3]
Doch bei längerer Laufzeit lieferte das CPU-Verfahren die bessere Lösung. Welche Maschine «gewinnt», hängt also davon ab, ob eine Antwort sofort kommen muss, wie gut sie sein soll und wie viel Energie verbraucht werden darf. Zudem ging es um diesen Optimierungstest, nicht um das Training eines grossen Sprachmodells. [3]
Die Forschenden des Projekts NeuroBench wollen deshalb Systeme anhand derselben Aufgaben vergleichen. Sie erfassen Ergebnisqualität, Zeit und Energie. Auch die Vorbereitung der Daten und die Auswertung zählen, wenn sie für den Einsatz nötig sind. Ein Chip kann sparsam sein und trotzdem in einem aufwendigen Gesamtablauf stecken. [3]
Die Quantenfrage
Quantenrechner versprechen etwas anderes. Ihre Quantenbits können Zustände überlagern. Das heisst jedoch nicht, dass eine Maschine jede mögliche Antwort gleichzeitig ausliest. Am Ende liefert eine Messung ein Ergebnis. Ein Vorteil entsteht nur, wenn ein passender Algorithmus die besonderen Eigenschaften des Systems so nutzt, dass eine brauchbare Antwort schneller oder mit weniger Aufwand herauskommt. [4]
Bei Machine Learning wartet eine zusätzliche Hürde. Gesundheitsdaten, Bilder und Texte liegen meist als gewöhnliche digitale Daten vor. Sie müssen erst für den Quantenprozessor kodiert werden. Kostet dieser Schritt zu viel Zeit, ist ein schnellerer Rechenkern für die gesamte Anwendung kein Gewinn. IBM Quantum nennt genau diese Datenübertragung als offene Frage. Auch Fehler in heutigen Quantenrechnern begrenzen, wie grosse Rechnungen verlässlich möglich sind. [4][6]
An der EPFL untersucht die Gruppe für Quanteninformation und Quantenrechnen, für welche Lernaufgaben solche Verfahren überhaupt geeignet sein könnten. Sie forscht zugleich an der Simulation von Quantensystemen. Das ist ein anderer Einsatz: Ein Rechner kann für eine spezielle physikalische Frage wertvoll sein, ohne deshalb jede KI-Anwendung besser auszuführen. [2]
Der Härtetest Medizin
Die Medizin scheint ein ideales Feld: grosse Datenmengen, komplizierte Muster, wichtige Entscheidungen. Gerade hier lohnt ein Blick auf die Belege. Eine systematische Übersicht von 2025 suchte nach Studien zu Quanten-Machine-Learning mit digitalen Gesundheitsdaten. Von 4915 gefundenen Arbeiten erfüllten 169 die Eingangskriterien. 123 davon schieden wegen methodischer Schwächen aus. Nur 16 berücksichtigten realistische Bedingungen auf Quantenhardware oder in Simulationen mit Störungen. Über die geprüften Studien hinweg zeigte sich kein konsistenter praktischer Vorteil gegenüber klassischen Verfahren. Die Suche endete im Juni 2024; spätere Forschung ist darin nicht enthalten. [5]
Das ist keine Absage an künftige Anwendungen. Es zeigt, wie weit ein Versprechen von einem belastbaren Ergebnis entfernt sein kann. Eine Rechnung im Labor ist eine Stufe. Ein Modell, das unter realen Bedingungen zuverlässig hilft, eine andere. [5]
Mehrere Rechner, eine Rechnung
Ein Quantenprozessor braucht klassische Rechner für Eingaben, Steuerung und Auswertung. Ein neuromorpher Chip braucht Sensoren, Software und Schnittstellen. Denkbar ist deshalb eine Infrastruktur, in der jede Architektur einen passenden Teil übernimmt. Ob sie besser ist, lässt sich erst an der vollständigen Aufgabe messen: gleiche Daten, vergleichbare Genauigkeit, erfasste Zeit, gesamte Energie und Kosten. [3][6]
Für Schweizer Forschung und Unternehmen liegt darin eine offene Chance, aber auch ein Massstab. Ein besonderes Material oder ein schneller Versuch reicht noch nicht für einen wirtschaftlichen Vorteil. Entscheidend wäre, dass ein Verfahren ausserhalb des Labors etwas messbar besser erledigt – und dass der Aufwand ringsum den Gewinn nicht aufzehrt.
Offene Position
Welche Aufgaben brauchen wirklich einen neuen Rechenweg? Was kostet die Übersetzung zwischen den Maschinen? Und wann wird aus einem eindrücklichen Versuch ein Fortschritt, auf den sich Menschen und Unternehmen verlassen können?
