L’émergence de Graphon AI avec 8,3 millions de dollars pour construire une « couche d’intelligence » pour l’IA d’entreprise

Le startup d’infrastructure d’IA Graphon AI est sorti de la clandestinité avec 8,3 millions de dollars de financement initial alors qu’il tente de résoudre l’un des principaux goulets d’étranglement auxquels sont confrontés les systèmes d’IA modernes : l’incapacité des grands modèles à raisonner efficacement à travers des ensembles de données multimodaux massifs et fragmentés.

Le cycle a été mené par Novera Ventures, avec la participation de Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures, et Aurum Partners.

La société basée à San Francisco a été fondée par d’anciens chercheurs et ingénieurs d’organisations telles qu’Amazon, Meta, MIT, Google, Apple, NVIDIA et NASA.

Le problème que Graphon tente de résoudre

Les modèles de langage ont considérablement amélioré leurs capacités au cours des dernières années, mais ils sont toujours confrontés à une limitation fondamentale : les fenêtres de contexte.

Même les modèles d’IA les plus avancés ne peuvent traiter qu’une quantité limitée d’informations à la fois. Les entreprises, en revanche, disposent souvent de quantités énormes de données non connectées réparties sur des documents, des bases de données, des systèmes de surveillance, des flux vidéo, des journaux, des fichiers audio et des plateformes logicielles internes.

Les approches actuelles comme Retrieval-Augmented Generation (RAG) aident les modèles à récupérer des informations pertinentes, mais ils ont du mal à comprendre les relations plus profondes entre les ensembles de données ou à maintenir une compréhension persistante dans le temps.

L’approche de Graphon consiste à déplacer une partie du processus de raisonnement en dehors du modèle lui-même.

Au lieu de forcer un modèle de base à ingérer continuellement des données brutes d’entreprise, Graphon crée ce qu’il décrit comme une « couche d’intelligence pré-modèle » qui cartographie les relations entre les différentes formes d’informations avant que le modèle les traite.

La société affirme que cette couche relationnelle est construite à l’aide de fonctions graphon — un cadre mathématique traditionnellement associé à l’analyse de réseaux et de grands systèmes de graphes. Le système est conçu pour identifier les connexions à travers des sources de données multimodales, notamment du texte, de la vidéo, de l’audio, des images, des bases de données structurées, des systèmes industriels et des réseaux de capteurs.

Selon la société, cela crée une forme de mémoire structurée persistante qui peut fonctionner de manière indépendante des limitations de la fenêtre de contexte d’un modèle.

Un déplacement loin des modèles plus grands

Le lancement de Graphon reflète un changement plus large en cours dans l’industrie de l’IA.

Pendant des années, les progrès de l’IA ont été en grande partie impulsés par la mise à l’échelle des modèles — en ajoutant plus de paramètres, plus de calcul et de plus grands ensembles de données de formation. Mais de nombreux chercheurs et startups d’infrastructure explorent désormais des moyens d’améliorer les performances de l’IA grâce à de meilleurs systèmes de mémoire, des architectures de raisonnement, des couches de récupération et une organisation des données au lieu de simplement construire des modèles de base plus grands.

La société soutient que l’intelligence ne devrait pas exister uniquement à l’intérieur du modèle lui-même, mais également dans la couche d’infrastructure qui relie les modèles aux données d’entreprise.

Cette approche pourrait devenir de plus en plus importante à mesure que les entreprises déployeront des systèmes d’IA dans des environnements où les informations changent constamment et sont réparties sur plusieurs systèmes simultanément.

Dans les environnements industriels, par exemple, les systèmes d’IA peuvent avoir besoin de raisonner à travers la télémétrie des machines, les images de sécurité, les journaux opérationnels, les dossiers de maintenance et les flux de travail d’entreprise en même temps. Des défis similaires existent dans la robotique, la logistique, les soins de santé et l’automatisation d’entreprise.

Les premiers déploiements d’entreprise

Graphon affirme que les premiers clients d’entreprise comprennent déjà le conglomérat sud-coréen GS Group.

Selon la société, les déploiements ont inclus l’analyse du mouvement des clients à l’intérieur des environnements de détail et l’amélioration de la surveillance de la sécurité sur les chantiers de construction grâce à l’analyse de la télévision en circuit fermé multimodale.

La société affirme également que son infrastructure peut prendre en charge les flux de travail agents, permettant aux agents d’IA de prendre des décisions en fonction d’un contexte multimodal plus riche plutôt que de prompts isolés.

Un autre domaine de concentration est le raisonnement d’IA sur appareil. Graphon affirme que son système est conçu pour fonctionner avec les données générées par les smartphones, les caméras, les accessoires, les lunettes intelligentes et d’autres appareils connectés.

Les implications futures de l’infrastructure d’IA relationnelle

L’émergence de Graphon reflète un changement plus large en cours dans l’intelligence artificielle : la reconnaissance croissante que la mise à l’échelle des modèles seule peut ne pas résoudre de nombreux problèmes les plus difficiles de l’industrie.

À mesure que les entreprises déployeront l’IA dans des environnements de plus en plus complexes, le défi deviendra moins de générer du texte et plus de comprendre les relations entre les systèmes, les personnes, les appareils et les flux d’informations qui changent constamment.

Les systèmes d’IA futurs devront probablement raisonner sur bien plus que des documents et des prompts. Les usines autonomes, les systèmes de robotique, les villes intelligentes, les appareils portables, les capteurs industriels, les infrastructures de sécurité et les écosystèmes de logiciels d’entreprise génèrent tous d’énormes quantités de données multimodales interconnectées. Une grande partie de ces informations existe en continu et évolue en temps réel.

Cela crée une pression pour de nouvelles formes d’infrastructure d’IA capables de maintenir un contexte persistant au-delà de la fenêtre de mémoire temporaire d’un modèle.

Les implications pourraient aller bien au-delà des outils de productivité d’entreprise. Les systèmes conçus autour de la mémoire relationnelle et de la compréhension multimodale pourraient éventuellement jouer un rôle dans des domaines tels que la coordination de la robotique, l’automatisation industrielle, les jumeaux numériques, le transport autonome, les diagnostics de santé et les environnements de calcul de bord adaptatifs.

La montée en puissance des agents d’IA pourrait accélérer encore ce besoin. Les agents fonctionnant de manière autonome à l’intérieur des systèmes d’entreprise nécessiteront une conscience contextuelle plus profonde et une compréhension plus durable de la façon dont les actions, les systèmes et les environnements se connectent dans le temps.

Dans ce sens, la prochaine grande phase du développement de l’IA pourrait consister à construire des systèmes qui aident les machines à modéliser des environnements réels dynamiques de manière plus continue — plutôt que de simplement générer des réponses de plus en plus sophistiquées à partir de prompts isolés.