AlphaGo-skaperen samler inn rekordhøye 1 milliard dollar for å bygge AI uten LLM-er

David Silver, den reinforcement learning-pioneren som ledet utviklingen av AlphaGo i Google DeepMind, samler inn 1 milliard dollar i seed-finansiering for Ineffable Intelligence, et London-basert startup som bygger på premisset at store språkmodeller er feil vei til superintelligens.

Avtalen, ledet av Sequoia Capital, vil være den største seed-runden noensinne lukket av et europeisk startup hvis den fullføres. Nvidia (NVDA ), Google og Microsoft (MSFT ) er i samtaler om å delta, selv om forhandlingene fortsatt pågår og sluttbetingelser kan endres. Runden vurderer selskapet til 4 milliarder dollar før penger.

Silver, som tidligere var vicepresident for Reinforcement Learning i DeepMind, etablerte stille Ineffable Intelligence i november 2025 og ble utnevnt til direktør i januar 2026. Selskapets misjon, som Silver har beskrevet, er å bygge “en uendelig læringssuperintelligens som selvopdager grunnleggende kunnskap”.

Beskrivelsen inneholder en bevisst provokasjon. I en bransje som bruker hundredvis av milliarder dollar på å skalerer LLM-er trent på internett-tekst, hevder Silver at hele tilnærmingen har et tak.

Tilfelle mot menneskelige data

Silver’s teser trekker direkte fra arbeidet som gjorde ham berømt. I 2017, DeepMind CEO Demis Hassabis og Silver publiserte AlphaGo Zero, en versjon av AlphaGo som lærte helt gjennom selvspill med null menneskelige spill-data. Det beseiret den opprinnelige, menneske-trentede AlphaGo 100 spill til null.

Resultatet sjokkerte AI-samfunnet. Et system som lærte fra scratch, gjennom interaksjon og belønning alene, ikke bare matchet menneskelig kunnskap – det overgikk den så grundig at den menneske-datatrentede versjonen ikke kunne vinne et enkelt spill.

Silver utvidet denne tilnærmingen gjennom AlphaZero, som behersket sjakk, shogi og Go fra scratch, og MuZero, som lærte å planlegge uten å bli fortalt reglene for spillet det spilte. Hver system forsterket den samme konklusjonen: den beste ytelsen kommer ikke fra å imitere mennesker, men fra å lære gjennom erfaring.

I en DeepMind-podcast innspilt før hans avgang, beskrev Silver to epoker av AI: den nåværende “æraen for menneskelige data” og en kommende “æra for erfaring”. Samtidige LLM-er, hevdet han, avhenger av menneskelige data og tilbakemeldinger, og skaper innebygde begrensninger. Veien til kunstig superintelligens krever å gå utenfor menneskelig kunnskap helt.

Dette er “Alberta-skolen”-filosofien – navngitt etter University of Alberta, hvor Silver studerte under reinforcement learning-pioneren Rich Sutton. Suttons innflytelsesrike essay “The Bitter Lesson” fra 2019 argumenterte for at metoder som avhenger av menneskelig kunnskap uunngåelig taper for metoder som skalerer beregning og læring. Silver bygger et helt selskap på den prinsippet.

En superintelligens-startup-konkurranser

Silver er ikke den første elite-forskeren som forlater et stort lab og samler inn ekstraordinære summer for et superintelligens-fokusert foretak. Ilya Sutskever, OpenAI’s tidligere sjefsforsker, lanserte Safe Superintelligence i 2024 med en lignende tese – at en fokusert innsats utenfor pressene i et produkt-selskap kunne nå superintelligens raskere. SSI har siden samlet inn milliarder til en verdi over 30 milliarder dollar.

Parallellen er instruktiv. Begge forskerne forlot organisasjonene de hjalp definere. Begge tror at den nåværende paradigmet – å skalerer LLM-er og selge chatbot-abonnementer – er en omvei. Og begge tiltalte massive kapital på styrken av deres rykte alene, før de produserte noen produkt eller publiserte noen resultater.

Men tilnærmingene skiller seg. Sutskever har sagt lite offentlig om SSI’s tekniske retning. Silver, på den andre siden, har vært eksplisitt: reinforcement learning, selvspill og læring fra første prinsipper – ikke språkmodeller. Der de fleste AI-lab debatterer hvordan de kan gjøre LLM-er å grunne bedre, spør Silver om de overhode burde være grunnlaget.

De 1 milliard dollar i seed-finansiering reflekterer også hvordan AI-finansieringslandskapet har endret seg dramatisk. Anthropic nærmer seg en verdi på 350 milliarder dollar. Den konkurransemessige pressen i grense-AI har intensivert seg, siden OpenAI, Google og Anthropic lanserer nye modeller i en økende takt. Mot denne bakgrunnen er en verdi på 4 milliarder dollar før penger for et pre-produkt-selskap ledet av en enkelt forsker det nye normale.

For Sequoia, som leder runden gjennom managing partner Alfred Lin og partner Sonya Huang, er veddemålet enkelt: Silver er en av kanskje fem personer i live som har en troverdig krav på å ha bygget systemer som virkelig overgikk menneskelig intelligens i bestemte domener. Hvis reinforcement learning er den riktige veien til generell superintelligens, er han den personen som er mest sannsynlig å finne det.

Risikoen er like klar. AlphaGo og AlphaZero lyktes i domener med klare regler, fullstendig informasjon og godt definerte belønnings-signaler. Den virkelige verden har ingen av disse egenskapene. Å skalerer selvspill utover spill og inn i åpne domener – vitenskap, ingeniørkunst, grunn – er et uløst problem som Silver selv brukte år på å arbeide med i DeepMind uten en avgjørende gjennombrudd.

Ineffable Intelligences London-basen stiller også selskapet som et potensielt anker for Europas AI-ambisjoner. Kontinentet har produsert verdensklasse AI-forskere, men har slitt med å beholde dem, siden amerikanske lab ofere større kompensasjon og raskere skalerings-infrastruktur. En 1 milliard dollar europeisk seed-runde, støttet av Silicon Valleys fremste venture-selskap, signaliserer at geografien for grense-AI-forskning kan være i ferd med å utvides – selv om det er verdt å merke seg at Sequoia, Nvidia, Google og Microsoft alle er amerikanske investorer.

Silver’s veddemål er at bransjens fokus på LLM-er representerer et lokalt maksimum – imponerende, men ultimate begrenset. Spørsmålet er om reinforcement learning kan flykte fra de kontrollerte miljøene hvor det har trivet og operere i den urene, tvetydige virkelige verden. En milliard dollar og en karriere bygget på å bevise tvilene feil sier Silver at han tror det kan.