Graphon AI Saiu da Fase de Stealth com $8,3 Milhões para Construir uma “Camada de Inteligência” para AI Empresarial

A startup de infraestrutura de IA, Graphon AI, saiu da fase de stealth com $8,3 milhões em financiamento de sementes enquanto tenta resolver um dos principais gargalos que enfrentam os sistemas de IA modernos: a incapacidade dos grandes modelos de raciocinar efetivamente em conjuntos de dados multimodais massivos e fragmentados.

A rodada foi liderada por Novera Ventures, com a participação de Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures e Aurum Partners.

A empresa com sede em São Francisco foi fundada por ex-pesquisadores e engenheiros de organizações como Amazon, Meta, MIT, Google, Apple, NVIDIA e NASA.

O Problema que a Graphon Está Tentando Resolver

Os modelos de linguagem grande cresceram dramaticamente em capacidade nos últimos anos, mas ainda enfrentam uma limitação fundamental: janelas de contexto.

Até os modelos de IA mais avançados só podem processar uma quantidade limitada de informações de cada vez. As empresas, por outro lado, muitas vezes têm enormes quantidades de dados desconexos espalhados por documentos, bancos de dados, sistemas de vigilância, feeds de vídeo, logs, arquivos de áudio e plataformas de software internas.

Abordagens atuais, como Geração Aumentada por Recuperação (RAG), ajudam os modelos a recuperar informações relevantes, mas lutam para entender relações mais profundas entre conjuntos de dados ou manter uma compreensão persistente ao longo do tempo.

A abordagem da Graphon é mover parte do processo de raciocínio para fora do modelo em si.

Ao invés de forçar um modelo de fundação a ingerir continuamente dados brutos de empresa, a Graphon cria o que descreve como uma “camada de inteligência pré-modelo” que mapeia relações entre diferentes formas de informação antes que o modelo as processe.

A empresa afirma que essa camada relacional é construída usando funções graphon — um quadro matemático tradicionalmente associado à análise de rede e sistemas de grafos grandes. O sistema é projetado para identificar conexões em fontes de dados multimodais, incluindo texto, vídeo, áudio, imagens, bancos de dados estruturados, sistemas industriais e redes de sensores.

De acordo com a empresa, isso cria uma forma de memória estruturada persistente que pode operar independentemente das limitações da janela de contexto do modelo.

Um Desvio para Fora dos Modelos Maiores

O lançamento da Graphon reflete uma mudança mais ampla que está acontecendo em toda a indústria de IA.

Por anos, o progresso em IA foi impulsionado principalmente pelo dimensionamento de modelos — adicionando mais parâmetros, mais computação e conjuntos de treinamento de dados maiores. No entanto, muitos pesquisadores e startups de infraestrutura estão agora explorando maneiras de melhorar o desempenho da IA por meio de melhores sistemas de memória, arquiteturas de raciocínio, camadas de recuperação e organização de dados, em vez de simplesmente construir modelos de fundação maiores.

A empresa argumenta que a inteligência não deve existir apenas dentro do modelo em si, mas também na camada de infraestrutura que conecta os modelos aos dados da empresa.

Essa abordagem pode se tornar cada vez mais importante à medida que as empresas implantam sistemas de IA em ambientes onde as informações estão constantemente mudando e espalhadas por vários sistemas simultaneamente.

Em ambientes industriais, por exemplo, os sistemas de IA podem precisar raciocinar sobre telemetria de máquinas, filmagens de segurança, logs operacionais, registros de manutenção e fluxos de trabalho da empresa ao mesmo tempo. Desafios semelhantes existem em robótica, logística, saúde e automação empresarial.

Implantações Empresariais Iniciais

A Graphon afirma que os primeiros clientes empresariais já incluem o conglomerado sul-coreano GS Group.

De acordo com a empresa, as implantações incluíram a análise do movimento dos clientes dentro de ambientes de varejo e a melhoria do monitoramento de segurança em canteiros de obras por meio da análise de CCTV multimodal.

A empresa também afirma que sua infraestrutura pode suportar fluxos de trabalho agênticos, permitindo que os agentes de IA tomem decisões com base em um contexto multimodal mais rico, em vez de prompts isolados.

Outra área de foco está no raciocínio de IA em dispositivos. A Graphon afirma que seu sistema é projetado para funcionar com dados gerados por smartphones, câmeras, dispositivos wearables, óculos inteligentes e outros dispositivos conectados.

As Implicações Futuras da Infraestrutura de IA Relacional

A emergência da Graphon reflete uma mudança mais ampla em andamento na inteligência artificial: o reconhecimento crescente de que o dimensionamento de modelos sozinho pode não resolver muitos dos problemas mais difíceis da indústria.

À medida que as empresas implantam IA em ambientes cada vez mais complexos, o desafio está se tornando menos sobre a geração de texto e mais sobre a compreensão das relações entre sistemas, pessoas, dispositivos e fluxos de informações constantemente mudantes.

Os sistemas de IA futuros provavelmente precisarão raciocinar sobre muito mais do que documentos e prompts. Fábricas autônomas, sistemas de robótica, cidades inteligentes, dispositivos wearables, sensores industriais, infraestrutura de segurança e ecossistemas de software empresarial todos geram enormes quantidades de dados multimodais interconectados. Muito dessa informação existe continuamente e evolui em tempo real.

Isso está criando pressão para novas formas de infraestrutura de IA capazes de manter um contexto persistente além da janela de memória temporária do modelo.

As implicações podem se estender muito além das ferramentas de produtividade empresarial. Sistemas projetados em torno da memória relacional e da compreensão multimodal podem eventualmente desempenhar um papel em áreas como coordenação de robótica, automação industrial, gêmeos digitais, transporte autônomo, diagnósticos de saúde e ambientes de computação de borda adaptáveis.

O surgimento de agentes de IA pode acelerar essa necessidade ainda mais. Os agentes que operam autonomamente dentro dos sistemas da empresa precisarão de uma consciência contextual mais profunda e uma compreensão mais duradoura de como ações, sistemas e ambientes se conectam ao longo do tempo.

Nesse sentido, a próxima grande fase do desenvolvimento de IA pode envolver a construção de sistemas que ajudem as máquinas a modelar ambientes do mundo real dinâmicos de forma mais contínua — em vez de simplesmente gerar respostas cada vez mais sofisticadas a partir de prompts isolados.