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 enorma, fragmenterade multimodala datamängder.

Rundan 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 (AMZN ), Meta, MIT, Google (GOOGL ), Apple (AAPL ), NVIDIA (NVDA ) 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 ofta enorma mängder av frånvarande data spridda över dokument, databaser, övervakningssystem, videoflöden, loggfiler, ljudfiler och interna programvaruplattformar.

Aktuella metoder 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 relationella lager byggs med hjälp av graphon-funktioner — en matematisk ram som traditionellt är associerad med nätverksanalys och stora grafsystem. 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.

En skiftning bort från större modeller

Graphons lansering speglar en bredare skiftning som sker inom AI-branschen.

Under många år har framstegen inom AI till stor del drivits av skalning av modeller — tillägg av fler parametrar, mer beräkning och större träningsdatamängder. Men många forskare och infrastrukturstarter undersöker nu sätt att förbättra AI-prestanda genom bättre minnessystem, resonansarkitektur, 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 kopplar 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 inom robotteknik, 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 multimodal CCTV-analys.

Företaget säger också att deras infrastruktur kan stödja agensbaserade arbetsflöden, vilket tillåter AI-agenter att fatta beslut baserat på rikare multimodal kontext i stället för isolerade prompter.

Ett annat fokusområde är AI-resonans på enheter. 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 relationell AI-infrastruktur

Graphons framträdande speglar en bredare skiftning 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 troligen 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 relationellt minne och multimodal förståelse kan så småningom spela en roll inom områden som robotkoordination, industriell automatisering, digitala tvillingar, autonom transport, hälsovårdsdiagnostik och adaptiva 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 innebära att bygga system som hjälper maskiner att modellera dynamiska realvärldsmiljöer mer kontinuerligt — snarare än att generera alltmer sofistikerade svar från isolerade prompter.