Miles Wang, ricercatore di OpenAI, sta negoziando il lancio di una startup che sfrutterà l’intelligenza artificiale per accelerare la scoperta di nuovi farmaci, con una valutazione di partenza che si aggira intorno ai 2 miliardi di dollari. Lightspeed Venture Partners è in trattative per guidare il round di investimento, secondo fonti vicine all’operazione.

La notizia arriva in un momento in cui l’IA generativa sta ridefinendo i confini della ricerca scientifica. Drug discovery, protein folding, progettazione molecolare: campi che fino a pochi anni fa erano dominio esclusivo di laboratori umidi e simulazioni HPC tradizionali, oggi vedono una crescente contaminazione con architetture transformer e modelli linguistici addestrati su sequenze biologiche. Non è un caso che Wang provenga da OpenAI: la capacità di lavorare con Large Language Models su scala e di adattarli a domini verticali è un asset raro, e il mercato lo sta prezzando di conseguenza.

La valutazione miliardaria, prima ancora che la startup abbia un prodotto pubblico, non è solo una scommessa sulla persona di Wang. È un segnale strutturale: il venture capital crede che la fase di prototipazione dell’IA farmaceutica stia finendo, e che sia il momento di passare a investimenti massicci per portare i primi farmaci “scoperti dall’AI” fino alla sperimentazione clinica. Chi ci guadagna? Innanzitutto i detentori di brevetti e dati proprietari — le big pharma che collaborano con queste startup potranno accedere a pipeline di molecole candidate molto più ampie, riducendo il rischio a monte. Chi rischia di perdere il passo sono i centri di ricerca che non dispongono delle infrastrutture computazionali o del talento per competere su questo terreno.

C’è un aspetto che tocca direttamente il nostro osservatorio sull’infrastruttura on-premise. Nella farmaceutica, i dati di screening molecolare e le cartelle cliniche su cui si addestrano questi modelli sono spesso soggetti a vincoli di sovranità e confidenzialità. Non tutte le aziende sono disposte a caricare segreti industriali su cloud pubblici. Un deployment self-hosted — su cluster locali con GPU ad alta VRAM, magari in configurazioni air-gapped — diventa non più un’eccezione da laboratorio accademico, ma un requisito di business. La domanda di hardware specializzato per training e inference di LLM applicati alla biologia potrebbe quindi crescere in modo asimmetrico: non solo grandi hyperscaler, ma anche data center privati di aziende farmaceutiche e biotecniciche.

La scelta di Lightspeed come lead investor aggiunge un tassello: il fondo ha già scommesso su startup che operano all’intersezione tra IA e scienze dure. Questo round, se confermato, rafforza la tendenza a costruire stack completi — dai modelli di base fino alla distribuzione terapeutica — controllando internamente la risorsa più critica: i dati e il calcolo.

In definitiva, la vicenda Wang è un campanello per chiunque segua l’evoluzione dell’IA oltre le chatbot. La prossima generazione di startup deep tech nasce con valutazioni da unicorno già al primo round, ma ha bisogno di architetture di calcolo solide e spesso on-premise per mantenere la promessa. La domanda aperta è se l’hardware riuscirà a stare al passo, o se il vero collo di bottiglia diventerà la disponibilità di GPU per chi non ha la scala di un Google o di un Microsoft.