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, Meta, MIT, Google, Apple, NVIDIA und NASA tätig waren.

Das Problem, das Graphon zu lösen versucht

Große Sprachmodelle haben in den letzten Jahren dramatisch an Fähigkeiten gewonnen, aber sie stoßen immer noch auf eine grundlegende Einschränkung: Kontextfenster.

Even 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 erhalten.

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

Anstatt 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 dadurch eine Form von persistentem, strukturiertem Gedächtnis, das unabhängig von den Kontextfenster-Einschränkungen eines Modells operieren kann.

Ein Weg von größeren Modellen weg

Graphons Markteinführung spiegelt einen umfassenderen Wandel in der KI-Industrie wider.

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

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, Gesundheitswesen 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-Agenten Entscheidungen auf der Grundlage eines reichhaltigeren multimodalen Kontexts 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 Auftauchen spiegelt einen umfassenderen Wandel in der künstlichen Intelligenz wider: die wachsende Erkenntnis, dass die Skalierung von Modellen allein viele der härtesten Probleme der Branche möglicherweise nicht lösen kann.

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

Zukünftige KI-Systeme werden wahrscheinlich über weit mehr als Dokumente und Prompts hinaus argumentieren müssen. Autonome Fabriken, Robotik-Systeme, Smart Cities, Wearables, industrielle Sensoren, Sicherheitsinfrastrukturen 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 jenseits des temporären Speicherfensters eines Modells aufrechtzuerhalten.

Die Auswirkungen könnten weit über Unternehmensproduktivitätstools hinausgehen. Systeme, die auf relationalem Gedächtnis und multimodalem Verständnis basieren, könnten letztendlich in Bereichen wie der Koordination von Robotern, der industriellen Automatisierung, digitalen Zwillingen, autonomer Mobilität, Gesundheitsdiagnose und adaptiver Edge-Computing-Umgebungen eine Rolle spielen.

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

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.