Graphon AI Muncul dari Stealth dengan $8,3M untuk Membangun “Lapisan Intelijen” untuk AI Perusahaan

Perusahaan infrastruktur AI Graphon AI telah muncul dari stealth dengan $8,3 juta dalam pendanaan benih sebagai upaya untuk menyelesaikan salah satu bottleneck terbesar yang dihadapi sistem AI modern: ketidakmampuan model besar untuk berpikir secara efektif di seluruh dataset multimodal yang besar dan terfragmentasi.

Putaran ini dipimpin oleh Novera Ventures, dengan partisipasi dari Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures, dan Aurum Partners.

Perusahaan yang berbasis di San Francisco ini didirikan oleh peneliti dan insinyur mantan dari organisasi seperti Amazon, Meta, MIT, Google, Apple, NVIDIA, dan NASA.

Masalah yang Graphon Coba Selesaikan

Model bahasa besar telah tumbuh secara dramatis lebih mampu selama beberapa tahun terakhir, tetapi mereka masih menghadapi keterbatasan dasar: jendela konteks.

Even model AI yang canggih hanya dapat memproses sejumlah terbatas informasi pada satu waktu. Sementara itu, perusahaan sering memiliki kuantitas besar data yang tidak terhubung yang tersebar di seluruh dokumen, database, sistem pengawasan, feed video, log, file audio, dan platform perangkat lunak internal.

Pendekatan saat ini seperti Retrieval-Augmented Generation (RAG) membantu model mengambil informasi yang relevan, tetapi mereka bergelut untuk memahami hubungan yang lebih dalam antara dataset atau mempertahankan pemahaman yang persisten dari waktu ke waktu.

Pendekatan Graphon adalah untuk memindahkan sebagian proses berpikir di luar model itu sendiri.

Alih-alih memaksa model dasar untuk terus-menerus mengonsumsi data perusahaan yang mentah, Graphon menciptakan apa yang mereka sebut sebagai “lapisan intelijen pra-model” yang memetakan hubungan antara berbagai bentuk informasi sebelum model memprosesnya.

Perusahaan tersebut mengatakan bahwa lapisan relasional ini dibangun menggunakan fungsi graphon — kerangka matematika yang secara tradisional terkait dengan analisis jaringan dan sistem grafik besar. Sistem ini dirancang untuk mengidentifikasi koneksi di seluruh sumber data multimodal termasuk teks, video, audio, gambar, database terstruktur, sistem industri, dan jaringan sensor.

Menurut perusahaan, ini menciptakan bentuk memori terstruktur yang persisten yang dapat beroperasi secara independen dari keterbatasan jendela konteks model.

Pergeseran dari Model yang Lebih Besar

Peluncuran Graphon mencerminkan pergeseran yang lebih luas yang terjadi di seluruh industri AI.

Selama beberapa tahun, kemajuan AI sebagian besar didorong oleh penskalaan model — menambahkan lebih banyak parameter, lebih banyak komputasi, dan dataset pelatihan yang lebih besar. Namun, banyak peneliti dan perusahaan infrastruktur startup sekarang menjelajahi cara untuk meningkatkan kinerja AI melalui sistem memori yang lebih baik, arsitektur berpikir, lapisan pengambilan, dan organisasi data daripada hanya membangun model dasar yang lebih besar.

Perusahaan tersebut berpendapat bahwa kecerdasan tidak hanya ada di dalam model itu sendiri, tetapi juga di lapisan infrastruktur yang menghubungkan model dengan data perusahaan.

Pendekatan ini dapat menjadi semakin penting ketika bisnis menerapkan sistem AI ke lingkungan di mana informasi terus-menerus berubah dan tersebar di seluruh sistem yang berbeda secara bersamaan.

Di lingkungan industri, misalnya, sistem AI mungkin perlu berpikir di seluruh telemetry mesin, footage keamanan, log operasional, catatan pemeliharaan, dan alur kerja perusahaan pada saat yang sama. Tantangan serupa ada di robotika, logistik, perawatan kesehatan, dan otomatisasi perusahaan.

Penerapan Awal Perusahaan

Graphon mengatakan bahwa pelanggan perusahaan awal sudah termasuk konglomerat Korea Selatan GS Group.

Menurut perusahaan, penerapan telah mencakup menganalisis pergerakan pelanggan di dalam lingkungan ritel dan meningkatkan pemantauan keamanan di lokasi konstruksi melalui analisis CCTV multimodal.

Perusahaan tersebut juga mengatakan bahwa infrastruktur mereka dapat mendukung alur kerja agen, memungkinkan agen AI untuk membuat keputusan berdasarkan konteks multimodal yang lebih kaya daripada prompt yang terisolasi.

Area fokus lainnya adalah pada perangkat AI. Graphon mengatakan bahwa sistem mereka dirancang untuk bekerja dengan data yang dihasilkan dari smartphone, kamera, wearable, kacamata pintar, dan perangkat terhubung lainnya.

Implikasi Masa Depan dari Infrastruktur AI Relasional

Munculnya Graphon mencerminkan pergeseran yang lebih luas yang sedang berlangsung di bidang kecerdasan buatan: pengakuan yang semakin meningkat bahwa penskalaan model saja mungkin tidak menyelesaikan banyak masalah terberat industri.

Ketika perusahaan menerapkan AI ke lingkungan yang semakin kompleks, tantangan menjadi kurang tentang menghasilkan teks dan lebih tentang memahami hubungan antara sistem, orang, perangkat, dan aliran informasi yang terus-menerus berubah.

Sistem AI di masa depan kemungkinan perlu berpikir di seluruh lebih dari dokumen dan prompt. Pabrik otonom, sistem robotika, kota pintar, perangkat wearable, sensor industri, infrastruktur keamanan, dan ekosistem perangkat lunak perusahaan semua menghasilkan sejumlah besar data multimodal yang terhubung. Sebagian besar informasi tersebut ada secara terus-menerus dan berkembang secara real-time.

Hal ini menciptakan tekanan untuk bentuk baru infrastruktur AI yang mampu mempertahankan konteks persisten di luar jendela memori sementara model.

Implikasinya dapat meluas jauh di luar alat produktivitas perusahaan. Sistem yang dirancang di sekitar memori relasional dan pemahaman multimodal mungkin pada akhirnya memainkan peran dalam bidang seperti koordinasi robotika, otomatisasi industri, digital twins, transportasi otonom, diagnostik kesehatan, dan lingkungan komputasi tepi adaptif.

Munculnya agen AI mungkin mempercepat kebutuhan ini lebih lanjut. Agen yang beroperasi secara otonom di dalam sistem perusahaan akan memerlukan kesadaran kontekstual yang lebih dalam dan pemahaman yang lebih tahan lama tentang bagaimana tindakan, sistem, dan lingkungan terhubung dari waktu ke waktu.

Dalam arti itu, fase besar berikutnya dari pengembangan AI mungkin melibatkan membangun sistem yang membantu mesin memodelkan lingkungan dunia nyata yang dinamis lebih terus-menerus — daripada hanya menghasilkan respons yang semakin canggih dari prompt yang terisolasi.