DeepSeek sta per guidare il round di finanziamento di serie A per Winverse AI, lo startup fondato dall'ex responsabile tecnico del modello Hunyuan di Tencent, Hu Han. Fonti pubbliche confermano che finora DeepSeek ha investito solo in due aziende: Unitree, già consolidata, e Winverse AI, di cui si sta diffondendo la notizia che DeepSeek dovrebbe guidare il prossimo round di finanziamento.
Il fondatore di questa azienda si chiama Hu Han. In precedenza ha lavorato presso Microsoft Research Asia ed è stato anche responsabile tecnico del modello linguistico Hunyuan di Tencent. Secondo i media stranieri, Winverse AI è uno startup "stealth", ovvero un'azienda che non divulga informazioni precise sui prodotti al pubblico. Tuttavia, quando Hu Han ha lasciato Tencent alla fine di luglio, ha dichiarato pubblicamente che la sua iniziativa imprenditoriale si concentrerà su intelligenza incarnata e modelli del mondo.
Liang Wenfeng aveva personalmente comunicato agli investitori che i modelli del mondo non erano importanti. Meno di sei mesi dopo, Liang Wenfeng ha infranto questa stessa regola. Perché allora Liang Wenfeng ha deciso di investire in Winverse AI in questo momento? A mio avviso, il motivo risiede in una "ponte" tra Liang Wenfeng e Hu Han.
Chi è Hu Han?
Il curriculum di Hu Han può essere riassunto in una frase: ha percorso il cammino da "le macchine comprendono le immagini" a "le macchine comprendono il mondo reale". Si è laureato nel 2008 e ha ottenuto il dottorato nel 2014 presso l'Università Tsinghua. Durante il dottorato è stato visiting scholar all'Università della Pennsylvania e, dopo la laurea, si è prima unito all'istituto di Deep Learning di Baidu. A dicembre 2016 è entrato a far parte di Microsoft Research Asia, dove è diventato ricercatore capo e manager di ricerca.
Durante il suo periodo a Microsoft Research Asia, Hu Han ha vissuto in prima persona l'intero sviluppo del computer vision dalle reti convoluzionali ai transformer. Tra le sue pubblicazioni spicca il paper del 2017 "Relation Networks for Object Detection", che introduce la modellazione delle "relazioni" nel riconoscimento di oggetti. Altre opere includono "Deformable ConvNets v2" e "RepPoints", che rendono i framework di riconoscimento più flessibili nell'era delle convoluzioni.
Nel 2021, Hu Han ha partecipato alla pubblicazione del famoso paper "Swin Transformer", che ha reso possibile ai transformer, originariamente sviluppati per il testo, "vedere" le immagini in modo efficiente. Sebbene i modelli multimodali siano oggi onnipresenti, nel 2021 questo era un progresso davvero rivoluzionario. Per questo motivo, questo paper ha ricevuto il Marr Prize (il premio per il miglior paper) dell'ICCV 2021.
Quando Hu Han ha risposto a questa domanda su Zhihu, ha dichiarato: "Non avrei mai immaginato di avere l'opportunità di vincere il Marr Prize", sottolineando che il premio apparteneva a tutte le persone che prima e contemporaneamente avevano promosso l'introduzione dei transformer nel campo del riconoscimento visivo. Dopo Swin, la comunità visiva ha scatenato un'ondata di pre-training auto-supervisionato, abbandonando le annotazioni manuali precedenti, permettendo ai modelli di imparare da enormi quantità di immagini da soli.
La collaborazione che ha creato il ponte
A fine 2021, il team di Hu Han ha pubblicato il paper "SimMIM", che riprende l'idea di "maschera del testo" di BERT di Google: una parte dell'immagine viene coperta e il modello deve indovinarla. La conclusione è che progetti più semplici producono risultati migliori. A questo è seguito "Swin Transformer V2", che ha reso i modelli di visione ancora più grandi. Da questo momento, la direzione di ricerca principale di Hu Han è passata da "come progettare una rete visiva migliore" a "come scalare i modelli e come addestrarli in modo stabile". E in quel periodo, i grandi modelli stavano diventando popolari.
Pertanto, Hu Han è entrato a far parte di Tencent come scienziato eccezionale a gennaio 2025, sostituendo Liu Wei che usciva ed era responsabile dello sviluppo del grande modello multimodale Hunyuan. Allo stesso tempo era Tech Lead del grande modello Hunyuan di Tencent, guidando la costruzione delle capacità di comprensione visiva di Hunyuan. Durante l'aggiustamento organizzativo interno di Tencent nella seconda metà del 2025, si è trasferito al gruppo di ricerca di frontiera "Frontier" sotto il dipartimento dei grandi modelli linguistici, responsabile della ricerca sulla comprensione multimodale e riferendo direttamente a Yao Shunyu. Contemporaneamente ha partecipato alla pre-analisi dei modelli del mondo.
Nel aprile 2026 ha pubblicato insieme a Yao Shunyu il modello base VLM incarnato HY-Embodied-0.5. A luglio dello stesso anno ha rassegnato le dimissioni per avviare la propria azienda. L'area di ricerca sui modelli linguistici visivi è stata presa in carico da Tian Yonglong, ex ricercatore di OpenAI. Nei suoi diciotto mesi a Tencent, ha effettivamente coperto quattro aree: grandi modelli multimodali, modelli linguistici visivi, modelli del mondo e VLM incarnati. La linea principale rimaneva sempre la comprensione visiva e multimodale.
Sebbene il curriculum di Hu Han sia davvero impressionante, Liang Wenfeng, di fronte alla massiccia espansione del personale di DeepSeek, ha già visto molti curriculum impressionanti. Perché ha scelto proprio Hu Han? Per rispondere a questa domanda, dobbiamo tornare all'elenco degli autori del paper "SimMIM" menzionato in precedenza. SimMIM ha in totale otto autori: Zhenda Xie, Zheng Zhang, Yue Cao, Yutong Lin, Jianmin Bao, Zhuliang Yao, Qi Dai, Han Hu. L'ultimo è Hu Han, il primo è Xie Zhenda.
Nel paper c'è anche una nota: le tre persone Xie Zhenda, Lin Yutong e Yao Zhuliang erano stagisti di lunga data presso Microsoft Research Asia. Ciò significa che durante i suoi anni a Microsoft Research Asia, Xie Zhenda ha condotto ricerche nel gruppo di Hu Han. Ma non è tutto: se si esaminano i paper scritti insieme da Xie Zhenda e Hu Han, si scopre che i due collaborano da tempo. Il paper del 2020 "PixPro", con il titolo completo "Propagate Yourself", è un paper sull'apprendimento contrastivo a livello di pixel. Xie Zhenda è il primo autore, Hu Han è anche tra gli autori. Il paper esamina come condurre apprendimento rappresentativo auto-supervisionato a livello di pixel.
Per il paper "Swin Transformer V2" del 2021, tra gli autori compaiono Ze Liu, Han Hu, Yutong Lin, Zhuliang Yao, Zhenda Xie, Yixuan Wei e altri. Xie Zhenda e Hu Han sono entrambi presenti. A fine 2021, in SimMIM, Xie Zhenda è il primo autore, Hu Han l'ultimo. Inoltre, questi tre paper hanno una linea comune: ruotano tutti attorno all'"apprendimento auto-supervisionato" e alla "scalabilità". Riguarda come i modelli visivi possano fare a meno delle annotazioni manuali e diventare progressivamente più potenti su scala più ampia.
Più tardi, Xie Zhenda è entrato a far parte di DeepSeek come ricercatore, le cui direzioni di ricerca includono AGI e pre-training e scalabilità di modelli di base. Sulla pagina autori di arXiv, il nome di Xie Zhenda appare in una lunga lista di lavori di DeepSeek, tra cui DeepSeek-Coder, DeepSeek-V2, DeepSeekMoE, DeepSeek-V3, DeepSeek-R1 e Janus-Pro, oltre a voci di rapporti tecnici relativi a DeepSeek-V4. Ciò dimostra che Xie Zhenda è strettamente legato alla ascesa di DeepSeek negli ultimi due anni.