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