Graphon AI tulee salaisuudesta 8,3 miljoonan dollarin rahoituksella ja rakentaa “älykerroksen” yritysten tekoälylle

Teckoäly-infrastruktuuriin erikoistunut startup-yritys Graphon AI on tullut julki 8,3 miljoonan dollarin siemenerähaitalla, kun se yrittää ratkaista yhtä suurimmista pullonkauloista, joiden kanssa modernit tekoälyjärjestelmät kamppailevat: suurten mallien kyvyttömyys päästä järkevästi yhteys suuriin, hajanaisiin monimuotoisiin tietokantoihin.

Rahoituksen johtajana toimi Novera Ventures, ja siihen osallistuivat Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures ja Aurum Partners.

San Francisco -pohjainen yritys perustettiin entisten tutkijoiden ja insinöörien toimesta organisaatioista kuten Amazon, Meta, MIT, Google, Apple, NVIDIA ja NASA.

Ongelma, jota Graphon yrittää ratkaista

Suuret kielimallit ovat kasvaneet dramaattisesti kykyjensä suhteen viimeisten vuosien aikana, mutta niillä on edelleen perusrajoitus: kontekstiaikataulu.

Edistyneilläkin tekoälymallilla on vain rajattu määrä tietoa, jonka se voi prosessoida kerran. Yritykset puolestaan istuvat usein valtavien määrien irrotettuja tietoja, jotka on levitetty asiakirjojen, tietokantojen, valvontajärjestelmien, videovirtojen, lokien, äänitiedostojen ja sisäisten ohjelmistojärjestelmien ympärille.

Nykyiset lähestymistavat, kuten Retrieval-Augmented Generation (RAG), auttavat malleja hakemaan relevanttia tietoa, mutta ne kamppailevat syvempien suhteiden ymmärtämisessä tietokantojen välillä tai ymmärtämisessä kestävästi ajan kuluessa.

Graphonin lähestymistapa on siirtää osa päättelyprosessista ulos mallista itsessään.

Sen sijaan, että pakottaisi perusmallin jatkuvasti nielemään raakaa yritystietoa, Graphon luo, mitä se kutsuu “esimallin älykerrokselle”, joka kartoittaa suhteita eri tietomuotojen välillä ennen kuin malli prosessoi niitä.

Yritys sanoo, että tämä relaatiokerros on rakennettu käyttäen graphon-funktioita — matemaattista kehikkoa, joka on perinteisesti liitetty verkkotutkimukseen ja suuriin verkkorakenteisiin. Järjestelmä on suunniteltu tunnistamaan yhteydet monimuotoisten tietolähteiden välillä, mukaan lukien teksti, video, ääni, kuvat, rakenteelliset tietokannat, teollisuusjärjestelmät ja anturiverkkorakenteet.

Yrityksen mukaan tämä luo muodon kestävästä rakenteellisesta muistista, joka voi toimia itsenäisesti mallin kontekstiaikataulun rajoitusten ulottumattomissa.

Siirtyminen pois suuremmista malleista

Graphonin lanseeraus heijastaa laajempaa muutosta, joka tapahtuu tekoälyteollisuudessa.

Vuosiin, tekoälyn edistysaskel on suurelta osin johtunut mallien skaalautumisesta — lisäämällä enemmän parametreja, laskentakapasiteettia ja suurempia koulutusaineistoja. Mutta monet tutkijat ja infrastruktuuristartupit tutkivat nyt keinoja parantaa tekoälyn suorituskykyä paremmin muistijärjestelmien, päättelyarkkitehtuurien, hakukerrosten ja tietojärjestelmien kautta, sen sijaan, että rakentaisivat vain suurempia perusmalleja.

Yritys väittää, että älykkyyden ei pitäisi olla ainoastaan mallin itsessään, vaan myös infrastruktuurikerroksessa, joka yhdistää mallit yritysten tietoihin.

Tämä lähestymistapa voi tulla tärkeämmäksi, kun yritykset käyttävät tekoälyjärjestelmiä ympäristöissä, joissa tieto on jatkuvasti muuttumassa ja levittäytyy useiden järjestelmien ympärille samanaikaisesti.

Teollisuusympäristöissä esimerkiksi tekoälyjärjestelmien on mahdollista päästä järkevästi yhteys koneiden telemetriatietoihin, turvallisuuskameroihin, toimintalokien, huolto-ohjelmien ja yritysten työnkulkuun samanaikaisesti. Samankaltaisia haasteita on myös robotiikassa, logistiikassa, terveydenhuollossa ja yritysautomaatiossa.

Varhaiset yrityskäyttöönotot

Graphon sanoo, että varhaisiin yritysasiakkaisiin kuuluu eteläkorealainen konglomeraatti GS Group.

Yrityksen mukaan käyttöönotot ovat sisältäneet asiakkaiden liikkeen analyysin myyntiympäristöissä ja turvallisuuden valvontaa rakennuskohteissa multimodaalisen CCTV-analyysin kautta.

Yritys sanoo myös, että sen infrastruktuuri tukee agenteille työnkulkuja, jolloin tekoälyagentit voivat tehdä päätöksiä rikkaamman monimuotoisen kontekstin perusteella, sen sijaan, että ne perustuisivat vain erillisiin ärsykkeisiin.

Toinen keskittyminen on laitteiston tekoälypäättelyyn. Graphon sanoo, että sen järjestelmä on suunniteltu toimimaan tietojen kanssa, jotka on luotu älypuhelimista, kameroista, älykelloista, älylasista ja muista kytketyistä laitteista.

Relaatiotekoäly-infrastruktuurin tulevaisuuden vaikutukset

Graphonin ilmaantuminen heijastaa laajempaa muutosta, joka on meneillään tekoälyssä: kasvava tunnistaminen siitä, että mallien skaalautuminen yksin ei ratkaise monia teollisuuden vaikeimmista ongelmista.

Kun yritykset käyttävät tekoälyä yhä monimutkaisemmissa ympäristöissä, haaste muuttuu vähemmän tekstien generoimisesta ja enemmän suhteiden ymmärtämisestä jatkuvasti muuttuvien järjestelmien, ihmisten, laitteiden ja tietovirtojen välillä.

Tulevaisuuden tekoälyjärjestelmien on mahdollista joutua päättelyyn yhden dokumentin ja ärsykkeen sijaan. Automaattiset tehtaat, robotti-järjestelmät, älykaupungit, älylaitteet, teollisuusanturit, turvallisuusinfrastruktuuri ja yritys-ohjelmistojärjestelmät kaikki tuottavat valtavat määrät toisiinsa kytkettyjä monimuotoisia tietoja. Suurin osa tästä tiedosta on olemassa jatkuvasti ja kehittyy reaaliajassa.

Tämä luo painetta uusille tekoäly-infrastruktuureille, jotka voivat ylläpitää kestävää kontekstia mallin tilapäisen muistin ikkunan ulottumattomissa.

Vaikutukset voivat ulottua paljon yritysten tuottavuustyökalujen ulkopuolelle. Järjestelmät, jotka on suunniteltu relaatiomuistin ja monimuotoisen ymmärtämisen ympärille, voivat lopulta toimia alueilla, kuten robotti-koordinaatiossa, teollisessa automaatiassa, digitaalisissa kaksoiskappaleissa, autonomisessa liikenteessä, terveydenhuollon diagnostiikassa ja sopeutuvissa reunan laskentaympäristöissä.

Tehtävien tekoäly-agenttien nousu voi kiihdyttää tätä tarvetta vielä enemmän. Agentit, jotka toimivat itsenäisesti yritysten järjestelmissä, vaativat syvempää kontekstuaalista tietoisuutta ja kestävämpää ymmärtämistä siitä, miten toimet, järjestelmät ja ympäristöt liittyvät toisiinsa ajan kuluessa.

Tässä mielessä seuraava suuri vaihe tekoälyn kehityksessä voi vaatia järjestelmien rakentamista, jotka auttavat koneita mallintamaan dynaamisia, maailmanlaajuisia ympäristöjä jatkuvammin — sen sijaan, että ne vain generoivat yhä monimutkaisempia vastauksia erillisten ärsykkeiden perusteella.