Het experiment dat D-Wave publiceerde in Science toonde aan dat een gespecialiseerde quantumprocessor in enkele minuten bepaalde simulaties van magnetische materialen kon reproduëren, die voor sommige klassieke methoden buitengewoon kostbaar waren. Dit is een belangrijke vooruitgang, maar impliceert niet dat quantumcomputing alle investeringen in datacenters voor kunstmatige intelligentie (AI) heeft geneutraliseerd of dat het GPU’s kan vervangen voor het trainen en uitvoeren van modellen.
De kernpunten van het D-Wave-experiment in 30 seconden
- D-Wave publiceerde in Science een demonstratie van kwantumvoordeel op een concrete fysieke simulatie.
- De vergelijking met bijna een miljoen jaar verwijst naar een klassieke methode onder specifieke condities.
- De quantumprocessor heeft geen AI getraind noch het gebruikelijke werk van een datacenter vervangen.
- Onderzoekers ontwikkelden later meer concurrerende klassieke simulaties voor onderdelen van het probleem.
- Quantum computing is bedoeld om de klassieke infrastructuur aan te vullen, niet om deze te elimineren.
De bewering dat een quantumcomputer met 12 kW deed wat Frontier in bijna een miljoen jaar zou moeten uitvoeren, is gebaseerd op schattingen van D-Wave. Het bedrijf vergeleek hun recooking-processor met klassieke simulaties van de dynamiek van spin-systemen, een type fysisch probleem waarbij de rekenkosten snel kunnen toenemen naarmate het systeem groter wordt.
Het ging niet om het trainen van een groot taalmodel, het verwerken van video’s, het uitvoeren van generatieve applicaties of het uitvoeren van matrixoperaties die AI-taken domineren. Het betrof een zeer specifieke simulatie, ontworpen om te passen bij de fysieke architectuur van de D-Wave-processor.
Deze nuance verandert de interpretatie volledig.
Wat heeft D-Wave werkelijk aangetoond?
Het onderzoek, gepubliceerd in maart 2025 en later opgenomen in volume 388 van Science, gebruikte quantumrecooking-processors om de niet-evenwichtsevolutie van bepaalde gedesordende magnetische systemen te bestuderen.
De onderzoekers analyseerden hoe duizenden verbonden spins zich gedroegen volgens een topologie die compatibel was met de hardware van D-Wave. Volgens het artikel genereerde de processor monsters die zeer nauwkeurig overeenkwamen met oplossingen van de Schrödinger-vergelijking voor systemen waar nog met klassieke methoden gecontroleerd kon worden.
Het team concludeerde dat geen enkele bekende methode op dat moment de grootste simulaties binnen een redelijke tijd kon reproduceren met gelijke precisie. Voor de meest veeleisende vergelijking schatte D-Wave dat een GPU-implementatie ongeveer een miljoen jaar zou duren en meer energie zou verbruiken dan het jaarlijkse wereldwijde elektriciteitsverbruik.
Dit is een belangrijke demonstratie van kwantumcapaciteit, maar de cijferrepresentatie meet niet hoeveel tijd een willekeurig klassiek algoritme nodig zou hebben. Het vergelijkt het apparaat met specifieke methoden, onder bepaalde precisie-eisen en met de kennis die destijds beschikbaar was.
Deze onderscheid is cruciaal omdat klassieke algoritmes zich ook blijven verbeteren. Kort na het D-Wave-onderzoek verschenen werken die tensor-netwerken, variatie- methoden en fysisch gebaseerde benaderingen gebruikten om de grootte van simulaties met conventionele computers te vergroten. Sommige bereikten concurrerende resultaten voor onderdelen van het regime dat door D-Wave bestudeerd werd, maar reproducieerden niet per se alle condities en precisies van het originele experiment.
De grens tussen kwantum en klassiek wordt niet vastgelegd door één publicatie. Elke demonstratie motiveert de verdere ontwikkeling van klassieke algoritmes, die op hun beurt weer aanleiding geven tot meer veeleisende kwantumtests.
De 12 kW energieverbruik vertellen niet het volledige verhaal
Het energieverbruik dat aan D-Wave wordt toegeschreven, wordt vaak weergegeven alsof de hele simulatie slechts in een paar woningen verbruikte. Het is een opvallende vergelijking, maar die moet in context worden geplaatst.
Quantumrecooking-systemen werken op extreem lage temperaturen en vereisen cryogene koeling, control-electronica, conventionele servers en bijkomende systemen. Het door D-Wave gemelde verbruik van circa 12,5 kW betreft het operationele energieverbruik van hun platform, dat volgens het bedrijf relatief stabiel blijft, zelfs bij meer qubits.
De vergelijking met Frontier baseert zich op een extrapolatie van de tijd en energie die een specifieke klassieke simulatie zou vereisen. Het betekent niet dat Frontier hetzelfde probleem gedurende een miljoen jaar zou proberen uit te voeren of dat de quantumprocessor voor elke taak miljoenen keren efficiënter is.
Frontier verbruikt ongeveer 20 tot 30 MW tijdens intensieve werkzaamheden, afhankelijk van de belasting en configuratie. Zelfs in rust blijft het systeem enkele megawatt vragen. Het is een algemeen wetenschappelijk supercomputer die klimaatmodellen, materiaalonderzoek, biologie, energie, natuurkunde en machine learning uitvoert — en niet ontworpen voor een enkele spin-model toepassing.
Het vergelijken van beide systemen zonder uitleg van hun functies is alsof je een gespecialiseerde calculator vergelijkt met een platform dat duizenden applicaties kan uitvoeren.
Quantum computing kan momenteel niet grote AI-modellen trainen
Datacenters voor AI worden vooral gebouwd voor het uitvoeren van enorme matricesvermenigvuldigingen, data-uitwisseling tussen geheugen en acceleratoren, en het afhandelen van miljoenen verzoeken. GPU’s, tensorprocessingunits (TPUs) en andere versnellers zijn specifiek voor dat werk ontworpen.
De quantumrecooking-methode van D-Wave lost andere klussen op. Het representeert variabelen via qubits en zoekt naar lage-energie staten in mathematische modellen die enkele optimalisatietaken, sampling en fysische simulaties kunnen uitdrukken.
Er zijn toepassingsgebieden waar deze benadering nuttig kan zijn:
- route- en dienstregelingplanning;
- resourceallocatie;
- industriële optimalisatie;
- materiaalonderzoek;
- portefeuillekeuze;
- een aantal stappen in moleculair ontdekkingproces.
Maar het omzetten van een echt probleem naar het formaat dat de processor accepteert, kan complex zijn. De connectiviteit tussen qubits is beperkt, hardware is ruisgevoelig en oplossingen vereisen vaak klassieke voorbereiding en validatie. Een publicatie uit 2025 benadrukte dat de voordelen in exacte optimalisatie nog niet algemeen bewezen zijn, ondanks verbeteringen in recooking-systemen.
Het vervangen van miljoenen GPU’s voor generieke taalmodellen door quantumprocessors is momenteel niet haalbaar. Een D-Wave-processor kan geen gewichten laden van grote taalmodellen zoals GPT, Gemini of Claude, noch hun antwoorden genereren met hetzelfde soort operaties.
De meest redelijke aanpak lijkt een hybride architectuur. Een klassiek systeem zou het AI-model kunnen beheren en subproblemen voor optimalisatie of simulatie naar een quantumprocessor sturen, zodra er een bewezen voordeel is.
Het energieverbruik van datacenters is een reëel probleem
Het feit dat quantumcomputing niet zal vervangen, vermindert niet de grote vraag naar energie van datacenters.
Volgens het Electric Power Research Institute zouden deze installaties tussen de 9 % en 17 % van de elektriciteit in de Verenigde Staten kunnen verbruiken in 2030, tegenover ongeveer 4 à 5 % nu. Het bereik is breed omdat het afhangt van hoeveel geplande projecten daadwerkelijk worden gerealiseerd, de efficiëntie van de hardware en de evolutie van de AI-markt.
Het beperken tot het bouwen van meer energieopwekking volstaat niet. Het verbeteren van chips, het verminderen van de precisie waar mogelijk, verbeteren van software, hergebruiken van modellen, meer benutting van servers en kiezen voor de juiste architectuur per werklading zijn eveneens essentieel.
Quantum computing zou kunnen bijdragen aan die efficiëntiewinst. Bijvoorbeeld door een gespecialiseerd quantumalgoritme te gebruiken voor een optimalisatiefase die nu veel tijd kost. Maar dat betekent niet dat de bestaande systemen met GPU’s overbodig worden.
Bovendien heeft quantumtechnologie zelf klassieke datacenters nodig: voor controlesystemen, compilers, opslag, netwerken en supercomputers die hardware kalibreren en resultaten verifiëren.
Hybride projecten vorderen, maar blijven voorlopig experimenteel
Het Jülich Supercomputer Centre werkt aan de integratie van een D-Wave recooking-systeem met JUPITER, de eerste Europese exa-schaal supercomputer. Het doel is niet het vervangen van de supercomputer, maar het mogelijk maken dat onderzoekers verschillende onderdelen van een probleem kunnen verdelen tussen klassieke en quantumbronnen.
Dergelijke installaties illustreren de meest waarschijnlijke toekomst: quantumprocessors fungeren als gespecialiseerde versnellers binnen een veel grotere infrastructuur, vergelijkbaar met de relatie tussen GPU en CPU.
Tegelijkertijd worden quantumtechnologieën getest bij medicijnontwikkeling, industriële planning en netanalyse. Hoewel veelbelovend, blijven de resultaten voorlopig beperkt tot proof-of-concept, beperkte datasets of vergelijkingen met specifieke klassieke algoritmen.
Verbeteringen in molecuulgeneratie of optimalisatie betekenen nog niet dat het totale energieverbruik van AI wordt gereduceerd. Voor productietoepassingen moeten de totale tijd, datavoorbereiding, kosten voor quantumtoegang, oplossingkwaliteit en de prestaties van concurrerende systemen worden geëvalueerd.
De valkuil van het omslaan van een concreet succes in een totale vervanging
Het artikel van D-Wave heeft de investeringstrend in datacenters niet doorbroken; het heeft aangetoond dat een gespecialiseerd quantumssysteem een bepaald fysisch simulatieprobleem beter kon uitvoeren dan klassieke methoden, onder zorgvuldig geselecteerde condities.
Dit is al een belangrijke prestatie en hoeft niet te worden voorgesteld als de directe afschaffing van GPU’s, AI of supercomputing om waardevol te zijn.
De datacentersector moet kritisch blijven over het ondoordacht gebruik van rekenkracht. Niet iedere workload vereist het grootste model, de hoogste precisie of duizenden versnellers. Sommige problemen kunnen effectiever worden opgelost met algoritmen, gespecialiseerde hardware of hybride systemen.
“Betere wiskunde” betekent niet automatisch “quantum computing”. Het kan ook goesting zijn in compressie, kleine modellen, efficiëntere klassieke algoritmen, speciale processors of betere resourceplanning.
Quantum computing kan de kosten voor bepaalde berekeningen aanzienlijk verlagen, maar vooralsnog is er geen bewijs dat het de onderliggende infrastructuur voor AI volledig kan vervangen. De rationele conclusie is niet stoppen met bouwen van datacenters, maar voorkomen dat elk probleem wordt opgelost door blind meer rekenkracht toe te voegen zonder vooraf te onderzoeken of er een efficiënter alternatief bestaat.
Veelgestelde vragen
Heeft D-Wave een taak opgelost die Frontier bijna een miljoen jaar zou duren?
D-Wave schatte dat voor een specifieke klassieke simulatie met bepaalde precisie-eisen. Het is geen algemene vergelijking voor alle programma’s of AI-taken.
Heeft de quantumcomputer slechts 12 kW verbruikt?
D-Wave geeft het verbruik van haar systeem rond dat cijfer, maar dit betreft het operationele verbruik van de hele platform. De vergelijking met Frontier is gebaseerd op extrapolatie en betekent niet dat de quantumprocessor voor alle taken even efficiënt is.
Kan D-Wave GPU’s in datacenters vervangen?
Nee. De recooking-processor is ontworpen voor specifieke simulaties en optimalisaties. Het kan momenteel niet het algemene trainen en inferentie van grote AI-modellen overnemen.
Kan quantum computing helpen het energieverbruik te verminderen?
Ja, in gebieden waar het een duidelijk voordeel biedt over klassieke methoden, bijvoorbeeld als versneller binnen hybride systemen. Maar het vervangt niet de volledige infrastructuur en de systemen die data voorbereiden, uitvoeren en renderen.