Graphon AI pojawia się z ukrycia z 8,3 mln dolarów, aby zbudować „warstwę inteligencji” dla przedsiębiorstw AI

Startup infrastruktury AI Graphon AI wyszedł z ukrycia z 8,3 mln dolarów finansowania na rozpoczęcie, próbując rozwiązać jeden z największych problemów współczesnych systemów AI: niezdolność dużych modeli do skutecznego rozumowania na ogromnych, fragmentowanych multimodalnych zbiorach danych.

Okres ten został poprowadzony przez Novera Ventures, z udziałem Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures i Aurum Partners.

Firma z siedzibą w San Francisco została założona przez byłych badaczy i inżynierów z organizacji, w tym Amazon (AMZN ), Meta, MIT, Google (GOOGL ), Apple (AAPL ), NVIDIA (NVDA ) i NASA.

Problem, który Graphon próbuje rozwiązać

Duże modele językowe znacznie wzrosły w możliwościach w ciągu ostatnich kilku lat, ale nadal napotykają na podstawową ograniczenie: okna kontekstowe.

Nawet zaawansowane modele AI mogą przetwarzać tylko ograniczoną ilość informacji na raz. Przedsiębiorstwa, z drugiej strony, często posiadają ogromne ilości niepołączonych danych rozproszonych w dokumentach, bazach danych, systemach monitoringu, strumieniach wideo, logach, plikach audio i wewnętrznych platformach oprogramowania.

Obecne podejścia, takie jak Retrieval-Augmented Generation (RAG), pomagają modelom pobrać istotne informacje, ale mają trudności z zrozumieniem głębszych relacji między zbiorami danych lub utrzymaniem trwałego zrozumienia w czasie.

Podejście Graphon polega na przeniesieniu części procesu rozumowania poza sam model.

Zamiast zmuszania modelu podstawowego do ciągłego spożywania surowych danych przedsiębiorstwa, Graphon tworzy to, co określa jako „przedmodeLOWą warstwę inteligencji”, która mapuje relacje między różnymi formami informacji przed przetworzeniem ich przez model.

Firma twierdzi, że warstwa relacyjna jest budowana przy użyciu funkcji graphon – matematycznego frameworku tradycyjnie związanego z analizą sieci i dużymi systemami grafów. System jest zaprojektowany do identyfikacji połączeń w multimodalnych źródłach danych, w tym tekście, wideo, dźwięku, obrazach, strukturalnych bazach danych, systemach przemysłowych i sieciach czujników.

Według firmy, tworzy to formę trwałej, ustrukturyzowanej pamięci, która może działać niezależnie od ograniczeń okna kontekstowego modelu.

Przesunięcie w kierunku mniejszych modeli

Uruchomienie Graphon odzwierciedla szerszy trend zachodzący w branży AI.

Przez lata postęp w AI był w dużej mierze napędzany przez skalowanie modeli – dodawanie więcej parametrów, więcej obliczeń i większych zbiorów danych szkoleniowych. Ale wielu badaczy i startupów infrastruktury AI bada obecnie sposoby na poprawę wydajności AI poprzez lepsze systemy pamięci, architektury rozumowania, warstwy pobierania i organizację danych, zamiast budowania większych modeli podstawowych.

Firma twierdzi, że inteligencja nie powinna istnieć wyłącznie wewnątrz samego modelu, ale także w warstwie infrastruktury łączącej modele z danymi przedsiębiorstwa.

To podejście może stać się coraz ważniejsze, gdy przedsiębiorstwa wdrażają systemy AI w środowiskach, w których informacje są ciągle zmieniane i rozproszone w wielu systemach jednocześnie.

W środowiskach przemysłowych, na przykład, systemy AI mogą wymagać rozumowania na temat telemetrycznych danych maszyn, nagrywania zabezpieczeń, operacyjnych logów, rekordów konserwacji i przedsiębiorstwowych przepływów pracy w tym samym czasie. Podobne wyzwania istnieją w robotyce, logistyce, opiece zdrowotnej i automatyce przedsiębiorstw.

Wczesne wdrożenia przedsiębiorstw

Graphon twierdzi, że wczesni klienci przedsiębiorstw już obejmują południowokoreański konglomerat GS Group.

Według firmy, wdrożenia obejmowały analizę ruchu klientów w środowiskach detalicznych i poprawę monitorowania bezpieczeństwa na placach budowy za pomocą multimodalnej analizy CCTV.

Firma twierdzi również, że jej infrastruktura może wspierać agenticzne przepływy pracy, umożliwiając agentom AI podejmowanie decyzji na podstawie bogatszego, multimodalnego kontekstu, a nie izolowanych sygnałów.

Inną dziedziną zainteresowania jest AI na urządzeniu. Graphon twierdzi, że jego system jest zaprojektowany do pracy z danymi generowanymi przez smartfony, kamery, noszące urządzenia, okulary i inne połączone urządzenia.

Przyszłe implikacje relacyjnej infrastruktury AI

Pojawienie się Graphon odzwierciedla szerszy trend zachodzący w sztucznej inteligencji: rosnące uznanie, że skalowanie modeli samo w sobie może nie rozwiązać wielu z najtrudniejszych problemów branży.

Podczas wdrażania AI w coraz bardziej złożonych środowiskach, wyzwanie staje się mniej generowaniem tekstu, a bardziej zrozumieniem relacji między stale zmieniającymi się systemami, ludźmi, urządzeniami i strumieniami informacji.

Przyszłe systemy AI będą prawdopodobnie musiały rozumieć znacznie więcej niż dokumenty i sygnały. Autonomiczne fabryki, systemy robotyczne, inteligentne miasta, noszące urządzenia, przemysłowe sensory, infrastruktura bezpieczeństwa i przedsiębiorstwowe ekosystemy oprogramowania generują ogromne ilości połączonych, multimodalnych danych. Większość z tych informacji istnieje w sposób ciągły i ewoluuje w czasie rzeczywistym.

To tworzy presję na nowe formy infrastruktury AI, które mogą utrzymywać trwały kontekst poza tymczasowym oknem pamięci modelu.

Implikacje mogą sięgać znacznie poza narzędzia produktywności przedsiębiorstw. Systemy zaprojektowane wokół relacyjnej pamięci i multimodalnego zrozumienia mogą ostatecznie odegrać rolę w obszarach takich jak koordynacja robotów, automatyka przemysłowa, cyfrowe bliźniaki, autonomiczny transport, diagnostyka medyczna i adaptacyjne środowiska obliczeniowe brzegowe.

Wzrost AI agentów może przyspieszyć tę potrzebę jeszcze bardziej. Agenci działający autonomicznie w systemach przedsiębiorstw będą wymagać głębszej świadomości kontekstowej i trwalszego zrozumienia, jak działania, systemy i środowiska łączą się w czasie.

W tym sensie następna główna faza rozwoju AI może obejmować budowanie systemów, które pomagają maszynom modelować dynamiczne, rzeczywiste środowiska w sposób bardziej ciągły – zamiast generowania coraz bardziej zaawansowanych odpowiedzi z izolowanych sygnałów.