Nel venture capital dell’intelligenza artificiale, una squadra di ricercatori, una tesi scientifica e la capacità di assicurarsi migliaia di GPU possono valere miliardi prima che esistano ricavi comparabili, clienti su larga scala o perfino un prodotto pubblico. Il finanziamento precede così la verifica tecnica e commerciale, sostenendo laboratori indipendenti organizzati come imprese che il settore ha cominciato a chiamare neolab.
Il termine circola almeno dalla fine del 2025 nella stampa tecnologica e negli ambienti del venture capital statunitense. The Information lo ha impiegato per descrivere startup orientate alla ricerca, costituite per esplorare approcci che i grandi sviluppatori di modelli potrebbero avere trascurato; analisi successive, tra cui quella di Radical Ventures, ne hanno esteso il perimetro e proposto classificazioni più articolate.
In termini operativi, un neolab è un laboratorio di ricerca indipendente organizzato come impresa, fondato per verificare una specifica ipotesi tecnica e costruire modelli propri. Il prodotto, quando arriva, discende dalla ricerca invece di determinarla fin dall’inizio. Questa caratteristica lo distingue dalle numerose startup che applicano modelli sviluppati da OpenAI, Anthropic, Google o Meta a un particolare processo aziendale.
Un perimetro finanziario rende più confrontabile una categoria dai confini ancora mobili. Considerando i laboratori fondati dal 2024 in poi, impegnati ad addestrare modelli propri e capaci di raccogliere almeno 100 milioni di dollari di capitale effettivamente annunciato, alla fine di settembre 2026 i casi pubblicamente identificabili comprendono Safe Superintelligence, Thinking Machines Lab, Reflection AI, Periodic Labs e General Intuition, oltre a World Labs, Physical Intelligence, Humans&, Genesis AI, AMI Labs, Ineffable Intelligence, Flapping Airplanes, Recursive Superintelligence e Project Prometheus. La soglia esclude valutazioni, trattative non concluse e impegni commerciali per l’acquisto di capacità di calcolo.
World Labs, fondata da Fei-Fei Li per lavorare sull’intelligenza spaziale, è passata dai 230 milioni raccolti nel 2024 a un nuovo round da un miliardo; Physical Intelligence ha ottenuto 600 milioni nel 2025 per i suoi modelli fondamentali destinati alla robotica. A questi si aggiungono i 480 milioni di Humans&, i 105 milioni di Genesis AI, gli 1,03 miliardi raccolti da AMI Labs di Yann LeCun, gli 1,1 miliardi di Ineffable Intelligence, i 180 milioni di Flapping Airplanes e i 650 milioni di Recursive Superintelligence. Project Prometheus, cofondato da Jeff Bezos e Vik Bajaj per applicare l’AI a ingegneria e produzione, dispone di 6,2 miliardi di dollari. Inception e Isara, entrambe sotto la soglia, restano nel testo per le tesi tecniche che rappresentano.
Il capitale arriva prima della prova del mercato
Il caso che ha reso visibile il fenomeno è Safe Superintelligence, la società costituita nel giugno 2024 da Ilya Sutskever, Daniel Gross e Daniel Levy. La sua intera roadmap coincide con un solo risultato: sviluppare una superintelligenza sicura, affrontando capacità e sicurezza come problemi tecnici congiunti. SSI descrive esplicitamente una struttura sottratta alle pressioni dei normali cicli di prodotto. Entro pochi mesi dalla fondazione aveva raccolto un miliardo di dollari; un ulteriore round da 2 miliardi, riportato nell’aprile 2025, ha portato la valutazione a 32 miliardi di dollari.
La stessa logica è emersa con Thinking Machines Lab, fondata dall’ex CTO di OpenAI Mira Murati. Nel luglio 2025 ha chiuso un seed da 2 miliardi di dollari con una valutazione complessiva di 12 miliardi: uno dei maggiori primi round mai registrati nella Silicon Valley. Al momento dell’operazione il laboratorio non aveva ancora un prodotto pubblico. Nell’ottobre successivo ha però presentato Tinker, un servizio che consente a ricercatori e sviluppatori di effettuare il fine-tuning, cioè la specializzazione successiva all’addestramento generale, di modelli open weight senza amministrare direttamente l’infrastruttura distribuita.
La concentrazione non riguarda soltanto pochi casi spettacolari. L’analisi dell’OCSE sugli investimenti in AI calcola che nel 2025 i mega-round abbiano rappresentato circa il 73% del valore complessivo delle operazioni di venture capital nel settore. Nello stesso anno la dimensione media di un deal AI è salita a 35,8 milioni di dollari, mentre la mediana è rimasta a 5 milioni: una distanza che rivela quanto poche operazioni eccezionali alterino la fotografia del mercato.
I dati di PitchBook citati da Axios attribuivano alle startup AI il 53% di tutto il venture capital mondiale già nella prima metà del 2025. Crunchbase ha poi calcolato che circa 15 miliardi di dollari siano confluiti nei soli round seed dell’AI durante l’intero anno, il 50% in più rispetto al 2024.
Non cercano tutti di costruire un altro ChatGPT
La disponibilità di capitale non basta a definire un neolab. Il secondo elemento è una tesi scientifica riconoscibile, spesso in contrasto con l’idea che il progresso dipenda principalmente dall’aumento delle dimensioni dei modelli linguistici autoregressivi, addestrati a prevedere un token dopo l’altro.
La rottura più riconoscibile arriva dai world model, progettati per rappresentare ambienti, relazioni spaziali e conseguenze delle azioni invece di limitarsi alla struttura statistica del linguaggio. World Labs, fondata da Fei-Fei Li, sviluppa sistemi di intelligenza spaziale capaci di generare e manipolare mondi tridimensionali; AMI Labs, costituita da Yann LeCun dopo l’uscita da Meta, lavora su modelli dotati di memoria, ragionamento e pianificazione. I rispettivi round da un miliardo e 1,03 miliardi di dollari mostrano quanto capitale si sia raccolto attorno all’ipotesi che la prossima frontiera richieda una comprensione più strutturata del mondo fisico.
General Intuition parte invece dai videogiochi per costruire world model e action model. I primi apprendono come evolve un ambiente; i secondi scelgono quali azioni compiere al suo interno. Le sessioni di gioco forniscono video associati ai comandi impartiti dagli utenti, una combinazione utile per studiare percezione, previsione e decisione nello spazio e nel tempo. Il laboratorio non si limita quindi a produrre AI per il gaming: collega questa base anche a simulazione e robotica. Dopo i 133,7 milioni iniziali, nel giugno 2026 ha annunciato altri 320 milioni con una valutazione post-money di 2,3 miliardi.
Nel campo della scienza, Periodic Labs sviluppa modelli capaci di operare in laboratori autonomi. L’idea è chiudere il ciclo fra formulazione di un’ipotesi, esecuzione dell’esperimento e apprendimento dai risultati, producendo dati nuovi invece di utilizzare soltanto quelli già disponibili online. La società, fondata da ricercatori provenienti da OpenAI e Google DeepMind, ha ottenuto 300 milioni di dollari nel round iniziale. Il progetto ha superato la fase puramente dichiarativa: il laboratorio presenta oggi modelli e sistemi sperimentali impiegati nell’analisi dei risultati prodotti dalle strutture fisiche.
Reflection AI, fondata dagli ex ricercatori di DeepMind Misha Laskin e Ioannis Antonoglou, ha scelto un’altra direzione ancora: costruire modelli di frontiera con pesi aperti e rendere pubblici anche ricerca e strumenti necessari a personalizzarli. Nell’ottobre 2025 ha annunciato di avere raccolto 2 miliardi di dollari, con una valutazione di 8 miliardi. La sua piattaforma combina pre-training su larga scala, architetture Mixture-of-Experts – nelle quali soltanto una parte specializzata della rete viene attivata per ciascun input – e reinforcement learning applicato al ragionamento degli agenti.
Inception esplora invece i diffusion language model, modelli linguistici a diffusione che generano e perfezionano blocchi di output in parallelo. L’approccio cerca di ridurre la sequenzialità che limita velocità e costo degli LLM tradizionali. Dopo un seed da 50 milioni di dollari, la società ha trasformato la ricerca nella famiglia Mercury, resa disponibile tramite API e servizi destinati alle imprese. La valutazione da 10 miliardi talvolta associata al laboratorio non è sostenuta da un round reso pubblico. Il relativo lavoro di ricerca descrive architettura e valutazioni sperimentali, mentre i confronti prestazionali comunicati dall’azienda devono essere letti come risultati prodotti dal gruppo che ha sviluppato il modello.
Infine, Isara cerca di coordinare migliaia di agenti AI impegnati su un medesimo problema, gestendo divisione del lavoro e conflitti fra strategie differenti. Il progetto è interessante anche perché mostra lo scarto fra indiscrezioni e operazioni concluse: durante la raccolta si parlò di centinaia di milioni e di una valutazione da un miliardo; il round effettivo è stato di 94 milioni con una valutazione di 650 milioni. In un mercato dominato da trattative riservate, obiettivi di raccolta, valutazioni pre-money e cifre definitive non sono intercambiabili.
Perché gli investitori finanziano prima la ricerca
OpenAI e Anthropic hanno fornito la prova di esistenza sulla quale si fonda questa scommessa. Entrambe hanno mostrato che un gruppo concentrato su una precisa direzione di ricerca può costruire un’infrastruttura tecnologica generale e, in seguito, un mercato di grandi dimensioni. Gli investitori tentano ora di riconoscere il prossimo laboratorio di frontiera quando è formato ancora da poche persone e il suo valore dipende soprattutto dalle competenze accumulate.
Il capitale finanzia innanzitutto ricercatori, dati, esperimenti, addestramento e accesso pluriennale alle GPU. La capacità di calcolo non è una normale voce infrastrutturale: può determinare quali ipotesi siano concretamente verificabili. Per questo Nvidia, i grandi cloud provider e i nuovi operatori specializzati nel noleggio di acceleratori compaiono spesso fra investitori e partner dei laboratori.
La reputazione scientifica diventa così una forma di garanzia anticipata. I finanziatori valutano i risultati precedenti dei fondatori, la loro capacità di richiamare altri specialisti e la possibilità che il gruppo costruisca proprietà intellettuale difficilmente replicabile. Non scommettono sull’assenza dei ricavi, ma sulla possibilità che una scoperta li renda possibili in seguito, accettando un’incertezza molto più vicina alla ricerca scientifica che al normale sviluppo di software applicativo.
Un mercato con pochi vincitori possibili
Questa struttura non elimina le metriche economiche: le rinvia. Un neolab deve infine trasformare il vantaggio tecnico in un prodotto, distribuirlo e generare entrate sufficienti a sostenere il ciclo di calcolo successivo. Una valutazione molto elevata all’inizio rende più difficile superare ciascuno di questi passaggi, perché il nuovo capitale dovrà essere raccolto a condizioni ancora più ambiziose.
La ricerca presenta inoltre un bersaglio mobile. Mentre un laboratorio addestra il proprio modello, OpenAI, Anthropic, Google DeepMind, Meta e concorrenti open weight possono raggiungere prestazioni analoghe, ridurre il costo dell’inferenza o rendere disponibile un’architettura equivalente. Distillazione e diffusione dei pesi aperti possono comprimere rapidamente un vantaggio; i ricercatori possono essere richiamati dagli incumbent con compensi difficili da eguagliare; gli acquirenti capaci di assorbire società valutate diversi miliardi restano pochi.
Gli esiti plausibili sono quindi molto diversi. Una parte dei neolab potrebbe diventare un nuovo operatore di frontiera; altri potrebbero essere acquisiti per la squadra e la proprietà intellettuale; altri ancora potrebbero consumare il capitale prima di trovare una tecnologia o un mercato sostenibili. Anche le analisi prodotte dai fondi che investono nella categoria riconoscono questa distribuzione estrema dei risultati: il rendimento di un solo vincitore dovrebbe compensare numerosi esperimenti falliti.
La novità dei neolab risiede proprio nella natura di ciò che viene finanziato. World model, diffusione, apprendimento per rinforzo, sistemi multi-agente e laboratori scientifici autonomi sono ipotesi differenti su come far avanzare l’AI. I round miliardari non ne certificano la validità: finanziano il tempo, il talento e la capacità di calcolo necessari per metterle alla prova.
