Das Wesentliche ist nicht die »Quantenhaftigkeit«, sondern die Wette auf das Packen großer Modelle
Multiverse Computing hat eine Series C über 570 Millionen US-Dollar bei einer Pre-Money-Bewertung von 1,7 Milliarden Dollar bekannt gegeben, und das sieht nicht mehr nach einer Nische aus. Laut The Next Web und der Deal-Beschreibung steuert das Unternehmen auf eine Gesamtfinanzierung von rund 800 Millionen Dollar zu, frühere Runden eingerechnet.
Technisch gesehen ist das Interessanteste nicht das abstrakte »Quantum-AI«, sondern die Plattform CompactifAI. Das Unternehmen treibt die Modellkompression auf Basis von Tensor-Netzwerken voran, einem mathematischen Werkzeug, das aus Problemstellungen stammt, die der Quanteninformatik nahestehen. Die Behauptung ist stark: eine Reduzierung der Modelle um etwa 80–95 % bei begrenztem Genauigkeitsverlust.
Das ist bereits Ingenieursgespräch und keine Schau schöner Worte. Wenn das unter realen Arbeitslasten hält, dann geht es nicht nur um eine billigere Inferenzökonomie, sondern um die Verlagerung von Modellen dorthin, wo sie vorher nicht hingepasst haben: On-Premises, Geräte, souveräne Rechenzentren.
In den Unterlagen zur Runde sagt das Unternehmen explizit, dass das Geld in den Ausbau der Bibliothek effizienter Modelle, weitere Forschung zu proprietären Algorithmen, souveräne KI-Infrastruktur und Wachstum in Ostasien, Südostasien, dem Nahen Osten, Kanada und den USA fließen soll. Das ist also keine Laborwette mehr, sondern der Versuch, den Markt rund um Recheneffizienz zu erobern.
Warum das gerade jetzt wichtig ist
Diese Runde ist wichtig, weil der Markt es offensichtlich leid ist, nur für die Modellgröße zu bezahlen. Wenn die berichtete 80–95-prozentige Kompression tatsächlich eine akzeptable Qualität bewahrt, gewinnt nicht der mit den meisten GPUs, sondern der, der dieselbe Aufgabe mit weniger Hardware und geringerem Energieverbrauch bewältigen kann.
Besonders logisch erscheint das für die Finanz- und Energiebranche, auf die Multiverse abzielt, sowie für Branchen mit strengen Anforderungen an die Datenhaltung. Dort sind lokale Ausführung und vorhersehbare Kosten oft wichtiger als die Jagd nach dem größten öffentlichen LLM.
Ich würde hier aber sofort auf zwei Dinge schauen. Erstens: Auf welchen konkreten Modellen und Szenarien beruht die versprochene Kompression? Zweitens: Was passiert mit Latenz, langem Kontext und Qualität an den Rändern der Verteilung, wo viele dieser Ansätze anfangen zu knirschen?
Ein weiteres Signal in der Deal-Struktur selbst: Es wird als große europäische KI-Finanzierung bezeichnet und als ein Schritt, der etwa das Fünffache der Series-B-Bewertung beträgt. Für mich ist das kein Zeichen des Glaubens an »Quantenmagie«, sondern des Glaubens daran, dass die Ära der teuren KI anfängt, auf sehr bodenständige Effizienzmathematik zu stoßen.