Graphon AI sale de la clandestinidad con $8.3M para construir una “capa de inteligencia” para la IA empresarial

La startup de infraestructura de IA Graphon AI ha salido de la clandestinidad con $8.3 millones en financiación de semilla para intentar resolver uno de los principales cuellos de botella que enfrentan los sistemas de IA modernos: la incapacidad de los grandes modelos para razonar de manera efectiva a través de conjuntos de datos multimodales masivos y fragmentados.

La ronda fue liderada por Novera Ventures, con la participación de Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures y Aurum Partners.

La empresa con sede en San Francisco fue fundada por ex investigadores y ingenieros de organizaciones como Amazon, Meta, MIT, Google, Apple, NVIDIA y NASA.

El problema que Graphon está tratando de resolver

Los modelos de lenguaje han crecido dramáticamente en capacidad en los últimos años, pero aún enfrentan una limitación fundamental: las ventanas de contexto.

Incluso los modelos de IA avanzados solo pueden procesar una cantidad limitada de información al mismo tiempo. Mientras tanto, las empresas a menudo tienen enormes cantidades de datos desconectados que se extienden a través de documentos, bases de datos, sistemas de vigilancia, flujos de video, registros, archivos de audio y plataformas de software internas.

Los enfoques actuales como la Generación con Recuperación (RAG) ayudan a los modelos a recuperar información relevante, pero luchan por comprender las relaciones más profundas entre los conjuntos de datos o mantener una comprensión persistente con el tiempo.

El enfoque de Graphon es mover parte del proceso de razonamiento fuera del modelo en sí.

En lugar de obligar a un modelo de base a ingerir continuamente datos brutos de la empresa, Graphon crea lo que describe como una “capa de inteligencia pre-modelo” que mapea las relaciones entre diferentes formas de información antes de que el modelo las procese.

La empresa dice que esta capa relacional se construye utilizando funciones de graphon, un marco matemático tradicionalmente asociado con el análisis de redes y sistemas de grafos grandes. El sistema está diseñado para identificar conexiones a través de fuentes de datos multimodales que incluyen texto, video, audio, imágenes, bases de datos estructuradas, sistemas industriales y redes de sensores.

Según la empresa, esto crea una forma de memoria estructurada persistente que puede operar de forma independiente de las limitaciones de la ventana de contexto del modelo.

Un cambio hacia modelos más pequeños

El lanzamiento de Graphon refleja un cambio más amplio que está ocurriendo en la industria de la IA.

Durante años, el progreso en la IA ha sido impulsado en gran medida por la escalabilidad de los modelos, agregando más parámetros, más cómputo y conjuntos de datos de entrenamiento más grandes. Pero muchos investigadores y startups de infraestructura están explorando formas de mejorar el rendimiento de la IA a través de mejores sistemas de memoria, arquitecturas de razonamiento, capas de recuperación y organización de datos en lugar de simplemente construir modelos de base más grandes.

La empresa argumenta que la inteligencia no debería existir solo dentro del modelo en sí, sino también en la capa de infraestructura que conecta los modelos con los datos de la empresa.

Este enfoque podría volverse cada vez más importante a medida que las empresas desplieguen sistemas de IA en entornos donde la información está cambiando constantemente y se extiende a través de múltiples sistemas al mismo tiempo.

En entornos industriales, por ejemplo, los sistemas de IA pueden necesitar razonar a través de telemetría de máquinas, footage de seguridad, registros operativos, registros de mantenimiento y flujos de trabajo de la empresa al mismo tiempo. Desafíos similares existen en la robótica, la logística, la atención médica y la automatización empresarial.

Despliegues empresariales tempranos

Graphon dice que los clientes empresariales tempranos ya incluyen al conglomerado surcoreano GS Group.

Según la empresa, los despliegues han incluido el análisis del movimiento de los clientes dentro de entornos minoristas y la mejora de la supervisión de la seguridad en los sitios de construcción a través del análisis de CCTV multimodal.

La empresa también dice que su infraestructura puede admitir flujos de trabajo agenticos, lo que permite a los agentes de IA tomar decisiones basadas en un contexto multimodal más rico en lugar de prompts aislados.

Otra área de enfoque es la inferencia de IA en el dispositivo. Graphon dice que su sistema está diseñado para funcionar con datos generados por teléfonos inteligentes, cámaras, dispositivos wearables, gafas inteligentes y otros dispositivos conectados.

Las implicaciones futuras de la infraestructura de IA relacional

La aparición de Graphon refleja un cambio más amplio en curso en la inteligencia artificial: el creciente reconocimiento de que la escalabilidad de los modelos por sí sola puede no resolver muchos de los problemas más difíciles de la industria.

A medida que las empresas despliegan la IA en entornos cada vez más complejos, el desafío está pasando de generar texto a comprender las relaciones entre sistemas, personas, dispositivos y flujos de información que cambian constantemente.

Los sistemas de IA futuros probablemente necesitarán razonar a través de mucho más que documentos y prompts. Las fábricas autónomas, los sistemas de robótica, las ciudades inteligentes, los dispositivos wearables, los sensores industriales, la infraestructura de seguridad y los ecosistemas de software empresarial generan cantidades masivas de datos multimodales interconectados. Gran parte de esa información existe continuamente y evoluciona en tiempo real.

Esto está creando presión para nuevas formas de infraestructura de IA capaces de mantener un contexto persistente más allá de la ventana de memoria temporal de un modelo.

Las implicaciones podrían extenderse mucho más allá de las herramientas de productividad empresarial. Los sistemas diseñados alrededor de la memoria relacional y la comprensión multimodal pueden desempeñar eventualmente un papel en áreas como la coordinación de la robótica, la automatización industrial, los gemelos digitales, el transporte autónomo, la diagnóstica médica y los entornos de cómputo de borde adaptativos.

El auge de la IA agente puede acelerar aún más esta necesidad. Los agentes que operan de forma autónoma dentro de los sistemas empresariales requerirán una conciencia contextual más profunda y una comprensión más duradera de cómo las acciones, los sistemas y los entornos se conectan con el tiempo.

En ese sentido, la próxima fase importante del desarrollo de la IA puede involucrar la construcción de sistemas que ayuden a las máquinas a modelar entornos del mundo real dinámicos de manera más continua, en lugar de simplemente generar respuestas cada vez más sofisticadas a partir de prompts aislados.