Graphon-KI tritt mit 8,3 Mio. US-Dollar aus der Stealth-Phase aus, um eine “Intelligenzschicht” für Unternehmens-KI zu entwickeln

Der KI-Infrastruktur-Startup Graphon AI ist mit 8,3 Millionen US-Dollar an Seed-Finanzierung aus der Stealth-Phase ausgetreten, um eines der größten Probleme moderner KI-Systeme anzugehen: die Unfähigkeit großer Modelle, effektiv über massive, fragmentierte multimodale Datensätze zu argumentieren.

Die Finanzierungsrunde wurde von Novera Ventures angeführt, mit Beteiligung von Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures und Aurum Partners.

Das in San Francisco ansässige Unternehmen wurde von ehemaligen Forschern und Ingenieuren gegründet, die bei Organisationen wie Amazon (AMZN ), Meta, MIT, Google (GOOGL ), Apple (AAPL ), NVIDIA (NVDA ) und NASA tätig waren.

Das Problem, das Graphon zu lösen versucht

Große Sprachmodelle haben in den letzten Jahren dramatisch an Fähigkeiten gewonnen, aber sie stehen immer noch vor einer grundlegenden Einschränkung: Kontextfenster.

Sogar fortschrittliche KI-Modelle können nur eine begrenzte Menge an Informationen gleichzeitig verarbeiten. Unternehmen verfügen dagegen oft über enorme Mengen an nicht verbundenen Daten, die über Dokumente, Datenbanken, Überwachungssysteme, Video-Feeds, Log-Dateien, Audio-Dateien und interne Software-Plattformen verteilt sind.

Die aktuellen Ansätze wie Retrieval-Augmented Generation (RAG) helfen Modellen, relevante Informationen abzurufen, aber sie haben Schwierigkeiten, tiefergehende Beziehungen zwischen Datensätzen zu verstehen oder ein persistentes Verständnis über die Zeit zu bewahren.

Graphons Ansatz besteht darin, einen Teil des Argumentationsprozesses außerhalb des Modells selbst zu verlagern.

Statt ein Grundmodell dazu zu zwingen, kontinuierlich rohe Unternehmensdaten zu verarbeiten, erstellt Graphon eine sogenannte “prämodale Intelligenzschicht”, die Beziehungen zwischen verschiedenen Informationsformen kartiert, bevor das Modell sie verarbeitet.

Das Unternehmen behauptet, dass diese relationale Schicht mithilfe von Graphon-Funktionen erstellt wird – einem mathematischen Rahmen, der traditionell mit Netzwerkanalyse und großen Graph-Systemen verbunden ist. Das System ist darauf ausgelegt, Verbindungen über multimodale Datenquellen wie Text, Video, Audio, Bilder, strukturierte Datenbanken, industrielle Systeme und Sensornetzwerke zu identifizieren.

Laut dem Unternehmen entsteht so eine Art persistentes strukturiertes Gedächtnis, das unabhängig von den Kontextfenster-Einschränkungen eines Modells operieren kann.

Ein Weg von größeren Modellen weg

Graphons Markteinführung spiegelt einen breiteren Trend in der KI-Industrie wider.

Über Jahre hinweg wurde der Fortschritt in der KI hauptsächlich durch die Skalierung von Modellen vorangetrieben – durch das Hinzufügen von Parametern, Rechenleistung und größeren Trainingsdatensätzen. Aber viele Forscher und Infrastruktur-Startups erkunden nun Wege, um die KI-Leistung durch bessere Speichersysteme, Argumentationsarchitekturen, Abrufschichten und Datenorganisation zu verbessern, anstatt einfach größere Grundmodelle zu bauen.

Das Unternehmen argumentiert, dass Intelligenz nicht nur innerhalb des Modells selbst existieren sollte, sondern auch in der Infrastrukturschicht, die Modelle mit Unternehmensdaten verbindet.

Dieser Ansatz könnte immer wichtiger werden, da Unternehmen KI-Systeme in Umgebungen einsetzen, in denen Informationen ständig ändern und über mehrere Systeme gleichzeitig verteilt sind.

In industriellen Umgebungen beispielsweise müssen KI-Systeme möglicherweise über Maschinentelemetrie, Sicherheitsvideos, Betriebsprotokolle, Wartungsprotokolle und Unternehmensworkflows gleichzeitig argumentieren. Ähnliche Herausforderungen bestehen in der Robotik, Logistik, Gesundheitsversorgung und Unternehmensautomatisierung.

Frühe Unternehmenseinsätze

Graphon sagt, dass frühe Unternehmenskunden bereits den südkoreanischen Konglomerat GS Group umfassen.

Laut dem Unternehmen umfassten die Einsätze die Analyse von Kundenbewegungen in Einzelhandelsumgebungen und die Verbesserung der Sicherheitsüberwachung auf Baustellen durch multimodale CCTV-Analyse.

Das Unternehmen sagt auch, dass seine Infrastruktur agente Workflows unterstützen kann, sodass KI-Agents auf der Grundlage eines reichhaltigeren multimodalen Kontexts Entscheidungen treffen können, anstatt nur isolierte Prompts.

Ein weiterer Schwerpunkt liegt auf der KI-Argumentation auf Geräten. Graphon sagt, dass sein System für die Arbeit mit Daten konzipiert ist, die von Smartphones, Kameras, Wearables, Smart Glasses und anderen verbundenen Geräten generiert werden.

Die zukünftigen Auswirkungen relationaler KI-Infrastruktur

Graphons Auftritt spiegelt einen breiteren Trend in der künstlichen Intelligenz wider: die wachsende Erkenntnis, dass die Skalierung von Modellen allein viele der härtesten Probleme der Branche nicht lösen wird.

Wenn Unternehmen KI in immer komplexere Umgebungen einsetzen, wird die Herausforderung weniger darin bestehen, Text zu generieren, und mehr darin, Beziehungen zwischen ständig ändernden Systemen, Menschen, Geräten und Informationsströmen zu verstehen.

Zukünftige KI-Systeme werden wahrscheinlich über Dokumente und Prompts hinaus argumentieren müssen. Autonome Fabriken, Robotik-Systeme, Smart Cities, Wearables, industrielle Sensoren, Sicherheitsinfrastruktur und Unternehmenssoftware-Ökosysteme erzeugen alle enorme Mengen an vernetzten multimodalen Daten. Ein Großteil dieser Informationen existiert kontinuierlich und entwickelt sich in Echtzeit.

Dies erzeugt Druck auf neue Formen von KI-Infrastruktur, die in der Lage sind, ein persistentes Kontextverständnis über das temporäre Speicherfenster eines Modells hinaus zu bewahren.

Die Auswirkungen könnten weit über Unternehmensproduktivitätstools hinausgehen. Systeme, die auf relationaler Speicherung und multimodalem Verständnis basieren, könnten letztendlich in Bereichen wie der Koordination von Robotik, der industriellen Automatisierung, der digitalen Zwillinge, der autonomen Mobilität, der Gesundheitsdiagnose und den adaptiven Edge-Computing-Umgebungen eine Rolle spielen.

Der Aufstieg von KI-Agents kann diesen Bedarf noch weiter verstärken. Agents, die autonom innerhalb von Unternehmenssystemen operieren, werden ein tieferes kontextuelles Bewusstsein und ein dauerhafteres Verständnis davon benötigen, wie Aktionen, Systeme und Umgebungen über die Zeit miteinander verbunden sind.

In diesem Sinne kann die nächste große Phase der KI-Entwicklung darin bestehen, Systeme zu entwickeln, die Maschinen helfen, dynamische realweltliche Umgebungen kontinuierlicher zu modellieren – anstatt einfach nur immer komplexere Antworten auf isolierte Prompts zu generieren.