Multiverse Computing recauda $570 millones: revolución en la compresión de modelos de IA
La startup española Multiverse Computing ha logrado un avance significativo en el mercado de la inteligencia artificial al cerrar una ronda de financiación Serie C por hasta $570 millones. La valoración de la compañía alcanzó los $1,7 mil millones, lo que confirma el alto interés de los inversores en soluciones que optimizan los costos computacionales en la IA.
La tecnología principal de la startup se basa en redes tensoriales, un aparato matemático que permite comprimir modelos de aprendizaje automático hasta en un 95% de su tamaño original. La ventaja clave: con esta reducción radical del volumen de datos, la precisión y la calidad del funcionamiento de los modelos apenas se ven afectadas. Esto abre el camino para la implementación de «IA eficiente»: sistemas que requieren menos recursos computacionales, energía y costos de infraestructura.
Los fondos recaudados se destinarán a tres áreas clave. En primer lugar, el desarrollo de la plataforma CompactifAI, que ya se posiciona como un estándar para la compresión de redes neuronales. En segundo lugar, la creación de una infraestructura de IA soberana, algo especialmente relevante para los estados que buscan independencia tecnológica. En tercer lugar, la expansión global: la startup apunta a los mercados de EE. UU., Asia y Oriente Medio, donde la demanda de soluciones de IA energéticamente eficientes crece exponencialmente.
En mi opinión, Multiverse Computing demuestra un enfoque maduro ante el problema del «hambre energética» de los sistemas de IA modernos. Mientras que gigantes como OpenAI y Google gastan miles de millones en escalar centros de datos, la startup española ofrece una solución matemática elegante. Si la compresión tensorial realmente mantiene la calidad de los modelos en un nivel del 95% o más, esto podría convertirse en uno de los avances más significativos de 2025 en el ámbito de la computación eficiente. Sin embargo, la pregunta principal es si la empresa podrá escalar la tecnología a volúmenes industriales sin perder rendimiento.