Mirendil è una nuova startup AI fondata da Behnam Neyshabur e Harsh Mehta, due ricercatori con esperienze precedenti in Google e Anthropic, nata con un obiettivo preciso: costruire sistemi capaci di accelerare lo sviluppo di altri sistemi di intelligenza artificiale e renderli utilizzabili anche da laboratori scientifici indipendenti.
L’azienda ha raccolto 200 milioni di dollari in un round seed guidato da Andreessen Horowitz e Kleiner Perkins, con la partecipazione di NVIDIA e altri investitori. La valutazione raggiunta è di circa 1 miliardo di dollari, un livello insolito per una realtà ancora nelle prime fasi operative e senza un prodotto già diffuso sul mercato. Il finanziamento riflette soprattutto l’interesse crescente verso le piattaforme che usano l’AI non soltanto per applicazioni finali, ma per automatizzare il processo stesso di ricerca, progettazione e addestramento dei modelli.
Il progetto di Mirendil ruota attorno alla cosiddetta recursive self-improvement, cioè l’uso di modelli AI per svolgere attività che normalmente richiedono ricercatori e machine learning engineer: scrivere e correggere codice di training, preparare dataset, esplorare architetture neurali, eseguire esperimenti, confrontare benchmark e modificare la configurazione di un modello sulla base dei risultati ottenuti. In una forma avanzata, il sistema non si limita a generare una risposta o una porzione di codice, ma lavora all’interno di un ciclo iterativo composto da ipotesi, test, analisi dell’errore e nuove modifiche.
L’idea è applicare questo tipo di automazione a contesti scientifici in cui le organizzazioni non dispongono delle risorse di un grande laboratorio AI. Un centro di ricerca medico potrebbe, ad esempio, utilizzare strumenti di questo tipo per sviluppare un modello specializzato nella previsione del rischio di Alzheimer. Analogamente, gruppi impegnati nella ricerca sui materiali potrebbero costruire modelli dedicati alla simulazione di proprietà chimiche, alla selezione di composti o all’analisi di dati sperimentali.
La differenza rispetto a un normale assistente conversazionale è rilevante. Un chatbot può spiegare un approccio, generare codice o proporre una struttura di modello, ma non possiede necessariamente un ciclo autonomo di sperimentazione. Un sistema orientato alla ricerca AI deve invece poter accedere a risorse di calcolo, lanciare job di addestramento, leggere metriche, confrontare versioni, individuare colli di bottiglia e decidere quali esperimenti eseguire successivamente. Il prodotto che Mirendil intende sviluppare viene quindi descritto come un ambiente di lavoro capace di unire capacità agentiche, automazione del machine learning e gestione di infrastrutture GPU.
Il punto più ambizioso è che l’AI venga utilizzata per migliorare il processo con cui vengono creati nuovi modelli. Nei grandi laboratori, questo approccio è già presente in varie forme: modelli linguistici utilizzati per produrre codice, agenti per eseguire test e debugging, sistemi per ottimizzare pipeline di dati e strumenti capaci di assistere nella progettazione degli esperimenti. Tuttavia, queste capacità restano in gran parte interne alle aziende che possiedono infrastrutture, modelli di frontiera e grandi team di ricerca.
Mirendil punta invece a distribuire strumenti che consentano a ricercatori, sviluppatori open source e piccoli laboratori di affrontare attività oggi riservate ai grandi player. Il progetto non sembra quindi concentrarsi sulla creazione di una singola AI per medicina, biologia o chimica, ma sulla costruzione di una piattaforma che permetta a specialisti di quei settori di sviluppare modelli propri, adattati a dati, metodi e problemi specifici.
Questa impostazione entra direttamente nel dibattito sulle restrizioni applicate dai laboratori di frontiera. Molti fornitori di modelli vietano esplicitamente l’uso dei propri sistemi per addestrare concorrenti, costruire modelli sostitutivi o accelerare attività di ricerca su AI avanzata. Dal punto di vista delle aziende, queste limitazioni proteggono investimenti, vantaggio competitivo e sicurezza. Dal punto di vista degli sviluppatori indipendenti, però, possono rendere più difficile la nascita di alternative aperte e rallentare la diffusione di strumenti di ricerca fuori dai grandi ecosistemi commerciali.
La recursive self-improvement porta con sé anche una questione di controllo. Un agente che modifica codice, avvia esperimenti e propone nuove versioni di un modello può accelerare notevolmente il lavoro umano, ma richiede criteri chiari di supervisione. Ogni ciclo deve poter essere osservato, riprodotto e bloccato; i dati utilizzati devono essere tracciabili; i test di qualità e sicurezza devono essere definiti prima dell’esecuzione; l’accesso a risorse cloud, repository e infrastrutture sensibili deve restare limitato. L’autonomia non coincide quindi con assenza di controllo, ma con la capacità di delegare sequenze operative mantenendo verifiche tecniche e responsabilità umana.
Mirendil opera da San Francisco con un team tecnico di circa venti persone e prevede di presentare nei prossimi mesi un primo modello insieme a un prodotto destinato alla raccolta di feedback. La scommessa è che il prossimo livello della competizione AI non riguardi soltanto modelli più grandi o chatbot più capaci, ma piattaforme in grado di rendere più veloce e accessibile il lavoro necessario per creare, addestrare e migliorare l’intelligenza artificiale stessa.