Callosum vill bryta AI-världens beroende av en enda modell och ett enda chip

Callosum gör en satsning som går på tvärs mot den rådande AI-logiken. I stället för att bygga nästa generations AI genom att skala upp en enda jättemodell på enorma mängder likadana acceleratorer vill det Cambridge-grundade bolaget skapa så kallad heterogen intelligens: system där specialiserade modeller och olika processorer samarbetar, medan mjukvaran avgör vilket verktyg som passar varje del av uppgiften bäst.

Det är både ett tekniskt och strategiskt problem som Callosum försöker lösa. Avancerade AI-tjänster blandar ofta rutinmässig körning, resonemang, informationssökning och interaktion i realtid. Att skicka varje steg till samma frontmodell och samma hårdvaruplattform kan då bli onödigt långsamt och dyrt. Callosums alternativ är att matcha varje uppgift med den modell och det chip som hanterar den mest effektivt.

Det Callosum vill förändra

Dagens AI-infrastruktur bygger i stor utsträckning på att samla allt mer beräkningskraft kring större modeller, ofta på stora flottor av Nvidia-GPU:er. Callosum ifrågasätter om samma recept – en generell modell, ett dominerande hårdvaruekosystem och ständigt mer beräkningskraft – verkligen är den effektivaste vägen till avancerade eller ”superintelligenta” system.

Grundarnas bakgrund inom neurovetenskap ligger bakom jämförelsen. Biologisk intelligens består inte av en enda enhetlig krets som utför alla uppgifter. På ett liknande systemnivå vill Callosum kombinera specialiserade komponenter i stället för att behandla en enda modell som lösningen på varje delproblem.

Det innebär inte att en modell eller ett chip kommer att försvinna. Tanken är snarare att de ska bli utbytbara delar i ett större datorsystem, där valet styrs av vad varje förfrågan kräver.

Så fungerar routningen mellan modeller och chip

Callosum beskriver sin mjukvara som ett orkestreringslager för AI-arbetslaster. I praktiken ska systemet kunna:

1. Dela upp ett komplext arbete i deluppgifter. En applikation i flera steg kan innehålla olika former av resonemang, verktygsanvändning och körning.
2. Välja en lämplig modell för varje steg. En snabbare och billigare modell kan hantera rutinmässiga iterationer, medan en mer kapabel resonemangsmodell reserveras för svåra beslut.
3. Välja lämplig hårdvara. Arbetet kan fördelas över flera processortyper i stället för att vara bundet till en enda leverantörs infrastruktur.
4. Optimera efter praktiska begränsningar. Routningen kan ta hänsyn till svarstid, kostnad och energibehov.

Bolaget uppger att plattformen är utformad för att fungera i olika molnmiljöer och med hårdvara från bland andra Nvidia och AMD, Amazons Trainium- och Inferentia-chip samt Cerebras system.

För en företagsagent kan det exempelvis innebära att en accelerator med låg svarstid används för återkommande interaktioner, en generell GPU för ett annat steg och en kraftfullare resonemangsmodell först när uppgiften verkligen kräver det. Vinsten skulle därmed inte bara vara större hårdvarufrihet, utan möjligheten att bygga arbetsflöden kring styrkorna hos flera olika komponenter.

Vinsterna – och den viktiga brasklappen

Callosum uppger att metoden i utvalda komplexa arbetslaster har gett upp till dubbelt så hög träffsäkerhet, sju gånger högre prestanda och fyra gånger lägre kostnad. Siffrorna är bolagets egna påståenden, som rapporterades när företaget lämnade sin så kallade stealth-fas i februari. Det tillgängliga underlaget visar inte att resultaten har verifierats oberoende eller att de gäller brett för AI-arbetslaster.

Den ekonomiska logiken är enkel. Om varje steg i en AI-applikation inte behöver den mest kraftfulla modellen kan en billigare eller snabbare modell minska kostnaden för inferens, alltså själva körningen av modellen. Och om alla steg inte behöver samma processor kan operatörer utnyttja tillgänglig kapacitet bättre och minska beroendet av en enskild hårdvaruleverantör.

Metoden kan vara relevant för automatisering av datoranvändning, betalningar, cybersäkerhet och multiagentsystem – områden där flera sorters beräkningar behöver samverka. Framgången kommer dock att bero på om routningslagret kan fatta tillförlitliga beslut utan att den extra komplexiteten och administrationen äter upp vinsterna.

Därför handlar frågan också om AI-suveränitet

Callosums argument sträcker sig längre än optimering. Att träna och köra de mest avancerade AI-systemen kräver stora mängder kapital, el och specialiserad hårdvara. När dessa resurser koncentreras till ett fåtal modellbolag och chiptillverkare ökar beroendet av både dominerande infrastrukturföretag och de regioner där infrastrukturen finns tillgänglig.

Ett hårdvaruoberoende mjukvarulager skulle kunna ge organisationer större frihet att bestämma var arbetslaster körs och göra det enklare att använda alternativa processorer. I den meningen blir heterogen infrastruktur en del av en strategi för AI-suveränitet: företag och länder kan använda ett bredare urval av tillgängliga chip i stället för att helt förlita sig på en enda teknikplattform.

Det är dock en ambition, inte ett bevisat resultat. Att stödja flera chip skapar inte automatiskt en konkurrenskraftig hårdvarumarknad. Det praktiska värdet kommer att avgöras av prestanda, tillgänglighet, utvecklarverktyg och hur tillförlitliga Callosums integrationer är.

Finansieringen och investerarna

När Callosum lämnade sin stealth-fas i februari 2026 presenterade bolaget en finansieringsrunda på 10,25 miljoner dollar. Rundan leddes av Plural, och bland de namngivna ängelinvesterarna fanns Charlie Songhurst, Stan Boland och John Lazar. Storbritanniens Advanced Research and Invention Agency, ARIA, bidrog separat med forskningsanslag för att integrera nya chip; myndigheten beskrevs inte som aktieinvesterare i den rundan.

Den 20 augusti 2026 meddelade bolaget därefter en ny såddrunda på 100 miljoner dollar, ledd av Atomico, med betydande deltagande från Plural, DCVC och UK Sovereign AI Fund, tillsammans med andra investerare och ängelinvesterare.

Om de två rundorna räknas ihop har Callosum därmed meddelat finansiering på cirka 110,25 miljoner dollar sedan bolaget lämnade stealth-fasen. Summan följer hur finansieringen har presenterats i det tillgängliga underlaget. Bolagets offentliga besked innehåller dock ingen fullständig fördelning mellan alla de deltagare som inte har namngivits.

Vad det brittiska stödet signalerar

Callosum uppger att investeringen är den första någonsin från UK Sovereign AI Fund och att bolaget har inkluderats i Storbritanniens AI-hårdvaruplan på 1,1 miljarder pund. AI-ministern Kanishka Narayan har också lyft fram vikten av att använda chip effektivt när efterfrågan på AI-beräkningar växer.

Sammantaget positionerar det Callosums teknik som mer än en privat optimeringslösning. Den brittiska regeringen framställer bredare tillgång till AI-hårdvara och effektivare orkestrering som delar av landets nationella AI-kapacitet och suveränitet. Det garanterar inte bolagets tekniska eller kommersiella framgång, men förklarar varför ett routningslager har lockat strategiskt offentligt stöd vid sidan av riskkapital.

Därför är Cerebras-samarbetet viktigt

Callosums flaggskeppssamarbete med Cerebras integrerar Cerebras kapacitet i bolagets heterogena routningslager. Tanken är att använda Cerebras teknik för inferens med mycket låg fördröjning där snabbhet är särskilt värdefull, medan andra delar av arbetslasten skickas till andra modeller eller processorer.

Det kan vara användbart i realtids- och multiagentsystem, där fördröjningar kan byggas på efter varandra när många modell-anrop görs. Callosum och Cerebras beskriver kombinationen som ett sätt att möjliggöra AI-system som tidigare skulle ha varit för långsamma, dyra eller opraktiska att köra i stor skala.

Det finns samtidigt en oklarhet i det tillgängliga underlaget kring vem som uttalade sig. Tech.eu tillskriver påståendet Cerebras vd Andrew Feldman, medan Callosums eget tillkännagivande tillskriver samma formulering Andy Hock, Cerebras strategichef. Själva partnerskapet och målet om låg fördröjning är konsekventa mellan källorna, men uppgiften om talaren är det inte.

Den avgörande frågan återstår

Callosums tes är att AI-infrastruktur bör likna ett samordnat ekosystem snarare än en enda massiv maskin: flera modeller, flera chiptyper och mjukvara som skickar varje uppgift till den resurs som passar bäst.

Idén svarar mot verkliga problem i AI-drift – svarstid, kostnader, energiförbrukning och beroendet av koncentrerade leveranskedjor. Det avgörande testet blir ändå praktiskt. Callosum måste visa att heterogen routning förbättrar kompletta applikationer, inte bara enskilda benchmarktester, samtidigt som en blandad hårdvarumiljö blir tillräckligt enkel för utvecklare och tillräckligt stabil för produktion.

Såddrundan på 100 miljoner dollar visar att investerare ser samordningsproblemet som både stort och strategiskt viktigt. Den bredare tekniska potentialen är däremot fortfarande villkorad av om bolaget kan omvandla hårdvarumångfald till mätbara och återkommande fördelar för verkliga användare.