Graphon AI kommer ud af stealth med 8,3 mio. dollars for at bygge en “intelligenslag” til virksomheds-AI

AI-infrastruktur startup Graphon AI er kommet ud af stealth med 8,3 millioner dollars i seed-finansiering i sit forsøg på at løse en af de største flaskehalse for moderne AI-systemer: udygtigheden hos store modeller til at forstå effektivt på tværs af massive, fragmenterede multimodale datasæt.

Runden blev ledet af Novera Ventures, med deltagelse fra Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures og Aurum Partners.

Det San Francisco-baserede selskab blev grundlagt af tidligere forskere og ingeniører fra organisationer inklusive Amazon (AMZN ), Meta, MIT, Google (GOOGL ), Apple (AAPL ), NVIDIA (NVDA ) og NASA.

Problemet, som Graphon forsøger at løse

Store sprogmodeller er blevet dramatisk mere kapable over de seneste år, men de står stadig over for en grundlæggende begrænsning: kontekstvinduer.

Even de mest avancerede AI-modeller kan kun behandle en begrænset mængde information ad gangen. Virksomheder har derimod ofte enorme mængder af ikke-tilknyttede data spredt over dokumenter, databaser, overvågningsystemer, videostrømme, logfiler, lydfiler og interne softwareplatforme.

Nuværende tilgange som Retrieval-Augmented Generation (RAG) hjælper modeller med at hente relevant information, men de kæmper med at forstå dybere relationer mellem datasæt eller opretholde en varig forståelse over tid.

Graphons tilgang er at flytte en del af forståelsesprocessen uden for modellen selv.

I stedet for at tvinge en grundmodel til at indtage rå virksomhedsdata kontinuerligt, skaber Graphon, hvad de beskriver som en “pre-model intelligenslag”, der kortlægger relationer mellem forskellige former for information, før modellen behandler dem.

Selskabet siger, at denne relationelle lag er bygget med graphon-funktioner – en matematisk ramme traditionelt forbundet med netværksanalyse og store graf-systemer. Systemet er designet til at identificere forbindelser på tværs af multimodale datakilder, herunder tekst, video, lyd, billeder, strukturerede databaser, industrielle systemer og sensor-netværk.

Ifølge selskabet skaber dette en form for varig struktureret hukommelse, der kan fungere uafhængigt af en models kontekstvindu-begrænsninger.

En skift væk fra større modeller

Graphons lancering afspejler en bredere skift, der sker i AI-industrien.

I mange år har fremgangen i AI været drevet af at skala modeller – tilføje flere parametre, mere beregning og større træningsdatasæt. Men mange forskere og infrastruktur-startups udforsker nu måder at forbedre AI-ydelse gennem bedre hukommelsessystemer, forståelsesarkitekturer, hentelag og dataorganisation i stedet for blot at bygge større grundmodeller.

Selskabet argumenterer for, at intelligens ikke kun skal eksistere inden for modellen selv, men også i infrastrukturlaget, der forbinder modeller med virksomhedsdata.

Denne tilgang kan blive stadig vigtigere, da virksomheder udruller AI-systemer i miljøer, hvor information konstant ændrer sig og er spredt over flere systemer samtidigt.

I industrielle miljøer kan AI-systemer f.eks. behøve at forstå på tværs af maskin-telemetri, sikkerhedsfilm, operationslogfiler, vedligeholdelsesoptegnelser og virksomheds-workflows på samme tid. Tilsvarende udfordringer findes i robotteknologi, logistik, sundhedsvesen og virksomhedsautomatisering.

Tidlige virksomhedsudrulninger

Graphon siger, at tidlige virksomheds-kunder allerede inkluderer den sydkoreanske konglomerat GS Group.

Ifølge selskabet har udrulningerne inkluderet analyse af kundebevægelser inden for detailhandelsmiljøer og forbedring af sikkerheds-overvågning på byggepladser gennem multimodal CCTV-analyse.

Selskabet siger også, at deres infrastruktur kan understøtte agens-workflows, der giver AI-agenter mulighed for at træffe beslutninger baseret på en rigere multimodal kontekst i stedet for isolerede prompter.

Et andet fokusområde er AI-resonnering på enheder. Graphon siger, at deres system er designet til at fungere med data genereret fra smartphones, kameraer, wearables, smart glasses og andre tilkoblede enheder.

Fremtidens implikationer af relationel AI-infrastruktur

Graphons opdukken afspejler en bredere skift i gang i kunstig intelligens: den voksende erkendelse af, at skala-modeller alene måske ikke løser mange af industrens sværeste problemer.

Når virksomheder udruller AI i stadig mere komplekse miljøer, bliver udfordringen mindre om at generere tekst og mere om at forstå relationer mellem konstant skiftende systemer, mennesker, enheder og informationsstrømme.

Fremtidige AI-systemer vil sandsynligvis behøve at forstå på tværs af langt mere end dokumenter og prompter. Autonome fabrikker, robot-systemer, smarte byer, wearables, industrielle sensorer, sikkerheds-infrastruktur og virksomhedssoftware-økosystemer genererer alle massive mængder af sammenhængende multimodal data. Meget af denne information eksisterer kontinuerligt og udvikler sig i realtid.

Dette skaber pres for nye former for AI-infrastruktur, der kan opretholde en varig kontekst ud over en models midlertidige hukommelsesvindue.

Implikationerne kan strække sig langt ud over virksomhedsproduktivitetsværktøjer. Systemer designet omkring relationel hukommelse og multimodal forståelse kan måske en dag spille en rolle i områder som robotkoordination, industriautomatisering, digital tvilling, autonom transport, sundhedsdiagnosticering og adaptiv kant-computering-miljøer.

Opkomsten af AI-agenter kan accelerere dette behov endnu mere. Agenter, der opererer autonomt inden for virksomhedssystemer, vil kræve en dybere kontekstuel bevidsthed og en mere varig forståelse af, hvordan handlinger, systemer og miljøer hænger sammen over tid.

På den måde kan den næste store fase af AI-udvikling måske involvere at bygge systemer, der hjælper maskiner med at modelere dynamiske virkelige miljøer mere kontinuerligt – i stedet for blot at generere stadig mere sofistikerede svar fra isolerede prompter.