Společnost Graphon AI odhaluje svou existenci s 8,3 miliony dolarů na vybudování „inteligentní vrstvy“ pro firemní AI

Společnost Graphon AI, která se zabývá infrastrukturou umělé inteligence, odhalila svou existenci s 8,3 miliony dolarů na seed financování, když se snaží řešit jednu z největších překážek moderních systémů umělé inteligence: neschopnost velkých modelů efektivně uvažovat napříč obrovskými, fragmentovanými multimodálními datovými soubory.

Financování bylo vedeno firmou Novera Ventures, se účastí firem Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures a Aurum Partners.

Společnost se sídlem v San Francisku byla založena bývalými výzkumníky a inženýry z organizací, včetně Amazonu, Meta, MIT, Google (GOOGL ), Apple (AAPL ), NVIDIA (NVDA ) a NASA.

Problém, který Graphon AI řeší

Velké jazykové modely se v posledních letech dramaticky zlepšily, ale stále čelí fundamentálnímu omezení: kontextovým oknům. (AMZN )

Dokonce i pokročilé modely umělé inteligence mohou zpracovat pouze omezené množství informací najednou. Firemní společnosti naopak často disponují obrovskými množství nesouvisejících dat rozptýlených napříč dokumenty, databázemi, systémy sledování, videopřenosy, logy, audio soubory a interními softwarovými platformami.

Stávající přístupy, jako je generace s využitím načtení (RAG), pomáhají modelům načíst relevantní informace, ale mají potíže s pochopením hlubších vztahů mezi datovými soubory nebo udržením trvalého porozumění v čase.

Přístup Graphonu spočívá v přesunutí části procesu uvažování mimo samotný model.

Místo toho, aby se základnímu modelu neustále podávaly surová firemní data, Graphon vytváří to, co popisuje jako „před-modelovou inteligentní vrstvu“, která mapuje vztahy mezi různými formami informací, než je model zpracuje.

Společnost uvádí, že tato relační vrstva je postavena pomocí graphonových funkcí — matematického rámce tradičně spojeného s analýzou sítí a velkými grafickými systémy. Systém je navržen tak, aby identifikoval spojení napříč multimodálními zdroji dat, včetně textu, videa, audio, obrázků, strukturovaných databází, průmyslových systémů a senzorových sítí.

Podle společnosti to vytváří formu trvalé strukturované paměti, která může fungovat nezávisle na omezeních kontextového okna modelu.

Odklon od větších modelů

Spuštění Graphonu odráží širší posun, který se děje napříč odvětvím umělé inteligence.

Po mnoho let byl pokrok v oblasti umělé inteligence převážně poháněn škálováním modelů — přidáním více parametrů, více výpočtů a větších trénovacích datových souborů. Ale mnoho výzkumníků a firem zabývajících se infrastrukturou nyní zkoumá způsoby, jak zlepšit výkon umělé inteligence prostřednictvím lepších paměťových systémů, architektur uvažování, vrstev načtení a organizace dat místo toho, aby se pouze stavěly větší základní modely.

Společnost argumentuje, že inteligence by neměla existovat pouze uvnitř modelu samotného, ale také ve vrstvě infrastruktury, která spojuje modely s firemními daty.

Tento přístup by mohl být stále důležitější, protože firemní společnosti nasazují systémy umělé inteligence do prostředí, kde se informace neustále mění a jsou rozptýleny napříč několika systémy současně.

V průmyslových prostředích, například, systémy umělé inteligence mohou potřebovat uvažovat napříč telemetrií strojů, bezpečnostními záběry, provozními logy, záznamy o údržbě a firemními pracovními postupy zároveň. Podobné výzvy existují v robotice, logistice, zdravotnictví a firemní automatizaci.

Rané firemní nasazení

Graphon uvádí, že rané firemní zákazníky již zahrnují jihokorejský konglomerát GS Group.

Podle společnosti zahrnovala nasazení analýzu pohybu zákazníků uvnitř maloobchodních prostředí a zlepšení monitorování bezpečnosti na staveništích prostřednictvím multimodální analýzy CCTV.

Společnost také uvádí, že její infrastruktura může podporovat agenty pracovních postupů, umožňující agentům umělé inteligence učinit rozhodnutí na základě bohatějšího multimodálního kontextu než izolovaných podnětů.

Další oblastí zaměření je na zařízení umělé inteligence. Graphon uvádí, že jeho systém je navržen tak, aby fungoval s daty generovanými ze smartphonů, kamer, nositelných zařízení, chytrých brýlí a dalších připojených zařízení.

Budoucí implikace relačních infrastruktur umělé inteligence

Vznik Graphonu odráží širší posun, který se děje v oblasti umělé inteligence: rostoucí uznání, že škálování modelů samo o sobě nemusí vyřešit mnoho z nejtěžších problémů odvětví.

Pokud firemní společnosti nasazují systémy umělé inteligence do stále složitějších prostředí, výzvou se stává méně generování textu a více porozumění vztahům mezi neustále se měnícími systémy, lidmi, zařízeními a proudy informací.

Budoucí systémy umělé inteligence pravděpodobně budou muset uvažovat napříč mnohem více než dokumenty a podněty. Autonomní továrny, robotické systémy, chytrá města, nositelná zařízení, průmyslové senzory, bezpečnostní infrastruktura a firemní softwarové ekosystémy všechny generují obrovská množství propojených multimodálních dat. Velká část těchto informací existuje kontinuálně a vyvíjí se v reálném čase.

To vytváří tlak na nové formy infrastruktury umělé inteligence, které jsou schopné udržet trvalý kontext beyond dočasná okna paměti modelu.

Implikace mohou přesahovat firemní produktivní nástroje. Systémy navržené kolem relačních pamětí a multimodálního porozumění mohou nakonec hrát roli v oblastech, jako je koordinace robotiky, průmyslová automatizace, digitální dvojčata, autonomní doprava, zdravotnické diagnostiky a adaptivní edge computing prostředí.

Růst agentů umělé inteligence může tento požadavek ještě dále urychlit. Agenti fungující autonomně uvnitř firemních systémů budou potřebovat hlubší kontextuální povědomí a více trvanlivé porozumění tomu, jak akce, systémy a prostředí se propojují v čase.

V tomto smyslu může další fáze vývoje umělé inteligence zahrnovat stavbu systémů, které pomáhají strojům modelovat dynamická reálná prostředí více kontinuálně — spíše než generovat stále sofistikovanější odpovědi z izolovaných podnětů.