Quantencomputer oder GPU? Warum das eine das andere nicht ersetzt

Kurz gesagt: Ein Quantencomputer ist kein Konkurrent der GPU, sondern ein Spezialbeschleuniger mit ganz anderem Profil. Pro Operation ist er langsamer, beim Datendurchsatz um Größenordnungen schwächer, er braucht Kühlung nahe dem absoluten Nullpunkt und liefert Ergebnisse nur als Stichproben. Sein Vorteil liegt allein in Algorithmen, die für bestimmte Probleme mit drastisch weniger Schritten auskommen. Deshalb läuft es auf eine Kombination hinaus: GPU und CPU erledigen fast alles, ein Quantenprozessor höchstens einen eng umrissenen Teil.

„Quantencomputer schafft in Minuten, wofür ein Supercomputer Jahre braucht“ — solche Schlagzeilen legen nahe, dass Rechenzentren ihre GPUs bald austauschen. Dieser Artikel legt die beiden Maschinen nebeneinander, Achse für Achse, und zeigt, woran der Austausch scheitert. Welche Problemklassen ein Quantencomputer überhaupt beschleunigt und wie weit die Fehlerkorrektur ist, steht in Was kann ein Quantencomputer wirklich? — hier geht es um den praktischen Vergleich mit der Hardware, die heute rechnet.

Zwei Maschinen, zwei Arten zu rechnen #

Eine GPU (Grafikprozessor) ist ein Durchsatzmonster: Tausende einfache Recheneinheiten führen gleichzeitig dieselbe Operation auf verschiedenen Daten aus, gefüttert aus sehr schnellem Speicher. Genau das brauchen Grafik, Simulationen und KI, die im Kern aus großen Matrixmultiplikationen bestehen.

Eine QPU (Quantum Processing Unit, Quantenprozessor) arbeitet mit Qubits, deren Zustand durch Gatter — gezielte Mikrowellen- oder Laserpulse — verändert wird. Eine Rechnung ist eine Folge solcher Gatter, eine Quantenschaltung. Am Ende wird gemessen, und die Messung liefert pro Qubit ein gewöhnliches Bit. Die Stärke liegt nicht im Tempo, sondern darin, dass manche Algorithmen durch Interferenz mit sehr viel weniger Schritten auskommen. Warum das nur für bestimmte Probleme klappt, erklärt der oben verlinkte Grundlagenartikel.

Der Vergleich ist also schief, wenn man ihn als „wer ist schneller“ stellt. Die sinnvolle Frage lautet: Ab welcher Problemgröße gleicht ein Quantenalgorithmus die langsamere, teurere Hardware aus — und gelangen die Daten überhaupt schnell genug hinein und heraus?

Die Vergleichstabelle #

Die Zahlen für die „künftige QPU“ sind keine Messung, sondern eine bewusst optimistische Annahme aus der Analyse von Hoefler, Häner und Troyer: ein Quantencomputer mit 10.000 fehlerkorrigierten Qubits, 10 µs pro logischer Operation und Gattern auf allen Qubits gleichzeitig. Die GPU-Spalte ist ein einzelner Chip in der Klasse der NVIDIA A100.

Quellen je Zeile im Text unten. Die A100- und QPU-Werte der Tempo- und I/O-Zeilen stammen aus Tabelle 1 bei Hoefler et al.; die Gatterzeiten aus dem Google-Fehlerkorrektur-Paper.

Tempo: jede einzelne Operation ist langsam #

Auf Googles supraleitenden Prozessoren dauert ein Zwei-Qubit-Gatter 42 ns (105-Qubit-Chip) bzw. 37 ns (72-Qubit-Chip), ein Einzel-Qubit-Gatter 18 bis 35 ns; ein kompletter Zyklus der Fehlerkorrektur dauert auf dem 72-Qubit-Chip 1,1 µsDemonstriert. Das klingt flott, ist aber die falsche Vergleichsgröße. Ein nützliches Programm rechnet mit logischen, also fehlerkorrigierten Qubits, und jede logische Operation kostet viele Korrekturzyklen auf vielen physischen Qubits. Dazu kommt: Die GPU erledigt in jedem Takt Tausende Operationen parallel.

Hoefler, Häner und Troyer setzen für einen künftigen fehlerkorrigierten Quantencomputer 10 µs pro logischer Operation an und kommen damit auf rund 10.500 16-Bit- Multiplikationen pro Sekunde — gegenüber rund 195 Billionen auf einem A100-artigen ChipTheorie. Rechnung: 195 × 10¹² ÷ 10,5 × 10³ ≈ 1,9 × 10¹⁰. Pro Multiplikation liegt die GPU also etwa zehn Größenordnungen vorn — und das, obwohl die Autoren die Quantenseite ausdrücklich schönrechnen: Ein Fehlerkorrekturverfahren, das Gatter auf allen Qubits gleichzeitig und zwischen beliebigen Qubit-Paaren erlaubt, gibt es heute nicht.

Die Folge beschreiben die Autoren als Crossover: Für kleine Probleme ist der klassische Rechner immer schneller; ein Quantenvorteil entsteht erst jenseits einer problemabhängigen Größe, ab der die eingesparten Schritte die langsamere Hardware aufwiegen. Bei nur quadratischer Beschleunigung dauert es selbst im besten Fall Monate, bis dieser Punkt erreicht istTheorie.

Datenein- und -ausgabe: der unterschätzte Flaschenhals #

Eine GPU lebt von Daten: Modellgewichte, Bilder, Messreihen strömen mit hoher Bandbreite durch den Speicher. Ein Quantencomputer kann Daten nicht einfach „laden“ — jeder Wert muss über Gatteroperationen in den Quantenzustand geschrieben werden.

Nimmt man optimistisch nur eine Gatteroperation pro Eingabebit an, liegt die Datenrate des künftigen Quantencomputers etwa 10.000-mal unter der eines heutigen Chips. Jedes Problem, das vom Zugriff auf klassische Daten begrenzt ist — etwa die Suche in einer Datenbank —, lösen klassische Rechner deshalb schnellerTheorie.

Rechnung mit diesen Annahmen: Die Gewichte eines 7-Milliarden-Parameter- Sprachmodells in 16 Bit sind rund 14 GB, also etwa 112 Gbit. Bei 10.000 Gbit/s sind das gut 11 Millisekunden, bei 1 Gbit/s knapp zwei Minuten — und das nur fürs Hineinschreiben, einmal. Wie sehr schon bei GPUs die Speicherbandbreite das Tempo bestimmt, zeigt Warum kostet lokale KI so viel Hardware?.

Auf der Ausgabeseite wird es nicht besser. Scott Aaronson hat das am Beispiel des HHL-Algorithmus durchbuchstabiert, der lineare Gleichungssysteme exponentiell schneller lösen soll: Der Algorithmus liefert nicht den Lösungsvektor selbst, sondern einen Quantenzustand, der ihn in seinen Amplituden kodiert. Durch Messen erfährt man nur begrenzte statistische Information; einen bestimmten Eintrag auszulesen erfordert im Allgemeinen, den Algorithmus etwa so oft zu wiederholen, wie der Vektor Einträge hat — und damit ist der exponentielle Vorteil dahin. Dasselbe gilt, wenn schon das Laden des Eingabevektors zu lange dauertBelegt. Aaronsons Titel ist deshalb die beste Faustregel für jede Quanten-KI-Meldung: „Read the fine print“.

Fehler: ein Satz, ein Link #

GPUs rechnen praktisch fehlerfrei. Qubits dagegen machen bei jeder Operation Fehler; in Googles Fehlerkorrektur-Experiment bildeten 101 physische Qubits zusammen ein einziges geschütztes logisches Qubit. Was das für die Größe künftiger Maschinen bedeutet, steht im Abschnitt zur Fehlerkorrektur des oben verlinkten Grundlagenartikels.

Betrieb: Rack gegen Kryostat #

Eine GPU läuft bei Raumtemperatur mit Lüfter oder Wasserkühlung. Für supraleitende Qubits — die Technik etwa hinter Googles Prozessoren — gilt etwas ganz anderes: Typische supraleitende Qubits arbeiten bei Frequenzen um 5 GHz und werden in einem Verdünnungskryostaten bei rund 20 Millikelvin betriebenBelegt, also Hundertstel Grad über dem absoluten Nullpunkt. Nur so bleiben die Qubits im Grundzustand und werden nicht durch Wärmerauschen angeregt.

Andere Qubit-Technologien (Ionenfallen, neutrale Atome, Photonen) haben andere Anforderungen, aber keine davon ist eine Steckkarte für den PCIe-Slot. Dass sich das in absehbarer Zeit ändert, ist nicht erkennbar.Evidenz: Spekulation

Programmierung: Schaltungen statt Kernel #

Wer eine GPU programmiert, schreibt Kernel oder nutzt Bibliotheken, die Matrizen multiplizieren; das Ergebnis ist eine Zahl oder ein Tensor. Bei einer QPU beschreibt man eine Quantenschaltung, und zurück kommen Stichproben. IBMs Qiskit bündelt das in zwei Grundbausteinen: Der Sampler liefert gemessene Bitfolgen aus der Ausführung einer Schaltung, der Estimator berechnet Erwartungswerte von MessgrößenBelegt. Beides sind statistische Größen: Die Schaltung läuft viele Male, und erst die Summe der Ergebnisse ergibt die Antwort.

Das prägt, wie Programme aussehen. Man schreibt nicht „die ganze Rechnung auf der QPU“, sondern kurze Schaltungen, die ein klassisches Programm aufruft, auswertet und anpasst.

Zugang: fast nur über die Cloud #

Eine GPU kann man kaufen und in den eigenen Server stecken. Einen Quantencomputer mietet man stundenweise. Amazon Braket etwa bietet Simulatoren sowie Zugriff auf gatterbasierte Quantencomputer mehrerer Anbieter (AQT, IonQ, IQM, Rigetti) und einen analogen Simulator von QuEra; die Dokumentation stellt selbst klar, dass es derzeit keinen universellen, fehlertoleranten Quantencomputer gibtBelegt. IBM und andere bieten eigene Cloud-Zugänge.

Das Ergebnis: Kombination statt Ablösung #

Alle Achsen zeigen in dieselbe Richtung: Die QPU ist ein Koprozessor, kein Ersatz. In hybriden Algorithmen arbeiten QPUs als Koprozessoren für CPUsBelegt. Bei variationellen Quantenalgorithmen stellt ein klassisches Optimierungsverfahren die Parameter einer Quantenschaltung Runde für Runde nach — ähnlich wie beim Training eines neuronalen Netzes die Gewichte.

Die Idee ist älter als die heutigen Cloud-Angebote: Peruzzo und Kollegen koppelten einen kleinen photonischen Quantenprozessor mit einem normalen Rechner und bestimmten so die Grundzustandsenergie des Moleküls He-H⁺ mit chemischer Genauigkeit; der Ansatz senkt die Anforderungen an die Kohärenzzeit der Qubits deutlichDemonstriert. Das Molekül ist winzig und klassisch leicht zu berechnen — der Wert des Experiments liegt im Muster: Der Quantenteil bewertet einen Zustand, der klassische Teil entscheidet, was als Nächstes probiert wird.

Wie sich QPU, GPU, CPU und andere Beschleuniger in einem System die Arbeit teilen, ist das Thema von Warum stecken CPU, GPU und NPU in einem Chip?. Den großen Überblick über alle Ansätze jenseits klassischer Chips gibt die Landkarte Was kommt nach CPU und GPU?.

Ob variationelle Algorithmen auf heutiger, verrauschter Hardware jemals einen praktischen Vorteil gegenüber rein klassischen Verfahren bringen, ist offen.Evidenz: Spekulation Belastbarer ist die Erwartung an künftige fehlerkorrigierte Rechner: ein Quantenteil für Chemie- oder Materialsimulation, eingebettet in klassische Vor- und Nachbearbeitung auf CPUs und GPUs.

Reality Check (Stand September 2026): Gemessen sind Gatterzeiten von einigen zehn Nanosekunden und Fehlerkorrekturzyklen von rund einer Mikrosekunde auf supraleitender Hardware; demonstriert ist das hybride Rechenmuster an sehr kleinen Molekülen. Nur als Abschätzung existiert der Leistungsvergleich mit der GPU — und die fällt selbst unter optimistischen Annahmen für den Quantencomputer um Größenordnungen zugunsten der GPU aus, sobald Daten bewegt oder einfache Arithmetik gerechnet wird. Einen Beleg dafür, dass ein Quantencomputer eine GPU allgemein ersetzen könnte, gibt es nicht.

Was heißt das fürs eigene Homelab? #

Für die Hardwareplanung: nichts. Wer lokale KI, Transcoding oder Simulationen beschleunigen will, bleibt bei GPU und CPU; ein Quantencomputer würde keine dieser Aufgaben schneller erledigen. Die passenden Fragen sind VRAM und Bandbreite — dabei hilft der Local-AI-Rechner.

Zum Lernen ist das Thema trotzdem zugänglich: Quantenschaltungen lassen sich lokal simulieren, und kleine Experimente laufen über die genannten Cloud-Dienste auf echter Hardware. Wer dabei das hybride Muster ausprobiert — klassische Schleife, kurze Schaltung, Auswertung von Stichproben —, versteht schnell, warum die QPU ein Koprozessor ist. Messwerte aus dem eigenen Homelab gibt es dazu bei LabKompass noch nicht.