Il futuro della computazione potrebbe non essere fatto soltanto di 0 e 1
Dalla computazione quantistica alla materia che calcola: le tecnologie e le scoperte che potrebbero cambiare il futuro dell’informatica.
Una domanda che merita di essere posta
Da decenni siamo abituati a considerare il sistema binario come il fondamento inevitabile dell’informatica.
Tutto ciò che utilizziamo quotidianamente, dagli smartphone ai supercomputer, dalle automobili intelligenti ai sistemi di intelligenza artificiale, dipende da una rappresentazione dell’informazione basata essenzialmente su due stati: 0 e 1.
Abbiamo costruito un’intera civiltà tecnologica intorno a questa scelta.
Ma siamo sicuri che rappresenti l’unica strada possibile?
La domanda non è se il sistema binario abbia funzionato. Ha funzionato straordinariamente bene. La domanda è se abbiamo progressivamente confuso una soluzione tecnologica estremamente efficace con una necessità assoluta della natura.
Il sistema binario non è una legge universale della fisica. È un sistema di rappresentazione dell’informazione che si è dimostrato particolarmente adatto alla realizzazione di dispositivi elettronici affidabili, economici e scalabili.
Ma la materia non è obbligata a comportarsi come un circuito digitale tradizionale.
E proprio qui potrebbe iniziare una nuova fase della computazione.
1. Il successo e i limiti del modello binario
Il computer tradizionale utilizza circuiti elettronici capaci di distinguere due intervalli di stato.
Questa soluzione presenta vantaggi fondamentali:
- elevata affidabilità;
- buona resistenza alle interferenze;
- facilità di progettazione;
- possibilità di costruire circuiti estremamente complessi;
- riproducibilità delle operazioni.
La distinzione tra due stati rende relativamente semplice riconoscere e correggere gli errori.
Tuttavia, l’evoluzione dell’informatica sta incontrando problemi sempre più complessi.
L’intelligenza artificiale richiede enormi quantità di calcoli. I centri di elaborazione consumano energia, producono calore e richiedono infrastrutture sempre più impegnative.
Un altro problema riguarda l’architettura tradizionale dei computer: memoria ed elaborazione sono spesso separate. I dati devono continuamente spostarsi tra le due componenti.
Il costo energetico del trasferimento delle informazioni può diventare significativo quanto quello delle operazioni matematiche.
Non significa che il binario sia arrivato alla fine della sua evoluzione.
Significa che potrebbe essere opportuno esplorare architetture differenti.
2. Il sistema ternario: perché fermarsi a due stati?
Una prima possibilità consiste nell’utilizzare tre stati anziché due.
Il sistema ternario può rappresentare le informazioni attraverso:
- -1
- 0
- +1
Si parla, in questo caso, di sistema ternario bilanciato.
Non è un’idea puramente teorica. La computazione ternaria è stata studiata per decenni e ha avuto anche realizzazioni sperimentali.
Il computer Setun, costruito nell’Unione Sovietica alla fine degli anni Cinquanta sotto la direzione di Nikolay Brusentsov, rappresenta uno degli esempi storici più interessanti.
Perché utilizzare tre stati?
Perché un singolo elemento ternario può rappresentare più possibilità rispetto a un singolo elemento binario.
Matematicamente, tre stati permettono di codificare una quantità di informazione superiore a due stati per singola unità.
Naturalmente, questo non significa automaticamente ottenere computer più veloci o meno costosi.
La difficoltà consiste nella realizzazione fisica di tre stati sufficientemente distinti e affidabili, nella progettazione dei circuiti e nella compatibilità con le altre componenti.
Il ternario dimostra comunque una cosa importante: il binario non è l’unica possibilità per costruire un sistema digitale.
3. Il mondo quantistico non è obbligato a utilizzare soltanto due stati
Qui il discorso diventa ancora più interessante.
La computazione quantistica viene spesso descritta attraverso il qubit.
Il qubit è l’unità fondamentale di informazione quantistica utilizzata nelle architetture più conosciute.
A differenza del bit tradizionale, può trovarsi in una sovrapposizione quantistica di due stati di riferimento.
Ma perché limitarsi a due?
La ricerca scientifica studia anche i qudit, sistemi quantistici che possono utilizzare più di due livelli.
Un caso particolare è il qutrit, che utilizza tre stati quantistici.
Esistono anche sistemi con quattro, cinque o più livelli.
Questa possibilità è particolarmente interessante perché permette di rappresentare informazioni quantistiche in uno spazio di dimensione superiore.
Non bisogna però confondere la maggiore capacità di rappresentazione con una superiorità computazionale automatica.
Un sistema a più livelli può presentare difficoltà maggiori nel controllo, nella lettura e nella correzione degli errori.
La ricerca sui qudit è reale e documentata.
Nel 2024, A. B. Balantekin e Anna M. Suliga hanno pubblicato su European Physical Journal A uno studio sulle proprietà dei sistemi a dimensione superiore, confrontandoli con quelli basati sui qubit.
La domanda diventa quindi legittima: se la natura offre sistemi quantistici con più livelli, dobbiamo necessariamente continuare a costruire tutta l’informazione quantistica intorno a due soli stati?
4. Computare senza affidarsi esclusivamente ai numeri binari: il ritorno dell’analogico
Un’altra strada consiste nel recuperare e rinnovare la computazione analogica.
Un computer analogico non rappresenta necessariamente ogni informazione attraverso sequenze discrete di 0 e 1.
Può utilizzare grandezze fisiche continue:
- tensione elettrica;
- corrente;
- frequenza;
- fase;
- intensità luminosa;
- movimento meccanico.
Un esempio è un circuito che risolve un’equazione differenziale attraverso le relazioni fisiche tra i suoi componenti.
In questo caso il sistema fisico non si limita a rappresentare il problema: ne realizza direttamente una parte del calcolo.
L’analogico presenta però problemi storici: precisione, rumore, deriva dei componenti e difficoltà di riproduzione dei risultati.
La tecnologia moderna sta cercando di superare alcuni di questi limiti attraverso circuiti misti, materiali innovativi e nuove architetture.
Non si tratta quindi di tornare semplicemente ai computer analogici del passato.
Si tratta di utilizzare le loro caratteristiche insieme alle capacità dei sistemi digitali.
5. La luce come strumento di calcolo: la computazione fotonica
Invece di utilizzare esclusivamente gli elettroni per elaborare e trasferire informazioni, si possono utilizzare i fotoni.
La luce possiede caratteristiche interessanti:
- frequenza;
- fase;
- polarizzazione;
- intensità;
- modalità spaziali.
Queste proprietà possono essere utilizzate per rappresentare ed elaborare informazioni.
La computazione fotonica integrata è un settore di ricerca concreto.
Uno studio pubblicato nel 2024 su Nature Reviews Electrical Engineering, intitolato Integrated photonic neuromorphic computing: opportunities and challenges, analizza proprio le possibilità offerte dall’elaborazione ottica applicata alle reti neurali.
Il vantaggio potenziale è significativo: determinate operazioni possono essere eseguite sfruttando la propagazione e l’interferenza della luce.
Ma anche qui esistono ostacoli.
Conversione tra segnali ottici ed elettronici, precisione, integrazione, memoria e gestione del rumore sono problemi ancora aperti.
Non dobbiamo immaginare che un computer fotonico sostituirà necessariamente quello elettronico.
Potrebbe invece affiancarlo, assumendo compiti specifici nei quali la luce offre vantaggi concreti.
6. La materia che calcola: memristori e computazione fisica
Questa è una delle direzioni più interessanti.
E se il materiale stesso potesse partecipare all’elaborazione delle informazioni?
I memristori sono dispositivi elettronici la cui risposta elettrica dipende dalla storia delle sollecitazioni ricevute.
In determinate architetture possono essere utilizzati per conservare informazioni e realizzare operazioni di calcolo direttamente nella memoria.
Il principio viene chiamato Compute-in-Memory.
Invece di spostare continuamente i dati tra memoria e processore, alcune operazioni vengono eseguite dove i dati sono conservati.
È una prospettiva particolarmente interessante per l’intelligenza artificiale, che richiede numerose operazioni matematiche su grandi quantità di dati.
Nel 2024, Nature Reviews Electrical Engineering ha pubblicato una revisione scientifica sui memristori utilizzati come acceleratori hardware per l’intelligenza artificiale.
Nel 2026, Nature Materials ha pubblicato un’ulteriore analisi dedicata alle strategie per migliorare la precisione della computazione analogica basata su memristori.
Quest’ultimo lavoro evidenzia anche un problema fondamentale: i vantaggi energetici devono essere confrontati con gli errori introdotti dal rumore e dalle imperfezioni dei dispositivi.
La ricerca non ha ancora risolto tutti questi problemi.
Ma il principio è importante: non sempre è necessario separare rigidamente memoria e calcolo.
7. Il cervello come modello: computazione neuromorfica
Un’altra possibilità consiste nell’abbandonare l’idea che ogni elaborazione debba seguire la struttura di un processore tradizionale.
Il cervello umano non funziona come una CPU convenzionale.
Utilizza reti di neuroni, connessioni, impulsi elettrici e processi distribuiti.
La computazione neuromorfica cerca di riprodurre alcuni di questi principi attraverso componenti elettronici specializzati.
Un esempio è rappresentato dalle reti neurali a impulsi, chiamate Spiking Neural Networks.
Questi sistemi elaborano informazioni attraverso eventi e impulsi, anziché affidarsi esclusivamente alle operazioni matematiche convenzionali delle reti neurali artificiali.
La prospettiva è interessante per applicazioni che richiedono:
- riconoscimento di schemi;
- elaborazione sensoriale;
- apprendimento;
- autonomia;
- consumi energetici contenuti.
Anche in questo caso non abbiamo una sostituzione universale dei computer tradizionali.
Abbiamo una diversa architettura, potenzialmente più adatta a determinate categorie di problemi.
8. Quando è la natura stessa a diventare un computer
Possiamo spingerci ancora oltre.
La ricerca sulla computazione fisica studia la possibilità di utilizzare direttamente le dinamiche di materiali e sistemi naturali per eseguire elaborazioni.
Un esempio è la Physical Reservoir Computing.
In questo approccio, le proprietà dinamiche di un sistema fisico vengono utilizzate per trasformare gli ingressi in stati elaborabili.
Il sistema può essere elettronico, ottico o meccanico.
Una revisione pubblicata su Nature Electronics nel marzo 2024, Physical reservoir computing with emerging electronics, analizza proprio queste possibilità.
Esistono anche ricerche sulla computazione molecolare, sul DNA e sui sistemi biologici.
Non significa che una cellula sia automaticamente un computer migliore di un processore.
Significa che possiamo studiare fenomeni naturali come possibili strumenti di elaborazione.
La differenza concettuale è notevole.
Per secoli abbiamo costruito macchine che eseguivano istruzioni.
Ora stiamo studiando come utilizzare direttamente le proprietà della materia per ottenere risultati computazionali.
9. Il futuro probabilmente non avrà un solo vincitore
Sarebbe un errore pensare che una di queste tecnologie debba necessariamente sostituire tutte le altre.
Il futuro potrebbe essere caratterizzato da sistemi eterogenei.
Un computer potrebbe utilizzare:
- processori binari per il controllo generale;
- acceleratori analogici per determinate operazioni matematiche;
- circuiti fotonici per elaborazioni parallele;
- processori neuromorfici per il riconoscimento di schemi;
- sistemi quantistici per specifici problemi scientifici.
Non sarebbe una rivoluzione contro il binario.
Sarebbe una rivoluzione contro l’idea che un solo paradigma debba essere utilizzato per qualsiasi problema.
Anche la ricerca quantistica dimostra questa pluralità.
Il NIST documenta attività su sistemi basati su ioni intrappolati, atomi neutri, circuiti superconduttori e fotoni.
Non esiste ancora una tecnologia quantistica universalmente vincente.
Ogni architettura presenta caratteristiche, vantaggi e difficoltà differenti.
10. Quando l’intelligenza artificiale comincia a esplorare la matematica
A questo punto entra in gioco un’altra evoluzione, che merita una riflessione separata.
Non riguarda direttamente il superamento del sistema binario, ma potrebbe cambiare profondamente il modo in cui utilizziamo la capacità di calcolo.
Nel 2026 Anthropic ha pubblicato due risultati matematici particolarmente interessanti ottenuti con Claude.
Il primo riguarda uno dei problemi più celebri della matematica: l’ipotesi di Riemann.
Formulata nel 1859, questa congettura riguarda la distribuzione degli zeri non banali della funzione zeta di Riemann ed è profondamente collegata alla distribuzione dei numeri primi.
Nonostante oltre un secolo e mezzo di studi, non è stata ancora dimostrata.
Anthropic ha raccontato che una versione di ricerca di Claude, incaricata di affrontare questo problema, non è riuscita a risolvere l’ipotesi.
Tuttavia, durante il tentativo, ha ottenuto un risultato matematico importante su un problema collegato.
Il limite inferiore noto della proporzione degli zeri collocati sulla retta critica è passato dal 41,6% al 67,2%.
Il risultato è stato esaminato da due matematici di Anthropic, Levent Alpöge e Ralph Furman, e sottoposto anche a formalizzazione verificabile.
È fondamentale precisare che l’ipotesi di Riemann rimane irrisolta.
Non siamo davanti alla soluzione di uno dei più grandi problemi matematici della storia, ma a un progresso concreto su una questione strettamente collegata.
La seconda dimostrazione riguarda l’ultimo teorema di Fermat.
Nel 1637 Pierre de Fermat formulò l’affermazione secondo cui non esistono soluzioni intere positive dell’equazione:
aⁿ + bⁿ = cⁿ
per n maggiore di 2.
La dimostrazione arrivò soltanto nel 1994, grazie al lavoro di Andrew Wiles, con il contributo di Richard Taylor nella correzione di un passaggio fondamentale.
Nel settembre 2026 Anthropic ha annunciato che Claude aveva completato la formalizzazione informatica della dimostrazione.
Il lavoro è stato realizzato in undici giorni, producendo circa 13 milioni di righe di codice Lean e 29.500 teoremi intermedi utilizzati nella dimostrazione finale.
Qui è necessaria una distinzione importante.
Claude non ha scoperto una nuova dimostrazione del teorema di Fermat.
Ha trasformato la dimostrazione matematica già conosciuta in una struttura formale verificabile da un sistema informatico.
La verifica è stata affidata a Lean, un proof assistant che controlla formalmente la correttezza dei passaggi logici.
Il risultato è particolarmente significativo perché dimostra che l’intelligenza artificiale può contribuire a trasformare dimostrazioni matematiche estremamente complesse in strutture controllabili automaticamente.
Non è soltanto una questione di velocità.
È una nuova possibilità di collaborazione tra intuizione matematica, intelligenza artificiale e verifica formale.
11. Il collegamento tra nuove macchine e nuove forme di ragionamento
I risultati di Anthropic introducono una questione ulteriore.
Se un sistema computazionale può esplorare ipotesi, coordinare agenti specializzati, verificare passaggi matematici e contribuire a individuare risultati non precedentemente considerati, dobbiamo interrogarci anche sulla natura degli strumenti con cui realizziamo questa attività.
La domanda non riguarda più soltanto la velocità di elaborazione.
Riguarda la capacità di organizzare il calcolo, distribuire il ragionamento, verificare le conclusioni e scoprire relazioni matematiche.
È possibile che il futuro richieda non semplicemente processori più veloci, ma architetture capaci di combinare differenti modalità di elaborazione.
Sistemi binari, quantistici, analogici, fotonici e neuromorfici potrebbero contribuire a realizzare infrastrutture computazionali specializzate, nelle quali l’intelligenza artificiale coordina processi differenti.
Non sappiamo ancora se questa sarà la direzione definitiva.
Occorre inoltre evitare un equivoco: i risultati matematici di Claude sono stati ottenuti attraverso infrastrutture computazionali digitali tradizionali. Non dimostrano che sia necessaria una macchina quantistica o analogica per ottenere nuove scoperte matematiche.
Dimostrano, però, che le possibilità della computazione non dipendono soltanto dalla potenza dei processori, ma anche da come organizziamo gli algoritmi, gli strumenti di verifica e la collaborazione tra sistemi.
12. La posizione di PENSAI: nessun paradigma deve diventare un dogma
Applicando l’approccio agnostico di PENSAI, la questione non dovrebbe essere quale tecnologia sostituirà il sistema binario.
La questione dovrebbe essere quale architettura sia più appropriata per ogni problema.
Una valutazione seria dovrebbe considerare almeno otto dimensioni:
- Efficienza energetica.
- Capacità effettiva di elaborazione.
- Precisione e affidabilità.
- Scalabilità industriale.
- Costi di produzione e manutenzione.
- Sicurezza e verificabilità.
- Complessità dell’architettura.
- Riproducibilità dei risultati.
A queste dimensioni va aggiunta una considerazione: la possibilità di controllare indipendentemente i risultati prodotti.
Il principio è semplice: non scegliere una tecnologia perché è nuova, famosa o apparentemente più potente.
Sceglierla soltanto quando le prove dimostrano che rappresenta una soluzione migliore rispetto alle alternative disponibili.
La computazione quantistica, quella analogica, la fotonica, la neuromorfica e quella biologica devono essere valutate con gli stessi criteri.
Non esistono tecnologie esenti dalla verifica.
Conclusione: forse dobbiamo cambiare il modo di immaginare il computer
Abbiamo trascorso decenni a migliorare i computer rendendoli più piccoli, più veloci e più potenti.
Abbiamo moltiplicato i transistor, aumentato la capacità delle memorie e sviluppato processori sempre più sofisticati.
Ma forse stiamo entrando in una fase diversa.
La prossima grande innovazione potrebbe non essere un processore con un numero ancora maggiore di transistor.
Potrebbe essere un sistema nel quale la luce, la materia, i fenomeni quantistici e le proprietà dei materiali partecipano direttamente al processo di elaborazione.
Parallelamente, l’intelligenza artificiale sta dimostrando di poter contribuire alla ricerca matematica e alla verifica formale di risultati estremamente complessi.
Sono due evoluzioni differenti, ma entrambe ci invitano a mettere in discussione alcune convinzioni consolidate.
Il computer del futuro potrebbe non essere più soltanto una macchina che simula il funzionamento della natura attraverso una lunga sequenza di operazioni binarie.
Potrebbe diventare una macchina che utilizza direttamente alcuni dei meccanismi attraverso i quali la natura stessa evolve.
Non sappiamo ancora quale strada prevarrà.
E forse non ne prevarrà una sola.
La vera libertà scientifica consiste proprio nel non trasformare una soluzione che ha avuto successo in una verità definitiva.
Il sistema binario ci ha portato fin qui. Non abbiamo ancora dimostrato che possa portarci ovunque.
Forse il futuro dell’informatica non sarà costruire macchine che pensano più velocemente secondo le nostre regole, ma costruire sistemi capaci di aiutarci a scoprire regole e possibilità che ancora non conosciamo.
È una prospettiva da esplorare senza entusiasmo cieco, ma anche senza pregiudizi.
Perché una possibilità non deve essere accettata perché affascinante, né respinta perché diversa da ciò che conosciamo.
Nota editoriale: questo articolo è stato elaborato con il supporto dell’intelligenza artificiale. I risultati scientifici citati sono distinti dalle ipotesi e dalle prospettive tecnologiche. Le fonti originali sono indicate per consentire verifiche indipendenti.
Fonti scientifiche
| Argomento | Fonte |
|---|---|
| Qudit e sistemi quantistici multidimensionali | Balantekin e Suliga, 2024 |
| Computazione fotonica | Farmakidis, Dong e Bhaskaran, Nature, 2024 |
| Memristori e intelligenza artificiale | Nature Reviews Electrical Engineering, 2024 |
| Computazione fisica | Liang et al., Nature Electronics, 2024 |
| Computazione neuromorfica | Kudithipudi et al., Nature, 2025 |
| Precisione dei memristori | Nature Materials, 2026 |
| Ipotesi di Riemann | Anthropic, agosto 2026 |
| Teorema di Fermat | Anthropic, settembre 2026 |
Link
- On the properties of qudits – European Physical Journal A
- Integrated photonic neuromorphic computing – Nature
- Memristor-based hardware accelerators for artificial intelligence – Nature
- Physical reservoir computing with emerging electronics – Nature Electronics
- Neuromorphic computing at scale – Nature
- Strategies of high-accuracy memristor-based analogue computing – Nature Materials, 2026
- Learning more about Claude’s mathematical capabilities – Anthropic
- Formalizing Fermat’s Last Theorem – Anthropic
- Anthropic AI formalizes Fermat’s Last Theorem – Nature, 7 settembre 2026
- Nuova dimostrazione sul 67,25% degli zeri della funzione zeta – arXiv
Views: 4