L’avanzata dei Neolab: ecco i futuri possibili campioni dell’AI

Nel giro di due anni una parte della ricerca più ambiziosa sull’intelligenza artificiale si è spostata dai grandi gruppi tecnologici verso startup fondate da scienziati di primo piano. È il fenomeno dei neolab, una nuova generazione di laboratori privati che potrebbe cambiare la concorrenza nell’AI oppure bruciare grandi quantità di capitale prima di arrivare sul mercato.

A fondare questi laboratori sono alcune delle migliori menti del settore, come Ilya Sutskever, Fei-Fei Li e Yann LeCun, che hanno contribuito a costruire l’intelligenza artificiale moderna.

Sutskever, già cofondatore e responsabile scientifico di OpenAI, guida Safe Superintelligence; Fei-Fei Li, protagonista della nascita di ImageNet, ha creato World Labs; LeCun, pioniere del deep learning, ha lasciato Meta per avviare AMI Labs.

I loro finanziatori non scommettono tipicamente su un prodotto già pronto. Ma su una squadra, una teoria scientifica e la capacità di ottenere potenza di calcolo.

Ci sono 29 neolab e 23 miliardi di dollari raccolti, secondo il perimetro individuato da Radical Ventures e le elaborazioni di PitchBook, a cura dell’Economist. Meno del 35% delle aziende censite aveva annunciato offerte commerciali; poco più della metà aveva diffuso codice utilizzabile dagli sviluppatori, spesso come dimostrazione di ricerca. Non significa che le altre siano inattive, ma che i finanziamenti precedono risultati verificabili dall’esterno.

Neolab AI: cosa sono

Il termine è stato sistematizzato nel giugno 2026 da Rich Kotite e Aaron Rosenberg di Radical Ventures, nel rapporto The Rise of NeoLabs. Descrive organizzazioni guidate da ricercatori, spesso provenienti da OpenAI, Google DeepMind o Meta, che sviluppano nuovi modelli o nuove tecniche di apprendimento invece di limitarsi a costruire applicazioni sopra modelli altrui. Un neocloud, invece, vende soprattutto infrastruttura di calcolo: può essere il fornitore di un neolab, non è la stessa cosa.

Anche i numeri vanno letti con prudenza. Radical Ventures parla, nel suo perimetro più ampio, di oltre 40 laboratori e oltre 40 miliardi di dollari di finanziamenti; l’Economist utilizza una coorte più ristretta di 29 aziende con 23 miliardi.

Inoltre la categoria è mobile: comprende approcci verso l’intelligenza generale e confina con laboratori dedicati a biologia, materiali, robotica e software.

Neolab AI: chi sono gli scienziati dietro i nuovi laboratori

Per capire perché queste aziende raccolgano capitali tanto prima di avere un fatturato consolidato bisogna conoscere le ricerche che i fondatori si portano dietro. Sutskever è stato tra i protagonisti dell’affermazione delle grandi reti neurali e della strategia di addestrarle su scala crescente. Fei-Fei Li ha promosso ImageNet, il grande progetto di immagini annotate che ha dato una spinta decisiva alla visione artificiale; Stanford ne ricostruisce il contributo scientifico. Yann LeCun, già alla guida della ricerca AI di Meta, sostiene che per ragionare e agire nel mondo fisico servano modelli capaci di rappresentarne il funzionamento, non soltanto di generare testi.

Non si tratta però di tre progetti equivalenti. Le ipotesi di ricerca divergono: SSI punta a sviluppare capacità generali mantenendo il controllo della sicurezza; World Labs lavora su ambienti tridimensionali; AMI Labs su rappresentazioni del mondo e previsione delle conseguenze delle azioni. Su un’altra strada, François Chollet, creatore di Keras e del benchmark ARC-AGI, ha fondato Ndea con Mike Knoop per esplorare l’integrazione fra apprendimento profondo e ragionamento strutturato. David Silver, che ha guidato ricerche su AlphaGo e AlphaZero in DeepMind, ha fondato Ineffable Intelligence per sviluppare sistemi che imparano dall’esperienza.

Altri laboratori mettono insieme competenze scientifiche e direzione industriale. Mira Murati, già direttrice tecnica di OpenAI, guida Thinking Machines Lab; Misha Laskin e Ioannis Antonoglou, entrambi provenienti da DeepMind, hanno fondato Reflection AI; Anna Goldie e Azalia Mirhoseini, protagoniste del lavoro su AlphaChip, hanno creato Ricursive Intelligence per automatizzare la progettazione dei semiconduttori. Le biografie spiegano quale problema ciascuna squadra pensa di saper affrontare, ma non dimostrano che la soluzione tecnica o il modello di business funzioneranno.

Neolab e fondatori: chi guida le principali scommesse scientifiche

Un precedente utile è Sakana AI, fondata a Tokyo nel 2023 da David Ha, Llion Jones e Ren Ito. Jones è tra gli autori dello studio che ha introdotto il Transformer; Ha proviene da Google Brain. Il laboratorio studia, fra l’altro, metodi di apprendimento e coordinamento di sistemi AI, con applicazioni per imprese e amministrazioni giapponesi. È un precursore della nuova stagione, non un’aggiunta automatica alla coorte presa a riferimento dalle statistiche dell’Economist.

Quanti soldi raccolgono i neolab AI e da dove arrivano

Per capire le dimensioni del fenomeno conviene partire da un dato con data e denominatore chiari: nella fotografia di Radical Ventures al 17 giugno 2026, i laboratori che puntano a capacità generali raccoglievano circa 14,8 miliardi di dollari complessivi, suddivisi fra fuoriusciti dai laboratori di frontiera, produttori di world model e nuovi approcci.

Il soggetto che concentra maggiormente investimenti strategici è Nvidia. Nella ricognizione di Radical Ventures risultava partecipe di 32 investimenti in produttori di modelli al 17 giugno, contro 13 di Salesforce Ventures e 11 di AMD Ventures. Si tratta del più ampio mercato dei produttori di modelli esaminato dallo studio, non di 32 neolab; il dato fotografa una data precedente alle ultime operazioni annunciate.

Il coinvolgimento dei produttori di chip rivela il circolo finanziario del settore: il laboratorio riceve capitali e accesso a grandi cluster, ma una porzione rilevante delle sue risorse finisce nell’addestramento e nell’esecuzione dei modelli. Chi finanzia la ricerca può anche vendere l’infrastruttura indispensabile per condurla. Non è di per sé una prova di insostenibilità, ma rende meno immediato misurare quanta nuova domanda economica venga effettivamente creata.

Safe Superintelligence: otto miliardi senza un prodotto pubblico

La storia simbolo è Safe Superintelligence (SSI), fondata nel giugno 2024 da Ilya Sutskever, già cofondatore e responsabile scientifico di OpenAI, insieme a Daniel Levy e Daniel Gross. L’obiettivo dichiarato è costruire una superintelligenza sicura, non lanciare rapidamente un assistente commerciale. Il ruolo di Sutskever è fondamentale: non si tratta di un manager chiamato a promuovere una tecnologia altrui, ma di uno dei ricercatori che hanno contribuito a consolidare l’approccio delle grandi reti neurali.

In un aggiornamento ufficiale del luglio 2025, Sutskever ha annunciato di essere diventato amministratore delegato, con Daniel Levy presidente, mentre Daniel Gross aveva lasciato la società a giugno. La distinzione fra fondatori originari e squadra attuale conta nel valutare la tenuta del progetto. Secondo le ricostruzioni di mercato richiamate dall’Economist, SSI ha raccolto complessivamente circa 8 miliardi di dollari ed è stata valutata 32 miliardi.

Nel comunicato congiunto del 27 luglio 2026, Nvidia e SSI confermano un investimento e una partnership per usare sistemi Vera Rubin e aumentare la capacità di calcolo di un ordine di grandezza. Il comunicato non quantifica l’investimento; la cifra di 5 miliardi è stata riportata dalla stampa finanziaria. La società parla di una direzione di ricerca abbastanza promettente da giustificare un salto di scala, ma non pubblica dettagli tali da consentire una valutazione indipendente dei risultati.

Thinking Machines: dalla ricerca ai ricavi con Tinker e Inkling

L’approccio di Thinking Machines Lab, fondata da Mira Murati, già direttrice tecnica di OpenAI, è diverso. Il gruppo iniziale comprendeva anche ricercatori come John Schulman, cofondatore di OpenAI e tra i protagonisti del post-addestramento dei modelli. Con Tinker, presentato nel 2025 e aggiornato nel bilancio del 15 ottobre 2026, il laboratorio permette di effettuare il post-addestramento di modelli aperti senza amministrare direttamente tutti i sistemi GPU. Il cliente prepara dati, obiettivi e procedure di addestramento; il servizio gestisce la parte infrastrutturale e i checkpoint.

A luglio 2026 il laboratorio ha inoltre rilasciato Inkling, modello multimodale con pesi aperti e 975 miliardi di parametri complessivi, di cui 41 miliardi attivi per passaggio. Non è solo una dimostrazione: Tinker è un servizio utilizzabile e Inkling ha pesi e scheda tecnica pubblici. Restano però da misurare su larga scala ricavi ricorrenti, costi del calcolo e capacità di difendere i margini.

L’Economist riferisce un ritmo di ricavi annualizzato superiore a 200 milioni di dollari e una valutazione di circa 40 miliardi ipotizzata in una nuova raccolta. È un rapporto indicativo di circa 200 volte i ricavi annualizzati, ma la raccolta a quella valutazione è ancora un’ipotesi riportata, non un’operazione già conclusa. Il laboratorio aveva ottenuto in precedenza un round di 2 miliardi a una valutazione di 12 miliardi.

Reflection AI e TypeSafe: due prodotti, due mercati differenti

Fondata da Misha Laskin e Ioannis Antonoglou, ex ricercatori di Google DeepMind, Reflection AI porta nella nuova impresa competenze maturate su apprendimento per rinforzo e sistemi come AlphaGo. Il laboratorio ha annunciato Beam il 5 ottobre e ne ha pubblicato i pesi il 16 ottobre. Secondo la scheda tecnica ufficiale, il modello usa un’architettura mixture-of-experts con 501 miliardi di parametri totali e 23 miliardi attivi, un contesto dichiarato fino a un milione di token e una specializzazione in ragionamento, programmazione e agenti. La licenza Apache 2.0 permette anche distribuzione e personalizzazione; non rende gratuito il calcolo necessario a farlo funzionare. Il Financial Times ha riferito di possibili nuovi investimenti o di un’acquisizione da parte di Nvidia: sono trattative, non decisioni definitive.

TypeSafe AI attacca un problema differente: non vuole produrre sempre un testo, ma far prendere a un software piccole decisioni strutturate, con una stima di confidenza. Il suo modello Jev può fungere da instradatore fra modelli, da classificatore o da componente di automazione. Il 9 ottobre 2026 TypeSafe ha confermato un round da 870 milioni, con valutazione di 7,5 miliardi, dopo un primo finanziamento di 40 milioni indicato dall’Economist. La società sostiene che un terzo delle Fortune 500 usi Jev: è una dichiarazione commerciale dell’azienda, non una verifica indipendente delle implementazioni o dei risultati.

Il successo di Jev spiega anche un rischio: un componente utile e relativamente piccolo può attirare subito concorrenti. Anche Inception, per esempio, propone oggi modelli di routing e decisione accanto ai suoi modelli linguistici a diffusione. Non basta essere i primi a dimostrare un’architettura per controllare stabilmente il mercato.

World Labs, il valore strategico dei modelli che capiscono lo spazio

La ricerca si sta estendendo oltre la generazione di testo. World Labs è stata fondata da Fei-Fei Li, professoressa a Stanford e pioniera della visione artificiale, insieme a Justin Johnson, Ben Mildenhall e Christoph Lassner. La ricercatrice è nota soprattutto per ImageNet, che ha contribuito a rendere possibile l’addestramento e la valutazione delle reti neurali sulle immagini. Oggi il laboratorio costruisce rappresentazioni tridimensionali di ambienti reali o immaginati: Marble ha una API pubblica, mentre Atlas, presentato a settembre 2026, è accessibile inizialmente a partner selezionati. Il passaggio dalla visione 2D ai mondi tridimensionali punta a rendere i sistemi AI più utili nelle simulazioni, nella progettazione e, in prospettiva, nella robotica.

Il 28 settembre AMD ha annunciato un accordo per acquistare World Labs attraverso uno scambio di azioni valutato circa 8,2 miliardi di dollari. La chiusura è prevista entro la fine del 2026, subordinata alle autorizzazioni. AMD acquisirebbe così un laboratorio capace di influenzare la progettazione dei chip e del software per il calcolo spaziale. Il valore dell’operazione non è un nuovo finanziamento raccolto da World Labs.

La seconda cintura: apprendimento continuo, scienza e robotica

Non tutti puntano a un unico modello generale. Ineffable Intelligence, fondata a Londra da David Silver, uno dei protagonisti scientifici di AlphaGo e AlphaZero, scommette su sistemi che apprendono dall’esperienza attraverso il rinforzo; ha annunciato con Google Cloud una collaborazione dopo un round iniziale di 1,1 miliardi. Il progetto esemplifica un’altra tesi di ricerca: l’apprendimento può continuare attraverso l’interazione con ambienti e ricompense, anziché dipendere soltanto da dati umani precedentemente raccolti. Inception sviluppa Mercury 2.5, che genera e rifinisce testo in parallelo con tecniche di diffusione, nel tentativo di ridurre la latenza.

Nel confine con la ricerca scientifica, Latent Labs ha presentato Latent-Y, un agente che progetta candidati anticorpali, accessibile a partner selezionati: nei test aziendali ha ottenuto risultati di legame su sei bersagli su nove, un dato preliminare che non equivale a efficacia clinica. Periodic Labs, fondata da Liam Fedus ed Ekin Doğuş Çubuk, punta invece a combinare modelli e laboratori robotizzati per la scoperta di materiali. Ricursive Intelligence, fondata da Anna Goldie e Azalia Mirhoseini dopo il loro lavoro su AlphaChip, applica l’AI alla progettazione dei semiconduttori. Nel mondo fisico operano anche Generalist, Physical Intelligence e altri produttori di modelli per i robot: settori vicini, ma non identici al campione dei neolab che inseguono l’intelligenza generale.

I dubbi sui neolab AI: costi, concorrenza, indipendenza

La prima incognita è quanto durerà il vantaggio tecnico. Un metodo di addestramento può essere imitato; i grandi laboratori possono integrare la stessa funzione; i modelli cinesi e quelli con pesi aperti possono comprimere i prezzi. Un punteggio elevato in un test non garantisce ricavi e un modello disponibile non è necessariamente un servizio industriale affidabile.

La seconda riguarda la dipendenza dai fornitori di calcolo. I piccoli gruppi di ricerca sono più agili, ma restano esposti a disponibilità di chip, condizioni dei contratti cloud, costi dell’energia e capitale necessario per il successivo ciclo di addestramento. Che Nvidia o AMD diventino anche azionisti accentua il loro potere nell’orientare le architetture e nel decidere quali ricerche avranno accesso all’infrastruttura.

La terza è una questione di politica industriale: chi controlla modelli, pesi, calcolo e condizioni di accesso? Per imprese e amministrazioni europee, un modello open-weight utilizzabile su infrastrutture scelte localmente può ridurre una dipendenza da API estere, ma non cancella automaticamente necessità di chip, supporto tecnico, dati idonei e verifiche di sicurezza. La localizzazione effettiva dei dati dipende dalla configurazione concreta.

Gli investitori immaginano tre esiti, delineati dalla stessa Radical Ventures: alcuni neolab arriveranno a diventare nuovi laboratori di frontiera; altri saranno assorbiti per competenze o proprietà intellettuale; altri ancora consumeranno i fondi senza raggiungere una dimensione sostenibile. L’acquisizione di un laboratorio può premiare la ricerca, ma non dimostra che il suo modello economico autonomo fosse solido.

Quali risultati serviranno per capire se i neolab funzionano

Più che contare i miliardi, serviranno traguardi confrontabili nel tempo: rilascio verificabile dei modelli, test indipendenti e riproducibili, distribuzione di prodotti utilizzati stabilmente, clienti che rinnovano, costo per compito completato, capacità di finanziarsi senza aumenti continui delle valutazioni. Per le tecnologie più sperimentali contano anche risultati scientifici pubblicabili e verifiche di sicurezza adeguate al rischio.

Ma, in mezzo a tanto caos, incertezza e fallimenti, potrebbe nascere la nuova stella radiosa del futuro tecnologico. Con impatti su tutto il mondo, tecnologico e non solo.