Graphon AI يخرج من الصمت مع 8.3 مليون دولار لإنشاء “طبقة ذكاء” لآي الإي企业

شركة Graphon AI لتحسين البنية التحتية للذكاء الاصطناعي خرجت من الصمت مع 8.3 مليون دولار في التمويل الأولي في محاولة لمواجهة واحدة من أكبر الحواجز التي تواجه أنظمة الذكاء الاصطناعي الحديثة: عدم قدرة النماذج الكبيرة على التفكير بشكل فعال عبر مجموعات بيانات متعددة ومتفرقة.

كانت الجولة بقيادة Novera Ventures، مع مشاركة من Samsung Next، Hitachi Ventures، Perplexity Fund، GS Futures، Gaia Ventures، B37 Ventures، وAurum Partners.

تقع الشركة في سان فرانسيسكو، وتم تأسيسها من قبل باحثين ومهندسين سابقين من منظمات بما في ذلك Amazon (AMZN ) و Meta و MIT و Google (GOOGL ) و Apple (AAPL ) و NVIDIA (NVDA ) و NASA.

المشكلة التي يحاول Graphon حلها

لقد نمت نماذج اللغة الكبيرة بشكل كبير خلال السنوات القليلة الماضية، ولكنها لا تزال تواجه حدودًا أساسية: نوافذ السياق.

حتى النماذج المتقدمة لا يمكنها معالجة كمية محدودة من المعلومات في الوقت نفسه. في غضون ذلك، غالبًا ما تجلس الشركات على كميات هائلة من البيانات غير المتصلة التي تنتشر عبر المستندات والقواعد البيانية وأنظمة المراقبة وأشرطة الفيديو وسجلات وأوراق الصوت والبرامج الداخلية.

تساعد النهج الحالية مثل التنمية المعززة بالإسترجاع (RAG) النماذج على استرجاع المعلومات ذات الصلة، ولكنها تواجه صعوبات في فهم العلاقات الأعمق بين مجموعات البيانات أو الحفاظ على الفهم المستمر مع مرور الوقت.

يتحرك نهج Graphon لتحريك جزء من عملية التفكير خارج النموذج نفسه.

بدلاً من إجبار نموذج أساسي على استمرار استهلاك البيانات الخام للشركة، يخلق Graphon ما يسميه “طبقة ذكاء قبل النموذج” التي تعرض العلاقات بين أشكال مختلفة من المعلومات قبل معالجتها بواسطة النموذج.

تقول الشركة إن هذه الطبقة العلاقة يتم بناؤها باستخدام وظائف Graphon – إطار رياضي تقليدي مرتبط بالتحليل الشبكي وأنظمة الرسوم الكبيرة. تم تصميم النظام لتحديد الاتصالات عبر مصادر بيانات متعددة بما في ذلك النص والفيديو والصوت والصور والقواعد البيانية المنظمة وأنظمة الصناعة وشبكات الحس.

وفقًا للشركة، فإن هذا يخلق شكلًا من أشكال الذاكرة الهيكلية المستدامة التي يمكنها العمل بشكل مستقل عن قيود نافذة السياق للنموذج.

تحول بعيدًا عن النماذج الأكبر

يعكس إطلاق Graphon تحولًا أوسع يحدث في جميع أنحاء صناعة الذكاء الاصطناعي.

لم تكن التقدم في الذكاء الاصطناعي مدفوعة في الغالب بواسطة توسيع النماذج – إضافة المزيد من المعاملات والمزيد من الحوسبة ومجموعات بيانات أكبر. لكن العديد من الباحثين وشركات البنية التحتية يبحثون الآن عن طرق لتحسين أداء الذكاء الاصطناعي من خلال أنظمة ذاكرة أفضل وهياكل التفكير وطبقات الإسترجاع وتنظيم البيانات بدلاً من بناء نماذج أساسية أكبر.

تشير الشركة إلى أن الذكاء لا ينبغي أن يكون موجودًا فقط داخل النموذج نفسه، ولكن أيضًا في طبقة البنية التحتية التي تربط النماذج ببيانات الشركة.

يمكن أن يصبح هذا النهج أكثر أهمية مع نشر الشركات لأنظمة الذكاء الاصطناعي في بيئات حيث تتغير المعلومات باستمرار وتنتشر عبر عدة أنظمة في نفس الوقت.

في البيئات الصناعية، على سبيل المثال، قد تحتاج أنظمة الذكاء الاصطناعي إلى التفكير عبر بيانات أجهزة الآلات وأشرطة الفيديو الأمنية وسجلات التشغيل وسجلات الصيانة وعمليات العمل في نفس الوقت. تحدث تحديات مماثلة في الروبوتات واللوجستيات والرعاية الصحية وأتمتة الشركات.

النشر المبكر للشركات

تقول Graphon إن العملاء الشركيين المبكرين يشملون بالفعل مجموعة GS الكورية الجنوبية.

وفقًا للشركة، شملت النشرات تحليل حركة العملاء داخل بيئات التجزئة وتحسين مراقبة السلامة في مواقع البناء من خلال تحليل أشرطة الفيديو المتعددة.

تقول الشركة أيضًا إن بنيتها التحتية يمكنها دعم سير العمل الوكيل، مما يسمح للوكلاء الذكاء الاصطناعي باتخاذ قرارات dựa على سياق متعددة الأشكال الغني بدلاً من الإشارات المعزولة.

منطقة أخرى من التركيز هي على الأجهزة الذكية للذكاء الاصطناعي. تقول Graphon إن نظامها مصمم للعمل مع البيانات التي تم إنشاؤها بواسطة الهواتف الذكية والكاميرات والأجهزة القابلة للارتداء والنظارات الذكية والأجهزة المتوافقة الأخرى.

الآثار المستقبلية للبنية التحتية للذكاء الاصطناعي العلاقي

يعكس ظهور Graphon تحولًا أوسع يحدث في الذكاء الاصطناعي: الاعتراف المتزايد بأن توسيع النماذج وحده قد لا يحل العديد من أصعب مشاكل الصناعة.

مع نشر الشركات لأنظمة الذكاء الاصطناعي في بيئات متزايدة التعقيد، يصبح التحدي أقل حول توليد النص وأكثر حول فهم العلاقات بين الأنظمة والبشر والأجهزة وتدفقات المعلومات.

من المحتمل أن تحتاج أنظمة الذكاء الاصطناعي في المستقبل إلى التفكير عبر المزيد من المستندات والإشارات. أنظمة المصانع الآلية وأنظمة الروبوتات والمدن الذكية والأجهزة القابلة للارتداء وأجهزة الاستشعار الصناعية وبنية الأمان ونظم البرمجيات الشركية جميعها تنتج كميات هائلة من البيانات المتعددة الأشكال المتصلة. وتوجد معظم هذه المعلومات بشكل مستمر وتتطور في الوقت الفعلي.

هذا يخلق ضغطًا لتحسين أنواع جديدة من بنية الذكاء الاصطناعي قادرة على الحفاظ على السياق المستدام بعد نافذة الذاكرة المؤقتة للنموذج.

يمكن أن تمتد الآثار إلى ما هو أبعد من أدوات الإنتاجية للشركات. قد تلعب الأنظمة المصممة حول الذاكرة العلاقة والتفاهم المتعددة الأشكال دورًا في مجالات مثل تنسيق الروبوتات، والتحكم الآلي الصناعي، والتوائم الرقمية، والنقل الآلي، وتشخيص الرعاية الصحية، وبيئات الحوسبة المتقدمة على الحواف.

قد يسرع ظهور وكلاء الذكاء الاصطناعي هذا الحاجة بشكل أكبر. سوف يحتاج الوكلاء الذين يعملون بشكل مستقل داخل أنظمة الشركات إلى وعي سياقي أعمق وفهم أكثر متانة لطريقة ارتباط الإجراءات والأنظمة والبيئات مع مرور الوقت.

في هذا الصدد، قد تتضمن المرحلة الرئيسية التالية من تطوير الذكاء الاصطناعي بناء أنظمة تساعد الآلات على نمذجة البيئات الحقيقية الديناميكية بشكل أكثر استمرارًا – بدلاً من توليد استجابات متقدمة بشكل متزايد من إشارات معزولة.