Finanțare
Graphon AI вийшов з режиму стелсу з $8,3 млн для будівництва “інтелектуального шару” для корпоративного штучного інтелекту
Стартап інфраструктури штучного інтелекту Graphon AI вийшов з режиму стелсу з $8,3 млн сeed-фінансування у спробі вирішити одну з найбільших проблем сучасних систем штучного інтелекту: нездатність великих моделей ефективно мислити над величезними, фрагментованими багатоцільовими наборами даних.
Раунд був очолений Novera Ventures, з участю Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures та Aurum Partners.
Компанія, розташована у Сан-Франциско, була заснована колишніми дослідниками та інженерами з організацій, включаючи Amazon, Meta, MIT, Google, Apple, NVIDIA та NASA.
Проблема, яку Graphon намагається вирішити
Моделі великої мови значно покращилися за останні кілька років, але вони все ще мають фундаментальну обмеження: вікно контексту.
Дажі просунуті моделі штучного інтелекту можуть обробляти лише обмежену кількість інформації одночасно. Корпоративні підприємства, тим часом, часто мають величезні кількості відключених даних, розкиданих по документах, базах даних, системах відеоспостереження, аудіофайлах, внутрішньому програмному забезпеченні та інших джерелах.
Поточні підходи, такі як Retrieval-Augmented Generation (RAG), допомагають моделям отримувати відповідну інформацію, але вони мають труднощі з розумінням глибших відносин між наборами даних або підтриманням постійного розуміння у часі.
Підхід Graphon полягає у виведенні частини процесу мислення поза самою моделлю.
Натомість ніж примусити фундаментальну модель постійно споживати сирі корпоративні дані, Graphon створює те, що він описує як “пре-модель інтелектуальний шар”, який відображає відносини між різними формами інформації до того, як модель їх обробляє.
Компанія стверджує, що цей відносний шар побудований за допомогою графон-функцій — математичної основи, традиційно пов’язаної з мережевим аналізом та великими графічними системами. Система призначена для ідентифікації зв’язків між джерелами багатоцільових даних, включаючи текст, відео, аудіо, зображення, структуровані бази даних, промислові системи та сенсорні мережі.
Згідно з компанією, це створює форму постійного структурованого пам’яті, яка може працювати незалежно від обмежень вікна контексту моделі.
Зміна напрямку від більших моделей
Запуск Graphon відображає ширшу зміну, яка відбувається в галузі штучного інтелекту.
Тривалий час прогрес у штучному інтелекті значною мірою був обумовлений масштабуванням моделей — додаванням більше параметрів, більше обчислювальних ресурсів та більших навчальних наборів даних. Але багато дослідників та інфраструктурних стартапів зараз досліджують способи покращення продуктивності штучного інтелекту за допомогою кращих систем пам’яті, архітектур мислення, шарів отримання інформації та організації даних замість простого будівництва більших фундаментальних моделей.
Компанія стверджує, що інтелект не повинен існувати лише всередині самої моделі, а також у шарі інфраструктури, який з’єднує моделі з корпоративними даними.
Цей підхід може стати дедалі важливішим, оскільки підприємства розгортають системи штучного інтелекту в середовищах, де інформація постійно змінюється та розкидана по декількох системах одночасно.
У промислових середовищах, наприклад, системи штучного інтелекту можуть потребувати мислення над телеметрією машин, кадрами безпеки, операційними журналами, записами технічного обслуговування та корпоративними робочими процесами в той же час. Аналогічні виклики існують у робототехніці, логістиці, охороні здоров’я та корпоративній автоматизації.
Перші корпоративні розгортання
Graphon стверджує, що перші корпоративні клієнти вже включають південнокорейський конгломерат GS Group.
Згідно з компанією, розгортання включали аналіз руху клієнтів у роздрібних середовищах та покращення моніторингу безпеки на будівельних майданчиках за допомогою багатоцільової аналітики відеоспостереження.
Компанія також стверджує, що її інфраструктура може підтримувати агентські робочі процеси, дозволяючи агентам штучного інтелекту приймати рішення на основі багатоцільового контексту, а не ізольованих запитів.
Іншою областю уваги є розгортання штучного інтелекту на пристроях. Graphon стверджує, що його система призначена для роботи з даними, згенерованими смартфонами, камерами, носимими пристроями, окулярами доповненої реальності та іншими підключеними пристроями.
Майбутні наслідки відносної інфраструктури штучного інтелекту
Виход Graphon відображає ширшу зміну, яка відбувається в галузі штучного інтелекту: зростаюче визнання того, що масштабування моделей самі по собі можуть не вирішити багато з найважчих проблем галузі.
Коли підприємства розгортають штучний інтелект у дедалі складніших середовищах, виклик стає менше про генерацію тексту та більше про розуміння відносин між постійно змінюваними системами, людьми, пристроями та потоками інформації.
Майбутні системи штучного інтелекту, ймовірно, потребуватимуть мислення над набагато більше, ніж документами та запитами. Автономні заводи, робототехнічні системи, розумні міста, носимі пристрої, промислові сенсори, інфраструктура безпеки та корпоративні програмні екосистеми генерують величезні кількості взаємопов’язаних багатоцільових даних. Багато з цієї інформації існує безперервно та еволюціонує в реальному часі.
Це створює тиск на нові форми інфраструктури штучного інтелекту, здатні підтримувати постійний контекст за межами тимчасового вікна пам’яті моделі.
Наслідки можуть поширюватися далеко за межі корпоративних інструментів продуктивності. Системи, побудовані навколо відносної пам’яті та багатоцільового розуміння, можуть зрештою відігравати роль у таких областях, як координація робототехніки, промислової автоматизації, цифрових двійників, автономного транспорту, діагностики охорони здоров’я та адаптивних середовищ обчислень на краю.
Підйом агентів штучного інтелекту може прискорити цю потребу ще далі. Агенти, які працюють автономно всередині корпоративних систем, потребуватимуть глибшого контекстного усвідомлення та більш тривалого розуміння того, як дії, системи та середовища зв’язані у часі.
У цьому сенсі наступна велика фаза розвитку штучного інтелекту може включати будівництво систем, які допоможуть машинам моделювати динамічні реальні середовища більш безперервно — а не просто генерувати дедалі складніші відповіді на ізольовані запити.
Finanțare
Graphon AI kommer ut av stealth med 8,3 millioner dollar for å bygge en “intelligenslag” for bedrifts-AI
AI-infrastruktur-startup Graphon AI har kommet ut av stealth med 8,3 millioner dollar i seed-finansiering i et forsøk på å løse en av de største flaskehalsene i moderne AI-systemer: evnen til å granske effektivt på enorme, fragmenterte multimodale datasæt.
Runden ble ledet av Novera Ventures, med deltakelse fra Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures og Aurum Partners.
San Francisco-baserte selskapet ble grunnlagt av tidligere forskere og ingeniører fra organisasjoner inkludert 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 derimot ofte enorme mengder av ikke-tilknyttede data spredt over dokumenter, databaser, overvåkningssystemer, videostrømmer, logger, lydfiler og interne programvareplattformer.
Aktuelle tilnærminger som Retrieval-Augmented Generation (RAG) hjelper modeller med å hente relevante informasjon, men de sliter med å forstå dypere relasjoner mellom datasæt 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 datasæt, inkludert tekst, video, lyd, bilder, strukturerte databaser, industrielle systemer og sensor-nettverk.
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 blitt drevet av skaleringsmodeller — å legge til flere parametre, mer beregning og større treningsdatasæt. Men mange forskere og infrastruktur-startups utforsker nå måter å forbedre AI-ytelsen gjennom bedre minnesystemer, resonans-arkitekturer, hentingsslag 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 modeller 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-arbeidsflyter samtidig. Tilsvarende utfordringer eksisterer i robotikk, logistikk, helsevesen og bedrifts-automatisering.
Tidlige bedrifts-utsteder
Graphon sier at tidlige bedriftskunder allerede inkluderer det sørkoreanske konglomeratet GS Group.
Ifølge selskapet har utsteder 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-arbeidsflyter, som lar AI-agenter 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, bærbare enheter, smarte briller og andre tilkoblede enheter.
Fremtidens implikasjoner av relasjonell AI-infrastruktur
Graphons oppkomst reflekterer en bredere skiftning underveis i kunstig intelligens: den økende erkjennelsen av at skaleringsmodeller alene kanskje ikke løser mange av industrens hardeste problemer.
Som bedrifter deployer AI i stadig mer komplekse miljøer, blir utfordringen mindre om å generere tekst og mer om å forstå relasjoner mellom stadig skiftende 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, bærbare enheter, industrielle sensorer, sikkerhets-infrastruktur og bedrifts-programvare-økosystemer genererer alle enorme mengder sammenkoblede multimodale data. Mye av denne informasjonen eksisterer kontinuerlig og utvikler seg i sanntid.
Dette skaper press for nye former for AI-infrastruktur i stand til å opprettholde varig kontekst utover en modells midlertidige minne-vindu.
Implikasjonene kan utvides langt utenfor bedrifts-produktivitetsverktøy. Systemer designet rundt relasjonell minne og multimodal forståelse kan til slutt spille en rolle i områder som robotikk-koordinering, industriell automatisering, digitale tvillinger, autonom transport, helse-diagnostikk og adaptiv kant-dataprosessering-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 kobles 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.
Finanțare
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.
Finanțare
Το Graphon AI Emerges Από Την Λήθη Με $8.3M Για Να Δημιουργήσει Ένα “Στρώμα Νοημοσύνης” Για Επιχειρηματική Νοημοσύνη
Η εταιρεία υποδομής νοημοσύνης Graphon AI έχει κάνει την εμφάνισή της με $8.3 εκατομμύρια σε χρηματοδότηση σπόρων, καθώς προσπαθεί να giải quyết ένα από τα μεγαλύτερα εμπόδια που αντιμετωπίζουν τα σύγχρονα συστήματα νοημοσύνης: την αδυναμία των μεγάλων μοντέλων να συναγάγουν αποτελέσματα αποτελεσματικά σε τεράστιους, αποσυνδεδεμένους πολυμορφικούς συνόλους δεδομένων.
Η χρηματοδότηση οδηγείται από την Novera Ventures, με τη συμμετοχή της Samsung Next, της Hitachi Ventures, της Perplexity Fund, της GS Futures, της Gaia Ventures, της B37 Ventures και της Aurum Partners.
Η εταιρεία με έδρα το Σαν Φρανσίσκο ιδρύθηκε από πρώην ερευνητές και μηχανικούς από οργανισμούς όπως η Amazon, η Meta, το MIT, η Google, η Apple, η NVIDIA και η NASA.
Το Πρόβλημα που Προσπαθεί να Λύσει το Graphon
Τα μεγαλύτερα μοντέλα γλώσσας έχουν γίνει δραματικά πιο ικανά τα τελευταία χρόνια, αλλά vẫn αντιμετωπίζουν ένα θεμελιώδες περιορισμό: τα παράθυρα контекstu.
ΕVEN τα προηγμένα μοντέλα νοημοσύνης μπορούν να επεξεργαστούν μόνο μια περιορισμένη ποσότητα πληροφοριών κάθε φορά. Οι επιχειρήσεις, εν τω μεταξύ, συχνά κατέχουν τεράστιες ποσότητες αποσυνδεδεμένων δεδομένων που διασκορπίζονται σε έγγραφα, βάσεις δεδομένων, συστήματα επιτήρησης, βίντεο, αρχεία, ήχους και εσωτερικά λογισμικά πλατφόρμες.
Οι τρέχουσες προσεγγίσεις όπως η Retrieval-Augmented Generation (RAG) βοηθούν τα μοντέλα να ανακτήσουν σχετικές πληροφορίες, αλλά δυσκολεύονται να κατανοήσουν βαθύτερες σχέσεις μεταξύ συνόλων δεδομένων ή να διατηρήσουν μια σταθερή κατανόηση με την πάροδο του χρόνου.
Η προσέγγιση του Graphon είναι να μεταφέρει μέρος της διαδικασίας συναγωγής έξω από το ίδιο το μοντέλο.
Αντί να αναγκάζουν ένα μοντέλο να καταναλώσει συνεχώς ακατέργαστα δεδομένα επιχείρησης, το Graphon δημιουργεί αυτό που περιγράφει ως “πρε-μοντέλο στρώμα νοημοσύνης” που χαρτογραφεί τις σχέσεις μεταξύ διαφορετικών μορφών πληροφοριών πριν το μοντέλο τις επεξεργαστεί.
Η εταιρεία λέει ότι αυτό το στρώμα σχέσεων κατασκευάζεται χρησιμοποιώντας graphon συναρτήσεις — ένα μαθηματικό πλαίσιο παραδοσιακά συνδεδεμένο με την ανάλυση δικτύων και μεγάλων γραφικών συστημάτων. Το σύστημα σχεδιάζεται για να αναγνωρίσει συνδέσεις σε πολυμορφικά δεδομένα, συμπεριλαμβανομένων κειμένου, βίντεο, ήχου, εικόνων, δομημένων βάσεων δεδομένων, βιομηχανικών συστημάτων και δικτύων αισθητήρων.
Σύμφωνα με την εταιρεία, αυτό δημιουργεί μια μορφή σταθερής δομημένης μνήμης που μπορεί να λειτουργήσει ανεξάρτητα από τα περιοριστικά παράθυρα контекstu του μοντέλου.
Μια Μετατόπιση Μακριά Από Μεγαλύτερα Μοντέλα
Η εκκίνηση του Graphon αντανακλά μια ευρύτερη μετατόπιση που συμβαίνει σε όλη την βιομηχανία νοημοσύνης.
Για χρόνια, η πρόοδος στη νοημοσύνη έχει οδηγηθεί σε μεγάλο βαθμό από την κλιμάκωση μοντέλων — προσθέτοντας περισσότερους παραμέτρους, περισσότερη επεξεργασία και μεγαλύτερα σύνολα δεδομένων εκπαίδευσης. Nhưng πολλές εταιρείες ερευνητών και υποδομής εξερευνούν τρόπους για να βελτιώσουν την απόδοση της νοημοσύνης μέσω καλύτερων συστημάτων μνήμης, αρχιτεκτονικών συναγωγής, στρωμάτων ανάκτησης και οργάνωσης δεδομένων αντί να κατασκευάζουν μεγαλύτερα μοντέλα.
Η εταιρεία υποστηρίζει ότι η νοημοσύνη δεν πρέπει να υπάρχει μόνο μέσα στο μοντέλο, αλλά και στο στρώμα υποδομής που συνδέει τα μοντέλα με τα δεδομένα της επιχείρησης.
Αυτή η προσέγγιση μπορεί να γίνει όλο και πιο σημαντική καθώς οι επιχειρήσεις αναπτύσσουν συστήματα νοημοσύνης σε περιβάλλοντα όπου οι πληροφορίες αλλάζουν συνεχώς και διασκορπίζονται σε πολλά συστήματα ταυτόχρονα.
Σε βιομηχανικά περιβάλλοντα, για παράδειγμα, τα συστήματα νοημοσύνης μπορεί να χρειαστεί να συναγάγουν αποτελέσματα σε τηλεμετρία μηχανών, βίντεο ασφαλείας, αρχεία λειτουργίας, εγγραφά λογαριασμών και επιχειρηματικών ροών εργασιών ταυτόχρονα. Παρόμοιες προκλήσεις υπάρχουν στη ρομποτική, τη λογιστική, την υγεία και την αυτοματοποίηση επιχειρήσεων.
Πρώιμες Επιχειρηματικές Εφαρμογές
Το Graphon λέει ότι οι πρώιμες επιχειρηματικές πελάτες περιλαμβάνουν τον Νοτιοκορεάτη ομίλθο GS Group.
Σύμφωνα με την εταιρεία, οι εφαρμογές περιλαμβάνουν την ανάλυση της κίνησης των πελατών σε εσωτερικούς χώρους λιανικής πώλησης και τη βελτίωση της παρακολούθησης ασφαλείας σε χώρους κατασκευής μέσω πολυμορφικής ανάλυσης CCTV.
Η εταιρεία λέει επίσης ότι η υποδομή της μπορεί να υποστηρίξει εργασίες agentic, επιτρέποντας στα συστήματα νοημοσύνης να λαμβάνουν αποφάσεις με βάση πλουσιότερο πολυμορφικό контекст αντί για απομονωμένα προτροπές.
Ένας άλλος τομέας εστίασης είναι η ανάλυση νοημοσύνης σε συσκευές. Το Graphon λέει ότι το σύστημά του σχεδιάζεται για να λειτουργήσει με δεδομένα που παράγονται από smartphones, κάμερες, wearable συσκευές, έξυπνα γυαλιά και άλλες συνδεδεμένες συσκευές.
Οι Μελλοντικές Επιπτώσεις της Υποδομής Νοημοσύνης Σχέσεων
Η εμφάνιση του Graphon αντανακλά μια ευρύτερη μετατόπιση που συμβαίνει στη νοημοσύνη: την αυξανόμενη αναγνώριση ότι η κλιμάκωση μοντέλων μόνο μπορεί να μην λύσει πολλά από τα πιο δύσκολα προβλήματα της βιομηχανίας.
Όσο οι επιχειρήσεις αναπτύσσουν τη νοημοσύνη σε ολοένα και πιο σύνθετα περιβάλλοντα, η πρόκληση γίνεται λιγότερο για τη δημιουργία κειμένου και περισσότερο για την κατανόηση των σχέσεων μεταξύ συνεχώς μεταβαλλόμενων συστημάτων, ανθρώπων, συσκευών και ροών πληροφοριών.
Τα μελλοντικά συστήματα νοημοσύνης θα χρειαστεί να συναγάγουν αποτελέσματα σε πολύ περισσότερα από έγγραφα και προτροπές. Αυτόματα εργοστάσια, ρομποτικά συστήματα, έξυπνες πόλεις, φορητές συσκευές, βιομηχανικοί αισθητήρες, υποδομές ασφαλείας και επιχειρηματικά λογισμικά εκосύστηματα παράγουν τεράστιες ποσότητες διασυνδεδεμένων πολυμορφικών δεδομένων. Πολύ από αυτά τα δεδομένα υπάρχουν συνεχώς και εξελίσσονται σε πραγματικό χρόνο.
Αυτό δημιουργεί πίεση για νέες μορφές υποδομής νοημοσύνης ικανές να διατηρήσουν σταθερό контекστ μετά το προσωρινό παράθυρο μνήμης του μοντέλου.
Οι επιπτώσεις μπορεί να εκτείνουν πέρα από τα εργαλεία παραγωγικότητας επιχειρήσεων. Συστήματα σχεδιασμένα γύρω από τη μνήμη σχέσεων και την πολυμορφική κατανόηση μπορεί να παίξουν τελικά ρόλο σε περιοχές όπως η συντονισμός ρομποτικής, η βιομηχανική αυτοματοποίηση, τα ψηφιακά δίδυμα, η αυτονομία μεταφοράς, η διαγνωστική υγείας και τα περιβάλλοντα υπολογισμού άκρης.
Η άνοδος των συστημάτων νοημοσύνης μπορεί να επιταχύνει αυτή την ανάγκη ακόμη περισσότερο. Τα συστήματα που λειτουργούν αυτόνομα μέσα στις επιχειρηματικές συστήματα θα χρειαστούν βαθύτερη συνειδητοποίηση kontekstu και μια πιο ανθεκτική κατανόηση του πώς οι ενέργειες, τα συστήματα και τα περιβάλλοντα συνδέονται με την πάροδο του χρόνου.
Σε αυτή την έννοια, η επόμενη μεγάλη φάση της ανάπτυξης νοημοσύνης μπορεί να περιλαμβάνει την κατασκευή συστημάτων που βοηθούν τις μηχανές να μοντελοποιούν δυναμικά περιβάλλοντα του πραγματικού κόσμου πιο συνεχώς — αντί να παράγουν ολοένα και πιο σύνθετες απαντήσεις από απομονωμένες προτροπές.
Finanțare
Graphon AI vystupuje ze stealth módu s 8,3 miliony dolarů na vybudování „inteligentní vrstvy“ pro firemní AI
Startup pro infrastrukturu AI Graphon AI vystupuje ze stealth módu s 8,3 miliony dolarů v seed financování jako součást svého úsilí o řešení jedné z největších úzkých míst moderních systémů AI: neschopnosti velkých modelů efektivně rozumět přes obrovské, fragmentované multimodální datové sady.
Financování bylo vedeno firmou Novera Ventures, se účastí Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures a Aurum Partners.
San Francisco-based společnost byla založena bývalými výzkumníky a inženýry z organizací, včetně Amazonu, Meta, MIT, Google, Apple, NVIDIA a NASA.
Problém, který Graphon AI snaží řešit
Velké jazykové modely se v posledních letech dramaticky zlepšily, ale stále čelí fundamentálnímu omezení: kontextovým oknům.
Dokonce i pokročilé modely AI mohou zpracovat pouze omezené množství informací najednou. Firemní podniky naopak často disponují enormním množstvím nesouvisejících dat rozptýlených po dokumentech, databázích, systémech dohledu, videopřenosu, logických souborech, audio souborech a interních softwarových platformách.
Aktuální přístupy, jako je Retrieval-Augmented Generation (RAG), pomáhají modelům získat relevantní informace, ale mají potíže s pochopením hlubších vztahů mezi datovými sadami nebo udržením trvalého porozumění v čase.
Přístup Graphon AI spočívá v přesunutí části procesu rozumění mimo samotný model.
Místo toho, aby se snažily donutit základní model k neustálému přijímání syrových firemních dat, Graphon AI vytváří to, co popisuje jako „pre-model inteligentní vrstvu“, která mapuje vztahy mezi různými formami informací předtím, než je model zpracuje.
Společnost uvádí, že tato relační vrstva je postavena pomocí graphon funkcí — matematického rámce tradičně spojeného s analýzou sítí a velkými grafickými systémy. Systém je navržen tak, aby identifikoval spojení napříč multimodálními zdroji dat, včetně textu, videa, audio, obrázků, strukturovaných databází, průmyslových systémů a senzorových sítí.
Podle společnosti to vytváří formu trvalé strukturované paměti, která může fungovat nezávisle na omezeních kontextového okna modelu.
Odklon od větších modelů
Spuštění Graphon AI odráží širší posun, který se děje v celé AI průmyslu.
Po mnoho let byl pokrok v AI poháněn škálováním modelů — přidáním více parametrů, více výpočtů a větších trénovacích dat. Ale mnoho výzkumníků a startupů pro infrastrukturu nyní prozkoumává způsoby, jak zlepšit výkon AI prostřednictvím lepších systémů paměti, architektur rozumění, vrstev načítání a organizace dat místo toho, aby se pouze stavěly větší základní modely.
Společnost argumentuje, že inteligence by neměla existovat pouze uvnitř modelu samotného, ale také ve vrstvě infrastruktury, která spojuje modely s firemními daty.
Tento přístup by mohl být stále důležitější, protože podniky nasazují systémy AI do prostředí, kde se informace neustále mění a jsou rozptýleny napříč několika systémy současně.
V průmyslových prostředích, například, systémy AI mohou potřebovat rozumět napříč telemetrií strojů, bezpečnostními záběry, provozními logy, záznamy údržby a firemními pracovními postupy ve stejnou dobu. Podobné výzvy existují v robotice, logistice, zdravotnictví a firemní automatizaci.
Rané firemní nasazení
Graphon AI uvádí, že rané firemní zákazníci již zahrnují jihokorejský konglomerát GS Group.
Podle společnosti nasazení zahrnovala analýzu pohybu zákazníků uvnitř maloobchodních prostředí a zlepšení bezpečnostního dohledu na staveništích prostřednictvím multimodální analýzy CCTV.
Společnost také uvádí, že její infrastruktura může podporovat agentic pracovní postupy, umožňující AI agentům dělat rozhodnutí založená na bohatším multimodálním kontextu než izolované podněty.
Další oblastí zaměření je AI rozumění na zařízeních. Graphon AI uvádí, že jeho systém je navržen tak, aby fungoval s daty generovanými ze smartphonů, kamer, nositelných zařízení, chytrých brýlí a dalších připojených zařízení.
Budoucí implikace relačních AI infrastruktur
Vystoupení Graphon AI odráží širší posun, který se děje v umělém inteligenci: rostoucí uznání, že škálování modelů samo o sobě nemusí vyřešit mnoho z nejtěžších problémů průmyslu.
Pokud podniky nasazují AI do stále složitějších prostředí, výzvou se stává méně generování textu a více porozumění vztahům mezi neustále se měnícími systémy, lidmi, zařízeními a proudy informací.
Budoucí systémy AI budou pravděpodobně potřebovat rozumět napříč daleko více než dokumenty a podněty. Autonomní továrny, robotické systémy, chytrá města, nositelná zařízení, průmyslové senzory, bezpečnostní infrastruktura a firemní softwarové ekosystémy všechny generují obrovská množství propojených multimodálních dat. Velká část těchto informací existuje neustále a vyvíjí se v reálném čase.
To vytváří tlak na nové formy AI infrastruktury, které jsou schopné udržet trvalý kontext za hranicemi dočasného paměťového okna modelu.
Dopady by mohly přesáhnout firemní produktivity nástroje. Systémy navržené kolem relační paměti a multimodálního porozumění mohou nakonec hrát roli v oblastech, jako je koordinace robotiky, průmyslová automatizace, digitální dvojčata, autonomní doprava, zdravotnické diagnostiky a adaptivní hraniční výpočetní prostředí.
Růst AI agentů může tento požadavek ještě více urychlit. Agenti fungující autonomně uvnitř firemních systémů budou potřebovat hlubší kontextuální povědomí a trvalé porozumění, jak akce, systémy a prostředí spojují v čase.
V tomto smyslu může další fáze vývoje AI zahrnovat stavbu systémů, které pomáhají strojům modelovat dynamická reálná prostředí více kontinuálně — spíše než generovat stále sofistikovanější odpovědi z izolovaných podnětů.
Finanțare
Graphon AI Muncul dari Stealth dengan $8,3M untuk Membangun “Lapisan Intelijen” untuk AI Perusahaan
Perusahaan infrastruktur AI Graphon AI telah muncul dari stealth dengan $8,3 juta dalam pendanaan benih sebagai upaya untuk menyelesaikan salah satu bottleneck terbesar yang dihadapi sistem AI modern: ketidakmampuan model besar untuk berpikir secara efektif di seluruh dataset multimodal yang besar dan terfragmentasi.
Putaran ini dipimpin oleh Novera Ventures, dengan partisipasi dari Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures, dan Aurum Partners.
Perusahaan yang berbasis di San Francisco ini didirikan oleh peneliti dan insinyur mantan dari organisasi seperti Amazon, Meta, MIT, Google, Apple, NVIDIA, dan NASA.
Masalah yang Graphon Coba Selesaikan
Model bahasa besar telah tumbuh secara dramatis lebih mampu selama beberapa tahun terakhir, tetapi mereka masih menghadapi keterbatasan dasar: jendela konteks.
Even model AI yang canggih hanya dapat memproses sejumlah terbatas informasi pada satu waktu. Sementara itu, perusahaan sering memiliki kuantitas besar data yang tidak terhubung yang tersebar di seluruh dokumen, database, sistem pengawasan, feed video, log, file audio, dan platform perangkat lunak internal.
Pendekatan saat ini seperti Retrieval-Augmented Generation (RAG) membantu model mengambil informasi yang relevan, tetapi mereka bergelut untuk memahami hubungan yang lebih dalam antara dataset atau mempertahankan pemahaman yang persisten dari waktu ke waktu.
Pendekatan Graphon adalah untuk memindahkan sebagian proses berpikir di luar model itu sendiri.
Alih-alih memaksa model dasar untuk terus-menerus mengonsumsi data perusahaan yang mentah, Graphon menciptakan apa yang mereka sebut sebagai “lapisan intelijen pra-model” yang memetakan hubungan antara berbagai bentuk informasi sebelum model memprosesnya.
Perusahaan tersebut mengatakan bahwa lapisan relasional ini dibangun menggunakan fungsi graphon — kerangka matematika yang secara tradisional terkait dengan analisis jaringan dan sistem grafik besar. Sistem ini dirancang untuk mengidentifikasi koneksi di seluruh sumber data multimodal termasuk teks, video, audio, gambar, database terstruktur, sistem industri, dan jaringan sensor.
Menurut perusahaan, ini menciptakan bentuk memori terstruktur yang persisten yang dapat beroperasi secara independen dari keterbatasan jendela konteks model.
Pergeseran dari Model yang Lebih Besar
Peluncuran Graphon mencerminkan pergeseran yang lebih luas yang terjadi di seluruh industri AI.
Selama beberapa tahun, kemajuan AI sebagian besar didorong oleh penskalaan model — menambahkan lebih banyak parameter, lebih banyak komputasi, dan dataset pelatihan yang lebih besar. Namun, banyak peneliti dan perusahaan infrastruktur startup sekarang menjelajahi cara untuk meningkatkan kinerja AI melalui sistem memori yang lebih baik, arsitektur berpikir, lapisan pengambilan, dan organisasi data daripada hanya membangun model dasar yang lebih besar.
Perusahaan tersebut berpendapat bahwa kecerdasan tidak hanya ada di dalam model itu sendiri, tetapi juga di lapisan infrastruktur yang menghubungkan model dengan data perusahaan.
Pendekatan ini dapat menjadi semakin penting ketika bisnis menerapkan sistem AI ke lingkungan di mana informasi terus-menerus berubah dan tersebar di seluruh sistem yang berbeda secara bersamaan.
Di lingkungan industri, misalnya, sistem AI mungkin perlu berpikir di seluruh telemetry mesin, footage keamanan, log operasional, catatan pemeliharaan, dan alur kerja perusahaan pada saat yang sama. Tantangan serupa ada di robotika, logistik, perawatan kesehatan, dan otomatisasi perusahaan.
Penerapan Awal Perusahaan
Graphon mengatakan bahwa pelanggan perusahaan awal sudah termasuk konglomerat Korea Selatan GS Group.
Menurut perusahaan, penerapan telah mencakup menganalisis pergerakan pelanggan di dalam lingkungan ritel dan meningkatkan pemantauan keamanan di lokasi konstruksi melalui analisis CCTV multimodal.
Perusahaan tersebut juga mengatakan bahwa infrastruktur mereka dapat mendukung alur kerja agen, memungkinkan agen AI untuk membuat keputusan berdasarkan konteks multimodal yang lebih kaya daripada prompt yang terisolasi.
Area fokus lainnya adalah pada perangkat AI. Graphon mengatakan bahwa sistem mereka dirancang untuk bekerja dengan data yang dihasilkan dari smartphone, kamera, wearable, kacamata pintar, dan perangkat terhubung lainnya.
Implikasi Masa Depan dari Infrastruktur AI Relasional
Munculnya Graphon mencerminkan pergeseran yang lebih luas yang sedang berlangsung di bidang kecerdasan buatan: pengakuan yang semakin meningkat bahwa penskalaan model saja mungkin tidak menyelesaikan banyak masalah terberat industri.
Ketika perusahaan menerapkan AI ke lingkungan yang semakin kompleks, tantangan menjadi kurang tentang menghasilkan teks dan lebih tentang memahami hubungan antara sistem, orang, perangkat, dan aliran informasi yang terus-menerus berubah.
Sistem AI di masa depan kemungkinan perlu berpikir di seluruh lebih dari dokumen dan prompt. Pabrik otonom, sistem robotika, kota pintar, perangkat wearable, sensor industri, infrastruktur keamanan, dan ekosistem perangkat lunak perusahaan semua menghasilkan sejumlah besar data multimodal yang terhubung. Sebagian besar informasi tersebut ada secara terus-menerus dan berkembang secara real-time.
Hal ini menciptakan tekanan untuk bentuk baru infrastruktur AI yang mampu mempertahankan konteks persisten di luar jendela memori sementara model.
Implikasinya dapat meluas jauh di luar alat produktivitas perusahaan. Sistem yang dirancang di sekitar memori relasional dan pemahaman multimodal mungkin pada akhirnya memainkan peran dalam bidang seperti koordinasi robotika, otomatisasi industri, digital twins, transportasi otonom, diagnostik kesehatan, dan lingkungan komputasi tepi adaptif.
Munculnya agen AI mungkin mempercepat kebutuhan ini lebih lanjut. Agen yang beroperasi secara otonom di dalam sistem perusahaan akan memerlukan kesadaran kontekstual yang lebih dalam dan pemahaman yang lebih tahan lama tentang bagaimana tindakan, sistem, dan lingkungan terhubung dari waktu ke waktu.
Dalam arti itu, fase besar berikutnya dari pengembangan AI mungkin melibatkan membangun sistem yang membantu mesin memodelkan lingkungan dunia nyata yang dinamis lebih terus-menerus — daripada hanya menghasilkan respons yang semakin canggih dari prompt yang terisolasi.
Finanțare
L’émergence de Graphon AI avec 8,3 millions de dollars pour construire une « couche d’intelligence » pour l’IA d’entreprise
Le startup d’infrastructure d’IA Graphon AI est sorti de la clandestinité avec 8,3 millions de dollars de financement initial alors qu’il tente de résoudre l’un des principaux goulets d’étranglement auxquels sont confrontés les systèmes d’IA modernes : l’incapacité des grands modèles à raisonner efficacement à travers des ensembles de données multimodaux massifs et fragmentés.
Le cycle a été mené par Novera Ventures, avec la participation de Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures, et Aurum Partners.
La société basée à San Francisco a été fondée par d’anciens chercheurs et ingénieurs d’organisations telles qu’Amazon, Meta, MIT, Google, Apple, NVIDIA et NASA.
Le problème que Graphon tente de résoudre
Les modèles de langage ont considérablement amélioré leurs capacités au cours des dernières années, mais ils sont toujours confrontés à une limitation fondamentale : les fenêtres de contexte.
Même les modèles d’IA les plus avancés ne peuvent traiter qu’une quantité limitée d’informations à la fois. Les entreprises, en revanche, disposent souvent de quantités énormes de données non connectées réparties sur des documents, des bases de données, des systèmes de surveillance, des flux vidéo, des journaux, des fichiers audio et des plateformes logicielles internes.
Les approches actuelles comme Retrieval-Augmented Generation (RAG) aident les modèles à récupérer des informations pertinentes, mais ils ont du mal à comprendre les relations plus profondes entre les ensembles de données ou à maintenir une compréhension persistante dans le temps.
L’approche de Graphon consiste à déplacer une partie du processus de raisonnement en dehors du modèle lui-même.
Au lieu de forcer un modèle de base à ingérer continuellement des données brutes d’entreprise, Graphon crée ce qu’il décrit comme une « couche d’intelligence pré-modèle » qui cartographie les relations entre les différentes formes d’informations avant que le modèle les traite.
La société affirme que cette couche relationnelle est construite à l’aide de fonctions graphon — un cadre mathématique traditionnellement associé à l’analyse de réseaux et de grands systèmes de graphes. Le système est conçu pour identifier les connexions à travers des sources de données multimodales, notamment du texte, de la vidéo, de l’audio, des images, des bases de données structurées, des systèmes industriels et des réseaux de capteurs.
Selon la société, cela crée une forme de mémoire structurée persistante qui peut fonctionner de manière indépendante des limitations de la fenêtre de contexte d’un modèle.
Un déplacement loin des modèles plus grands
Le lancement de Graphon reflète un changement plus large en cours dans l’industrie de l’IA.
Pendant des années, les progrès de l’IA ont été en grande partie impulsés par la mise à l’échelle des modèles — en ajoutant plus de paramètres, plus de calcul et de plus grands ensembles de données de formation. Mais de nombreux chercheurs et startups d’infrastructure explorent désormais des moyens d’améliorer les performances de l’IA grâce à de meilleurs systèmes de mémoire, des architectures de raisonnement, des couches de récupération et une organisation des données au lieu de simplement construire des modèles de base plus grands.
La société soutient que l’intelligence ne devrait pas exister uniquement à l’intérieur du modèle lui-même, mais également dans la couche d’infrastructure qui relie les modèles aux données d’entreprise.
Cette approche pourrait devenir de plus en plus importante à mesure que les entreprises déployeront des systèmes d’IA dans des environnements où les informations changent constamment et sont réparties sur plusieurs systèmes simultanément.
Dans les environnements industriels, par exemple, les systèmes d’IA peuvent avoir besoin de raisonner à travers la télémétrie des machines, les images de sécurité, les journaux opérationnels, les dossiers de maintenance et les flux de travail d’entreprise en même temps. Des défis similaires existent dans la robotique, la logistique, les soins de santé et l’automatisation d’entreprise.
Les premiers déploiements d’entreprise
Graphon affirme que les premiers clients d’entreprise comprennent déjà le conglomérat sud-coréen GS Group.
Selon la société, les déploiements ont inclus l’analyse du mouvement des clients à l’intérieur des environnements de détail et l’amélioration de la surveillance de la sécurité sur les chantiers de construction grâce à l’analyse de la télévision en circuit fermé multimodale.
La société affirme également que son infrastructure peut prendre en charge les flux de travail agents, permettant aux agents d’IA de prendre des décisions en fonction d’un contexte multimodal plus riche plutôt que de prompts isolés.
Un autre domaine de concentration est le raisonnement d’IA sur appareil. Graphon affirme que son système est conçu pour fonctionner avec les données générées par les smartphones, les caméras, les accessoires, les lunettes intelligentes et d’autres appareils connectés.
Les implications futures de l’infrastructure d’IA relationnelle
L’émergence de Graphon reflète un changement plus large en cours dans l’intelligence artificielle : la reconnaissance croissante que la mise à l’échelle des modèles seule peut ne pas résoudre de nombreux problèmes les plus difficiles de l’industrie.
À mesure que les entreprises déployeront l’IA dans des environnements de plus en plus complexes, le défi deviendra moins de générer du texte et plus de comprendre les relations entre les systèmes, les personnes, les appareils et les flux d’informations qui changent constamment.
Les systèmes d’IA futurs devront probablement raisonner sur bien plus que des documents et des prompts. Les usines autonomes, les systèmes de robotique, les villes intelligentes, les appareils portables, les capteurs industriels, les infrastructures de sécurité et les écosystèmes de logiciels d’entreprise génèrent tous d’énormes quantités de données multimodales interconnectées. Une grande partie de ces informations existe en continu et évolue en temps réel.
Cela crée une pression pour de nouvelles formes d’infrastructure d’IA capables de maintenir un contexte persistant au-delà de la fenêtre de mémoire temporaire d’un modèle.
Les implications pourraient aller bien au-delà des outils de productivité d’entreprise. Les systèmes conçus autour de la mémoire relationnelle et de la compréhension multimodale pourraient éventuellement jouer un rôle dans des domaines tels que la coordination de la robotique, l’automatisation industrielle, les jumeaux numériques, le transport autonome, les diagnostics de santé et les environnements de calcul de bord adaptatifs.
La montée en puissance des agents d’IA pourrait accélérer encore ce besoin. Les agents fonctionnant de manière autonome à l’intérieur des systèmes d’entreprise nécessiteront une conscience contextuelle plus profonde et une compréhension plus durable de la façon dont les actions, les systèmes et les environnements se connectent dans le temps.
Dans ce sens, la prochaine grande phase du développement de l’IA pourrait consister à construire des systèmes qui aident les machines à modéliser des environnements réels dynamiques de manière plus continue — plutôt que de simplement générer des réponses de plus en plus sophistiquées à partir de prompts isolés.
Finanțare
Graphon AI يخرج من مرحلة الاختباء مع 8.3 مليون دولار لإنشاء “طبقة ذكاء” لشركة AI للشركات
شركة Graphon AI للاستفادة من البنية التحتية للذكاء الاصطناعي قد خرجت من مرحلة الاختباء مع 8.3 مليون دولار في التمويل الاولي في محاولة لمواجهة واحدة من أكبر عقبات أنظمة الذكاء الاصطناعي الحديثة: عدم khảية النماذج الكبيرة لفهم العلاقات بشكل فعال عبر مجموعات بيانات متعددة ومتفرقة.
كانت الجولة بقيادة Novera Ventures، مع مشاركة من Samsung Next، Hitachi Ventures، Perplexity Fund، GS Futures، Gaia Ventures، B37 Ventures، وAurum Partners.
تقع الشركة في سان فرانسيسكو، وتم تأسيسها من قبل باحثين ومهندسين سابقين من منظمات بما في ذلك أمازون، ميتا، معهد ماساتشوستس للتكنولوجيا، جوجل، آبل، إنفيديا، وناسا.
المشكلة التي يحاول Graphon حلها
لقد نمت نماذج اللغة الكبيرة بشكل كبير خلال السنوات القليلة الماضية، ولكنها لا تزال تواجه حداً أساسياً: نوافذ السياق.
حتى النماذج المتقدمة لا يمكنها معالجة كمية محدودة من المعلومات في وقت واحد. في غضون ذلك، تقع الشركات غالباً على كميات هائلة من البيانات غير المتصلة المنتشرة عبر المستندات، والقواعد البيانية، وأنظمة المراقبة، وتدفقات الفيديو، والسجلات، والملفات الصوتية، والمنصات البرمجية الداخلية.
تساعد المناهج الحالية مثل التنمية المعززة بالاسترجاع (RAG) النماذج على استرجاع المعلومات ذات الصلة، ولكنها ت투اجه صعوبة في فهم العلاقات الأعمق بين مجموعات البيانات أو الحفاظ على الفهم المستمر مع مرور الوقت.
يتحرك نهج Graphon نحو نقل جزء من عملية التفكير خارج النموذج نفسه.
بدلاً من إجبار نموذج أساسي على استمرار استهلاك البيانات الخام للشركة، يخلق Graphon ما يسميه “طبقة ذكاء قبل النموذج” التي تخطط العلاقات بين أشكال مختلفة من المعلومات قبل معالجتها بواسطة النموذج.
يقول الشركة إن هذه الطبقة العلاقة يتم بناؤها باستخدام وظائف Graphon – إطار رياضي تقليدي المرتبط بتحليل الشبكات وأنظمة الرسوم الكبيرة. تم تصميم النظام لتحديد الاتصالات عبر مصادر بيانات متعددة بما في ذلك النص، والفيديو، والصوت، والصور، والقواعد البيانية المنظمة، والأنظمة الصناعية، وشبكات الحساسات.
وفقاً للشركة، فإن هذا يخلق شكل من أشكال الذاكرة الموضوعية المنظمة التي يمكنها العمل بشكل مستقل عن قيود نافذة السياق للنموذج.
تحول بعيداً عن النماذج الأكبر
يعكس إطلاق Graphon تحولاً أوسع نطاقاً يحدث في جميع أنحاء صناعة الذكاء الاصطناعي.
لمدة سنوات، كان التقدم في الذكاء الاصطناعي مدفوعاً في الغالب بتوسيع النماذج – إضافة معاملات أكثر، وحوسبة أكثر، ومجموعات بيانات أكبر للتدريب. لكن العديد من الباحثين وشركات البنية التحتية ت探 الآن طرقاً لتحسين أداء الذكاء الاصطناعي من خلال تحسين أنظمة الذاكرة، وهياكل التفكير، وطبقات الاسترجاع، وتنظيم البيانات بدلاً من بناء نماذج أساسية أكبر.
ترى الشركة أن الذكاء لا ينبغي أن يكون موجوداً فقط داخل النموذج نفسه، بل أيضاً في طبقة البنية التحتية التي تربط النماذج بالبيانات الخاصة بالشركة.
قد يصبح هذا النهج أكثر أهمية مع تطور الشركات لنظم الذكاء الاصطناعي في بيئات حيث تتغير المعلومات باستمرار وتنتشر عبر عدة أنظمة في نفس الوقت.
في البيئات الصناعية، على سبيل المثال، قد تحتاج أنظمة الذكاء الاصطناعي إلى التفكير عبر بيانات آليات الآلات، وأشرطة الفيديو الأمنية، وسجلات التشغيل، وسجلات الصيانة، وعمليات العمل، في نفس الوقت. تحدث تحديات مماثلة في الروبوتات، واللوجستيات، والرعاية الصحية، وتأتمتة الشركات.
النشرات المبكرة للشركات
يقول Graphon إن العملاء الشركيين المبكرين يشملون بالفعل تكتل GS الكوري الجنوبي.
وفقاً للشركة، شملت النشرات تحليل حركة العملاء داخل بيئات التجزئة وتحسين مراقبة السلامة في مواقع البناء من خلال تحليل CCTV متعدد الوسائط.
يقول الشركة أيضاً إن بنيتها التحتية يمكنها دعم سير العمل الوكيل، مما يسمح للوكلاء الذكاء الاصطناعي باتخاذ قرارات تستند إلى سياق أكثر غنىً متعدد الوسائط بدلاً من الاستجابات المعزولة.
منطقة أخرى من التركيز هي على الأجهزة الذكية للذكاء الاصطناعي. يقول Graphon إن نظامها مصمم للعمل مع البيانات التي تم إنشاؤها من الهواتف الذكية، والكاميرات، والأجهزة القابلة للارتداء، والنظارات الذكية، والأجهزة الأخرى المتصلة.
الآثار المستقبلية للبنية التحتية للذكاء الاصطناعي العلاقي
يعكس ظهور Graphon تحولاً أوسع نطاقاً يحدث في الذكاء الاصطناعي: الاعتراف المتزايد بأن توسيع النماذج وحده قد لا يحل العديد من أصعب مشاكل الصناعة.
مع نشر الشركات لأنظمة الذكاء الاصطناعي في بيئات أكثر تعقيداً، يصبح التحدي أقل حول توليد النصوص وأكثر حول فهم العلاقات بين الأنظمة والبشر والأجهزة وتدفقات المعلومات المتغيرة باستمرار.
من المرجح أن تحتاج أنظمة الذكاء الاصطناعي في المستقبل إلى التفكير عبر المزيد من الوثائق والاستجابات. أنظمة المصانع التلقائية، والروبوتات، والمدن الذكية، والأجهزة القابلة للارتداء، وحساسات الصناعة، وبنية الأمان، وأنظمة البرمجيات للشركات كلها تنتج كميات هائلة من البيانات المتعددة الوسائط المتصلة. توجد معظم هذه المعلومات بشكل مستمر وتتطور في الوقت الفعلي.
هذا يخلق ضغطاً لتنمية أنواع جديدة من بنية الذكاء الاصطناعي قادرة على الحفاظ على السياق المستمر بعد نافذة الذاكرة المؤقتة للنموذج.
قد تمتد الآثار إلى ما هو أبعد من أدوات الإنتاجية للشركات. قد تلعب الأنظمة المصممة حول الذاكرة العلاقة والتفاهم المتعدد الوسائط دوراً في مجالات مثل تنسيق الروبوتات، والتحكم الآلي الصناعي، والأداة الرقمية، والنقل المستقل، وتشخيص الرعاية الصحية، وبيئات الحوسبة الحدية التكيفية.
قد يسرع ظهور وكلاء الذكاء الاصطناعي هذا الحاجة أكثر. سوف تحتاج الوكلاء الذين يعملون بشكل مستقل داخل أنظمة الشركات إلى وعي سياقي أعمق وفهم أكثر متانة لطريقة ارتباط الإجراءات والأنظمة والبيئات مع مرور الوقت.
في هذا الصدد، قد يتضمن المرحلة التالية من تطوير الذكاء الاصطناعي بناء أنظمة تساعد الآلات على نمذجة بيئات العالم الحقيقي بشكل أكثر استمراراً – بدلاً من توليد استجابات متقدمة بشكل متزايد من استجابات معزولة.
Finanțare
Graphon-KI tritt mit 8,3 Mio. US-Dollar aus der Stealth-Phase aus, um eine “Intelligenzschicht” für Unternehmens-KI zu entwickeln
Der KI-Infrastruktur-Startup Graphon AI ist mit 8,3 Millionen US-Dollar an Seed-Finanzierung aus der Stealth-Phase ausgetreten, um eines der größten Probleme moderner KI-Systeme anzugehen: die Unfähigkeit großer Modelle, effektiv über massive, fragmentierte multimodale Datensätze zu argumentieren.
Die Finanzierungsrunde wurde von Novera Ventures angeführt, mit Beteiligung von Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures und Aurum Partners.
Das in San Francisco ansässige Unternehmen wurde von ehemaligen Forschern und Ingenieuren gegründet, die bei Organisationen wie Amazon, Meta, MIT, Google, Apple, NVIDIA und NASA tätig waren.
Das Problem, das Graphon zu lösen versucht
Große Sprachmodelle haben in den letzten Jahren dramatisch an Fähigkeiten gewonnen, aber sie stoßen immer noch auf eine grundlegende Einschränkung: Kontextfenster.
Even fortschrittliche KI-Modelle können nur eine begrenzte Menge an Informationen gleichzeitig verarbeiten. Unternehmen verfügen dagegen oft über enorme Mengen an nicht verbundenen Daten, die über Dokumente, Datenbanken, Überwachungssysteme, Video-Feeds, Log-Dateien, Audio-Dateien und interne Software-Plattformen verteilt sind.
Die aktuellen Ansätze wie Retrieval-Augmented Generation (RAG) helfen Modellen, relevante Informationen abzurufen, aber sie haben Schwierigkeiten, tiefergehende Beziehungen zwischen Datensätzen zu verstehen oder ein persistentes Verständnis über die Zeit zu erhalten.
Graphons Ansatz besteht darin, einen Teil des Argumentationsprozesses außerhalb des Modells selbst zu verlagern.
Anstatt ein Grundmodell dazu zu zwingen, kontinuierlich rohe Unternehmensdaten zu verarbeiten, erstellt Graphon eine sogenannte “prämodale Intelligenzschicht”, die Beziehungen zwischen verschiedenen Informationsformen kartiert, bevor das Modell sie verarbeitet.
Das Unternehmen behauptet, dass diese relationale Schicht mithilfe von Graphon-Funktionen erstellt wird – einem mathematischen Rahmen, der traditionell mit Netzwerkanalyse und großen Graph-Systemen verbunden ist. Das System ist darauf ausgelegt, Verbindungen über multimodale Datenquellen wie Text, Video, Audio, Bilder, strukturierte Datenbanken, industrielle Systeme und Sensornetzwerke zu identifizieren.
Laut dem Unternehmen entsteht dadurch eine Form von persistentem, strukturiertem Gedächtnis, das unabhängig von den Kontextfenster-Einschränkungen eines Modells operieren kann.
Ein Weg von größeren Modellen weg
Graphons Markteinführung spiegelt einen umfassenderen Wandel in der KI-Industrie wider.
Über Jahre hinweg wurde der Fortschritt in der KI hauptsächlich durch die Skalierung von Modellen vorangetrieben – durch die Hinzufügung von Parametern, Rechenleistung und größeren Trainingsdatensätzen. Doch viele Forscher und Infrastruktur-Startups erkunden nun Möglichkeiten, die KI-Leistung durch bessere Speichersysteme, Argumentationsarchitekturen, Abrufschichten und Datenorganisation zu verbessern, anstatt einfach größere Grundmodelle zu erstellen.
Das Unternehmen argumentiert, dass Intelligenz nicht nur innerhalb des Modells selbst existieren sollte, sondern auch in der Infrastrukturschicht, die Modelle mit Unternehmensdaten verbindet.
Dieser Ansatz könnte immer wichtiger werden, da Unternehmen KI-Systeme in Umgebungen einsetzen, in denen Informationen ständig ändern und über mehrere Systeme gleichzeitig verteilt sind.
In industriellen Umgebungen beispielsweise müssen KI-Systeme möglicherweise über Maschinentelemetrie, Sicherheitsvideos, Betriebsprotokolle, Wartungsprotokolle und Unternehmensworkflows gleichzeitig argumentieren. Ähnliche Herausforderungen bestehen in der Robotik, Logistik, Gesundheitswesen und Unternehmensautomatisierung.
Frühe Unternehmenseinsätze
Graphon sagt, dass frühe Unternehmenskunden bereits den südkoreanischen Konglomerat GS Group umfassen.
Laut dem Unternehmen umfassten die Einsätze die Analyse von Kundenbewegungen in Einzelhandelsumgebungen und die Verbesserung der Sicherheitsüberwachung auf Baustellen durch multimodale CCTV-Analyse.
Das Unternehmen sagt auch, dass seine Infrastruktur agente Workflows unterstützen kann, sodass KI-Agenten Entscheidungen auf der Grundlage eines reichhaltigeren multimodalen Kontexts treffen können, anstatt nur isolierte Prompts.
Ein weiterer Schwerpunkt liegt auf der KI-Argumentation auf Geräten. Graphon sagt, dass sein System für die Arbeit mit Daten konzipiert ist, die von Smartphones, Kameras, Wearables, Smart-Glasses und anderen verbundenen Geräten generiert werden.
Die zukünftigen Auswirkungen relationaler KI-Infrastruktur
Graphons Auftauchen spiegelt einen umfassenderen Wandel in der künstlichen Intelligenz wider: die wachsende Erkenntnis, dass die Skalierung von Modellen allein viele der härtesten Probleme der Branche möglicherweise nicht lösen kann.
Da Unternehmen KI in immer komplexere Umgebungen einsetzen, wird die Herausforderung weniger darin bestehen, Text zu generieren, und mehr darin, Beziehungen zwischen ständig ändernden Systemen, Personen, Geräten und Informationsströmen zu verstehen.
Zukünftige KI-Systeme werden wahrscheinlich über weit mehr als Dokumente und Prompts hinaus argumentieren müssen. Autonome Fabriken, Robotik-Systeme, Smart Cities, Wearables, industrielle Sensoren, Sicherheitsinfrastrukturen und Unternehmenssoftware-Ökosysteme erzeugen alle enorme Mengen an vernetzten multimodalen Daten. Ein Großteil dieser Informationen existiert kontinuierlich und entwickelt sich in Echtzeit.
Dies erzeugt Druck auf neue Formen von KI-Infrastruktur, die in der Lage sind, ein persistentes Kontextverständnis jenseits des temporären Speicherfensters eines Modells aufrechtzuerhalten.
Die Auswirkungen könnten weit über Unternehmensproduktivitätstools hinausgehen. Systeme, die auf relationalem Gedächtnis und multimodalem Verständnis basieren, könnten letztendlich in Bereichen wie der Koordination von Robotern, der industriellen Automatisierung, digitalen Zwillingen, autonomer Mobilität, Gesundheitsdiagnose und adaptiver Edge-Computing-Umgebungen eine Rolle spielen.
Der Aufstieg von KI-Agenten kann diesen Bedarf noch weiter verstärken. Agenten, die autonom innerhalb von Unternehmenssystemen operieren, benötigen ein tieferes kontextuelles Bewusstsein und ein dauerhafteres Verständnis davon, wie Aktionen, Systeme und Umgebungen über die Zeit miteinander in Beziehung stehen.
In diesem Sinne kann die nächste große Phase der KI-Entwicklung darin bestehen, Systeme zu entwickeln, die Maschinen helfen, dynamische realweltliche Umgebungen kontinuierlicher zu modellieren – anstatt einfach nur immer komplexere Antworten auf isolierte Prompts zu generieren.
Finanțare
Graphon AI、8.3Mドルの資金を調達して「インテリジェンスレイヤー」を構築
AIインフラストラクチャスタートアップのGraphon AIは、8.3ミリオンドルのシード資金を調達してステルスモードから出てきました。Graphon AIは、大きなモデルが大量の断片化されたマルチモーダルデータセットを効果的に推論できないという、現代のAIシステムが直面している最大のボトルネックの1つに対処しようとしています。
このラウンドは、Novera Venturesが主導し、Samsung Next、Hitachi Ventures、Perplexity Fund、GS Futures、Gaia Ventures、B37 Ventures、Aurum Partnersが参加しています。
サンフランシスコを拠点とするこの会社は、Amazon、Meta、MIT、Google、Apple、NVIDIA、NASAなどの組織から元研究者やエンジニアによって設立されました。
Graphonが解決しようとしている問題
大きな言語モデルは過去数年で劇的に能力が向上しましたが、依然として基本的な制限があります。コンテキストウィンドウです。
最先端のAIモデルでも、同時に処理できる情報量は限られています。一方、企業はドキュメント、データベース、監視システム、ビデオフィード、ログ、オーディオファイル、内部ソフトウェアプラットフォームにわたる大量の断片化されたデータを保有しています。
現在のアプローチであるRetrieval-Augmented Generation (RAG)は、モデルが関連情報を取得するのに役立ちますが、データセット間のより深い関係を理解したり、時間の経過とともに永続的な理解を維持したりすることは困難です。
Graphonのアプローチは、推論プロセスの一部をモデル自体の外側に移動することです。
Graphonは、モデルが処理する前に、さまざまな情報形式間の関係をマッピングする「事前モデルインテリジェンスレイヤー」を作成します。
この関係レイヤーは、グラフォン関数を使用して構築されます。これは、従来、ネットワーク分析と大きなグラフシステムに使用されていた数学的フレームワークです。このシステムは、テキスト、ビデオ、オーディオ、画像、構造化データベース、産業システム、センサーネットワークを含むマルチモーダルデータソース間の接続を識別するように設計されています。
会社によると、これにより、モデルのコンテキストウィンドウの制限に依存しない、永続的な構造化されたメモリが作成されます。
より大きなモデルから離れるシフト
Graphonの立ち上げは、AI業界全体で起こっているより広範なシフトを反映しています。
AIの進歩は、長年にわたり、主にモデルをスケーリングすることによって推進されてきました。パラメーターの追加、コンピューティングの追加、トレーニングデータセットの拡大です。しかし、多くの研究者やインフラストラクチャスタートアップは、より大きな基礎モデルを構築するのではなく、メモリーシステム、推論アーキテクチャ、リトリーバレイヤー、データの組織化を改善することでAIのパフォーマンスを向上させる方法を探索しています。
会社は、インテリジェンスはモデル自体の中にのみ存在するのではなく、モデルと企業データを接続するインフラストラクチャレイヤーの中にも存在するべきであると主張しています。
このアプローチは、情報が常に変化し、同時に複数のシステムにわたる環境でAIシステムを展開する企業にとって、ますます重要になる可能性があります。
例えば、産業環境では、AIシステムはマシンテレメトリ、セキュリティ映像、運用ログ、メンテナンスレコード、企業ワークフローを同時に推論する必要があります。同様の課題は、ロボティクス、物流、ヘルスケア、企業オートメーションでも存在します。
初期の企業導入
Graphonは、韓国のコングロマリットであるGSグループがすでに初期の企業顧客であると述べています。
会社によると、導入には、小売環境内の顧客の動きを分析し、多モーダルCCTV分析を使用して建設現場の安全性を監視することが含まれています。
会社はまた、そのインフラストラクチャがエージェントワークフローをサポートできることを示しています。AIエージェントは、孤立したプロンプトではなく、より豊富なマルチモーダルコンテキストに基づいて決定を下すことができます。
別の焦点領域は、デバイス上のAI推論です。Graphonは、そのシステムがスマートフォン、カメラ、ウェアラブル、スマートグラス、他の接続デバイスから生成されるデータで動作するように設計されていると述べています。
関係AIインフラストラクチャの将来的な影響
Graphonの出現は、AI業界で進行中のより広範なシフトを反映しています。モデルのスケーリングだけが業界の最も難しい課題を解決しないという認識が広がっています。
企業がAIをますます複雑な環境に導入するにつれて、課題はテキストを生成することではなく、システム、人、デバイス、情報ストリームの関係を理解することになります。
将来的に、AIシステムはドキュメントやプロンプトだけではなく、断片化されたファクトリー、ロボティクスシステム、スマートシティ、ウェアラブルデバイス、産業センサー、セキュリティインフラストラクチャ、企業ソフトウェアエコシステムが生成する大量の相互接続されたマルチモーダルデータを推論する必要があります。多くの情報は、継続的に存在し、リアルタイムで進化します。
これにより、モデルの一時的なメモリウィンドウを超えて永続的なコンテキストを維持できる新しいAIインフラストラクチャの必要性が生じます。
この影響は、企業の生産性ツールの範囲を超える可能性があります。関係メモリとマルチモーダル理解を中心に設計されたシステムは、将来的にロボティクスコーディネーション、産業オートメーション、デジタルツイン、自律輸送、ヘルスケア診断、適応型エッジコンピューティング環境などの分野で役割を果たす可能性があります。
AIエージェントの台頭は、この需要をさらに加速する可能性があります。企業システム内で自律的に動作するエージェントは、時間の経過とともにアクション、システム、環境がどのように接続されるかについて、より深いコンテキスト認識と理解が必要になります。
その意味で、AI開発の次の主要フェーズは、機械が動的なリアルワールド環境をより継続的にモデル化するシステムを構築することになるかもしれません。孤立したプロンプトからますます複雑な応答を生成するのではなく、それが目標です。
Finanțare
Graphon AI sale de la clandestinidad con $8.3M para construir una “capa de inteligencia” para la IA empresarial
La startup de infraestructura de IA Graphon AI ha salido de la clandestinidad con $8.3 millones en financiación de semilla para intentar resolver uno de los principales cuellos de botella que enfrentan los sistemas de IA modernos: la incapacidad de los grandes modelos para razonar de manera efectiva a través de conjuntos de datos multimodales masivos y fragmentados.
La ronda fue liderada por Novera Ventures, con la participación de Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures y Aurum Partners.
La empresa con sede en San Francisco fue fundada por ex investigadores y ingenieros de organizaciones como Amazon, Meta, MIT, Google, Apple, NVIDIA y NASA.
El problema que Graphon está tratando de resolver
Los modelos de lenguaje han crecido dramáticamente en capacidad en los últimos años, pero aún enfrentan una limitación fundamental: las ventanas de contexto.
Incluso los modelos de IA avanzados solo pueden procesar una cantidad limitada de información al mismo tiempo. Mientras tanto, las empresas a menudo tienen enormes cantidades de datos desconectados que se extienden a través de documentos, bases de datos, sistemas de vigilancia, flujos de video, registros, archivos de audio y plataformas de software internas.
Los enfoques actuales como la Generación con Recuperación (RAG) ayudan a los modelos a recuperar información relevante, pero luchan por comprender las relaciones más profundas entre los conjuntos de datos o mantener una comprensión persistente con el tiempo.
El enfoque de Graphon es mover parte del proceso de razonamiento fuera del modelo en sí.
En lugar de obligar a un modelo de base a ingerir continuamente datos brutos de la empresa, Graphon crea lo que describe como una “capa de inteligencia pre-modelo” que mapea las relaciones entre diferentes formas de información antes de que el modelo las procese.
La empresa dice que esta capa relacional se construye utilizando funciones de graphon, un marco matemático tradicionalmente asociado con el análisis de redes y sistemas de grafos grandes. El sistema está diseñado para identificar conexiones a través de fuentes de datos multimodales que incluyen texto, video, audio, imágenes, bases de datos estructuradas, sistemas industriales y redes de sensores.
Según la empresa, esto crea una forma de memoria estructurada persistente que puede operar de forma independiente de las limitaciones de la ventana de contexto del modelo.
Un cambio hacia modelos más pequeños
El lanzamiento de Graphon refleja un cambio más amplio que está ocurriendo en la industria de la IA.
Durante años, el progreso en la IA ha sido impulsado en gran medida por la escalabilidad de los modelos, agregando más parámetros, más cómputo y conjuntos de datos de entrenamiento más grandes. Pero muchos investigadores y startups de infraestructura están explorando formas de mejorar el rendimiento de la IA a través de mejores sistemas de memoria, arquitecturas de razonamiento, capas de recuperación y organización de datos en lugar de simplemente construir modelos de base más grandes.
La empresa argumenta que la inteligencia no debería existir solo dentro del modelo en sí, sino también en la capa de infraestructura que conecta los modelos con los datos de la empresa.
Este enfoque podría volverse cada vez más importante a medida que las empresas desplieguen sistemas de IA en entornos donde la información está cambiando constantemente y se extiende a través de múltiples sistemas al mismo tiempo.
En entornos industriales, por ejemplo, los sistemas de IA pueden necesitar razonar a través de telemetría de máquinas, footage de seguridad, registros operativos, registros de mantenimiento y flujos de trabajo de la empresa al mismo tiempo. Desafíos similares existen en la robótica, la logística, la atención médica y la automatización empresarial.
Despliegues empresariales tempranos
Graphon dice que los clientes empresariales tempranos ya incluyen al conglomerado surcoreano GS Group.
Según la empresa, los despliegues han incluido el análisis del movimiento de los clientes dentro de entornos minoristas y la mejora de la supervisión de la seguridad en los sitios de construcción a través del análisis de CCTV multimodal.
La empresa también dice que su infraestructura puede admitir flujos de trabajo agenticos, lo que permite a los agentes de IA tomar decisiones basadas en un contexto multimodal más rico en lugar de prompts aislados.
Otra área de enfoque es la inferencia de IA en el dispositivo. Graphon dice que su sistema está diseñado para funcionar con datos generados por teléfonos inteligentes, cámaras, dispositivos wearables, gafas inteligentes y otros dispositivos conectados.
Las implicaciones futuras de la infraestructura de IA relacional
La aparición de Graphon refleja un cambio más amplio en curso en la inteligencia artificial: el creciente reconocimiento de que la escalabilidad de los modelos por sí sola puede no resolver muchos de los problemas más difíciles de la industria.
A medida que las empresas despliegan la IA en entornos cada vez más complejos, el desafío está pasando de generar texto a comprender las relaciones entre sistemas, personas, dispositivos y flujos de información que cambian constantemente.
Los sistemas de IA futuros probablemente necesitarán razonar a través de mucho más que documentos y prompts. Las fábricas autónomas, los sistemas de robótica, las ciudades inteligentes, los dispositivos wearables, los sensores industriales, la infraestructura de seguridad y los ecosistemas de software empresarial generan cantidades masivas de datos multimodales interconectados. Gran parte de esa información existe continuamente y evoluciona en tiempo real.
Esto está creando presión para nuevas formas de infraestructura de IA capaces de mantener un contexto persistente más allá de la ventana de memoria temporal de un modelo.
Las implicaciones podrían extenderse mucho más allá de las herramientas de productividad empresarial. Los sistemas diseñados alrededor de la memoria relacional y la comprensión multimodal pueden desempeñar eventualmente un papel en áreas como la coordinación de la robótica, la automatización industrial, los gemelos digitales, el transporte autónomo, la diagnóstica médica y los entornos de cómputo de borde adaptativos.
El auge de la IA agente puede acelerar aún más esta necesidad. Los agentes que operan de forma autónoma dentro de los sistemas empresariales requerirán una conciencia contextual más profunda y una comprensión más duradera de cómo las acciones, los sistemas y los entornos se conectan con el tiempo.
En ese sentido, la próxima fase importante del desarrollo de la IA puede involucrar la construcción de sistemas que ayuden a las máquinas a modelar entornos del mundo real dinámicos de manera más continua, en lugar de simplemente generar respuestas cada vez más sofisticadas a partir de prompts aislados.
Finanțare
그래폰 AI, 830만 달러 투자 유치로 기업용 AI 인프라 구축에 나서
AI 인프라 스타트업 그래폰 AI(Graphon AI)는 830만 달러의 시드 펀딩을 유치하며 스타트업을 공개했다. 이는 현대적인 AI 시스템이 직면한 가장 큰 병목 현상 중 하나인 대규모 분산 멀티모달 데이터셋에서 효과적으로 추론할 수 없는 능력에 대한 해결책을 찾기 위한 시도이다.
이번 투자는 노베라 벤처스(Novera Ventures)가 주도했으며, 삼성넥스트(Samsung Next), 히타치 벤처스(Hitachi Ventures), 퍼플렉시티 펀드(Perplexity Fund), GS퓨처스(GS Futures), 가이아 벤처스(Gaia Ventures), B37 벤처스(B37 Ventures), 아우룸 파트너스(Aurum Partners) 등이 참여했다.
샌프란시스코에 본사를 둔 이 회사는 아마존, 메타, MIT, 구글, 애플, 엔비디아, 나사 등에서 온 전 연구원과 엔지니어들에 의해 설립되었다.
그래폰이 해결하려고 하는 문제
대규모 언어 모델은 지난 몇 년 동안 크게 발전했지만, 여전히 근본적인 한계를 가지고 있다. 바로 컨텍스트 윈도우이다.
심지어 고급 AI 모델도 한 번에 처리할 수 있는 정보의 양은 제한적이다. 반면, 기업은 문서, 데이터베이스, 감시 시스템, 비디오 피드, 로그, 오디오 파일, 내부 소프트웨어 플랫폼 등에 걸쳐서 엄청난 양의 분산된 데이터를 보유하고 있다.
현재의 접근 방식인 리트리벌 오거먼티드 제너레이션(Retrieval-Augmented Generation, RAG)은 모델이 관련 정보를 검색하는 데 도움이 되지만, 데이터셋 간의 더 깊은 관계를 이해하거나 시간이 지남에 따라 지속적인 이해를 유지하는 데 어려움을 겪는다.
그래폰의 접근 방식은 모델 자체 외부에서 추론 과정을 일부 이동시키는 것이다.
원시 기업 데이터를 지속적으로 모델에 입력시키는 대신, 그래폰은 모델이 처리하기 전에 다양한 정보 형식 간의 관계를 매핑하는 “프리모델 인텔리전스 레이어”를 생성한다.
이 관계 레이어는 그래폰 함수를 사용하여 구축되며, 이는 전통적으로 네트워크 분석과 대규모 그래프 시스템과 관련이 있다. 이 시스템은 텍스트, 비디오, 오디오, 이미지, 구조화된 데이터베이스, 산업 시스템, 센서 네트워크 등 다양한 멀티모달 데이터 소스 간의 연결을 식별하도록 설계되었다.
회사는 이 관계 레이어가 모델의 컨텍스트 윈도우 제한과 독립적으로 작동할 수 있는 지속적인 구조화된 메모리 형태를 생성한다고 주장한다.
더 큰 모델에서 벗어나기
그래폰의 출시 반영은 AI 산업 전반에서 발생하고 있는 더广泛한 전환을 반영한다.
수년 동안, AI의 발전은 주로 모델의 크기를 늘리고, 더 많은 매개변수와 더 큰 훈련 데이터셋을 추가함으로써 이루어져 왔다. 그러나 많은 연구자와 인프라 스타트업은 이제 더 나은 메모리 시스템, 추론 아키텍처, 검색 레이어, 데이터 조직을 통해 AI 성능을 개선하는 방법을 탐색하고 있다.
회사는 지능이 모델 자체 내에만 존재해서는 안 되며, 모델과 기업 데이터를 연결하는 인프라 레이어에도 존재해야 한다고 주장한다.
이 접근 방식은 정보가 끊임없이 변경되고 여러 시스템에 걸쳐 있는 환경에서 AI 시스템을 배포하는 기업들에게 점점 더 중요해질 수 있다.
예를 들어, 산업 환경에서 AI 시스템은 기계 텔레메트리, 보안 비디오, 운영 로그, 유지 보수 기록, 기업 워크플로우 등을 동시에 고려하여 추론해야 할 수 있다. 로봇공학, 물류, 의료, 기업 자동화 등에서도 유사한 도전이 존재한다.
초기 기업 배포
그래폰은 이미 한국의 대기업인 GS그룹을 포함한 초기 기업 고객을 보유하고 있다.
회사는 소매 환경 내에서 고객 이동을 분석하고 건설 현장의 안전 모니터링을 멀티모달 CCTV 분석을 통해 개선하는 것을 포함한 배포를 실시했다.
회사는 또한 에이전트 워크플로우를 지원하는 인프라를 제공한다고 주장한다. 이는 AI 에이전트가 고립된 프롬프트가 아닌 더 풍부한 멀티모달 컨텍스트에 기반하여 결정을 내릴 수 있도록 한다.
또 다른重点 영역은 기기 내 AI 추론이다. 그래폰은 스마트폰, 카메라, 웨어러블 기기, 스마트 글래스, 기타 연결 장치에서 생성되는 데이터와 함께 작동하도록 설계되었다.
관계형 AI 인프라의 미래 영향
그래폰의 출시는 인공 지능에서 발생하고 있는 더广泛한 전환을 반영한다. 모델의 크기만을 늘리는 것이 산업의 가장 어려운 문제를 해결하지 못할 수 있다는 인식이增长하고 있다.
기업이 점점 더 복잡한 환경에서 AI를 배포함에 따라, 텍스트와 프롬프트만을 생성하는 것보다 시스템, 사람, 장치, 정보 흐름 간의 관계를 이해하는 것이 더 중요해진다.
미래의 AI 시스템은 문서와 프롬프트만이 아니라 훨씬 더 많은 것을 고려해야 할 것이다. 자율 공장, 로봇 시스템, 스마트 시티, 웨어러블 기기, 산업 센서, 보안 인프라, 기업 소프트웨어 에코시스템 등은 모두 거대한 양의 상호 연결된 멀티모달 데이터를 생성한다. 이러한 정보 대부분은 지속적으로 존재하며 실시간으로 진화한다.
이로 인해 모델의 임시 메모리 윈도우를 넘어서 지속적인 컨텍스트를 유지할 수 있는 새로운 형태의 AI 인프라가 필요해진다.
이것은 기업 생산성 도구를 넘어서 로봇 공학 조정, 산업 자동화, 디지털 트윈, 자율 주행, 의료 진단, 적응형 에지 컴퓨팅 환경 등 다양한 분야에서 중요할 수 있다.
에이전트 AI의 출현은 이 필요성을 더욱 가속화할 수 있다. 기업 시스템 내에서 자율적으로 작동하는 에이전트는 더 깊은 컨텍스트적 인식과 시간이 지남에 따라 행동, 시스템, 환경이 어떻게 연결되는지에 대한 더 강한 이해를 필요로 할 것이다.
그렇다면, 다음 주요 AI 개발 단계는 동적 실세계 환경을 모델링하는 시스템을 구축하는 것일 수 있다. 즉, 고립된 프롬프트에서 점점 더 복잡한 응답을 생성하는 것보다 지속적으로 모델링하는 것이다.
Finanțare
Graphon AI, $8.3 Milyon Dolarlık Yatırım ile “Zeka Katmanı” İçin Çıktı
AI altyapı şirketi Graphon AI, modern AI sistemlerinin karşılaştığı en büyük engellerden biri olan büyük modellerin devasa, parçalı çoklu ortam verisetleri üzerinde etkili bir şekilde akıl yürütme yeteneklerinin olmamasını çözmeye çalışırken, $8.3 milyon dolarlık tohum yatırımı ile gizlilikten çıktı.
Tur, Novera Ventures tarafından yönetildi ve Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures ve Aurum Partners tarafından destek edildi.
San Francisco merkezli şirket, Amazon, Meta, MIT, Google, Apple, NVIDIA ve NASA gibi organizasyonlardan eski araştırmacılar ve mühendisler tarafından kuruldu.
Graphon’un Çözmeye Çalıştığı Problem
Büyük dil modelleri son birkaç yılda dramatically daha yetenekli hale geldi, ancak vẫn temel bir sınırlamaya sahipler: bağlam pencereleri.
Şirketler, belgeler, veritabanları, güvenlik sistemleri, video akışları, günlükler, ses dosyaları ve dahili yazılım platformları gibi devasa miktarda bağlantısız veri ile karşı karşıya kalırken, hatta gelişmiş AI modelleri yalnızca sınırlı miktarda bilgiyi aynı anda işleyebilir.
Mevcut yaklaşımlar gibi Retrieval-Augmented Generation (RAG), modellere ilgili bilgileri alma konusunda yardımcı olur, ancak veri setleri arasındaki daha derin ilişkileri anlamakta veya zaman içinde sürekli bir anlayış sağlamakta zorlanırlar.
Graphon’un yaklaşımı, akıl yürütme sürecinin bir kısmını modelin kendisinden dışarı taşımaktır.
Temel bir modeli sürekli olarak ham şirket verilerini işlemek yerine, Graphon, model bunları işlemeden önce farklı bilgi türleri arasındaki ilişkileri haritalayan bir “öncül zeka katmanı” oluşturur.
Şirket, bu ilişkisel katmanın, geleneksel olarak ağ analizi ve büyük grafik sistemlerle ilgili olan grafon fonksiyonları kullanılarak inşa edildiğini söylüyor. Sistem, metin, video, ses, resimler, yapılandırılmış veritabanları, endüstriyel sistemler ve sensör ağları gibi çoklu ortam veri kaynakları arasındaki bağlantıları tanımlamak için tasarlanmıştır.
Şirketin iddiasına göre, bu, bir modelin bağlam penceresi sınırlamalarından bağımsız olarak çalışabilen kalıcı yapılandırılmış bir bellek formu oluşturur.
Daha Büyük Modellerden Uzaklaşma
Graphon’un lansmanı, AI endüstrisi genelinde发生 eden daha geniş bir değişimi yansıtıyor.
Yıllarca, AI’deki ilerleme büyük ölçüde modelleri ölçeklendirme, daha fazla parametre eklemek, daha fazla hesaplama ve daha büyük eğitim veri setleri eklemek yoluyla sağlandı. Ancak birçok araştırmacı ve altyapı şirketi, artık daha büyük temel modeller inşa etmek yerine, daha iyi bellek sistemleri, akıl yürütme mimarileri, alma katmanları ve veri organizasyonu yoluyla AI performansını geliştirmeye yönelik yollar araştırmaktadır.
Şirket, zekanın yalnızca modelin kendisinde değil, aynı zamanda şirket verilerine bağlanan altyapı katmanında da mevcut olması gerektiğini savunuyor.
Bu yaklaşım, şirketlerin AI sistemlerini, bilgilerin sürekli değiştiği ve aynı anda birden fazla sistemde yayıldığı ortamlara dağıttıkları medida arttıkça giderek daha önemli hale gelebilir.
Endüstriyel ortamlarda, örneğin, AI sistemleri, makine telemetri, güvenlik kamerası görüntüleri, operasyonel günlükler, bakım kayıtları ve şirket iş akışları gibi çeşitli veri kaynakları arasında akıl yürütmek zorunda kalabilir. Benzer zorluklar robotik, lojistik, sağlık ve şirket otomasyonu gibi sektörlerde de mevcuttur.
Erken Şirket Dağıtımları
Graphon, erken şirket müşterilerinin arasında Güney Kore konglomeratı GS Group’un da olduğunu söylüyor.
Şirketin iddiasına göre, dağıtımlar, perakende ortamlarında müşteri hareketlerini analiz etmeyi ve inşaat sitelerinde çoklu CCTV analizi yoluyla güvenlik izlemeyi iyileştirmeyi içeriyor.
Şirket, altyapısının ayrıca ajans iş akışlarını destekleyebileceğini, böylece AI ajanlarının daha zengin çoklu ortam bağlamına dayalı kararlar almasına olanak tanıyabileceğini söylüyor.
Diğer bir odak alanı, cihazda AI akıl yürütmesidir. Graphon, sisteminin akıllı telefonlardan, kameralardan, giyilebilir cihazlardan, akıllı gözlüklerden ve diğer bağlı cihazlardan üretilen veriyle çalışmak için tasarlandığını söylüyor.
İlişkisel AI Altyapısının Gelecekteki Sonuçları
Graphon’un ortaya çıkması, yapay zekada发生 eden daha geniş bir değişimi yansıtıyor: yalnızca modelleri ölçeklemenin endüstrinin en zorlu sorunlarını çözmediğinin giderek artan şekilde tanınması.
Şirketler AI’yi giderek daha karmaşık ortamlara dağıttıkça, zorluk, metin ve prompleri üretebilmekten, sürekli değişen sistemler, insanlar, cihazlar ve bilgi akışları arasındaki ilişkileri anlamaya doğru kayıyor.
Gelecek AI sistemleri, belgeler ve promplerin ötesinde çok daha fazlasını akıl yürütmek zorunda kalacak. Otonom fabrikalar, robotik sistemler, akıllı şehirler, giyilebilir cihazlar, endüstriyel sensörler, güvenlik altyapısı ve şirket yazılım ekosistemleri gibi sistemler, devasa miktarda bağlantılı çoklu ortam verisi üretiyor. Bu bilgilerin çoğu sürekli olarak var ve gerçek zamanlı olarak evrim geçiriyor.
Bu, bir modelin geçici bellek penceresinin ötesinde sürekli bağlamı koruyabilen yeni AI altyapıları için baskı oluşturuyor.
Sonuçlar, şirket verimlilik araçlarının ötesine geçebilir. İlişkisel bellek ve çoklu ortam anlayışına dayalı sistemler, robotik koordinasyon, endüstriyel otomasyon, dijital ikizler, otonom taşımacılık, sağlık teşhisi ve uyarlanabilir kenar hesaplama ortamları gibi alanlarda da rol oynayabilir.
Ajans AI’nin yükselişi bu ihtiyacı daha da hızlandırabilir. Şirket sistemleri içinde özerk olarak çalışan ajanlar, daha derin bağlamsal farkındalığa ve eylemler, sistemler ve ortamların zaman içinde nasıl bağlandığını daha dayanıklı bir şekilde anlamaya ihtiyaç duyacaklar.
Bu anlamda, AI gelişiminin bir sonraki büyük aşaması, makinelerin dinamik gerçek dünya ortamlarını daha sürekli bir şekilde modellemelerine yardımcı olan sistemler inşa etmek olabilir – yalnızca izole promplerden giderek daha sofistike yanıtlar üretmek yerine.
Finanțare
Graphon AI Emerges From Stealth With $8.3M to Build an “Intelligence Layer” for Enterprise AI
AI infrastructure startup Graphon AI has emerged from stealth with $8.3 million in seed funding as it attempts to tackle one of the biggest bottlenecks facing modern AI systems: the inability of large models to reason effectively across massive, fragmented multimodal datasets.
The round was led by Novera Ventures, with participation from Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures, and Aurum Partners.
The San Francisco-based company was founded by former researchers and engineers from organizations including Amazon, Meta, MIT, Google, Apple, NVIDIA, and NASA.
The Problem Graphon Is Trying to Solve
Large language models have grown dramatically more capable over the last several years, but they still face a fundamental limitation: context windows.
Even advanced AI models can only process a limited amount of information at one time. Enterprises, meanwhile, often sit on enormous quantities of disconnected data spread across documents, databases, surveillance systems, video feeds, logs, audio files, and internal software platforms.
Current approaches like Retrieval-Augmented Generation (RAG) help models retrieve relevant information, but they struggle to understand deeper relationships between datasets or maintain persistent understanding over time.
Graphon’s approach is to move part of the reasoning process outside the model itself.
Rather than forcing a foundation model to continuously ingest raw enterprise data, Graphon creates what it describes as a “pre-model intelligence layer” that maps relationships between different forms of information before the model processes them.
The company says this relational layer is built using graphon functions — a mathematical framework traditionally associated with network analysis and large graph systems. The system is designed to identify connections across multimodal data sources including text, video, audio, images, structured databases, industrial systems, and sensor networks.
According to the company, this creates a form of persistent structured memory that can operate independently of a model’s context window limitations.
A Shift Away From Bigger Models
Graphon’s launch reflects a broader shift happening across the AI industry.
For years, progress in AI has largely been driven by scaling models — adding more parameters, more compute, and larger training datasets. But many researchers and infrastructure startups are now exploring ways to improve AI performance through better memory systems, reasoning architectures, retrieval layers, and data organization instead of simply building larger foundation models.
The company argues that intelligence should not exist solely inside the model itself, but also in the infrastructure layer connecting models to enterprise data.
That approach could become increasingly important as businesses deploy AI systems into environments where information is constantly changing and spread across multiple systems simultaneously.
In industrial environments, for example, AI systems may need to reason across machine telemetry, security footage, operational logs, maintenance records, and enterprise workflows at the same time. Similar challenges exist in robotics, logistics, healthcare, and enterprise automation.
Early Enterprise Deployments
Graphon says early enterprise customers already include South Korean conglomerate GS Group.
According to the company, deployments have included analyzing customer movement inside retail environments and improving safety monitoring at construction sites through multimodal CCTV analysis.
The company also says its infrastructure can support agentic workflows, allowing AI agents to make decisions based on richer multimodal context rather than isolated prompts.
Another area of focus is on-device AI reasoning. Graphon says its system is designed to work with data generated from smartphones, cameras, wearables, smart glasses, and other connected devices.
The Future Implications of Relational AI Infrastructure
Graphon’s emergence reflects a broader shift underway in artificial intelligence: the growing recognition that scaling models alone may not solve many of the industry’s hardest problems.
As enterprises deploy AI into increasingly complex environments, the challenge is becoming less about generating text and more about understanding relationships between constantly changing systems, people, devices, and streams of information.
Future AI systems will likely need to reason across far more than documents and prompts. Autonomous factories, robotics systems, smart cities, wearable devices, industrial sensors, security infrastructure, and enterprise software ecosystems all generate massive amounts of interconnected multimodal data. Much of that information exists continuously and evolves in real time.
This is creating pressure for new forms of AI infrastructure capable of maintaining persistent context beyond a model’s temporary memory window.
The implications could extend well beyond enterprise productivity tools. Systems designed around relational memory and multimodal understanding may eventually play a role in areas such as robotics coordination, industrial automation, digital twins, autonomous transportation, healthcare diagnostics, and adaptive edge computing environments.
The rise of AI agents may accelerate this need even further. Agents operating autonomously inside enterprise systems will require deeper contextual awareness and a more durable understanding of how actions, systems, and environments connect over time.
In that sense, the next major phase of AI development may involve building systems that help machines model dynamic real-world environments more continuously — rather than simply generating increasingly sophisticated responses from isolated prompts.
Finanțare
Graphon AI выходит из режима скрытности с $8,3 млн для создания “интеллектуального слоя” для корпоративного ИИ
Стартап Graphon AI, занимающийся инфраструктурой ИИ, вышел из режима скрытности с $8,3 млн в качестве финансирования в рамках раунда семян в попытке решить одну из крупнейших проблем, с которыми сталкиваются современные системы ИИ: неспособность крупных моделей эффективно рассуждать на основе огромных, фрагментированных многомодальных наборов данных.
Раунд финансирования возглавила компания Novera Ventures, в котором также приняли участие Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures и Aurum Partners.
Компания Graphon, базирующаяся в Сан-Франциско, была основана бывшими исследователями и инженерами из организаций, включая Amazon, Meta, MIT, Google, Apple, NVIDIA и NASA.
Проблема, которую Graphon пытается решить
Большие языковые модели стали значительно более способными за последние несколько лет, но они все еще сталкиваются с фундаментальным ограничением: контекстными окнами.
Даже передовые модели ИИ могут обрабатывать только ограниченное количество информации одновременно. Корпорации, тем временем, часто располагают огромными количествами несвязанных данных, разбросанных по документам, базам данных, системам видеонаблюдения, видеопотокам, журналам, аудиофайлам и внутренним программным платформам.
Текущие подходы, такие как Retrieval-Augmented Generation (RAG), помогают моделям извлекать соответствующую информацию, но они испытывают трудности в понимании более глубоких отношений между наборами данных или поддержании постоянного понимания во времени.
Подход Graphon заключается в том, чтобы перенести часть процесса рассуждения вне самой модели.
Вместо того, чтобы заставлять фундаментальную модель постоянно потреблять сырые корпоративные данные, Graphon создает то, что она описывает как “предмодельный интеллектуальный слой”, который отображает отношения между различными формами информации до того, как модель их обрабатывает.
Компания утверждает, что этот реляционный слой построен с использованием графон-функций — математической основы, традиционно связанной с сетевым анализом и крупными графовыми системами. Система предназначена для выявления связей между многомодальными источниками данных, включая текст, видео, аудио, изображения, структурированные базы данных, промышленные системы и сенсорные сети.
Согласно компании, это создает форму постоянной структурированной памяти, которая может работать независимо от ограничений контекстного окна модели.
Сдвиг от более крупных моделей
Запуск Graphon отражает более широкий сдвиг, происходящий в индустрии ИИ.
В течение многих лет прогресс в ИИ в значительной степени определялся масштабированием моделей — добавлением большего количества параметров, вычислительных ресурсов и более крупных обучающих наборов данных. Однако многие исследователи и стартапы, занимающиеся инфраструктурой, сейчас исследуют способы улучшения производительности ИИ за счет лучших систем памяти, архитектур рассуждения, слоев извлечения и организации данных, а не просто построения более крупных фундаментальных моделей.
Компания утверждает, что интеллект не должен существовать только внутри самой модели, но и в инфраструктурном слое, соединяющем модели с корпоративными данными.
Такой подход может стать все более важным, поскольку бизнес развертывает системы ИИ в средах, где информация постоянно меняется и распространяется по нескольким системам одновременно.
В промышленных средах, например, системы ИИ могут потребовать рассуждения о машинной телеметрии, кадрах видеонаблюдения, операционных журналах, записях об обслуживании и корпоративных рабочих процессах в одно и то же время. Аналогичные проблемы существуют в робототехнике, логистике, здравоохранении и корпоративной автоматизации.
Ранние корпоративные развертывания
Graphon утверждает, что ранние корпоративные клиенты уже включают южнокорейский конгломерат GS Group.
Согласно компании, развертывания включали анализ движения клиентов внутри розничных сред и улучшение мониторинга безопасности на строительных площадках посредством многомодального анализа систем видеонаблюдения.
Компания также утверждает, что ее инфраструктура может поддерживать агентские рабочие процессы, позволяя ИИ-агентам принимать решения на основе более богатого многомодального контекста, а не изолированных запросов.
Другой областью внимания является рассуждение ИИ на устройстве. Graphon утверждает, что ее система предназначена для работы с данными, генерируемыми смартфонами, камерами, носимыми устройствами, умными очками и другими подключенными устройствами.
Будущие последствия реляционной инфраструктуры ИИ
Появление Graphon отражает более широкий сдвиг, происходящий в области искусственного интеллекта: растущее признание того, что масштабирование моделей само по себе может не решить многие из самых сложных проблем отрасли.
Когда корпорации развертывают ИИ в все более сложные среды, задача становится менее связанной с генерацией текста и более связанной с пониманием отношений между постоянно меняющимися системами, людьми, устройствами и потоками информации.
Будущие системы ИИ, вероятно, потребуют рассуждения о гораздо большем, чем документы и запросы. Автономные заводы, робототехнические системы, умные города, носимые устройства, промышленные датчики, системы безопасности, корпоративные программные экосистемы и другие генерируют огромные объемы взаимосвязанных многомодальных данных. Большая часть этой информации существует непрерывно и эволюционирует в реальном времени.
Это создает давление на новые формы инфраструктуры ИИ, способные поддерживать постоянный контекст за пределами временного окна памяти модели.
Последствия могут распространиться далеко за пределы корпоративных инструментов производительности. Системы, построенные на основе реляционной памяти и многомодального понимания, могут в конечном итоге сыграть роль в таких областях, как координация робототехники, промышленная автоматизация, цифровые двойники, автономный транспорт, диагностика здравоохранения и адаптивные вычисления на краю сети.
Рост агентных ИИ может еще больше ускорить эту потребность. Агенты, работающие автономно внутри корпоративных систем, будут требовать более глубокого контекстного понимания и более прочного понимания того, как действия, системы и среды связаны во времени.
В этом смысле следующая основная фаза развития ИИ может включать создание систем, которые помогают машинам моделировать динамические реальные среды более непрерывно — а не просто генерировать все более сложные ответы на изолированные запросы.
Finanțare
Graphon AI 从隐私状态中脱颖而出，获得 830 万美元资金，打造企业 AI 的“智能层”
AI 基础设施初创公司 Graphon AI 从隐私状态中脱颖而出，获得了 830 万美元的种子资金，这家公司试图解决现代 AI 系统面临的最大瓶颈之一：大型模型无法在海量、碎片化的多模态数据集上有效地推理。
本轮融资由 Novera Ventures 领投，Samsung Next、Hitachi Ventures、Perplexity Fund、GS Futures、Gaia Ventures、B37 Ventures 和 Aurum Partners 参投。
总部位于旧金山的 Graphon AI 由包括亚马逊、Meta、MIT、谷歌、苹果、NVIDIA 和 NASA 在内的组织的前研究人员和工程师创立。
Graphon 正试图解决的问题
大型语言模型在过去几年中变得更加强大，但它们仍然面临一个基本限制：上下文窗口。
即使是最先进的 AI 模型也只能处理有限数量的信息。与此同时，企业通常拥有大量的分散数据，分布在文档、数据库、监控系统、视频流、日志、音频文件和内部软件平台上。
当前的方法，如 检索增强生成（RAG），可以帮助模型检索相关信息，但它们难以理解数据集之间的更深层次关系或维持持久的理解。
Graphon 的方法是将推理过程的一部分移到模型本身之外。
Graphon 创建了一个“预模型智能层”，它在模型处理信息之前映射不同信息形式之间的关系，而不是强迫基础模型不断地摄取原始企业数据。
该公司表示，这个关系层是使用图论函数构建的，图论函数是一种传统上与网络分析和大图系统相关的数学框架。该系统旨在识别多模态数据源（包括文本、视频、音频、图像、结构化数据库、工业系统和传感器网络）之间的连接。
根据公司的说法，这创建了一种可以独立于模型上下文窗口限制运作的持久结构化内存。
从更大的模型转向更好的基础设施
Graphon 的推出反映了整个 AI 行业正在发生的更广泛转变。
多年来，AI 的进步在很大程度上是由模型的扩大驱动的，包括增加参数、计算和更大的训练数据集。但是，许多研究人员和基础设施初创公司现在正在探索通过更好的内存系统、推理架构、检索层和数据组织来改进 AI 性能，而不是简单地构建更大的基础模型。
该公司认为，智能不应该仅仅存在于模型本身，而应该存在于连接模型和企业数据的基础设施层中。
这种方法可能会变得越来越重要，因为企业将 AI 系统部署到信息不断变化和同时跨多个系统分布的环境中。
在工业环境中，例如，AI 系统可能需要在机器遥测、安全摄像头、操作日志、维护记录和企业工作流同时进行推理。类似的挑战存在于机器人技术、物流、医疗保健和企业自动化中。
早期企业部署
Graphon 表示，早期企业客户已经包括韩国综合企业 GS 集团。
根据公司的说法，部署包括分析零售环境中的客户移动和通过多模态 CCTV 分析提高建筑工地的安全监控。
该公司还表示，其基础设施可以支持代理工作流，允许 AI 代理根据更丰富的多模态上下文做出决策，而不是孤立的提示。
另一个重点领域是设备上的 AI 推理。Graphon 表示，其系统旨在与智能手机、相机、可穿戴设备、智能眼镜和其他连接设备生成的数据一起工作。
关系 AI 基础设施的未来影响
Graphon 的出现反映了人工智能领域正在发生的更广泛转变：认识到仅仅扩大模型可能无法解决许多最难的问题。
随着企业将 AI 部署到越来越复杂的环境中，挑战不再是生成文本，而是理解系统、人员、设备和信息流之间的关系。
未来的 AI 系统可能需要在远不止文档和提示的范围内进行推理。自主工厂、机器人系统、智能城市、可穿戴设备、工业传感器、安全基础设施和企业软件生态系统都会生成大量的相互连接的多模态数据。其中的大部分信息是连续的，并且实时演变。
这将对新型 AI 基础设施施加压力，要求其能够维持持久的上下文，超越模型的临时内存窗口。
这可能会对机器人协调、工业自动化、数字孪生、自主运输、医疗诊断和自适应边缘计算环境等领域产生影响。
AI 代理的崛起 可能会进一步加速这一需求。代理在企业系统中独立运行，需要更深入的上下文意识和对行动、系统和环境如何随时间相互连接的更持久的理解。
在这种意义上，AI 发展的下一个主要阶段可能涉及构建能够帮助机器更连续地模拟动态的现实世界环境的系统，而不是简单地从孤立的提示中生成越来越复杂的响应。
Finanțare
Graphon AI kommer ud af stealth-modus med 8,3 mio. dollars til at bygge et “intelligenslag” til virksomheds-AI
AI-infrastrukturstartuppen Graphon AI er kommet ud af stealth-modus med 8,3 mio. dollars i seed-finansiering, da de forsøger at løse en af de største flaskehalse for moderne AI-systemer: udygtigheden hos store modeller til at forstå effektivt på tværs af massive, fragmenterede multimodale datasæt.
Runden blev ledet af Novera Ventures, med deltagelse fra Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures og Aurum Partners.
Det San Francisco-baserede selskab blev grundlagt af tidligere forskere og ingeniører fra organisationer inklusive Amazon, Meta, MIT, Google, Apple, NVIDIA og NASA.
Problemet, som Graphon forsøger at løse
Store sprogmodeller er blevet dramatisk mere kapable over de seneste år, men de står stadig over for en grundlæggende begrænsning: kontekstvinduer.
Even de mest avancerede AI-modeller kan kun behandle en begrænset mængde information ad gangen. Virksomheder har derimod ofte enorme mængder af ikke-tilknyttede data spredt over dokumenter, databaser, overvågningsystemer, videostrømme, logfiler, lydfiler og interne softwareplatforme.
Nuværende tilgange som Retrieval-Augmented Generation (RAG) hjælper modeller med at hente relevant information, men de kæmper med at forstå dybere relationer mellem datasæt eller opretholde en varig forståelse over tid.
Graphons tilgang er at flytte en del af den tænkende proces uden for modellen selv.
I stedet for at tvinge en grundmodel til at indtage rå virksomhedsdata kontinuerligt, skaber Graphon, hvad de beskriver som et “pre-model intelligenslag”, der kortlægger relationer mellem forskellige former for information, før modellen behandler dem.
Selskabet siger, at dette relationelle lag er bygget ved hjælp af graphon-funktioner – en matematisk ramme traditionelt forbundet med netværksanalyse og store graf-systemer. Systemet er designet til at identificere forbindelser på tværs af multimodale datakilder, herunder tekst, video, lyd, billeder, strukturerede databaser, industrielle systemer og sensor-netværk.
Ifølge selskabet skaber dette en form for varig struktureret hukommelse, der kan fungere uafhængigt af en models kontekstvindu-begrænsninger.
En skift væk fra større modeller
Graphons lancering afspejler en bredere skift, der sker i hele AI-industrien.
I årevis har fremskridt i AI været drevet af skaleringsmodeller – tilføje flere parametre, mere beregning og større træningsdatasæt. Men mange forskere og infrastrukturstartups udforsker nu måder at forbedre AI-ydelse gennem bedre hukommelsessystemer, tænkende arkitekturer, hentningslag og dataorganisation i stedet for blot at bygge større grundmodeller.
Selskabet argumenterer for, at intelligens ikke kun skal eksistere inden for modellen selv, men også i infrastrukturlaget, der forbinder modeller med virksomhedsdata.
Denne tilgang kan blive stadig vigtigere, da virksomheder udruller AI-systemer i miljøer, hvor information konstant ændrer sig og er spredt over flere systemer samtidigt.
I industrielle miljøer kan AI-systemer f.eks. være nødt til at forstå på tværs af maskin-telemetri, sikkerhedsfilm, driftslogfiler, vedligeholdelsesoptegnelser og virksomhedsarbejdsgange på samme tid. Tilsvarende udfordringer findes i robotteknologi, logistik, sundhedsvesen og virksomhedsautomatisering.
Tidlige virksomhedsudrulninger
Graphon siger, at tidlige virksomhedskunder allerede inkluderer den sydkoreanske konglomerat GS Group.
Ifølge selskabet har udrulningerne inkluderet analyse af kundebewægelser inden for detailhandelsmiljøer og forbedring af sikkerheds-overvågning på byggepladser gennem multimodal CCTV-analyse.
Selskabet siger også, at deres infrastruktur kan understøtte agens-arbejdsgange, der giver AI-agenter mulighed for at træffe beslutninger baseret på en rigere multimodal kontekst i stedet for isolerede prompts.
Et andet fokusområde er AI-resonnering på enheder. Graphon siger, at deres system er designet til at fungere med data genereret fra smartphones, kameraer, wearables, smart glasses og andre forbundne enheder.
Fremtidens implikationer af relationel AI-infrastruktur
Graphons opdukken afspejler en bredere skift, der sker i kunstig intelligens: den voksende erkendelse af, at skaleringsmodeller alene måske ikke løser mange af industriens sværeste problemer.
Når virksomheder udruller AI i stadig mere komplekse miljøer, bliver udfordringen mindre om at generere tekst og mere om at forstå relationer mellem konstant skiftende systemer, mennesker, enheder og informationsstrømme.
Fremtidige AI-systemer vil sandsynligvis være nødt til at forstå langt mere end dokumenter og prompts. Autonome fabrikker, robot-systemer, smarte byer, wearables, industrielle sensorer, sikkerhedsinfrastruktur og virksomhedssoftware-økosystemer genererer alle enorme mængder af sammenhængende multimodal data. Meget af denne information findes kontinuerligt og udvikler sig i realtid.
Dette skaber pres for nye former for AI-infrastruktur, der kan opretholde en varig kontekst ud over en models midlertidige hukommelsesvindue.
Implikationerne kan strække sig langt ud over virksomhedsproduktivitetsværktøjer. Systemer designet omkring relationel hukommelse og multimodal forståelse kan måske en dag spille en rolle i områder som robotkoordination, industriautomatisering, digital tvilling, autonom transport, sundhedsdiagnostik og adaptiv edge-computing-miljøer.
Opkomsten af AI-agenter kan accelerere dette behov endnu mere. Agenter, der opererer autonomt inden for virksomhedssystemer, vil kræve en dybere kontekstuel bevidsthed og en mere varig forståelse af, hvordan handlinger, systemer og miljøer forbinder sig over tid.
I den forstand kan den næste store fase af AI-udvikling måske indebære at bygge systemer, der hjælper maskiner med at modellere dynamiske virkelige miljøer mere kontinuerligt – i stedet for blot at generere stadig mere avancerede svar fra isolerede prompts.
Finanțare
ग्राफोन एआई $8.3M के साथ स्टील्थ से बाहर निकलता है ताकि एंटरप्राइज एआई के लिए “इंटेलिजेंस लेयर” बनाया जा सके
एआई इन्फ्रास्ट्रक्चर स्टार्टअप ग्राफोन एआई ने $8.3 मिलियन के बीज फंडिंग के साथ स्टील्थ से बाहर निकलते हुए एक बड़े बोतलनेक को हल करने का प्रयास किया है जिसका सामना आधुनिक एआई सिस्टम करते हैं: बड़े मॉडलों की प्रभावी ढंग से विशाल, खंडित मल्टीमॉडल डेटासेट्स के पार कारण करने में असमर्थता।
इस दौर का नेतृत्व नोवेरा वेंचर्स ने किया, जिसमें सैमसंग नेक्स्ट, हिताची वेंचर्स, पर्प्लेक्सिटी फंड, जीएस फ्यूचर्स, गैया वेंचर्स, बी37 वेंचर्स, और ऑरम पार्टनर्स ने भाग लिया।
सैन फ्रांसिस्को स्थित कंपनी की स्थापना अमेज़ॅन, मेटा, एमआईटी, गूगल, एप्पल, एनवीडिया, और नासा जैसे संगठनों के पूर्व शोधकर्ताओं और इंजीनियरों द्वारा की गई थी।
ग्राफोन जिस समस्या का समाधान करने की कोशिश कर रहा है
बड़े भाषा मॉडल पिछले कई वर्षों में काफी अधिक क्षमतावान हो गए हैं, लेकिन उन्हें अभी भी एक मूलभूत सीमा का सामना करना पड़ता है: संदर्भ विंडोज।
यहां तक कि उन्नत एआई मॉडल केवल एक समय में सीमित मात्रा में जानकारी को संसाधित कर सकते हैं। दूसरी ओर, उद्यम अक्सर दस्तावेजों, डेटाबेस, निगरानी प्रणाली, वीडियो फीड, लॉग, ऑडियो फ़ाइलों, और आंतरिक सॉफ़्टवेयर प्लेटफ़ॉर्म पर फैले विशाल मात्रा में डिस्कनेक्टेड डेटा पर बैठते हैं।
वर्तमान दृष्टिकोण जैसे रिट्रीवल-ऑगमेंटेड जेनरेशन (आरएजी) मॉडल को प्रासंगिक जानकारी पुनर्प्राप्त करने में मदद करते हैं, लेकिन वे डेटासेट के बीच गहरे संबंधों को समझने या समय के साथ स्थायी समझ बनाए रखने में संघर्ष करते हैं।
ग्राफोन का दृष्टिकोण मॉडल के बाहर तर्क प्रक्रिया का एक हिस्सा ले जाने का है।
एक फाउंडेशन मॉडल को लगातार कच्चे उद्यम डेटा को निगलने के बजाय, ग्राफोन एक “प्री-मॉडल इंटेलिजेंस लेयर” बनाता है जो मॉडल उन्हें संसाधित करने से पहले विभिन्न प्रकार की जानकारी के बीच संबंधों को मैप करता है।
कंपनी का कहना है कि यह संबंधित परत ग्राफोन फ़ंक्शन का उपयोग करके बनाई गई है – एक गणितीय ढांचा जो पारंपरिक रूप से नेटवर्क विश्लेषण और बड़े ग्राफ़ प्रणालियों से जुड़ा हुआ है। प्रणाली को मल्टीमॉडल डेटा स्रोतों के बीच संबंधों की पहचान करने के लिए डिज़ाइन किया गया है, जिसमें पाठ, वीडियो, ऑडियो, छवियां, संरचित डेटाबेस, औद्योगिक प्रणाली, और सेंसर नेटवर्क शामिल हैं।
कंपनी के अनुसार, यह एक प्रकार की स्थायी संरचित मेमोरी बनाता है जो मॉडल के संदर्भ विंडो सीमाओं से स्वतंत्र रूप से कार्य कर सकता है।
बड़े मॉडल्स से दूर एक बदलाव
ग्राफोन के लॉन्च से एआई उद्योग में एक व्यापक बदलाव को दर्शाता है।
वर्षों से, एआई में प्रगति मुख्य रूप से मॉडल को स्केल करने से चली आ रही है – अधिक पैरामीटर, अधिक कंप्यूट, और बड़े प्रशिक्षण डेटासेट जोड़ना। लेकिन कई शोधकर्ता और इन्फ्रास्ट्रक्चर स्टार्टअप अब बेहतर मेमोरी सिस्टम, तर्क वास्तुकला, रिट्रीवल परतें, और डेटा संगठन के माध्यम से एआई प्रदर्शन में सुधार के तरीकों का अन्वेषण कर रहे हैं – केवल बड़े फाउंडेशन मॉडल बनाने के बजाय।
कंपनी का तर्क है कि बुद्धिमत्ता केवल मॉडल में ही नहीं होनी चाहिए, बल्कि एंटरप्राइज़ डेटा से मॉडल को जोड़ने वाली इन्फ्रास्ट्रक्चर परत में भी होनी चाहिए।
यह दृष्टिकोण तब और भी महत्वपूर्ण हो सकता है जब व्यवसाय एआई सिस्टम को ऐसे वातावरण में तैनात करते हैं जहां जानकारी लगातार बदलती रहती है और एक ही समय में कई प्रणालियों में फैली होती है।
उदाहरण के लिए, औद्योगिक वातावरण में, एआई सिस्टम को मशीन टेलीमेट्री, सुरक्षा फुटेज, ऑपरेशनल लॉग, रखरखाव रिकॉर्ड, और उद्यम कार्य प्रवाहों पर एक ही समय में तर्क करने की आवश्यकता हो सकती है। समान चुनौतियां रोबोटिक्स, लॉजिस्टिक्स, स्वास्थ्य सेवा, और उद्यम स्वचालन में मौजूद हैं।
प्रारंभिक उद्यम तैनाती
ग्राफोन का कहना है कि प्रारंभिक उद्यम ग्राहकों में दक्षिण कोरियाई समूह जीएस समूह शामिल हैं।
कंपनी के अनुसार, तैनाती में खुदरा वातावरण में ग्राहक आंदोलन का विश्लेषण और मल्टीमॉडल सीसीटीवी विश्लेषण के माध्यम से निर्माण स्थलों पर सुरक्षा निगरानी में सुधार शामिल है।
कंपनी का यह भी कहना है कि उसकी इन्फ्रास्ट्रक्चर एजेंटिक वर्कफ़्लो को सपोर्ट कर सकती है, जिससे एआई एजेंट अधिक समृद्ध मल्टीमॉडल संदर्भ के आधार पर निर्णय ले सकते हैं – अलग-अलग प्रॉम्प्ट्स के बजाय।
एक अन्य फोकस क्षेत्र डिवाइस पर एआई तर्क है। ग्राफोन का कहना है कि उसकी प्रणाली स्मार्टफ़ोन, कैमरे, वियरेबल्स, स्मार्ट ग्लासेस, और अन्य कनेक्टेड डिवाइसों से उत्पन्न डेटा के साथ काम करने के लिए डिज़ाइन की गई है।
संबंधित एआई इन्फ्रास्ट्रक्चर के भविष्य के निहितार्थ
ग्राफोन के उदय से एआई में एक व्यापक बदलाव को दर्शाता है: यह मान्यता बढ़ रही है कि केवल मॉडल को स्केल करने से उद्योग की सबसे कठिन समस्याओं का समाधान नहीं हो सकता है।
जैसे ही उद्यम एआई को जटिल वातावरण में तैनात करते हैं, चुनौती पाठ और प्रॉम्प्ट्स को उत्पन्न करने से अधिक हो जाती है और लगातार बदलते सिस्टम, लोगों, डिवाइसों, और जानकारी की धाराओं के बीच संबंधों को समझने के बारे में हो जाती है।
भविष्य के एआई सिस्टम को निश्चित रूप से दस्तावेजों और प्रॉम्प्ट्स से परे तर्क करने की आवश्यकता होगी। स्वायत्त कारखाने, रोबोटिक्स प्रणाली, स्मार्ट शहर, वियरेबल डिवाइस, औद्योगिक सेंसर, सुरक्षा बुनियादी ढांचे, और उद्यम सॉफ़्टवेयर पारिस्थितिकी तंत्र विशाल मात्रा में जुड़े हुए मल्टीमॉडल डेटा का उत्पादन करते हैं। इस जानकारी का अधिकांश भाग निरंतर और वास्तविक समय में विकसित होता है।
यह नए प्रकार के एआई इन्फ्रास्ट्रक्चर के लिए दबाव पैदा कर रहा है जो मॉडल की अस्थायी मेमोरी विंडो से परे स्थायी संदर्भ बनाए रख सकता है।
निहितार्थ एंटरप्राइज़ उत्पादकता टूल्स से परे तक फैल सकते हैं। संबंधित मेमोरी और मल्टीमॉडल समझ पर आधारित सिस्टम अंततः रोबोटिक्स समन्वय, औद्योगिक स्वचालन, डिजिटल ट्विन, स्वायत्त परिवहन, स्वास्थ्य सेवा निदान, और अनुकूली एज़ प्रोसेसिंग वातावरण जैसे क्षेत्रों में भूमिका निभा सकते हैं।
एआई एजेंटों का उदय इस आवश्यकता को और तेज कर सकता है। उद्यम प्रणालियों के भीतर स्वायत्त रूप से कार्य करने वाले एजेंटों को गहरे संदर्भ觉 और क्रियाओं, प्रणालियों, और वातावरणों के बीच कैसे जुड़ते हैं, इस बारे में अधिक टिकाऊ समझ की आवश्यकता होगी।
इस अर्थ में, एआई विकास का अगला प्रमुख चरण मशीनों को गतिशील वास्तविक दुनिया के वातावरण को अधिक निरंतर रूप से मॉडल करने में मदद करने वाले सिस्टम बनाने के बारे में हो सकता है – केवल अलग-अलग प्रॉम्प्ट्स से बढ़ती जटिल प्रतिक्रिया उत्पन्न करने के बजाय।
Finanțare
Graphon AI tulee salaisuudesta ulos 8,3 miljoonan dollarin rahoituksella ja rakentaa “älykerroksen” yritysten tekoälylle
Teckoäly-infrastruktuuriin erikoistunut startup-yritys Graphon AI tulee salaisuudesta ulos 8,3 miljoonan dollarin siemenerärahoituksella, kun se yrittää ratkaista yhtä suurimmista pullonkauloista, joiden kanssa modernit tekoälyjärjestelmät kamppailevat: suurten mallien kyvyttömyys järkeillä tehokkaasti valtavien, hajanaisien monimodaalisten tietojoukkien yli.
Rahoituskeräyksen johtajana toimi Novera Ventures, ja siihen osallistuivat myös Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures ja Aurum Partners.
San Francisco -pohjainen yritys perustettiin entisten tutkijoiden ja insinöörien toimesta organisaatioista kuten Amazon, Meta, MIT, Google, Apple, NVIDIA ja NASA.
Ongelma, jonka Graphon yrittää ratkaista
Suuret kielimallit ovat kasvaneet dramaattisesti kykyjensä suhteen viimeisten vuosien aikana, mutta niillä on edelleen perussääntöinen rajoitus: kontekstien ikkunat.
Even edistyneimmätkin tekoälymallit voivat prosessoida vain rajoitetun määrän tietoa kerran. Yritykset puolestaan istuvat usein valtavien määrien irrotettujen tietojen päällä, jotka on levitetty asiakirjojen, tietokantojen, valvontajärjestelmien, videovirtojen, lokien, äänitiedostojen ja sisäisten ohjelmistojärjestelmien yli.
Nykyiset lähestymistavat kuten Retrieval-Augmented Generation (RAG) auttavat malleja hakemaan relevanttia tietoa, mutta ne kamppailevat syvempien suhteiden ymmärtämisessä eri tietojoukkien välillä tai pysyvän ymmärryksen ylläpitämisessä ajan myötä.
Graphonin lähestymistapa on siirtää osa päättelyprosessista ulos mallista itsessään.
Sen sijaan, että perusmalli joutuisi jatkuvasti nielemään raakaa yritysten tietoa, Graphon luo, mitä se kutsuu “esimallin älykerroksiksi”, joka kartoittaa suhteita eri tietomuotojen välillä ennen kuin malli prosessoi ne.
Yritys sanoo, että tämä relaatiokerros on rakennettu käyttäen graphon-funktioita — matemaattista kehikkoa, joka on perinteisesti liitetty verkkoyhteyksiin ja suuriin verkkorakenteisiin. Järjestelmä on suunniteltu tunnistamaan yhteydet monimodaalisten tietolähteiden välillä, mukaan lukien teksti, video, ääni, kuvat, rakenteelliset tietokannat, teollisuusjärjestelmät ja anturiverkkorakenteet.
Yrityksen mukaan tämä luo muodon pysyvää rakenteista muistia, joka voi toimia itsenäisesti mallin kontekstien ikkunan rajoitusten ulottumattomissa.
Siirtyminen pois suuremmista malleista
Graphonin lanseeraus heijastaa laajempaa muutosta, joka tapahtuu tekoälyteollisuudessa.
Vuosien ajan tekoälyn edistysaskelissa on suurelta osin johtunut mallien skaalaamisesta — lisäämällä enemmän parametreja, laskentakapasiteettia ja suurempia koulutusjoukkoja. Mutta monet tutkijat ja infrastruktuuristartupit tutkivat nyt keinoja parantaa tekoälyn suorituskykyä paremmin muistijärjestelmien, päättelyarkkitehtuureiden, hakukerrosten ja tietojen järjestämisen kautta, sen sijaan, että rakentaisivat vain suurempia perusmalleja.
Yritys väittää, että älykkyyden ei pitäisi olla ainoastaan mallin itsessään, vaan myös infrastruktuurikerroksessa, joka yhdistää mallit yritysten tietoihin.
Tämä lähestymistapa voi tulla yhä tärkeämmäksi, kun yritykset käyttävät tekoälyjärjestelmiä ympäristöissä, joissa tieto on jatkuvasti muuttuvaa ja levittyy useiden järjestelmien yli samanaikaisesti.
Teollisuusympäristössä esimerkiksi tekoälyjärjestelmät saattavat joutua päättelyyn koneiden telemetrian, turvallisuuskameroiden, toimintalokien, huolto-ohjeiden ja yritysten työnkulun yli samanaikaisesti. Samankaltaisia haasteita on myös robottiikassa, logistiikassa, terveydenhuollossa ja yritysautomaatiossa.
Varhaiset yrityslaitteiden käyttöönotot
Graphon sanoo, että varhaisiin yritysasiakkaisiin kuuluu jo eteläkorealainen konglomeraatti GS Group.
Yrityksen mukaan käyttöönotot ovat sisältäneet asiakkaiden liikkeen analyysin myymäläympäristöissä ja turvallisuuden valvonnan parantamisen rakennustyömailla multimodaalisen CCTV-analyysin kautta.
Yritys sanoo myös, että sen infrastruktuuri tukee agenteille työnkulkuja, jolloin tekoälyagentit voivat tehdä päätöksiä rikkaamman monimodaalisen kontekstin perusteella, sen sijaan, että perustuisivat erillisiin ärsykkeisiin.
Toinen keskittyminen on laitteiston tekoälypäättelyssä. Graphon sanoo, että sen järjestelmä on suunniteltu toimimaan tietojen kanssa, jotka on luotu älypuhelimista, kameroista, aktiivisuusrannekoruista, älylasista ja muista kytketyistä laitteista.
Relaatiotekoäly-infrastruktuurin tulevaisuuden vaikutukset
Graphonin ilmestyminen heijastaa laajempaa muutosta, joka on meneillään tekoälyssä: ymmärryksen kasvu siitä, että mallien skaalaaminen yksinään ei ratkaise monia teollisuuden vaikeimmista ongelmista.
Kun yritykset käyttävät tekoälyä yhä monimutkaisemmissa ympäristöissä, haaste muuttuu vähemmän tekstin generoimisesta ja enemmän suhteiden ymmärtämisestä jatkuvasti muuttuvien järjestelmien, ihmisten, laitteiden ja tietovirtojen välillä.
Tulevaisuuden tekoälyjärjestelmien on todennäköisesti kyettävä päättelyyn paljon enemmän kuin asiakirjojen ja ärsykkeiden yli. Automaattiset tehtaat, robottiikka, älykaupungit, älylaitteet, teollisuuden anturit, turvallisuusinfrastruktuuri ja yritysten ohjelmistojärjestelmät kaikki tuottavat valtavat määrät toisiinsa liittyvää monimodaalista tietoa. Suurin osa tästä tiedosta on olemassa jatkuvasti ja kehittyy reaaliajassa.
Tämä luo painetta uusille tekoälyinfrastruktuureille, jotka pystyvät ylläpitämään pysyvää kontekstia mallin tilapäisen muistin ikkunan ulottumattomissa.
Vaikutukset voivat ulottua paljon yritysten tuottavuustyökalujen ulkopuolelle. Järjestelmät, jotka on suunniteltu relaatiomuistin ja monimodaalisen ymmärryksen ympärille, voivat lopulta toimia alueilla kuten robottiikka, teollisuuden automaatio, digitaaliset kaksoiskappaleet, autonomiset kuljetusvälineet, terveydenhuollon diagnostiikka ja sopeutuvat reunan laskentaympäristöt.
Teekoälyagenttien nousu voi kiihdyttää tätä tarvetta vielä enemmän. Agentit, jotka toimivat itsenäisesti yritysten järjestelmissä, vaativat syvempää kontekstuaalista tietoisuutta ja kestävämpää ymmärrystä siitä, miten toimet, järjestelmät ja ympäristöt liittyvät toisiinsa ajan myötä.
Siinä mielessä seuraava suuri vaihe tekoälyn kehityksessä voi vaatia järjestelmien rakentamista, jotka auttavat koneita mallintamaan dynaamisia, maailmanlaajuisia ympäristöjä jatkuvammin — sen sijaan, että ne vain generoivat yhä monimutkaisempia vastauksia erillisten ärsykkeiden perusteella.
Finanțare
Rozwijanie Graphon AI 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 rozumienia ogromnych, rozproszonych multimodalnych zbiorów 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, Meta, MIT, Google, Apple, NVIDIA i NASA.
Problem, który Graphon próbuje rozwiązać
Duże modele językowe znacznie wzrosły 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 mają ogromne ilości rozproszonych danych, rozproszonych w dokumentach, bazach danych, systemach nadzoru, 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 do ciągłego spożycia surowych danych przedsiębiorstwa, Graphon tworzy tzw. „przed-modelem 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, audio, 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 postępy w AI były w dużej mierze napędzane przez skalowanie modeli — dodawanie większej liczby parametrów, większej liczby obliczeń i większych zbiorów danych szkoleniowych. Jednak wiele badaczy i startupów infrastruktury AI bada obecnie sposoby poprawy 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 również w warstwie infrastruktury łączącej modele z danymi przedsiębiorstwa.
Podejście to może stać się coraz ważniejsze, gdy przedsiębiorstwa wdrożą 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 w różnych obszarach, takich jak telemetryczne dane maszyn, nagrania z monitoringu, logi operacyjne, rekordy konserwacji i przepływy pracy przedsiębiorstwa, wszystko jednocześnie. 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 handlowych i poprawę monitorowania bezpieczeństwa na placach budowy za pomocą analizy multimodalnego monitoringu CCTV.
Firma twierdzi również, że jej infrastruktura może wspierać agenty workflow, umożliwiając agentom AI podejmowanie decyzji na podstawie bogatszego, multimodalnego kontekstu, a nie izolowanych sygnałów.
Inną dziedziną zainteresowania jest AI na urządzeniach. 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 sam skalowanie modeli może nie rozwiązać wielu z najtrudniejszych problemów branży.
Podczas wdrażania AI w coraz bardziej złożonych środowiskach, wyzwanie staje się coraz mniej związane z generowaniem tekstu, a coraz bardziej zrozumieniem relacji między ciągle 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 ekosystemy oprogramowania przedsiębiorstw generują ogromne ilości połączonych, multimodalnych danych. Większość z tych informacji istnieje ciągle 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 zdrowia i adaptacyjne środowiska obliczeniowe.
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, środowiskowe środowiska w sposób ciągły — zamiast generowania coraz bardziej zaawansowanych odpowiedzi z izolowanych sygnałów.
Finanțare
Graphon AI ออกมาจากความลับด้วยเงิน 8.3 ล้านดอลลาร์ เพื่อสร้าง “ชั้นความฉลาด” สำหรับ AI ขององค์กร
Graphon AI ซึ่งเป็นสตาร์ทอัพด้านโครงสร้างพื้นฐาน AI ได้ออกมาจากความลับด้วยเงิน 8.3 ล้านดอลลาร์ในการระดมทุนรอบแรก โดยมีเป้าหมายที่จะแก้ไขปัญหาที่ใหญ่ที่สุดของระบบ AI ในปัจจุบัน ซึ่งก็คือความไม่สามารถของโมเดลขนาดใหญ่ในการให้เหตุผลอย่างมีประสิทธิภาพข้ามชุดข้อมูลที่มีขนาดใหญ่และกระจัดกระจาย
รอบการระดมทุนนี้ได้รับการนำโดย Novera Ventures โดยมีการเข้าร่วมจาก Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures และ Aurum Partners
บริษัทที่ตั้งอยู่ในซานฟรานซิสโกได้รับการก่อตั้งโดยนักวิจัยและวิศวกรที่เคยทำงานในองค์กรต่างๆ เช่น Amazon, Meta, MIT, Google, Apple, NVIDIA และ NASA
ปัญหาที่ Graphon พยายามแก้ไข
โมเดลภาษาขนาดใหญ่ได้พัฒนามาเป็นอย่างมากในช่วงหลายปีที่ผ่านมา แต่ยังคงเผชิญกับข้อจำกัดพื้นฐาน ซึ่งก็คือหน้าต่างบริบท
แม้แต่โมเดล AI ที่มีความสามารถสูงก็สามารถประมวลผลข้อมูลได้เพียงจำนวนจำกัดในเวลาเดียวกัน ในขณะที่องค์กรมักจะมีข้อมูลจำนวนมากที่ไม่เชื่อมต่อกันซึ่งกระจายอยู่ทั่วเอกสาร ฐานข้อมูล ระบบการ giám sát วิดีโอ ฟีด ออดิโอไฟล์ และแพลตฟอร์มซอฟต์แวร์ภายใน
แนวทางปัจจุบัน เช่น การสร้างแบบจำลองที่มีการดึงข้อมูล (Retrieval-Augmented Generation) ช่วยให้โมเดลสามารถดึงข้อมูลที่เกี่ยวข้องได้ แต่ก็ยังคงเผชิญกับความยากลำบากในการเข้าใจความสัมพันธ์ที่ลึกซึ้งระหว่างชุดข้อมูลหรือการรักษาความเข้าใจที่ยั่งยืนในช่วงเวลา
แนวทางของ Graphon คือการย้ายกระบวนการให้เหตุผลบางส่วนออกจากโมเดลเอง
แทนที่จะบังคับให้โมเดลฐานต้องดูดข้อมูลดิบขององค์กรอย่างต่อเนื่อง Graphon จะสร้าง “ชั้นความฉลาดก่อนโมเดล” ที่สร้างความสัมพันธ์ระหว่างรูปแบบข้อมูลที่แตกต่างกันก่อนที่โมเดลจะประมวลผล
บริษัทระบุว่าชั้นความสัมพันธ์นี้ถูกสร้างขึ้นโดยใช้ฟังก์ชัน Graphon ซึ่งเป็นกรอบทางคณิตศาสตร์ที่เกี่ยวข้องกับการวิเคราะห์เครือข่ายและระบบกราฟขนาดใหญ่ ระบบนี้ได้รับการออกแบบมาเพื่อระบุการเชื่อมต่อระหว่างแหล่งข้อมูลหลายรูปแบบ รวมถึงข้อความ วิดีโอ ออดิโอ รูปภาพ ฐานข้อมูลที่มีโครงสร้าง ระบบอุตสาหกรรม และเครือข่ายเซ็นเซอร์
ตามที่บริษัทระบุ สิ่งนี้จะสร้างหน่วยความจำที่มีโครงสร้างและยั่งยืนซึ่งสามารถทำงานได้อย่างอิสระจากข้อจำกัดของหน้าต่างบริบทของโมเดล
การเปลี่ยนแปลงจากโมเดลที่ใหญ่ขึ้น
การเปิดตัวของ Graphon สะท้อนถึงการเปลี่ยนแปลงที่กว้างขึ้นในอุตสาหกรรม AI
ในช่วงหลายปีที่ผ่านมา ความก้าวหน้าใน AI ส่วนใหญ่ได้รับแรงผลักดันจากการปรับขนาดโมเดล โดยการเพิ่มพารามิเตอร์ การคำนวณ และชุดข้อมูลการฝึกที่ใหญ่ขึ้น แต่นักวิจัยและสตาร์ทอัพโครงสร้างพื้นฐานหลายรายกำลังสำรวจวิธีการปรับปรุงประสิทธิภาพ AI ผ่านระบบหน่วยความจำที่ดีขึ้น โครงสร้างการให้เหตุผล ชั้นการดึงข้อมูล และการจัดระเบียบข้อมูลแทนการสร้างโมเดลฐานที่ใหญ่ขึ้น
บริษัทแย้งว่าความฉลาดไม่ควรอยู่เพียงในโมเดลเอง แต่ยังอยู่ในชั้นโครงสร้างพื้นฐานที่เชื่อมต่อโมเดลกับข้อมูลขององค์กรด้วย
แนวทางนี้อาจมีความสำคัญมากขึ้นเมื่อธุรกิจต่างๆ ติดตั้งระบบ AI ในสภาพแวดล้อมที่ข้อมูลเปลี่ยนแปลงอย่างต่อเนื่องและกระจายอยู่ทั่วหลายระบบในเวลาเดียวกัน
ใน môi trườngอุตสาหกรรม ตัวอย่างเช่น ระบบ AI อาจต้องให้เหตุผลข้ามข้อมูลจากเครื่องจักร การ giám sátความปลอดภัย บันทึกการดำเนินงาน บันทึกการบำรุงรักษา และกระบวนการทำงานขององค์กรในเวลาเดียวกัน ความท้าทายที่คล้ายกันเกิดขึ้นในด้านหุ่นยนต์ การขนส่ง สุขภาพ และการ自动化ขององค์กร
การนำไปใช้ในองค์กรในช่วงแรก
Graphon ระบุว่าลูกค้าองค์กรในช่วงแรกแล้วรวมถึง GS Group จากเกาหลีใต้
ตามที่บริษัทระบุ การนำไปใช้ได้แก่ การวิเคราะห์การเคลื่อนไหวของลูกค้าภายในสภาพแวดล้อมค้าปลีกและการปรับปรุงการ giám sátความปลอดภัยในสถานที่ก่อสร้างผ่านการวิเคราะห์ CCTV แบบหลายรูปแบบ
บริษัทยังระบุด้วยว่าโครงสร้างพื้นฐานของตนสามารถรองรับกระบวนการทำงานของตัวแทน AI ที่สามารถตัดสินใจโดยอาศัยบริบทที่มีข้อมูลหลายรูปแบบมากกว่าคำสั่งเดี่ยว
พื้นที่อื่นที่มุ่งเน้นคือการให้เหตุผล AI บนอุปกรณ์ Graphon ระบุว่าระบบของตนได้รับการออกแบบมาเพื่อทำงานกับข้อมูลที่สร้างขึ้นจากสมาร์ทโฟน กล้อง อุปกรณ์สวมใส่ กลาสส์สมาร์ท และอุปกรณ์เชื่อมต่ออื่นๆ
ผลกระทบในอนาคตของโครงสร้างพื้นฐาน AI ที่เกี่ยวข้อง
การเปิดตัวของ Graphon สะท้อนถึงการเปลี่ยนแปลงที่กว้างขึ้นใน AI ซึ่งก็คือการยอมรับว่าการปรับขนาดโมเดลเพียงอย่างเดียวอาจไม่แก้ไขปัญหาที่ยากที่สุดของอุตสาหกรรม
เมื่อองค์กรต่างๆ นำ AI ไปใช้ในสภาพแวดล้อมที่ซับซ้อนมากขึ้น ความท้าทายจะกลายเป็นเรื่องของการให้เหตุผลข้ามระบบที่เปลี่ยนแปลงอย่างต่อเนื่อง มากกว่าการสร้างข้อความ
ระบบ AI ในอนาคตอาจต้องให้เหตุผลข้ามมากกว่าเอกสารและคำสั่ง โรงงานอัตโนมัติ ระบบหุ่นยนต์ เมืองอัจฉริยะ อุปกรณ์สวมใส่ เซ็นเซอร์อุตสาหกรรม โครงสร้างพื้นฐานความปลอดภัย และระบบซอฟต์แวร์ขององค์กรสร้างข้อมูลที่เชื่อมต่อกันอย่างมาก ส่วนใหญ่ของข้อมูลนี้มีอยู่อย่างต่อเนื่องและพัฒนาในเวลาจริง
สิ่งนี้สร้างความกดดันให้กับโครงสร้างพื้นฐาน AI ใหม่ที่สามารถรักษาความเข้าใจที่ยั่งยืนได้นอกเหนือจากหน้าต่างหน่วยความจำชั่วคราวของโมเดล
ผลกระทบอาจขยายไปไกลกว่าเครื่องมือผลิตภาพขององค์กร ระบบที่ออกแบบโดยอาศัยความเข้าใจที่เกี่ยวข้องและความเข้าใจหลายรูปแบบอาจมีบทบาทในด้านต่างๆ เช่น การประสานงานหุ่นยนต์ การ 자동化อุตสาหกรรม ตัวจำลองดิจิทัล การขนส่งอัตโนมัติ การวินิจฉัยสุขภาพ และสภาพแวดล้อมการประมวลผลขอบ
การเพิ่มขึ้นของ AI ตัวแทนอาจเร่งความต้องการนี้มากขึ้น ตัวแทน AI ที่ทำงานอิสระภายในระบบขององค์กรต้องการความตระหนักรู้ทางบริบทและความเข้าใจที่ยั่งยืนเกี่ยวกับวิธีที่การกระทำ ระบบ และสภาพแวดล้อมเชื่อมต่อกันในช่วงเวลา
ในแง่นั้น การพัฒนาระบบ AI ในระยะถัดไปอาจเกี่ยวข้องกับการสร้างระบบที่ช่วยให้เครื่องจักรสร้างแบบจำลองสภาพแวดล้อมโลกแห่งความเป็นจริงที่มีการเปลี่ยนแปลงอย่างต่อเนื่อง — มากกว่าการสร้างคำตอบที่ซับซ้อนที่เพิ่มขึ้นจากคำสั่งเดี่ยว
Finanțare
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 su enormi dataset 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 come Amazon, Meta, MIT, Google, Apple, NVIDIA e NASA.
Il problema che Graphon sta cercando di risolvere
I grandi modelli linguistici sono diventati drasticamente più capaci negli ultimi anni, ma affrontano ancora una limitazione fondamentale: le finestre di contesto.
Anche i modelli AI più avanzati possono elaborare solo una quantità limitata di informazioni alla volta. Le aziende, nel frattempo, spesso possiedono enormi quantità di dati non connessi sparsi tra documenti, database, sistemi di sorveglianza, flussi video, log, file audio e piattaforme software interne.
Le attuali approcci come Retrieval-Augmented Generation (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 è quello di spostare parte del processo di ragionamento al di fuori del modello stesso.
Invece di forzare un modello di base a inghiottire continuamente dati grezzi aziendali, Graphon crea ciò che descrive come un “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 framework 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 allontanamento 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 dalla scalabilità dei modelli – aggiungendo più parametri, più calcoli e set di dati di training più grandi. Tuttavia, molti ricercatori e startup di infrastrutture stanno ora esplorando modi per migliorare le prestazioni dell’AI attraverso migliori sistemi di memoria, 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 su più sistemi contemporaneamente.
In ambienti industriali, ad esempio, i sistemi AI possono aver bisogno di ragionare su telemetria di macchine, filmati di sicurezza, log operativi, registri di manutenzione e flussi di lavoro aziendali allo stesso tempo. Sfide simili esistono nella robotica, nella logistica, nella sanità e nell’automazione aziendale.
Prime distribuzioni aziendali
Graphon afferma che i primi clienti aziendali includono già il conglomerato sudcoreano GS Group.
Secondo la società, le distribuzioni hanno incluso l’analisi del movimento dei clienti all’interno di ambienti di vendita al dettaglio e il miglioramento della sorveglianza della sicurezza nei cantieri di costruzione attraverso l’analisi multimodale di sistemi di videosorveglianza.
La società afferma inoltre che la sua infrastruttura può supportare flussi di lavoro agentic, 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 sulla 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.
Man mano che 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 futuri sistemi AI avranno probabilmente bisogno di ragionare su molto più dei documenti e delle richieste. Fabbriche autonome, sistemi di robotica, città intelligenti, dispositivi indossabili, sensori industriali, infrastrutture di sicurezza e ecosistemi di software aziendali generano enormi quantità di dati multimodali interconnessi. Molta di questa informazione esiste in modo continuo e si evolve in tempo reale.
Questo sta creando pressione per nuove forme di infrastrutture 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. I sistemi progettati intorno alla memoria relazionale e alla comprensione multimodale potrebbero eventualmente 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 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 dello 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 semplicemente generare risposte sempre più sofisticate da prompt isolati.
Finanțare
Công ty Graphon AI xuất hiện với 8,3 triệu đô la để xây dựng “lớp thông minh” cho trí tuệ nhân tạo doanh nghiệp
Công ty khởi nghiệp về cơ sở hạ tầng trí tuệ nhân tạo Graphon AI đã xuất hiện từ chế độ ẩn với 8,3 triệu đô la tiền vốn hạt giống khi họ cố gắng giải quyết một trong những nút thắt lớn nhất mà các hệ thống trí tuệ nhân tạo hiện đại đang phải đối mặt: sự không thể của các mô hình lớn để lý luận hiệu quả trên các tập dữ liệu đa phương thức khổng lồ và phân mảnh.
Vòng vốn này được dẫn đầu bởi Novera Ventures, với sự tham gia của Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures, và Aurum Partners.
Công ty có trụ sở tại San Francisco này được thành lập bởi các nhà nghiên cứu và kỹ sư cũ từ các tổ chức bao gồm Amazon, Meta, MIT, Google, Apple, NVIDIA và NASA.
Vấn đề mà Graphon đang cố gắng giải quyết
Các mô hình ngôn ngữ lớn đã trở nên mạnh mẽ hơn rất nhiều trong những năm gần đây, nhưng chúng vẫn phải đối mặt với một hạn chế cơ bản: cửa sổ ngữ cảnh.
Ngay cả các mô hình trí tuệ nhân tạo tiên tiến cũng chỉ có thể xử lý một lượng thông tin hạn chế tại một thời điểm. Trong khi đó, các doanh nghiệp thường có lượng dữ liệu khổng lồ và không kết nối nằm rải rác trên các tài liệu, cơ sở dữ liệu, hệ thống giám sát, luồng video, nhật ký, tệp âm thanh và nền tảng phần mềm nội bộ.
Các phương pháp hiện tại như Retrieval-Augmented Generation (RAG) giúp các mô hình thu thập thông tin liên quan, nhưng chúng gặp khó khăn trong việc hiểu mối quan hệ sâu sắc hơn giữa các tập dữ liệu hoặc duy trì sự hiểu biết liên tục theo thời gian.
Phương pháp của Graphon là di chuyển một phần của quá trình lý luận ra ngoài mô hình chính.
Thay vì buộc một mô hình nền tảng phải liên tục tiêu thụ dữ liệu thô của doanh nghiệp, Graphon tạo ra cái mà họ mô tả là một “lớp thông minh trước mô hình” mà ánh xạ mối quan hệ giữa các hình thức thông tin khác nhau trước khi mô hình xử lý chúng.
Công ty cho biết rằng lớp thông minh này được xây dựng bằng cách sử dụng các hàm graphon – một khuôn khổ toán học truyền thống liên quan đến phân tích mạng và hệ thống đồ thị lớn. Hệ thống này được thiết kế để xác định các kết nối trên các nguồn dữ liệu đa phương thức bao gồm văn bản, video, âm thanh, hình ảnh, cơ sở dữ liệu cấu trúc, hệ thống công nghiệp và mạng cảm biến.
Theo công ty, điều này tạo ra một dạng bộ nhớ cấu trúc vĩnh cửu có thể hoạt động độc lập với hạn chế cửa sổ ngữ cảnh của mô hình.
Sự chuyển dịch khỏi các mô hình lớn hơn
Sự ra mắt của Graphon phản ánh một sự thay đổi rộng lớn hơn đang diễn ra trong ngành công nghiệp trí tuệ nhân tạo.
Trong nhiều năm, tiến bộ trong trí tuệ nhân tạo chủ yếu được thúc đẩy bởi việc mở rộng mô hình – thêm nhiều tham số, tính toán và tập dữ liệu đào tạo lớn hơn. Nhưng nhiều nhà nghiên cứu và các công ty khởi nghiệp về cơ sở hạ tầng hiện đang khám phá các cách để cải thiện hiệu suất trí tuệ nhân tạo thông qua các hệ thống bộ nhớ tốt hơn, kiến trúc lý luận, lớp thu thập và tổ chức dữ liệu thay vì chỉ xây dựng các mô hình nền tảng lớn hơn.
Công ty cho rằng trí tuệ không nên tồn tại chỉ trong mô hình chính, mà cũng trong lớp cơ sở hạ tầng kết nối mô hình với dữ liệu doanh nghiệp.
Phương pháp này có thể trở nên quan trọng hơn khi các doanh nghiệp triển khai hệ thống trí tuệ nhân tạo vào các môi trường mà thông tin luôn thay đổi và nằm rải rác trên nhiều hệ thống cùng một lúc.
Trong các môi trường công nghiệp, ví dụ, các hệ thống trí tuệ nhân tạo có thể cần lý luận trên telemetry máy, cảnh quay an ninh, nhật ký hoạt động, hồ sơ bảo trì và quy trình làm việc doanh nghiệp cùng một lúc. Các thách thức tương tự tồn tại trong lĩnh vực robot, hậu cần, chăm sóc sức khỏe và tự động hóa doanh nghiệp.
Triển khai doanh nghiệp sớm
Graphon cho biết rằng các khách hàng doanh nghiệp sớm đã bao gồm tập đoàn Hàn Quốc GS Group.
Theo công ty, các triển khai đã bao gồm phân tích chuyển động của khách hàng trong các môi trường bán lẻ và cải thiện giám sát an toàn tại các công trường xây dựng thông qua phân tích CCTV đa phương thức.
Công ty cũng cho biết rằng cơ sở hạ tầng của họ có thể hỗ trợ các quy trình làm việc của đại lý, cho phép các đại lý trí tuệ nhân tạo đưa ra quyết định dựa trên ngữ cảnh đa phương thức phong phú hơn thay vì chỉ dựa trên các lời nhắc cô lập.
Một lĩnh vực tập trung khác là lý luận trí tuệ nhân tạo trên thiết bị. Graphon cho biết rằng hệ thống của họ được thiết kế để làm việc với dữ liệu được tạo ra từ điện thoại thông minh, máy ảnh, thiết bị đeo, kính thông minh và các thiết bị kết nối khác.
Tác động tương lai của cơ sở hạ tầng trí tuệ nhân tạo liên quan
Sự xuất hiện của Graphon phản ánh một sự thay đổi rộng lớn hơn đang diễn ra trong trí tuệ nhân tạo: sự nhận thức ngày càng tăng rằng việc mở rộng mô hình alone có thể không giải quyết được nhiều vấn đề khó khăn nhất của ngành.
Khi các doanh nghiệp triển khai trí tuệ nhân tạo vào các môi trường ngày càng phức tạp, thách thức đang trở nên ít hơn về việc tạo ra văn bản và nhiều hơn về việc hiểu mối quan hệ giữa các hệ thống, người, thiết bị và luồng thông tin luôn thay đổi.
Các hệ thống trí tuệ nhân tạo trong tương lai có thể cần lý luận trên nhiều hơn chỉ là tài liệu và lời nhắc. Các nhà máy tự động, hệ thống robot, thành phố thông minh, thiết bị đeo, cảm biến công nghiệp, cơ sở hạ tầng an ninh và hệ thống phần mềm doanh nghiệp đều tạo ra lượng lớn dữ liệu đa phương thức liên kết. Phần lớn thông tin này tồn tại liên tục và phát triển theo thời gian thực.
Điều này đang tạo ra áp lực cho các hình thức cơ sở hạ tầng trí tuệ nhân tạo mới có khả năng duy trì ngữ cảnh vĩnh cửu vượt ra ngoài cửa sổ bộ nhớ tạm thời của mô hình.
Tác động có thể mở rộng ra ngoài các công cụ sản xuất doanh nghiệp. Các hệ thống được thiết kế xung quanh bộ nhớ liên quan và sự hiểu biết đa phương thức có thể cuối cùng đóng vai trò trong các lĩnh vực như điều phối robot, tự động hóa công nghiệp, bản sao số, vận chuyển tự động, chẩn đoán chăm sóc sức khỏe và môi trường tính toán cạnh.
Sự phát triển của các đại lý trí tuệ nhân tạo có thể đẩy nhanh nhu cầu này thậm chí còn nữa. Các đại lý hoạt động tự chủ trong các hệ thống doanh nghiệp sẽ yêu cầu nhận thức ngữ cảnh sâu sắc hơn và sự hiểu biết bền vững hơn về cách các hành động, hệ thống và môi trường kết nối theo thời gian.
Trong ý nghĩa đó, giai đoạn phát triển trí tuệ nhân tạo lớn tiếp theo có thể liên quan đến việc xây dựng các hệ thống giúp máy móc mô hình hóa các môi trường thế giới thực động hơn – chứ không chỉ tạo ra các phản hồi ngày càng tinh vi từ các lời nhắc cô lập.
Finanțare
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.
Finanțare
Graphon AI träder fram ur stealth-läge med 8,3 miljoner dollar för att bygga ett “intelligenslager” för företags-AI
AI-infrastrukturstarten Graphon AI har trätt fram ur stealth-läge med 8,3 miljoner dollar i seedfinansiering när de försöker lösa en av de största flaskhalsarna som moderna AI-system står inför: oförmågan hos stora modeller att resonera effektivt över massiva, fragmenterade multimodala datamängder.
Finansieringsrundan leddes av Novera Ventures, med deltagande från Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures och Aurum Partners.
Det San Francisco-baserade företaget grundades av tidigare forskare och ingenjörer från organisationer som Amazon, Meta, MIT, Google, Apple, NVIDIA och NASA.
Problemet som Graphon försöker lösa
Stora språkmodeller har blivit dramatiskt mer kapabla under de senaste åren, men de står fortfarande inför en grundläggande begränsning: kontextfönster.
Även avancerade AI-modeller kan bara bearbeta en begränsad mängd information åt gången. Företag har däremot ofta enorma mängder av frånvarande data spridda över dokument, databaser, övervakningssystem, videoflöden, loggfiler, ljudfiler och intern programvara.
Aktuella tillvägagångssätt som Retrieval-Augmented Generation (RAG) hjälper modeller att hämta relevant information, men de kämpar för att förstå djupare relationer mellan datamängder eller upprätthålla bestående förståelse över tid.
Graphons tillvägagångssätt är att flytta en del av resonansprocessen utanför modellen själv.
I stället för att tvinga en grundmodell att kontinuerligt intaga rå företagsdata skapar Graphon vad de beskriver som ett “pre-model intelligenslager” som kartlägger relationer mellan olika former av information innan modellen bearbetar dem.
Företaget säger att detta relationslager byggs med hjälp av grafiska funktioner – ett matematiskt ramverk traditionellt associerat med nätverksanalys och stora grafiska system. Systemet är utformat för att identifiera anslutningar över multimodala datakällor, inklusive text, video, ljud, bilder, strukturerade databaser, industriella system och sensorer.
Enligt företaget skapar detta en form av bestående strukturerat minne som kan fungera oberoende av en modells kontextfönsterbegränsningar.
Ett skifte bort från större modeller
Graphons lansering speglar en bredare förändring som sker inom AI-branschen.
Under många år har framstegen inom AI till stor del drivits av skalning av modeller – att lägga till fler parametrar, mer beräkning och större träningsdatamängder. Men många forskare och infrastrukturstarter utforskar nu sätt att förbättra AI-prestanda genom bättre minnessystem, resonemangsarkitektur, hämtningslager och dataorganisation i stället för att bygga större grundmodeller.
Företaget hävdar att intelligens inte ska existera enbart inom modellen själv, utan också i infrastrukturlagret som ansluter modeller till företagsdata.
Det tillvägagångssättet kan bli allt viktigare när företag distribuerar AI-system i miljöer där informationen ständigt förändras och sprids över flera system samtidigt.
I industriella miljöer, till exempel, kan AI-system behöva resonera över maskintelemetri, säkerhetsbilder, driftsloggar, underhållsregister och företagsarbetsflöden samtidigt. Liknande utmaningar finns i robotik, logistik, hälsovård och företagsautomatisering.
Tidiga företagsdistributioner
Graphon säger att tidiga företagskunder redan inkluderar den sydkoreanska konglomeratet GS Group.
Enligt företaget har distributioner inkluderat analys av kundrörelser inom detaljhandelsmiljöer och förbättring av säkerhetsövervakning på byggarbetsplatser genom multimodalt CCTV-analys.
Företaget säger också att deras infrastruktur kan stödja agensbaserade arbetsflöden, vilket tillåter AI-agenter att fatta beslut baserat på rikare multimodalt sammanhang snarare än isolerade prompter.
Ett annat fokusområde är enhetsbaserad AI-resonemang. Graphon säger att deras system är utformat för att fungera med data genererad från smartphones, kameror, wearables, smarta glasögon och andra anslutna enheter.
De framtida implikationerna av relationsbaserad AI-infrastruktur
Graphons framträdande speglar en bredare förändring som sker inom konstgjord intelligens: den växande erkänningen av att skalning av modeller ensam kanske inte löser många av branschens svåraste problem.
När företag distribuerar AI i allt mer komplexa miljöer blir utmaningen mindre att generera text och mer att förstå relationer mellan ständigt föränderliga system, människor, enheter och informationsströmmar.
Framtida AI-system kommer sannolikt att behöva resonera över mycket mer än dokument och prompter. Autonoma fabriker, robotiksystem, smarta städer, wearables, industriella sensorer, säkerhetsinfrastruktur och företagsprogramvarumiljöer genererar alla enorma mängder sammanlänkad multimodal data. Mycket av denna information existerar kontinuerligt och utvecklas i realtid.
Detta skapar tryck för nya former av AI-infrastruktur som kan upprätthålla bestående kontext bortom en modells tillfälliga minnesfönster.
Implikationerna kan sträcka sig långt bortom företagsproduktivitetsverktyg. System utformade kring relationsminne och multimodalt förstående kan komma att spela en roll i områden som robotkoordinering, industriell automatisering, digitala tvillingar, autonom transport, hälsovårdsdiagnostik och anpassningsbara edge-miljöer.
Uppkomsten av AI-agenter kan accelerera detta behov ännu mer. Agenter som opererar autonomt inom företagssystem kommer att kräva djupare kontextuell medvetenhet och en mer bestående förståelse av hur åtgärder, system och miljöer ansluter över tid.
I den meningen kan den nästa stora fasen av AI-utveckling involvera byggande av system som hjälper maskiner att modellera dynamiska realvärldsmiljöer mer kontinuerligt – snarare än att generera alltmer sofistikerade svar från isolerade prompter.