Graphon AI esce dalla stealth con 8,3 milioni di dollari per costruire un “strato di intelligenza” per l’AI aziendale

La startup di infrastrutture AI Graphon AI è emersa dalla stealth con 8,3 milioni di dollari di finanziamento iniziale mentre tenta di risolvere uno dei principali collo di bottiglia che affliggono i moderni sistemi AI: l’incapacità dei grandi modelli di ragionare efficacemente attraverso enormi set di dati multimodali frammentati.

Il round è stato guidato da Novera Ventures, con la partecipazione di Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures e Aurum Partners.

La società con sede a San Francisco è stata fondata da ex ricercatori e ingegneri di organizzazioni tra cui Amazon (AMZN ), Meta, MIT, Google (GOOGL ), Apple (AAPL ), NVIDIA (NVDA ) e NASA.

Il problema che Graphon sta cercando di risolvere

I grandi modelli linguistici sono diventati drasticamente più potenti negli ultimi anni, ma ancora affrontano una limitazione fondamentale: le finestre di contesto.

Anche i modelli AI avanzati possono elaborare solo una quantità limitata di informazioni alla volta. Le aziende, nel frattempo, spesso hanno enormi quantità di dati non connessi sparsi tra documenti, database, sistemi di sorveglianza, flussi video, log, file audio e piattaforme software interne.

Approcci attuali come la Generazione aumentata da recupero (RAG) aiutano i modelli a recuperare informazioni rilevanti, ma lottano per comprendere relazioni più profonde tra set di dati o mantenere una comprensione persistente nel tempo.

L’approccio di Graphon consiste nel spostare parte del processo di ragionamento al di fuori del modello stesso.

Invece di costringere un modello di base a inghiottire continuamente dati grezzi aziendali, Graphon crea ciò che descrive come uno “strato di intelligenza pre-modello” che mappa le relazioni tra diverse forme di informazione prima che il modello le elabori.

La società afferma che questo strato relazionale è costruito utilizzando funzioni graphon – un quadro matematico tradizionalmente associato all’analisi delle reti e dei grandi sistemi di grafi. Il sistema è progettato per identificare connessioni attraverso fonti di dati multimodali, tra cui testo, video, audio, immagini, database strutturati, sistemi industriali e reti di sensori.

Secondo la società, ciò crea una forma di memoria strutturata persistente che può operare in modo indipendente dalle limitazioni della finestra di contesto del modello.

Un passo indietro dai modelli più grandi

Il lancio di Graphon riflette un più ampio cambiamento in atto nell’industria AI.

Per anni, i progressi nell’AI sono stati guidati principalmente dall’aggiunta di parametri, calcolo e set di dati di addestramento più grandi. Tuttavia, molti ricercatori e startup di infrastrutture stanno ora esplorando modi per migliorare le prestazioni dell’AI attraverso sistemi di memoria migliori, architetture di ragionamento, strati di recupero e organizzazione dei dati, invece di costruire semplicemente modelli di base più grandi.

La società sostiene che l’intelligenza non dovrebbe esistere solo all’interno del modello stesso, ma anche nello strato di infrastruttura che collega i modelli ai dati aziendali.

Questo approccio potrebbe diventare sempre più importante mentre le aziende distribuiscono sistemi AI in ambienti in cui le informazioni sono costantemente in cambiamento e sparse attraverso più sistemi contemporaneamente.

In ambienti industriali, ad esempio, i sistemi AI possono aver bisogno di ragionare su telemetria di macchine, filmati di sicurezza, registri operativi, registri di manutenzione e flussi di lavoro aziendali contemporaneamente. Sfide simili esistono nella robotica, nella logistica, nella sanità e nell’automazione aziendale.

Distribuzioni aziendali precoci

Graphon afferma che i primi clienti aziendali includono già il conglomerato sudcoreano GS Group.

Secondo la società, le distribuzioni hanno incluso l’analisi dei movimenti dei clienti all’interno di ambienti di vendita al dettaglio e il miglioramento della sorveglianza della sicurezza nei cantieri di costruzione attraverso l’analisi CCTV multimodale.

La società afferma anche che la sua infrastruttura può supportare flussi di lavoro agente, consentendo agli agenti AI di prendere decisioni basate su un contesto multimodale più ricco piuttosto che su prompt isolati.

Un’altra area di focus è il ragionamento AI sul dispositivo. Graphon afferma che il suo sistema è progettato per funzionare con i dati generati da smartphone, telecamere, dispositivi indossabili, occhiali intelligenti e altri dispositivi connessi.

Le implicazioni future dell’infrastruttura AI relazionale

L’emergere di Graphon riflette un più ampio cambiamento in atto nell’intelligenza artificiale: il crescente riconoscimento che la scalabilità dei modelli da sola potrebbe non risolvere molti dei problemi più difficili dell’industria.

Mentre le aziende distribuiscono l’AI in ambienti sempre più complessi, la sfida sta diventando meno quella di generare testo e più quella di comprendere le relazioni tra sistemi, persone, dispositivi e flussi di informazione in costante cambiamento.

I sistemi AI futuri dovranno probabilmente ragionare su molto più dei documenti e dei prompt. Fabbriche autonome, sistemi di robotica, città intelligenti, dispositivi indossabili, sensori industriali, infrastrutture di sicurezza e ecosistemi di software aziendale generano tutti enormi quantità di dati multimodali interconnessi. Molte di queste informazioni esistono in modo continuo e si evolvono in tempo reale.

Questo sta creando pressione per nuove forme di infrastruttura AI in grado di mantenere un contesto persistente al di là della finestra di memoria temporanea del modello.

Le implicazioni potrebbero estendersi ben oltre gli strumenti di produttività aziendale. Sistemi progettati intorno alla memoria relazionale e alla comprensione multimodale potrebbero alla fine svolgere un ruolo in aree come la coordinazione della robotica, l’automazione industriale, le copie digitali, il trasporto autonomo, la diagnostica sanitaria e gli ambienti di calcolo edge adattivi.

La crescita degli agenti AI potrebbe accelerare ulteriormente questa esigenza. Gli agenti che operano in modo autonomo all’interno dei sistemi aziendali richiederanno una maggiore consapevolezza contestuale e una comprensione più duratura di come azioni, sistemi e ambienti si connettono nel tempo.

In questo senso, la prossima grande fase di sviluppo dell’AI potrebbe coinvolgere la costruzione di sistemi che aiutino le macchine a modellare ambienti del mondo reale dinamici in modo più continuo – piuttosto che generare semplicemente risposte sempre più sofisticate da prompt isolati.