Ein Pariser Startup, das argumentiert, dass die Zukunft der künstlichen Intelligenz in der Topologie und nicht in der Skalierung liegt, hat 28 Millionen Euro in einer Serie-A-Finanzierungsrunde gesichert. Arlequin AI, 2024 gegründet, entwickelt sogenannte topologische neuronale Netze, also Architekturen, die nicht nur aus einzelnen Datenpunkten, sondern auch aus den Beziehungen zwischen ihnen lernen sollen. Die Runde wurde von dem schweizerisch-deutschen Risikokapitalunternehmen redalpine und dem polnischen OTB Ventures co-geleitet, wobei der Bpifrance Defence Innovation Fund sich beteiligte. Die bisherigen Unterstützer Vsquared Ventures und 10x Founders verdoppelten ihr Engagement, und der Telekommunikationsmilliardär Xavier Niel wurde in die Aktionärsliste aufgenommen.
Ein ungewöhnliches Gründerduo
Die Ursprünge des Unternehmens sind keine typische Informatik-Ausgründung. Hugo Micheron, der Geschäftsführer, hat seine Karriere im Studium von Terrorismus und geopolitischer Instabilität aufgebaut. Antoine Jardin, der CTO, verbrachte Jahre als Forschungsingenieur am französischen nationalen Forschungszentrum CNRS mit Spezialisierung auf Datenwissenschaft und menschliches Verhalten. Ihre Zusammenarbeit begann aus einer gemeinsamen Frustration: Organisationen, die risikoreiche Entscheidungen treffen, sei es in der Sicherheit, bei der Betrugserkennung oder in der Cyberabwehr, ertranken in fragmentierten Daten, aber es fehlte an Werkzeugen, die die Verbindungen über Dokumente, Transaktionen, Videostreams und Betriebsprotokolle hinweg abbilden konnten.
Dieses Problem gab die Richtung vor. Arlequins Plattform wird bereits bei Regierungen und großen Organisationen in ganz West- und Osteuropa eingesetzt, wo sie dazu dient, Verbindungen in strafrechtlichen Ermittlungen, Geldwäschenetzwerken und Operationen zur Informationssicherheit nachzuverfolgen. Das neue Kapital ist dafür vorgesehen, den zugrunde liegenden Ansatz der Plattform in proprietäre Modelle umzuwandeln, die trainiert und breiter vermarktet werden können.
Was topologische neuronale Netze tatsächlich tun
Herkömmliches Deep Learning behandelt Daten als flache Sammlung von Merkmalen. Ein Transformer-Modell lernt beispielsweise statistische Assoziationen zwischen Token, hat aber keine native Repräsentation der Struktur, die sie verbindet. Topologische Methoden entlehnen hingegen aus der algebraischen Topologie, dem Zweig der Mathematik, der Eigenschaften untersucht, die unter stetiger Deformation erhalten bleiben, um Daten als Formen und Verbindungen darzustellen. In Arlequins Implementierung lernt das Netzwerk eine topologische Signatur des Datensatzes: welche Cluster verbunden sind, wo Lücken auftreten, wie Komponenten über verschiedene Skalen hinweg bestehen bleiben. Der Anspruch ist, dass dies dem Modell ermöglicht, Mehrfachinteraktionen zu erfassen, also drei, vier oder mehr Entitäten, die zusammenwirken, ohne die kombinatorische Explosion, die Standardmodelle zwingt, exponentiell zu wachsen.
Jardin drückte es deutlich aus: Das Unternehmen glaubt, dass weitere KI-Fortschritte unterschiedliche Architekturen erfordern werden und nicht einfach nur größere Modelle, die mit mehr Daten und Rechenleistung trainiert werden. Wenn diese Behauptung zutrifft, sind die Auswirkungen auf die Halbleiter-Lieferkette und den Energiebedarf erheblich. Das Training eines führenden großen Sprachmodells kann heute Zehntausende von GPUs und Megawatt an Strom verbrauchen. Ein Topologie-First-Ansatz, der bei strukturierten, relationalen Aufgaben mit einem Bruchteil dieser Hardware eine vergleichbare Leistung erreicht, würde die Ökonomie des KI-Einsatzes auf den Kopf stellen.
Die Frage der Rechenleistung
Arlequin hat noch keine Benchmarks veröffentlicht, die seine Modelle direkt mit Transformer-Baselines bei Standardaufgaben vergleichen. Das Unternehmen erklärt, dass seine proprietären Modelle derzeit entwickelt werden, wobei die Serie-A-Finanzierung das vergrößerte Team bereitstellt, das für das Training und die Evaluierung erforderlich ist. Skeptiker werden anmerken, dass die topologische Datenanalyse seit Jahren rechnerische Effizienz versprochen hat, ohne das gradientenbasierte Deep Learning in der Produktion zu verdrängen. Der Unterschied diesmal, so die Gründer, sei die Integration topologischer Schichten direkt in die neuronale Architektur, wodurch die Topologie Ende-zu-Ende lernbar werde und nicht nur einen Vorverarbeitungsschritt darstelle.
Die Beteiligung des Bpifrance Defence Innovation Fund signalisiert, woher die ersten zahlenden Kunden wahrscheinlich kommen werden. Verteidigungs- und Geheimdienste verfügen über riesige, heterogene Datensätze, Satellitenbilder, Signalaufklärungen, Open-Source-Berichte und nachrichtendienstliche Informationen aus menschlichen Quellen, bei denen die Beziehungen zwischen Entitäten wichtiger sind als jeder einzelne Datenpunkt. Ein System, das ein verborgenes Netz von Briefkastenfirmen aufdecken oder die Entwicklung einer Desinformationskampagne über Plattformen hinweg nachverfolgen kann, ohne ein eigenes Rechenzentrum zu benötigen, hat eine offensichtliche Anziehungskraft.
Europäische Präsenz, amerikanischer Ehrgeiz
Das Unternehmen hat bereits Büros in London und Berlin eröffnet und positioniert sich damit auf beiden Seiten des Ärmelkanals sowie im Herzen der größten Volkswirtschaft der EU. Ein KI-Labor im Silicon Valley ist für die kommenden Monate geplant, ein Schritt, der die Realität widerspiegelt, dass die Verteidigungs- und Geheimdienstbudgets der USA nach wie vor das Tempo für die Beschaffung fortschrittlicher Analysetechnologien vorgeben. Niels Beteiligung bringt ein französisches Technologieschwergewicht in die Investorenbasis; seine Iliad-Gruppe baut über die Tochtergesellschaft Scaleway eine eigene GPU-Cloud auf, und er hat den Vorstoß von Mistral AI nach europäischen souveränen Modellen öffentlich unterstützt.
Die Skalierungsdebatte im Kontext
Die Finanzierung kommt zu einem Zeitpunkt, an dem das dominante Paradigma, größere Modelle, mehr Daten, mehr Rechenleistung, an mehreren Fronten auf den Prüfstand gerät. Der AI Act der Europäischen Kommission, der im August 2026 in Kraft trat, legt Transparenz- und Risikomanagementpflichten fest, die mit der Leistungsfähigkeit der Modelle skalieren. Die Energiekosten in Deutschland und Frankreich sind nach der Gaskrise weiterhin hoch, was stromintensive Trainingsläufe zu einem Thema auf Vorstandsebene macht. Und die Beschränkungen des US-CHIPS-Gesetzes für den Export fortschrittlicher Halbleiter nach China haben jeden nicht-amerikanischen Käufer daran erinnert, dass die GPU-Versorgung politisch ist. Arlequins Pitch lautet, dass ein anderes mathematisches Fundament gleich mehrere dieser Einschränkungen umgeht.
Micheron fasste den Moment in großen Worten zusammen: "Heute zeichnet sich eine weitere Revolution ab: die Entwicklung neuer KI-Systeme, die in der Lage sind, hochkomplexe Dynamiken zu verstehen, die in Millionen von Datenpunkten verborgen sind." Ob diese Revolution in einem Produkt Gestalt annimmt, das eine feinabgestimmte Llama- oder GPT-Variante bei einem Betrugserkennungs-Benchmark übertrifft, bleibt abzuwarten. Die Serie-A-Runde gibt ihnen etwa 18 bis 24 Monate Runway, um dies zu beweisen.
Erwähnte Personen
-
Hugo Micheron
-
Antoine Jardin
-
Xavier Niel
Organisationen
Arlequin AI · redalpine · OTB Ventures · Bpifrance Defence Innovation Fund · CNRS · Vsquared Ventures
