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 на этапе семян в попытке решить одну из самых больших проблем, с которыми сталкиваются современные системы ИИ: неспособность крупных моделей эффективно рассуждать на основе огромных, фрагментированных многомодальных наборов данных.

Раунд финансирования возглавила Novera Ventures, с участием 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 намного более способными за последние несколько лет, но они все еще сталкиваются с фундаментальным ограничением: контекстными окнами.

Даже самые продвинутые 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 релевантную 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 сопоставляет 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 большими графическими 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 в сторону меньших моделей

Запуск Graphon отражает более широкий сдвиг, происходящий в индустрии ИИ.

В течение многих лет прогресс в ИИ в основном определялся масштабированием моделей — добавлением большего количества параметров, вычислительных мощностей и более крупных обучающих наборов данных. Но многие исследователи и стартапы инфраструктуры теперь 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 одновременно распространяется по нескольким системам.

В промышленных средах, например, системы ИИ могут потребовать рассуждения о данных телеметрии машин, кадрах видеонаблюдения, операционных журналах, записях обслуживания и корпоративных рабочих процессах одновременно. 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.

По мере того, как корпорации развертывают ИИ в все более сложных средах, 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 и корпоративные программные экосистемы генерируют огромные количества взаимосвязанных многомодальных данных. Большая часть этой информации существует непрерывно и эволюционирует в режиме реального 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 вокруг 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 агентного ИИ может еще больше ускорить эту потребность. Агенты, работающие автономно внутри корпоративных систем, потребуют более глубокого контекстного осознания и более прочного понимания того, как действия, системы и среды связаны во времени.

В этом смысле следующая основная фаза развития ИИ может включать построение систем, которые помогают машинам моделировать динамические реальные среды более непрерывно — а не просто генерировать все более сложные ответы на изолированные запросы.