Callosum vuole superare la “monocultura” dell’AI: più modelli, più chip, un solo sistema

Callosum sta facendo una scommessa controcorrente sull’infrastruttura dell’intelligenza artificiale. Secondo la startup fondata a Cambridge, la prossima generazione di sistemi AI potrebbe non nascere facendo semplicemente crescere un unico modello gigantesco su immense flotte di acceleratori identici. L’alternativa proposta è la “heterogeneous intelligence”, o intelligenza eterogenea: combinare modelli specializzati e processori differenti, lasciando al software il compito di decidere quale strumento debba gestire ogni fase di un lavoro.

L’idea affronta un problema tecnico, ma anche strategico. Le applicazioni AI più complesse alternano esecuzione di routine, ragionamento, recupero di informazioni e interazione in tempo reale. Inviare ogni passaggio allo stesso modello di frontiera e allo stesso tipo di hardware può essere più lento e costoso del necessario. Callosum propone invece di abbinare ogni attività al modello e al chip più efficaci per svolgerla.

La sfida alla “monocultura” dell’AI

L’infrastruttura AI dominante oggi concentra la capacità di calcolo su modelli sempre più grandi, spesso eseguiti su ampie flotte di GPU Nvidia. Callosum mette in discussione l’idea che replicare all’infinito questo schema — un modello generalista, un ecosistema hardware prevalente e una quantità crescente di calcolo — sia il percorso più efficiente verso sistemi avanzati o “superintelligenti”.

La formazione dei fondatori in neuroscienze orienta anche il paragone con l’intelligenza biologica: il cervello non affida ogni compito a un unico circuito uniforme. Callosum trasferisce questa intuizione a livello di sistema, combinando componenti specializzati invece di trattare un solo modello come risposta a ogni sotto-attività.

Questo non significa che un determinato modello o chip debba scomparire. La tesi è piuttosto che entrambi debbano diventare componenti intercambiabili di un sistema più ampio, scelti in base alle necessità di ogni richiesta.

Come funziona il routing tra modelli e chip

Callosum descrive il proprio software come uno strato di orchestrazione per i carichi di lavoro AI. In pratica, il sistema dovrebbe:

1. Scomporre un’attività complessa in sotto-attività. Un’applicazione composta da più passaggi può includere forme diverse di ragionamento, uso di strumenti ed esecuzione.
2. Scegliere il modello più adatto a ogni fase. Un modello più rapido ed economico può gestire le iterazioni di routine, mentre un modello di ragionamento più potente viene riservato alle decisioni difficili.
3. Selezionare l’hardware appropriato. Il carico può essere distribuito tra diversi tipi di processori, senza dipendere dall’infrastruttura di un solo fornitore.
4. Ottimizzare i vincoli operativi. Le decisioni di instradamento possono tenere conto di latenza, costi e consumi energetici.

La piattaforma, secondo l’azienda, è progettata per funzionare su diversi ambienti cloud e con hardware che comprende i chip Nvidia e AMD, le piattaforme AWS Trainium e Inferentia e i sistemi Cerebras.

Per un agente aziendale, questo potrebbe voler dire usare un acceleratore a bassa latenza per le interazioni frequenti, una GPU generalista per un’altra fase e un modello di ragionamento più potente solo quando il compito lo richiede. Il possibile vantaggio non consiste soltanto nella libertà di scegliere l’hardware: è la possibilità di costruire un flusso di lavoro sfruttando i punti di forza di più componenti.

I vantaggi dichiarati, con una precisazione

Callosum afferma di aver ottenuto, su alcuni carichi di lavoro complessi, fino a 2 volte più accuratezza, prestazioni 7 volte superiori e costi 4 volte inferiori. Si tratta di dichiarazioni dell’azienda riportate in occasione dell’uscita dalla modalità stealth a febbraio; le fonti disponibili non dimostrano che questi risultati siano stati verificati in modo indipendente né che valgano per i carichi AI in generale.

La logica economica alla base del progetto è semplice. Se non ogni fase di un’applicazione richiede il modello più potente disponibile, assegnare le attività di routine a un’opzione più economica o più veloce potrebbe ridurre i costi d’inferenza. E se non tutte le fasi hanno bisogno dello stesso processore, gli operatori potrebbero sfruttare meglio la capacità disponibile e ridurre la dipendenza da un singolo fornitore di hardware.

L’approccio potrebbe trovare applicazione nell’automazione che usa il computer, nei pagamenti, nella cybersicurezza e nei sistemi multi-agente, ambiti che combinano diversi tipi di calcolo. Il successo dipenderà però dalla capacità dello strato di routing di prendere decisioni affidabili senza introdurre una complessità o un sovraccarico tali da annullare i guadagni promessi.

Non solo efficienza: la questione della sovranità sull’AI

La proposta di Callosum va oltre l’ottimizzazione tecnica. Addestrare e fornire servizi basati sui sistemi AI più avanzati richiede ingenti capitali, elettricità e hardware specializzato. La concentrazione di queste risorse nelle mani di pochi sviluppatori di modelli e produttori di chip può aumentare la dipendenza sia dai principali fornitori di infrastruttura sia dalle aree geografiche in cui tale infrastruttura è disponibile.

Uno strato software indipendente dall’hardware potrebbe offrire alle organizzazioni più scelta su dove eseguire i carichi di lavoro e rendere più semplice l’utilizzo di processori alternativi. In questo senso, un’infrastruttura eterogenea diventa anche una componente di una strategia di sovranità sull’AI: aziende e Paesi potrebbero usare una gamma più ampia di semiconduttori disponibili invece di affidarsi interamente a un’unica piattaforma tecnologica.

Per ora, tuttavia, si tratta di un obiettivo, non di un risultato dimostrato. La compatibilità con più chip non crea automaticamente un mercato hardware competitivo. Il valore concreto dipenderà da prestazioni, disponibilità, strumenti per gli sviluppatori e affidabilità delle integrazioni realizzate da Callosum.

I finanziamenti e gli investitori

Callosum ha annunciato un round da 10,25 milioni di dollari nel febbraio 2026, quando è uscita dalla modalità stealth. Il finanziamento era guidato da Plural, con la partecipazione dichiarata degli angel investor Charlie Songhurst, Stan Boland e John Lazar. L’agenzia britannica Advanced Research and Invention Agency, nota come ARIA, ha fornito separatamente un finanziamento alla ricerca per l’integrazione di nuovi chip; nelle fonti non è descritta come investitore azionario di quel round.

Il 20 agosto 2026 la società ha annunciato un ulteriore round seed da 100 milioni di dollari guidato da Atomico, con una partecipazione significativa di Plural, DCVC e UK Sovereign AI Fund, oltre ad altri investitori e business angel.

Se i due round vengono sommati, come suggerisce la copertura disponibile, Callosum ha annunciato finanziamenti per circa 110,25 milioni di dollari dall’uscita dalla modalità stealth. Il totale riflette il modo in cui i finanziamenti sono stati presentati nelle fonti, ma l’annuncio pubblico della società non offre una suddivisione completa investitore per investitore degli altri partecipanti non nominati.

Cosa segnala il sostegno del Regno Unito

Callosum afferma che si tratta del primo investimento in assoluto del UK Sovereign AI Fund e che la società è stata inclusa nel piano britannico da 1,1 miliardi di sterline per l’hardware AI. Anche il ministro britannico per l’AI Kanishka Narayan ha sottolineato pubblicamente l’importanza di usare i chip in modo efficiente, mentre la domanda di capacità di calcolo per l’intelligenza artificiale continua a crescere.

Nel loro insieme, questi segnali presentano la tecnologia di Callosum come qualcosa di più di un semplice strumento privato per ottimizzare l’infrastruttura. Il governo britannico sta collegando l’accesso diversificato all’hardware AI e un’orchestrazione più efficiente alla capacità tecnologica e alla sovranità nazionale. Questo non garantisce il successo tecnico o commerciale della startup, ma aiuta a spiegare perché uno strato di routing abbia attirato sostegno pubblico strategico oltre al capitale di rischio.

Perché la partnership con Cerebras è importante

La partnership principale con Cerebras porta la capacità di calcolo dell’azienda all’interno dello strato di routing eterogeneo di Callosum. L’obiettivo è utilizzare l’inferenza a bassa latenza di Cerebras dove la velocità è particolarmente importante, indirizzando le altre fasi del carico verso modelli o processori differenti.

Questo potrebbe essere utile nei sistemi in tempo reale e multi-agente, nei quali i ritardi si accumulano a ogni chiamata a un modello. Callosum e Cerebras descrivono la combinazione come un modo per rendere operativi, su scala, sistemi AI che in precedenza sarebbero stati troppo lenti, costosi o poco pratici da gestire.

Nelle fonti disponibili, però, c’è una discrepanza sull’attribuzione di questa affermazione: Tech.eu la attribuisce all’amministratore delegato di Cerebras, Andrew Feldman, mentre l’annuncio di Callosum attribuisce la stessa formulazione ad Andy Hock, chief strategy officer di Cerebras. La partnership e l’obiettivo di ottenere una bassa latenza sono coerenti nelle fonti; non lo è invece l’identità del portavoce.

La domanda ancora aperta

La tesi di Callosum è che l’infrastruttura AI dovrebbe assomigliare meno a un’unica macchina gigantesca e più a un ecosistema coordinato: diversi modelli, diversi tipi di chip e un software capace di assegnare ogni compito alla risorsa più adatta.

L’idea risponde a pressioni concrete nell’adozione dell’AI: latenza, costi, consumi energetici e dipendenza da filiere concentrate. La prova decisiva sarà però operativa. Callosum dovrà dimostrare che il routing eterogeneo migliora applicazioni complete, non solo benchmark isolati, rendendo al tempo stesso un ambiente hardware misto abbastanza semplice per gli sviluppatori e abbastanza affidabile per l’uso in produzione.

Il round seed da 100 milioni di dollari indica che gli investitori considerano questo problema di coordinamento ampio e strategicamente rilevante. La promessa più ampia della tecnologia resta però condizionata alla capacità della startup di trasformare la diversità dell’hardware in vantaggi misurabili e ripetibili per utenti reali.