Spaans startup Multiversum Computing heeft een mijlpaal van € 189 miljoen (ongeveer $ 215 miljoen) serie B-financieringsronde beveiligd om een technologie te schalen die de economie van kunstmatige intelligentie fundamenteel zou kunnen veranderen. De kwantum-geïnspireerde software van het bedrijf, Compactifai, is ontworpen om de grootte van krachtige grote taalmodellen (LLMS) met maximaal 95%te comprimeren, een beweging die gericht is op het verlagen van de immense operationele kosten van AI en geavanceerde modellen in staat te stellen om te lopen op dagelijkse apparaten ver van de cloud.
de investering, gedetailleerd in een aankondiging Uit multiverse computers, werd door bullhound capital met een aanzienlijk VC. Met een portfolio van 160 octrooien en 100 klanten wereldwijd, waaronder Bosch en de Bank of Canada, pakt Multiversum een van de grootste hindernissen in de AI-industrie aan: de verbluffende kosten van hardloopmodellen, een proces dat bekend staat als inferentie. De technologie van het bedrijf belooft deze modellen 4x tot 12x sneller te maken, wat zich zou kunnen vertalen naar een inferentiekostenreductie van 50% tot 80%.
Deze infusie van kapitaal is vierkant gericht op wat Polaris Market Research Astate At is een $ 106 miljard AI Inferentiemarkt . Door modellen dramatisch te krimpen, zoals Lama en Mistral, is Multiverse van plan het haalbaar te maken om geavanceerde AI te draaien, niet alleen in datacenters, maar op pc’s, smartphones, auto’s en zelfs kleine computers zoals een Raspberry Pi.”De heersende wijsheid is dat krimpende LLMS een prijs is. Multiversum verandert dat”, zegt Enrique Lizaso Olmos, de CEO van het bedrijf.
eerder onderzoek , stelt het bedrijf in staat om miljoenen te identificeren en te elimineren van redundante parameters in een model. Innerlijke werking van een neuraal netwerk om miljarden valse correlaties te elimineren om allerlei AI-modellen echt te optimaliseren,”zei Orús. Het resultaat, zoals gedetailleerd in een Bedrijfspaper Gepubliceerd op ARXIV, is een compressieratio die de traditionele methoden verdeelt. Aanzienlijke verbetering ten opzichte van industriestandaardtechnieken die een nauwkeurigheidsverlies van 20-30% kunnen veroorzaken voor een veel kleinere vermindering van de grootte.
Deze”verlies”maar zeer efficiënte aanpak staat in tegenstelling tot”verliesloze”methoden zoals de DFLOAT11-techniek. Zoals uiteengezet in zijn onderzoekspaper , beweren de makers van DFLOAT11 dat voor gevoelige toepassingen, het garanderen van bit-for-bit nauwkeurigheid van cruciaal belang is, omdat verliesmethoden cruciaal kunnen zijn, kan een onverschillige variabelen introduceren. Multiverse gokt dat voor de meeste toepassingen de bijna perfecte nauwkeurigheid bij een fractie van de grootte een winnende formule is.
A $ 215 miljoen weddenschap op AI-efficiëntie
De massale financieringsronde is niet alleen een stem van vertrouwen in de technologie van Multivers, maar ook een significante gebeurtenis voor de Europese technische scène. According to the recent ‘State of Quantum 2025’ report, European quantum startups historically receive a disproportionately small share of global funding, making this €189 million round a major Outlier.
Per Roman, managing partner bij Lead Investor Bullhound Capital, merkte op dat de vindingrijkheid van het bedrijf”de Europese soevereiniteit versnelt”door”materiële veranderingen in AI-verwerking”te introduceren. A Recent marktrapport Van SNS Insider On Edge AI-chips bleek dat het inferentiesegment goed was voor ongeveer 75% van de totale omzet van de markt in 2024. Door dit proces goedkoper en efficiënter te maken, zijn er een fundamentele laag in de AI-infrastructuurstapel, het aanbieden van de onderlinge modellen op zijn Compactifai Productpagina .
De drukke race om AI te verkleinen
Multiverium is een concurrentielandschap waar verschillende bedrijven zijn om de AI-efficiëntie te verkrijgen. Terwijl Multiverse zich richt op het comprimeren van het statische model voor inferentie, richten andere innovaties zich op verschillende delen van de AI-levenscyclus.
bijvoorbeeld, is het nenosearchiekader van Alibaba ontwikkeld om de kosten van het trainen van een AI te verlagen door zoekmachineinteracties te simuleren, zoals gedetailleerd in een wetenschappelijk artikel op arxiv. Ondertussen verbetert het geheugenoptimalisatiesysteem van Sakana AI de efficiëntie bij lang-contexttaken door het actieve geheugen van het model of KV-cache dynamisch te beheren.
De duw naar de rand ziet ook nieuwe samenwerkingen. In een nieuwe samenwerking, nota nota ai en wind river werken direct ai-modellen in de automotive en ies in de automobiel en ies in de automotive en ies in de automobiel en ies in de automobiel en ies in de automobiel en ies in de automobiel en ies in de automobiel en ies in de automotive en ies in de automotive en ies in de automobiel en ies in de automotive en IOT in de automobiel en ies in de automotive en IOT in de automobiel en ies in de automotive en IOT in de automobiel. sectoren . Avijit Sinha of Wind River affirmed the importance of this trend, noting that “AI model optimization and software-defined automation will be key”to unlocking new applications at the edge.
Unleashing AI from the Data Center
The ultimate goal of these efficiency gains is to power an “AI on the Edge”revolution, moving intelligence from centralized cloud servers onto local apparaten. Deze verschuiving wordt aangedreven door verschillende belangrijke voordelen, waaronder de behoefte aan reacties met lage latentie, verbeterde gebruikersprivacy door gegevens op de apparaten te bewaren en lagere operationele kosten.
Dit is de toekomst waar beleggers zoals HP Tech Ventures op bankieren. Tuan Tran, president van technologie en innovatie bij HP, legde uit dat door AI toegankelijker te maken aan de rand, de aanpak van Multiverse de benadering heeft om voordelen te bieden, zoals verbeterde prestaties en privacy voor bedrijven van elke omvang.
De commerciële kansen is enorm, met de edge AI-markt geprojecteerd van $ 21,4 miljard in 2024 tot $ 221 Billion is niet alleen het verlagen van de kosten-het is bedoeld om opnieuw te definiëren waar en hoe kunstmatige intelligentie kan worden gebruikt.