Graphon AI komt uit stealth met $8,3 miljoen om een “intelligentie-laag” voor Enterprise AI te bouwen

AI-infrastructuurstart-up Graphon AI is uit stealth gekomen met $8,3 miljoen aan seedfinanciering terwijl het probeert een van de grootste bottlenecks aan te pakken waarmee moderne AI-systemen te maken krijgen: de onmogelijkheid van grote modellen om effectief te redeneren over enorme, gefragmenteerde multimodale datasets.

De ronde werd geleid door Novera Ventures, met deelname van Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures en Aurum Partners.

Het in San Francisco gevestigde bedrijf is opgericht door voormalige onderzoekers en ingenieurs van organisaties zoals Amazon, Meta, MIT, Google, Apple, NVIDIA en NASA.

Het probleem dat Graphon probeert op te lossen

Grote taalmodellen zijn de afgelopen jaren dramatisch capabeler geworden, maar ze hebben nog steeds een fundamentele beperking: contextvensters.

Zelfs geavanceerde AI-modellen kunnen slechts een beperkte hoeveelheid informatie tegelijk verwerken. Ondernemingen hebben daarentegen vaak enorme hoeveelheden losse data verspreid over documenten, databases, bewakingsystemen, videostreams, logbestanden, audiobestanden en interne softwareplatforms.

Huidige benaderingen zoals Retrieval-Augmented Generation (RAG) helpen modellen om relevante informatie op te halen, maar ze worstelen om diepere relaties tussen datasets te begrijpen of een persistent begrip over tijd te behouden.

Graphon’s benadering is om een deel van het redeneringsproces buiten het model zelf te plaatsen.

In plaats van een foundation model te dwingen om continue ruwe ondernemingsdata te verwerken, creëert Graphon een zogenaamde “pre-model intelligentie-laag” die relaties tussen verschillende soorten informatie in kaart brengt voordat het model ze verwerkt.

Het bedrijf zegt dat deze relationele laag is gebouwd met behulp van graphon-functies – een wiskundig kader traditioneel geassocieerd met netwerkanalyse en grote grafieksystemen. Het systeem is ontworpen om verbindingen te identificeren over multimodale gegevensbronnen, waaronder tekst, video, audio, afbeeldingen, gestructureerde databases, industriële systemen en sensornetwerken.

Volgens het bedrijf creëert dit een vorm van persistent gestructureerd geheugen dat onafhankelijk van een model’s contextwindowbeperkingen kan werken.

Een verschuiving weg van grotere modellen

Graphon’s lancering weerspiegelt een bredere verschuiving die plaatsvindt in de AI-industrie.

Gedurende jaren is de vooruitgang in AI grotendeels gedreven door het schalen van modellen – het toevoegen van meer parameters, meer compute en grotere trainingsdatasets. Maar veel onderzoekers en infrastructuurstart-ups verkennen nu manieren om AI-prestaties te verbeteren door betere geheugensystemen, redeneringsarchitecturen, opvallingslagen en gegevensorganisatie in plaats van alleen maar grotere foundation modellen te bouwen.

Het bedrijf argumenteert dat intelligentie niet alleen binnen het model zelf moet bestaan, maar ook in de infrastructuurlaag die modellen met ondernemingsdata verbindt.

Die benadering kan steeds belangrijker worden als bedrijven AI-systemen in omgevingen implementeren waarin informatie constant verandert en over meerdere systemen tegelijk is verspreid.

In industriële omgevingen, bijvoorbeeld, moeten AI-systemen mogelijk redeneren over machine-telemetrie, beveiligingsbeelden, operationele logbestanden, onderhoudsrecords en ondernemingsworkflows tegelijk. Soortgelijke uitdagingen bestaan in robotica, logistiek, gezondheidszorg en ondernemingsautomatisering.

Vroege ondernemingsimplementaties

Graphon zegt dat vroege ondernemingsklanten al de Zuid-Koreaanse conglomeraat GS Group omvatten.

Volgens het bedrijf hebben implementaties het analyseren van klantbewegingen binnen detailomgevingen en het verbeteren van veiligheidsbewaking op bouwplaatsen door middel van multimodale CCTV-analyse omvat.

Het bedrijf zegt ook dat zijn infrastructuur agentic workflows kan ondersteunen, waardoor AI-agents beslissingen kunnen nemen op basis van een rijker multimodaal context in plaats van geïsoleerde prompts.

Een ander aandachtsgebied is on-device AI-redenering. Graphon zegt dat zijn systeem is ontworpen om te werken met gegevens gegenereerd door smartphones, camera’s, wearables, smart glasses en andere verbonden apparaten.

De toekomstige implicaties van relationele AI-infrastructuur

Graphon’s opkomst weerspiegelt een bredere verschuiving die gaande is in de kunstmatige intelligentie: de groeiende erkenning dat het schalen van modellen alleen veel van de moeilijkste problemen in de industrie niet zal oplossen.

Terwijl ondernemingen AI in steeds complexere omgevingen implementeren, wordt de uitdaging minder over het genereren van tekst en meer over het begrijpen van relaties tussen constant veranderende systemen, mensen, apparaten en informatiebronnen.

Toekomstige AI-systemen zullen waarschijnlijk moeten redeneren over veel meer dan alleen documenten en prompts. Autonome fabrieken, robotica-systemen, slimme steden, wearables, industriële sensoren, beveiligingsinfrastructuur en ondernemingssoftware-ecosystemen genereren alle enorme hoeveelheden verbonden multimodale gegevens. Veel van die informatie bestaat continue en evolueert in real-time.

Dit creëert druk op nieuwe vormen van AI-infrastructuur die persistent context kunnen behouden buiten een model’s tijdelijke geheugenwindow.

De implicaties kunnen verder gaan dan ondernemingsproductiviteitstools. Systemen ontworpen rond relationeel geheugen en multimodaal begrip kunnen uiteindelijk een rol spelen in gebieden zoals robotcoördinatie, industriële automatisering, digitale tweelingen, autonome transport, gezondheidsdiagnostiek en adaptieve edge-computing-omgevingen.

De opkomst van AI-agents kan deze behoefte nog verder versnellen. Agents die autonoom binnen ondernemingssystemen opereren, zullen diepere contextuele bewustzijn en een duurzamer begrip van hoe acties, systemen en omgevingen over tijd verbonden zijn, vereisen.

In die zin kan de volgende grote fase van AI-ontwikkeling het bouwen van systemen omvatten die machines helpen om dynamische echte wereldomgevingen meer continu te modelleren – in plaats van alleen maar steeds geavanceerdere antwoorden van geïsoleerde prompts te genereren.