Η Graphon AI Βγαίνει Από Την Κρυψώνα Με 8,3 Εκατ. Δολάρια Για Να Δημιουργήσει Ένα “Στρώμα Νοημοσύνης” Για Επιχειρηματική Νοημοσύνη

Η εταιρεία υποδομής νοημοσύνης Graphon AI έχει βγει από την κρυψώνα με 8,3 εκατ. δολάρια σε χρηματοδότηση σπόρων ενώ προσπαθεί να αντιμετωπίσει ένα από τα μεγαλύτερα εμπόδια που αντιμετωπίζουν οι σύγχρονες συστήματα νοημοσύνης: την αδυναμία των μεγάλων μοντέλων να συλλογίζουν αποτελεσματικά σε τεράστιους, αποσυνδεδεμένους πολυμορφικούς συνόλους δεδομένων.

Η χρηματοδότηση αυτή ήταν υπό την ηγεσία της Novera Ventures, με τη συμμετοχή της Samsung Next, της Hitachi Ventures, του Perplexity Fund, του GS Futures, της Gaia Ventures, της B37 Ventures και της Aurum Partners.

Η εταιρεία με έδρα στο Σαν Φρανσίσκο ιδρύθηκε από πρώην ερευνητές και μηχανικούς από οργανισμούς όπως η Amazon (AMZN ), η Meta, το MIT, η Google (GOOGL ), η Apple (AAPL ), η NVIDIA (NVDA ) και η NASA.

Το Πρόβλημα που Προσπαθεί να Λύσει η Graphon

Τα μεγαλύτερα μοντέλα γλώσσας έχουν αυξηθεί δραματικά τις τελευταίες 몇 سنوات, αλλά vẫn αντιμετωπίζουν ένα θεμελιώδες περιορισμό: τα παράθυρα контекstu.

Ε，即使 τα πιο προηγμένα μοντέλα νοημοσύνης μπορούν να επεξεργαστούν μόνο μια περιορισμένη ποσότητα πληροφοριών κάθε φορά. Οι επιχειρήσεις, εν τω μεταξύ, συχνά έχουν τεράστιες ποσότητες αποσυνδεδεμένων δεδομένων που διασκορπίζονται σε έγγραφα, βάσεις δεδομένων, συστήματα επιτήρησης, βίντεο, αρχείων, ήχου και εσωτερικών λογισμικών πλατφορμών.

Οι τρέχουσες προσεγγίσεις όπως η Retrieval-Augmented Generation (RAG) βοηθούν τα μοντέλα να ανακτήσουν σχετικές πληροφορίες, αλλά δυσκολεύονται να κατανοήσουν βαθύτερες σχέσεις μεταξύ συνόλων δεδομένων ή να διατηρήσουν μια σταθερή κατανόηση με τον καιρό.

Η προσέγγιση της Graphon είναι να μεταφέρει μέρος της διαδικασίας συλλογισμού έξω από το ίδιο το μοντέλο.

Αντί να αναγκάζουν ένα μοντέλο να καταναλώσει συνεχώς ακατέργαστα δεδομένα επιχείρησης, η Graphon δημιουργεί αυτό που περιγράφει ως “πρό-μοντέλο στρώμα νοημοσύνης” που χαρτογραφεί τις σχέσεις μεταξύ διαφορετικών μορφών πληροφοριών πριν το μοντέλο τις επεξεργαστεί.

Η εταιρεία λέει ότι αυτό το στρώμα σχέσεων είναι κατασκευασμένο χρησιμοποιώντας συναρτήσεις graphon — ένα μαθηματικό πλαίσιο που συνήθως συνδέεται με την ανάλυση δικτύων και τα μεγάλα συστήματα γραφικών. Το σύστημα είναι σχεδιασμένο να αναγνωρίζει συνδέσεις σε πολυμορφικά δεδομένα, συμπεριλαμβανομένων κειμένου, βίντεο, ήχου, εικόνων, δομημένων βάσεων δεδομένων, βιομηχανικών συστημάτων και δικτύων αισθητήρων.

Σύμφωνα με την εταιρεία, αυτό δημιουργεί μια μορφή μόνιμης δομημένης μνήμης που μπορεί να λειτουργήσει ανεξάρτητα από τα περιοριστικά παράθυρα контекstu του μοντέλου.

Μια Μετατόπιση Μακριά Από Μεγαλύτερα Μοντέλα

Η εκκίνηση της Graphon αντανακλά μια ευρύτερη μετατόπιση που συμβαίνει σε όλη την βιομηχανία νοημοσύνης.

Για χρόνια, η πρόοδος στη νοημοσύνη έχει οδηγηθεί κυρίως από την κλιμάκωση μοντέλων — προσθήκη περισσότερων παραμέτρων, περισσότερης υπολογιστικής ισχύος και μεγαλύτερων συνόλων δεδομένων εκπαίδευσης. Nhưng πολλά ερευνητικά ιδρύματα και εταιρείες υποδομής εξετάζουν τώρα τρόπους για να βελτιώσουν την απόδοση της νοημοσύνης μέσω καλύτερων συστημάτων μνήμης, αρχιτεκτονικής συλλογισμού, στρωμάτων ανάκτησης και οργάνωσης δεδομένων αντί να κατασκευάζουν απλώς μεγαλύτερα μοντέλα.

Η εταιρεία υποστηρίζει ότι η νοημοσύνη δεν πρέπει να υπάρχει μόνο μέσα στο ίδιο το μοντέλο, αλλά και στο στρώμα υποδομής που συνδέει τα μοντέλα με τα δεδομένα της επιχείρησης.

Αυτή η προσέγγιση μπορεί να γίνει όλο και πιο σημαντική καθώς οι επιχειρήσεις αναπτύσσουν συστήματα νοημοσύνης σε περιβάλλοντα όπου η πληροφορία αλλάζει συνεχώς και είναι διασκορπισμένη σε πολλαπλά συστήματα ταυτόχρονα.

Σε βιομηχανικά περιβάλλοντα, για παράδειγμα, τα συστήματα νοημοσύνης μπορεί να χρειαστεί να συλλογίζονται σε τηλεμετρία μηχανών, βίντεο ασφαλείας, λειτουργικά αρχεία, αρχεία συντήρησης και επιχειρηματικές ροές εργασιών ταυτόχρονα. Παρόμοιες προκλήσεις υπάρχουν στη ρομποτική, τη λογιστική, την υγεία και την αυτοματοποίηση επιχειρήσεων.

Πρώιμες Εγκαταστάσεις Επιχειρήσεων

Η Graphon λέει ότι οι πρώτοι πελάτες επιχειρήσεων περιλαμβάνουν τον Νοτιοκορεάτη όμιλο GS.

Σύμφωνα με την εταιρεία, οι εγκαταστάσεις περιελάμβαναν την ανάλυση της κίνησης των πελατών σε εμπορικά περιβάλλοντα και τη βελτίωση της επιτήρησης ασφαλείας σε χώρους κατασκευής μέσω πολυμορφικής ανάλυσης CCTV.

Η εταιρεία λέει επίσης ότι η υποδομή της μπορεί να υποστηρίξει εργασίες με ατζέντα, επιτρέποντας στα συστήματα νοημοσύνης να λαμβάνουν αποφάσεις με βάση πλουσιότερο πολυμορφικό контекст αντί για απομονωμένα προτροπές.

Ένα άλλο πεδίο εστίασης είναι η επί-συσκευής νοημοσύνη. Η Graphon λέει ότι το σύστημά της είναι σχεδιασμένο να λειτουργεί με δεδομένα που παράγονται από smartphones, κάμερες, wearables, έξυπνα γυαλιά και άλλα συνδεδεμένα συσκευές.

Οι Μελλοντικές Επιπτώσεις της Σχεσιακής Υποδομής Νοημοσύνης

Η εμφάνιση της Graphon αντανακλά μια ευρύτερη μετατόπιση που συμβαίνει στη νοημοσύνη: την αυξανόμενη αναγνώριση ότι η κλιμάκωση μοντέλων μόνο μπορεί να μην λύσει πολλά από τα πιο δύσκολα προβλήματα της βιομηχανίας.

Όταν οι επιχειρήσεις αναπτύσσουν νοημοσύνη σε όλο και πιο σύνθετα περιβάλλοντα, η πρόκληση γίνεται λιγότερο για τη δημιουργία κειμένου και περισσότερο για την κατανόηση των σχέσεων μεταξύ συνεχώς μεταβαλλόμενων συστημάτων, ανθρώπων, συσκευών και ροών πληροφοριών.

Μελλοντικά συστήματα νοημοσύνης θα χρειαστεί να συλλογίζονται σε πολύ περισσότερα από έγγραφα και προτροπές. Αυτόματα εργοστάσια, ρομποτικά συστήματα, έξυπνες πόλεις, wearables, βιομηχανικοί αισθητήρες, υποδομές ασφαλείας και επιχειρηματικά λογισμικά παράγουν τεράστιες ποσότητες διασυνδεμένων πολυμορφικών δεδομένων. Πολύ από αυτά τα δεδομένα υπάρχουν συνεχώς και εξελίσσονται σε πραγματικό χρόνο.

Αυτό δημιουργεί πίεση για νέες μορφές υποδομής νοημοσύνης που μπορούν να διατηρήσουν μόνιμο контекστ πέρα από το προσωρινό παράθυρο μνήμης του μοντέλου.

Οι επιπτώσεις θα μπορούσαν να εκτείνουν πέρα από τα εργαλεία παραγωγικότητας επιχειρήσεων. Συστήματα που σχεδιάζονται γύρω από σχεσιακή μνήμη και πολυμορφική κατανόηση μπορεί να παίξουν τελικά ρόλο σε περιοχές όπως η συντονισμός ρομποτικής, η βιομηχανική αυτοματοποίηση, τα ψηφιακά δίδυμα, η αυτοματοποιημένη μεταφορά, η διάγνωση υγείας και τα περιβάλλοντα υπολογισμού άκρης.

Η άνοδος της νοημοσύνης με ατζέντα μπορεί να επιταχύνει αυτή τη ανάγκη ακόμη περισσότερο. Τα συστήματα που λειτουργούν αυτόνομα μέσα στις επιχειρηματικές συστήματα θα χρειαστούν βαθύτερη συνειδητοποίηση του контεκστ και μια πιο ανθεκτική κατανόηση του πώς οι ενέργειες, τα συστήματα και τα περιβάλλοντα συνδέονται με τον καιρό.

Σε αυτή τη σημασία, η επόμενη μεγάλη φάση της ανάπτυξης της νοημοσύνης μπορεί να περιλαμβάνει την κατασκευή συστημάτων που βοηθούν τις μηχανές να μοντελοποιούν δυναμικά πραγματικά περιβάλλοντα πιο συνεχώς — αντί να παράγουν απλώς όλο και πιο σύνθετες απαντήσεις από απομονωμένες προτροπές.