Graphon AI kommer ut av stealth-modus med 8,3 millioner dollar for å bygge en “intelligenslag” for bedrifts-AI

AI-infrastruktur-startup Graphon AI har kommet ut av stealth-modus med 8,3 millioner dollar i seed-finansiering i et forsøk på å løse en av de største flaskleneckene for moderne AI-systemer: evnen til å granske effektivt på store, fragmenterte multimodale datasamlinger.

Runden ble ledet av Novera Ventures, med deltakelse fra Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures og Aurum Partners.

Selskapet med hovedkontor i San Francisco ble grunnlagt av tidligere forskere og ingeniører fra organisasjoner som Amazon, Meta, MIT, Google, Apple, NVIDIA og NASA.

Problemet Graphon prøver å løse

Store språkmodeller har blitt dramatisk mer kapable over de siste årene, men de står fortsatt overfor en grunnleggende begrensning: kontekstvinduer.

Even de mest avanserte AI-modellene kan bare prosessere en begrenset mengde informasjon om gangen. Bedrifter har ofte enorme mengder av ikke-sammenhengende data spredt over dokumenter, databaser, overvåkningssystemer, videostrømmer, logger, lydfiler og interne programvareplattformer.

Aktuelle tilnærminger som Retrieval-Augmented Generation (RAG) hjelper modellene med å hente relevante informasjon, men de sliter med å forstå dyptere relasjoner mellom datasamlinger eller opprettholde varig forståelse over tid.

Graphons tilnærming er å flytte en del av resonneringsprosessen utenfor modellen selv.

I stedet for å tvinge en grunnmodell til å kontinuerlig innta rå bedriftsdata, oppretter Graphon hva de beskriver som en “pre-model intelligenslag” som kartlegger relasjoner mellom ulike former for informasjon før modellen prosesserer dem.

Selskapet sier at denne relasjonelle laget er bygget ved hjelp av graphon-funksjoner — en matematisk ramme tradisjonelt assosiert med nettverksanalyse og store graf-systemer. Systemet er designet for å identifisere forbindelser over multimodale datasamlinger, inkludert tekst, video, lyd, bilder, strukturerte databaser, industrielle systemer og sensorsystemer.

Ifølge selskapet skaper dette en form for varig strukturert minne som kan operere uavhengig av en modells kontekstvindus-begrensninger.

En skiftning bort fra større modeller

Graphons lansering reflekterer en bredere skiftning som skjer over hele AI-industrien.

I årevis har fremgangen i AI i hovedsak vært drevet av å skalerer modeller — å legge til flere parametre, mer beregning og større treningsdatasamlinger. Men mange forskere og infrastruktur-startups utforsker nå måter å forbedre AI-ytelsen gjennom bedre minnesystemer, resonans-arkitekturer, hentinglag og dataorganisering i stedet for å bygge større grunnmodeller.

Selskapet argumenterer for at intelligensen ikke bare skal eksistere inne i modellen selv, men også i infrastruktur-laget som kobler modellene til bedriftsdata.

Denne tilnærmingen kan bli stadig viktigere når bedrifter deployer AI-systemer i miljøer hvor informasjonen er i konstant endring og spredt over flere systemer samtidig.

I industrielle miljøer, for eksempel, kan AI-systemer trenge å resonere over maskin-telemetri, sikkerhetsfilm, operasjonelle logger, vedlikeholdsregister og bedrifts-workflows samtidig. Tilsvarende utfordringer finnes i robotikk, logistikk, helsevesen og bedriftsautomatisering.

Tidlige bedrifts-utplasseringer

Graphon sier at tidlige bedriftskunder allerede inkluderer den sørkoreanske konglomeratet GS Group.

Ifølge selskapet har utplasseringene inkludert analyse av kundebewegelse inne i detaljhandelsmiljøer og forbedring av sikkerhets-overvåking på byggeplasser gjennom multimodal CCTV-analyse.

Selskapet sier også at deres infrastruktur kan støtte agens-workflows, som tillater AI-agenter å ta beslutninger basert på rikere multimodal kontekst i stedet for isolerte promter.

En annen fokusområde er på-enhet-AI-resonnering. Graphon sier at deres system er designet for å fungere med data generert fra smarttelefoner, kameraer, wearables, smarte briller og andre tilkoblede enheter.

Fremtidige implikasjoner av relasjonell AI-infrastruktur

Graphons oppkomst reflekterer en bredere skiftning som skjer i kunstig intelligens: den økende erkjennelsen av at å skalerer modeller alene kanskje ikke løser mange av industrens hardeste problemer.

Når bedrifter deployer AI i stadig mer komplekse miljøer, blir utfordringen mindre om å generere tekst og mer om å forstå relasjoner mellom stadig endrende systemer, mennesker, enheter og informasjonsstrømmer.

Fremtidige AI-systemer vil sannsynligvis trenge å resonere over langt mer enn dokumenter og promter. Autonome fabrikker, robotikk-systemer, smarte byer, wearables, industrielle sensorer, sikkerhets-infrastruktur og bedrifts-programvare-økosystemer genererer alle enorme mengder sammenhengende multimodal data. Mye av denne informasjonen eksisterer kontinuerlig og utvikler seg i sanntid.

Dette skaper press for nye former for AI-infrastruktur som kan opprettholde varig kontekst utover en modells midlertidige minne-vindu.

Implikasjonene kan strekke seg langt utover bedrifts-produktivitets-verktøy. Systemer designet rundt relasjonell minne og multimodal forståelse kan til slutt spille en rolle i områder som robotikk-koordinering, industriell automatisering, digital tvilling, autonom transport, helse-diagnostikk og adaptive edge-computing-miljøer.

Oppkomsten av AI-agenter kan akselerere dette behovet enda mer. Agenter som opererer autonomt inne i bedriftssystemer vil trenge dypere kontekstuell bevissthet og en mer varig forståelse av hvordan handlinger, systemer og miljøer kobler seg sammen over tid.

I den forstand kan den neste store fasen av AI-utvikling involvere bygging av systemer som hjelper maskiner med å modellere dynamiske sanntids-miljøer mer kontinuerlig — i stedet for å generere stadig mer sofistikerte svar fra isolerte promter.