Το Graphon AI Emerges Από Την Λήθη Με $8.3M Για Να Δημιουργήσει Ένα “Στρώμα Νοημοσύνης” Για Επιχειρηματική Νοημοσύνη

Η εταιρεία υποδομής νοημοσύνης Graphon AI έχει κάνει την εμφάνισή της με $8.3 εκατομμύρια σε χρηματοδότηση σπόρων, καθώς προσπαθεί να giải quyết ένα από τα μεγαλύτερα εμπόδια που αντιμετωπίζουν τα σύγχρονα συστήματα νοημοσύνης: την αδυναμία των μεγάλων μοντέλων να συναγάγουν αποτελέσματα αποτελεσματικά σε τεράστιους, αποσυνδεδεμένους πολυμορφικούς συνόλους δεδομένων.

Η χρηματοδότηση οδηγείται από την Novera Ventures, με τη συμμετοχή της Samsung Next, της Hitachi Ventures, της Perplexity Fund, της GS Futures, της Gaia Ventures, της B37 Ventures και της Aurum Partners.

Η εταιρεία με έδρα το Σαν Φρανσίσκο ιδρύθηκε από πρώην ερευνητές και μηχανικούς από οργανισμούς όπως η Amazon, η Meta, το MIT, η Google, η Apple, η NVIDIA και η NASA.

Το Πρόβλημα που Προσπαθεί να Λύσει το Graphon

Τα μεγαλύτερα μοντέλα γλώσσας έχουν γίνει δραματικά πιο ικανά τα τελευταία χρόνια, αλλά vẫn αντιμετωπίζουν ένα θεμελιώδες περιορισμό: τα παράθυρα контекstu.

ΕVEN τα προηγμένα μοντέλα νοημοσύνης μπορούν να επεξεργαστούν μόνο μια περιορισμένη ποσότητα πληροφοριών κάθε φορά. Οι επιχειρήσεις, εν τω μεταξύ, συχνά κατέχουν τεράστιες ποσότητες αποσυνδεδεμένων δεδομένων που διασκορπίζονται σε έγγραφα, βάσεις δεδομένων, συστήματα επιτήρησης, βίντεο, αρχεία, ήχους και εσωτερικά λογισμικά πλατφόρμες.

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 την πάροδο του χρόνου.

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

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

Η εταιρεία λέει ότι αυτό το στρώμα σχέσεων κατασκευάζεται χρησιμοποιώντας graphon συναρτήσεις — ένα μαθηματικό πλαίσιο παραδοσιακά συνδεδεμένο με την ανάλυση δικτύων και μεγάλων γραφικών συστημάτων. Το σύστημα σχεδιάζεται για να αναγνωρίσει 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 σταθερής δομημένης μνήμης που μπορεί να λειτουργήσει ανεξάρτητα από τα περιοριστικά παράθυρα контекstu του μοντέλου.

Μια Μετατόπιση Μακριά Από Μεγαλύτερα Μοντέλα

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

Για χρόνια, η πρόοδος στη νοημοσύνη έχει οδηγηθεί σε μεγάλο βαθμό από την κλιμάκωση μοντέλων — προσθέτοντας περισσότερους παραμέτρους, περισσότερη επεξεργασία και μεγαλύτερα σύνολα δεδομένων εκπαίδευσης. Nhưng πολλές εταιρείες ερευνητών και υποδομής εξερευνούν τρόπους για να βελτιώσουν την απόδοση της νοημοσύνης μέσω καλύτερων συστημάτων μνήμης, αρχιτεκτονικών συναγωγής, στρωμάτων ανάκτησης και οργάνωσης δεδομένων αντί να κατασκευάζουν μεγαλύτερα μοντέλα.

Η εταιρεία υποστηρίζει ότι η νοημοσύνη δεν πρέπει να υπάρχει μόνο μέσα στο 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 οι πληροφορίες αλλάζουν συνεχώς και διασκορπίζονται σε πολλά συστήματα ταυτόχρονα.

Σε βιομηχανικά περιβάλλοντα, για παράδειγμα, τα συστήματα νοημοσύνης μπορεί να χρειαστεί να συναγάγουν αποτελέσματα σε τηλεμετρία μηχανών, βίντεο ασφαλείας, αρχεία λειτουργίας, εγγραφά λογαριασμών και επιχειρηματικών ροών εργασιών ταυτόχρονα. Παρόμοιες προκλήσεις υπάρχουν στη ρομποτική, τη λογιστική, την υγεία και την αυτοματοποίηση επιχειρήσεων.

Πρώιμες Επιχειρηματικές Εφαρμογές

Το Graphon λέει ότι οι πρώιμες επιχειρηματικές πελάτες περιλαμβάνουν τον Νοτιοκορεάτη ομίλθο GS Group.

Σύμφωνα με την εταιρεία, οι εφαρμογές περιλαμβάνουν την ανάλυση της κίνησης των πελατών σε εσωτερικούς χώρους λιανικής πώλησης και τη βελτίωση της παρακολούθησης ασφαλείας σε χώρους κατασκευής μέσω πολυμορφικής ανάλυσης CCTV.

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

Ένας άλλος τομέας εστίασης είναι η ανάλυση νοημοσύνης σε συσκευές. Το Graphon λέει ότι το σύστημά του σχεδιάζεται για να λειτουργήσει με δεδομένα που παράγονται από smartphones, κάμερες, wearable συσκευές, έξυπνα γυαλιά και άλλες συνδεδεμένες συσκευές.

Οι Μελλοντικές Επιπτώσεις της Υποδομής Νοημοσύνης Σχέσεων

Η εμφάνιση του 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.

Όσο οι επιχειρήσεις αναπτύσσουν τη νοημοσύνη σε ολοένα 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.

Τα μελλοντικά συστήματα νοημοσύνης θα χρειαστεί να συναγάγουν αποτελέσματα σε πολύ περισσότερα από έγγραφα και προτροπές. Αυτόματα εργοστάσια, ρομποτικά συστήματα, έξυπνες πόλεις, φορητές συσκευές, βιομηχανικοί αισθητήρες, υποδομές ασφαλείας και επιχειρηματικά λογισμικά εκосύστηματα παράγουν τεράστιες ποσότητες διασυνδεδεμένων πολυμορφικών δεδομένων. Πολύ από αυτά τα δεδομένα υπάρχουν συνεχώς και εξελίσσονται σε πραγματικό χρόνο.

Αυτό δημιουργεί πίεση για νέες μορφές υποδομής νοημοσύνης ικανές να διατηρήσουν σταθερό контекστ μετά το προσωρινό παράθυρο μνήμης του μοντέλου.

Οι επιπτώσεις μπορεί να εκτείνουν πέρα από τα εργαλεία παραγωγικότητας επιχειρήσεων. Συστήματα σχεδιασμένα γύρω από τη μνήμη σχέσεων και την πολυμορφική κατανόηση μπορεί να παίξουν τελικά ρόλο σε περιοχές όπως η συντονισμός ρομποτικής, η βιομηχανική αυτοματοποίηση, τα ψηφιακά δίδυμα, η αυτονομία μεταφοράς, η διαγνωστική υγείας και τα περιβάλλοντα υπολογισμού άκρης.

Η άνοδος των συστημάτων νοημοσύνης μπορεί να επιταχύνει αυτή την ανάγκη ακόμη περισσότερο. Τα συστήματα που λειτουργούν αυτόνομα μέσα στις επιχειρηματικές συστήματα θα χρειαστούν βαθύτερη συνειδητοποίηση kontekstu και μια πιο ανθεκτική κατανόηση του πώς οι ενέργειες, τα συστήματα και τα περιβάλλοντα συνδέονται με την πάροδο του χρόνου.

Σε αυτή την έννοια, η επόμενη μεγάλη φάση της ανάπτυξης νοημοσύνης μπορεί να περιλαμβάνει την κατασκευή συστημάτων που βοηθούν τις μηχανές να μοντελοποιούν δυναμικά περιβάλλοντα του πραγματικού κόσμου πιο συνεχώς — αντί να παράγουν ολοένα και πιο σύνθετες απαντήσεις από απομονωμένες προτροπές.