Multiverse Computing, scaleup spagnola che lavora all'incrocio tra intelligenza artificiale e fisica quantistica, ha messo nel mirino fino a 570 milioni di dollari in un round di finanziamento che la porterebbe a una valutazione di 1,7 miliardi. Un balzo in avanti notevole per un'azienda che punta a comprimere i Large Language Models dell'80-95% senza perdita significativa di accuratezza, giusto in tempo per il grande spostamento dell'inference AI verso i dispositivi edge.

La tecnicia chiave si chiama CompactifAI: un approccio ispirato alla fisica quantistica che ridisegna la struttura dei modelli, riducendone drasticamente le dimensioni e consentendo l'esecuzione diretta su droni, telecamere, satelliti, veicoli e infrastrutture di telecomunicazione. A differenza delle tecniche di quantization convenzionali, che sacrificano precisione per alleggerire il carico computazionale, CompactifAI promette un compromesso quasi indolore tra performance e footprint. I clienti già in produzione — tra cui Allianz, Bosch, Bank of Canada, Indra e Telefónica — suggeriscono che la scommessa non è solo teoria.

Il round ancora aperto, co-guidato da Forgepoint Capital International, BNPP SIVF e Bullhound Capital, con il supporto di Santander Alternative Investments, Tikehau Capital, Orange Ventures e Scania Invest, portrebbe il finanziamento totale dell'azienda a circa 800 milioni di dollari. Un incremento di cinque volte rispetto alla valutazione del round precedente, segnale di quanto gli investitori stiano puntando su un cambio di paradigma: l'AI non più confinata nei data center ma distribuita su un ecosistema di dispositivi locali, spesso sconnessi dalla rete.

L'analisi non può fermarsi al singolo round. Se CompactifAI mantiene le promesse, si aprono scenari che toccano il cuore del dibattito sull'infrastruttura AI. Primo: la compressione spinta fino al 95% rende i modelli gestibili su hardware con poca VRAM, erodendo la dipendenza dalle GPU di fascia alta e dal cloud. Questo significa che le aziende con requisiti di sovranità dei dati — difesa, finanza, sanità, telecomunicazioni — possono eseguire inference in locale senza sacrificare la qualità, abbattendo al contempo il TCO e i rischi di esposizione dei dati. Secondo: il baricentro si sposta dagli hyperscaler agli integratori di sistema e ai produttori di dispositivi embedded, che ora possono differenziarsi offrendo AI on-device senza costi proibitivi. Terzo: si innesca una pressione competitiva sui vendor di GPU per l'inference, perché se i modelli richiedono meno risorse, la domanda di acceleratori costosi potrebbe ridimensionarsi.

C'è però un caveat: la tecnicia si basa su principi di fisica quantistica, ma non è chiaro quanto ci sia di realmente quantistico e quanto di avanzata algebra tensoriale. La perdita di accuratezza viene definita "immateriale", ma verifiche indipendenti su benchmark diversificati sono ancora limitate. E il rischio è che l'adozione precoce in settori critici possa esporre a bachi nascosti in domini specifici.

Per chi valuta oggi un percorso di deployment on-premise o edge, la vicenda Multiverse Computing è un termometro. L'arrivo di soluzioni di compressione aggressive potrebbe ribaltare i calcoli di convenienza tra cloud e locale, rendendo superflui gli investimenti in cluster di GPU dedicati. Su AI-RADAR analizziamo regolarmente questi trade-off: il framework /llm-onpremise aiuta a soppesare i parametri — latenza, privacy, costo per token — senza inseguire mode passeggere.

La partita è aperta. Il round non è chiuso, ma la valutazione a 1,7 miliardi indica che molti credono in un futuro in cui l'AI non ha bisogno di una connessione perenne a un data center. E se quel futuro arriva, le carte dell'industria saranno state davvero rimescolate.