Schlanke KI statt gigantischer Rechenzentren: Das spanisch-kanadische Unternehmen Multiverse Computing bringt seine Technologie zur Modellkomprimierung mit CompactifAI in den Unternehmensmarkt – und trifft damit einen wachsenden Nerv bei IT-Verantwortlichen, denen Rechenkosten und Infrastrukturaufwand über den Kopf wachsen.
Komprimierte KI-Modelle: Multiverse Computing drängt ins Unternehmensgeschäft
Was steckt hinter CompactifAI?
Das Grundprinzip klingt zunächst fast zu schön: Large Language Models auf einen Bruchteil ihrer ursprünglichen Größe reduzieren – ohne nennenswerte Einbußen bei der Leistung. Multiverse Computing erreicht das durch mathematische Verfahren aus der Quanteninformatik, konkret durch sogenannte Tensor-Netzwerk-Methoden. Die Idee dahinter ist nicht neu, aber die praktische Umsetzung auf kommerzielle Sprachmodelle in dieser Konsequenz schon.
Modelle, die ursprünglich Dutzende Gigabyte Speicher beanspruchen, lassen sich mit CompactifAI auf deutlich handlichere Größen herunterbrechen – bei einem Leistungsprofil, das laut Unternehmensangaben erstaunlich nah am Original bleibt.
Intern kursierende Zahlen sprechen von Kompressionsraten zwischen 8x und 20x – je nach Architektur und Anwendungsfall.
Warum das gerade jetzt relevant ist
Der Zeitpunkt ist kein Zufall. Die Kosten für den Betrieb großer KI-Modelle sind in vielen Unternehmen längst ein ernsthaftes Thema: GPU-Engpässe, explodierende Cloud-Rechnungen, regulatorische Anforderungen an die Datenhaltung im eigenen Haus. Gerade mittelgroße Unternehmen, die keine eigene Hyperscaler-Infrastruktur betreiben können oder wollen, stehen vor einer zentralen Frage: Wie lässt sich leistungsfähige KI produktiv einsetzen, ohne die IT-Budgets zu sprengen?
Komprimierte Modelle bieten hier einen pragmatischen Ausweg. Sie lassen sich lokal auf bestehender Hardware betreiben – was nicht nur Kosten spart, sondern auch datenschutzrechtlich attraktiv ist.
In regulierten Branchen wie Finanzdienstleistungen, Gesundheitswesen oder Recht ist die Möglichkeit, sensible Daten gar nicht erst in externe Cloud-Infrastrukturen schicken zu müssen, ein handfestes Argument.
Multiverse Computing im Marktumfeld
Das Unternehmen bewegt sich in einem Feld, das zunehmend belebt wird. Quantisierungsverfahren von llama.cpp bis hin zu Googles Ansätzen zur Modelldestillation verfolgen ähnliche Ziele. Was Multiverse Computing für sich beansprucht, ist ein mathematisch tieferer Ansatz: Die Tensor-Netzwerk-Komprimierung greift strukturell anders in die Modellarchitektur ein als klassisches Pruning oder einfache Gewichtsquantisierung.
Ob dieser Ansatz in der Breite hält, was er verspricht, wird sich im praktischen Einsatz zeigen müssen. Erste Partnerschaften mit Unternehmen aus dem Finanz- und Energiesektor sollen laut Multiverse Computing bereits existieren – konkrete Referenzkunden mit öffentlichen Ergebnissen fehlen bislang allerdings noch. Die Finanzierungsbasis des Unternehmens ist solide: Mehrere Investitionsrunden, unter anderem mit Beteiligung europäischer Förderprogramme, haben Multiverse Computing in eine kommerziell ernsthafte Position gebracht.
Einordnung für deutsche Unternehmen
Für Unternehmen hierzulande ist der Ansatz aus mehreren Gründen beachtenswert:
- DSGVO-Konformität: Komprimierte Modelle lassen sich lokal betreiben – sensible Daten verlassen das Haus nicht.
- Kosteneffizienz: Bestehende Hardware bleibt nutzbar, teure GPU-Cluster entfallen.
- On-Premise-Fähigkeit: Besonders für den deutschen Mittelstand ein zentrales Kriterium.
CompactifAI ist kein Allheilmittel – Fine-Tuning-Aufwände und Qualitätseinbußen in spezifischen Aufgabenbereichen sind bei jeder Komprimierungstechnologie einzukalkulieren. Dennoch gilt:
Wer KI-Budgets unter Kontrolle halten und proprietäre Cloud-Abhängigkeiten vermeiden will, sollte den Markt für Modellkomprimierung ab sofort ernsthafter beobachten – er entwickelt sich schneller, als viele IT-Verantwortliche derzeit wahrhaben wollen.
Quelle: TechCrunch
