Multiverse Computing, el unicornio español que ha hecho más pequeña la inteligencia artificial

• Encuentro de Economía Digital y las Telecomunicaciones en Santander hasta el 2 de septiembre
• La tecnología de compresión de IA de la vasca Multiverse Computing interesa a Intel y Qualcomm

Oficinas de Multiverse Computing

Pocos eventos pueden presumir de llegar a su 40ª edición. El encuentro de la Economía Digital y las Telecomunicaciones, organizado por AMETIC (patronal considerada la voz del sector digital en España), llega a este aniversario en un momento decisivo, en el que Europa se ha visto obligada a acelerar el ritmo para no quedarse atrás frente a Estados Unidos y China. Un foro que reúne a empresas e instituciones para marcar el rumbo de la agenda digital de los próximos meses.

Entre las compañías presentes volverá a estar Multiverse Computing. El “unicornio” español más reciente. Se denomina así a las empresas tecnológicas de capital privado que alcanzan una valoración de mil millones de dólares. La compañía vasca se ha convertido en la tecnológica de moda, tras cerrar una ronda de financiación de 500 millones de euros. Su logro ha sido comprimir los grandes modelos de inteligencia artificial, los LLM (Large Language Models), sistemas entrenados con enormes cantidades de datos para comprender y generar lenguaje humano. Es la tecnología que lleva detrás ChatGPT o Claude, entre otros; modelos que consumen enormes cantidades de memoria y capacidad de computación.

Ese sistema de compresión llegó por casualidad. Recuerda al primer episodio de la serie Silicon Valley (HBO). En ella, un programador, Richard Hendricks, desarrolla accidentalmente un algoritmo de compresión de datos revolucionario, catapultando a su creador. Mientras la ficción llegó a su fin en 2019, la historia de Metaverse Computing se está escribiendo. Intel y Qualcomm, dos de las compañías más importantes en la fabricación de semiconductores, han llamado a su puerta. Hablamos con Víctor Gaspar, director comercial de la compañía con sede en Donosti, que participará en el encuentro de AMETIC en Santander.

A día de hoy, agosto de 2026, ¿qué es Multiverse Computing?

Seguimos teniendo en nuestro ADN el espíritu de una startup, aunque ya hemos superado los 300 empleados. Nacimos en 2019 desarrollando soluciones de inspiración cuántica y de computación cuántica, y hemos evolucionado utilizando las mismas técnicas con las que empezamos para abordar la compresión de modelos de inteligencia artificial. En 2019 utilizábamos esas técnicas para acelerar modelos sencillos de machine learning. Hoy podemos aplicarlas para comprimir redes neuronales mucho más complejas y grandes, y eso tiene determinados beneficios.

Somos, además, una de las empresas que más patenta en España. Como empresa tecnológica que nace en un ámbito de conocimiento profundo, tenemos vocación de generar conocimiento y, al mismo tiempo, de protegerlo. De ahí nuestro foco en las patentes.

Se ha empezado a hablar de Multiverse Computing como el nuevo unicornio español. ¿Pesa mucho esa etiqueta?

Te da más visibilidad y exposición en los medios. Genera oportunidades de negocio. Esa es probablemente la principal ventaja. Más allá de la etiqueta, creo que lo importante es el trabajo del día a día: que comercialmente sigamos haciéndolo bien, que sigamos mejorando nuestros productos y que abramos nuevas líneas de negocio. La compañía ha evolucionado. Lo que hacíamos en 2019 y lo que hacemos ahora parte de una misma base, pero es ligeramente diferente.

Víctor Gáspar, de Multiverse Computing

En estos años, vuestra investigación tecnológica os llevó a aplicar vuestra tecnología a los modelos de inteligencia artificial. ¿Fue algo que descubristeis sobre la marcha al detectar una necesidad del mercado?

Fue prácticamente de casualidad. Siempre lo explico de la misma manera: fue un cliente quien nos señaló esta posibilidad, más que nosotros mismos. Nuestro equipo de I+D trabaja en diferentes líneas, pero como empresa tenemos que escuchar al mercado. Nosotros pensábamos que nuestras técnicas eran valiosas para algo muy concreto: mejorar la aplicabilidad de determinados modelos. Hasta que un cliente nos dijo: “¿Habéis probado a aplicarlas a otro tipo de modelos que están apareciendo y que se llaman LLM, grandes modelos de lenguaje?”.

Y dijimos: “No sabemos qué es eso, pero vamos a probarlo”.

El equipo de investigación empezó a trabajar con ellos y vimos que los resultados eran muy buenos.

¿Qué ventajas ofrece vuestra tecnología a las empresas?

A día de hoy, prácticamente nadie cuestiona que existe un valor real en la inteligencia artificial. Hay otras dudas en el mercado, pero el valor ya está demostrado. Uno de los principales problemas ahora es cómo escalarla. Una de las formas de consumir modelos de IA generativa es mediante el pago por uso. Tenemos grandes proveedores de servicios en la nube y grandes modelos cerrados, como ChatGPT o Claude, que se consumen de esa manera: cuanto más los utilizas, más pagas.

Cuando estás en una fase inicial de prototipado, probando internamente una herramienta con pocos usuarios, es perfecto porque es una forma muy sencilla de empezar. Pero cuando quieres escalar a unos pocos miles de usuarios, los costes del pago por uso se disparan. Nosotros ofrecemos una alternativa: podemos coger grandes modelos de inteligencia artificial existentes —chinos, europeos o estadounidenses— que son pesados de ejecutar, comprimirlos y hacerlos más pequeños y eficientes. De esta manera se pueden alojar internamente en una empresa, en dispositivos o en la nube, con un coste inferior al actual.

¿Qué conseguís exactamente al comprimir esos modelos?

Como mínimo, podemos comprimir el modelo a la mitad. Eso significa que ocupa la mitad de memoria. Y no estamos hablando de una compresión especialmente agresiva; podemos llegar a niveles mucho mayores.

Imaginemos que para ejecutar el modelo original necesitas ocho procesadores gráficos (GPU). Si reducimos a la mitad su tamaño, con esas mismas ocho GPUs puedes hacer el doble de trabajo. Si un centro de datos ha invertido 100 millones de euros y está atendiendo a 10.000 usuarios, puedes multiplicar por dos la capacidad de esa infraestructura sin añadir hardware, consumo energético o refrigeración. Típicamente, vemos que podemos conseguir compresiones de entre el 50% y el 80

¿Es eso lo que ha llevado a Qualcomm a alcanzar un acuerdo con vosotros?

La explosión de la inteligencia artificial ha pillado a muchas empresas de semiconductores, es decir, compañías que diseñan chips, a contrapié. Hay un gran actor, Nvidia, que domina claramente el mercado de las GPUs utilizadas para inteligencia artificial. Empresas como Qualcomm, Intel, AMD o Huawei también quieren entrar en este mercado y capturar una parte de ese negocio. El problema es que en algunos casos van unos años por detrás de Nvidia tanto en el diseño del hardware como en su comercialización.

Para esas empresas, la optimización de los modelos de IA es la solución para sacar más partido a su hardware, haciéndolo más eficiente. Y también es una forma de capturar mercado mediante modelos adaptados específicamente para sus chips. En lugar de ir directamente al cliente final, que puede ser un banco o una empresa de telecomunicaciones, en nuestro caso trabajamos con el proveedor del hardware que ese cliente va a contratar.

Aplicado a nuestro día a día, ¿qué ventajas tiene esa compresión de la IA?

Tenemos un cliente del sector de la automoción que utiliza un modelo de visión por computador para detectar peatones en condiciones de baja visibilidad. Es una aplicación de seguridad que combina cámaras de imagen visible e infrarroja. Ahí es muy importante la latencia (velocidad de respuesta). Lo que quieres es que el sistema pueda procesar muchas imágenes por segundo y detectar al peatón cuanto antes para activar el frenado. A mayor velocidad y mayor número de imágenes procesadas por segundo, menor será el tiempo de reacción del vehículo.

Somos, básicamente, como un sastre. El cliente nos dice qué quiere optimizar y para qué quiere hacerlo, y nosotros buscamos la mejor combinación entre latencia, velocidad, precisión, memoria y capacidad de cómputo.

En ese ejemplo del automóvil, pasar de 15 a 30 imágenes por segundo puede ser muy relevante.

Exactamente. El ojo humano puede no percibir la diferencia de la misma manera, pero en un coche que circula a 100 kilómetros por hora sí es importante. Si consigues multiplicar por dos los fotogramas por segundo, es decir, reducir a la mitad la latencia, el sistema puede detectar un peatón antes y ordenar el frenado con mayor antelación.

Fundadores de Multiverse Computing en la sede principal de Donostia

Cada vez se habla más de ejecutar los modelos de IA localmente, en ordenadores, móviles y otros dispositivos, sin recurrir a la conexión online ¿En qué punto estamos?

Ahora mismo hay un cuello de botella relacionado con la memoria y con el coste de la memoria. Es una de las principales limitaciones para los fabricantes de portátiles y dispositivos móviles. Los precios de determinados tipos de memoria rápida, como DDR5 o HBM, han aumentado considerablemente.

Aumentar la potencia de los equipos –o adquirir nuevos- ahora mismo sale muy caro. Por eso, la compresión ayuda, pero tiene un límite. Cuando comprimes un modelo siempre estás eliminando cierta información. La clave de nuestras técnicas está en identificar qué información es menos relevante o redundante y eliminarla sin afectar significativamente al funcionamiento del modelo. Pongamos un ejemplo sencillo: la compresión de imágenes.

En una videoconferencia, si tenemos poco ancho de banda, podemos reducir la calidad de la imagen y veremos una imagen más pixelada. Si tenemos mucho ancho de banda, podemos mantener una mayor calidad. Estamos haciendo una compresión para aprovechar al máximo los recursos disponibles. Nosotros podemos hacer algo parecido con los modelos: comprimirlos más o menos en función de la memoria y de la capacidad de cómputo disponibles.

Europa sigue por detrás de China y Estados Unidos en inteligencia artificial y tecnología en general. ¿Puede una empresa como Multiverse Computing contribuir a impulsar la estrategia tecnológica europea y la llamada soberanía tecnológica?

Sí, claro. Tiene que haber más empresas como Multiverse Computing y tenemos que ser más ambiciosos, con una visión global. Tenemos que querer competir no solo en España o en Europa, sino en el mundo. Tenemos que ser capaces de plantar cara a empresas como Qualcomm, Intel u OpenAI.

En el continente europeo tenemos nuestras ventajas e inconvenientes, y tenemos que intentar jugar nuestro propio juego, no el estadounidense. Si intentamos competir en las mismas ligas de inversión, rondas de financiación y capital riesgo que existen en Estados Unidos, ahora mismo no estamos preparados. Tenemos que buscar otros caminos. Podrían ser determinados tipos de alianzas con terceros países, por ejemplo. No sé exactamente cuál sería el mecanismo, pero lo que está claro es que no tenemos las mismas cartas. Si intentamos jugar a su juego, vamos a perder.

En la Unión Europea podemos apostar por alianzas con terceros países, por la eficiencia energética o por aprovechar nuestra base de conocimiento científico para desarrollar nuevas formas de construir redes neuronales mucho más eficientes, que necesiten mucho menos cómputo y mucha menos memoria.