Per alcuni anni il dibattito sull’intelligenza artificiale si è concentrato soprattutto su chatbot, generatori di immagini, assistenti per il coding e piattaforme per automatizzare le attività d’ufficio. Ora l’attenzione degli investitori si sta spostando verso applicazioni meno visibili al grande pubblico, ma potenzialmente più incisive per l’economia: la ricerca scientifica, la progettazione di nuovi materiali e lo sviluppo di tecnologie industriali.
Uno dei segnali più recenti arriva da CuspAI, startup britannica fondata a Cambridge nel 2024 da Chad Edwards e Max Welling. Il 20 luglio 2026 la società ha annunciato un round Series B da 450 milioni di dollari, guidato da Kleiner Perkins e NEA, che ha portato la valutazione a 2,6 miliardi di dollari. All’operazione hanno partecipato anche Bezos Expeditions, il Sovereign AI Fund del governo britannico, Lux Capital, AMD Ventures e Invest-NL.
CuspAI, startup britannica fondata a Cambridge nel 2024 ha annunciato un round Series B da 450 milioni di dollari, guidato da Kleiner Perkins e NEA, che ha portato la valutazione a 2,6 miliardi di dollari
L’obiettivo di CuspAI è usare modelli di intelligenza artificiale per individuare materiali con proprietà definite in partenza: maggiore conducibilità, resistenza termica, capacità di immagazzinare energia o efficacia nella cattura di sostanze inquinanti. Le applicazioni riguardano semiconduttori, batterie, reti elettriche, tecnologie climatiche e manifattura avanzata.
Dalla generazione di testi alla scoperta scientifica
La differenza rispetto alla prima ondata dell’AI generativa riguarda il tipo di output. Un chatbot produce una risposta testuale. Una piattaforma scientifica deve invece proporre una struttura molecolare o cristallina che rispetti vincoli fisici, chimici e industriali.
Il processo parte dai dati disponibili: letteratura accademica, risultati sperimentali, database di materiali e simulazioni. I modelli possono analizzare questo patrimonio informativo, selezionare le combinazioni più promettenti e ridurre il numero di candidati da sottoporre a test. Il vantaggio non consiste nell’eliminare il laboratorio, ma nel restringere uno spazio di ricerca che spesso comprende milioni di possibilità.
La ricerca ha già prodotto risultati misurabili. Il sistema GNoME di Google DeepMind ha identificato 2,2 milioni di strutture cristalline potenzialmente stabili, 380 mila delle quali considerate abbastanza promettenti da essere aggiunte al Materials Project. Un altro progetto, condotto con risorse di high-performance computing, ha analizzato oltre 32 milioni di candidati per nuovi elettroliti solidi, restringendo la selezione a 18 composizioni da approfondire.
La verifica sperimentale resta indispensabile. Un materiale previsto dal software può essere difficile da sintetizzare, troppo costoso o inadatto alla produzione su larga scala. L’AI interviene quindi nella fase di screening e nella definizione delle ipotesi, mentre scienziati e ingegneri devono stabilire se la soluzione funziona fuori dalla simulazione.
Perché le startup deeptech attirano capitali
Il round di CuspAI mostra come il venture capital stia ampliando il proprio raggio d’azione. Dopo la corsa ai foundation model e alle applicazioni software, cresce l’interesse per imprese capaci di collegare machine learning, ricerca scientifica e infrastrutture fisiche.
Il potenziale economico è rilevante. Nuovi materiali possono aumentare l’efficienza dei chip, ridurre l’impiego di materie prime rare, prolungare la durata delle batterie o rendere più economici alcuni processi industriali. In questi mercati, anche un incremento limitato delle prestazioni può generare un vantaggio competitivo difficile da replicare.
CuspAI ha accompagnato il finanziamento con il lancio dell’AI Materials Foundry, una rete internazionale che riunisce più di 45 organizzazioni. Tra i partner figurano Nvidia, Meta, aziende industriali, laboratori e fornitori di dati scientifici. La piattaforma proprietaria MIRA punta a coordinare l’intero ciclo di scoperta, dalla generazione dei candidati alla simulazione, fino alla pianificazione della sintesi e alla validazione sperimentale.
Questa impostazione richiede molto più capitale rispetto a una normale startup SaaS. Servono potenza di calcolo, ricercatori specializzati, accesso ai laboratori e tempi di sviluppo compatibili con la sperimentazione scientifica. Il rischio è maggiore, ma lo sono anche le barriere all’ingresso e il valore della proprietà intellettuale.
L’Europa cerca spazio nella nuova corsa all’AI
La posizione geografica di CuspAI non è un dettaglio. Il mercato dell’intelligenza artificiale è dominato dagli Stati Uniti, soprattutto per disponibilità di capitale, infrastrutture cloud e capacità di attrarre talenti. L’Europa dispone però di università, centri di ricerca e competenze industriali che possono diventare un vantaggio nei settori deeptech.
Il governo britannico ha scelto di intervenire direttamente attraverso Sovereign AI, fondo pubblico da 500 milioni di sterline destinato alle imprese nazionali del settore. Il programma combina investimenti azionari, accesso ai supercomputer, supporto nel reclutamento e rapporti con la pubblica amministrazione. Tra le aree prioritarie figurano la ricerca scientifica e le life sciences.
Molte startup europee sviluppano tecnologie promettenti nelle fasi iniziali, ma cercano negli Stati Uniti il capitale necessario per crescere
La strategia risponde a un problema noto: molte startup europee sviluppano tecnologie promettenti nelle fasi iniziali, ma cercano negli Stati Uniti il capitale necessario per crescere. Affiancare agli investimenti privati risorse pubbliche, infrastrutture di calcolo e domanda industriale può ridurre questa dipendenza.
Le opportunità per le startup italiane
Per gli imprenditori italiani, il punto non è competere nella costruzione del prossimo modello generalista. Una strada più concreta consiste nell’applicare l’AI a settori nei quali esistono già competenze scientifiche, filiere produttive e clienti industriali.
Farmaceutica, diagnostica, chimica, materiali compositi, automazione, energia e manifattura di precisione offrono problemi abbastanza specifici da giustificare soluzioni verticali. Il valore può trovarsi nei dataset proprietari, nella conoscenza del dominio e nella capacità di integrare software, simulazione e sperimentazione.
Il modello operativo richiede però una collaborazione più stretta tra startup, università e imprese. Senza accesso a dati di qualità, infrastrutture HPC e laboratori, anche il modello più avanzato rischia di restare una demo. Allo stesso tempo, le aziende industriali possono usare le startup come unità di ricerca esterne, condividendo problemi tecnici che difficilmente verrebbero affrontati dai grandi fornitori di software.
Il prossimo ciclo dell’innovazione
La nuova fase dell’intelligenza artificiale sarà probabilmente meno immediata da raccontare rispetto alla diffusione dei chatbot. I cicli di sviluppo sono più lunghi e i risultati devono superare prove scientifiche, vincoli regolatori e processi di industrializzazione.
Dopo aver imparato a generare testi, immagini e codice, l’AI viene impiegata per progettare molecole e materiali che ancora non esistono
Il round di CuspAI segnala però che il mercato è disposto a finanziare questa traiettoria. Dopo aver imparato a generare testi, immagini e codice, l’AI viene impiegata per progettare molecole e materiali che ancora non esistono.
La sfida sarà trasformare le previsioni dei modelli in prodotti reali. È in questo passaggio, dalla GPU al laboratorio e dal laboratorio alla fabbrica, che si giocherà una parte rilevante della prossima competizione deeptech.
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
Salvatore Viola
Source link
