Graphon AI เปิดตัวด้วยเงิน 8.3 ล้านดอลลาร์ เพื่อสร้าง “ชั้นความฉลาด” สำหรับ AI ขององค์กร

Graphon AI ซึ่งเป็นสตาร์ทอัพด้านโครงสร้างพื้นฐาน AI ได้เปิดตัวด้วยเงิน 8.3 ล้านดอลลาร์ในการระดมทุนรอบแรก เนื่องจากพยายามแก้ไขปัญหาที่ใหญ่ที่สุดของระบบ AI ในปัจจุบัน ซึ่งก็คือความไม่สามารถของโมเดลขนาดใหญ่ในการให้เหตุผลได้อย่างมีประสิทธิภาพข้ามชุดข้อมูลหลายรูปแบบที่มีขนาดใหญ่และกระจัดกระจาย

รอบการระดมทุนนี้นำโดย Novera Ventures โดยมีการเข้าร่วมจาก Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures และ Aurum Partners

บริษัทที่ตั้งอยู่ในซานฟรานซิสโกได้รับการก่อตั้งโดยนักวิจัยและวิศวกรที่เคยทำงานในองค์กรต่างๆ เช่น Amazon (AMZN ), Meta, MIT, Google (GOOGL ), Apple (AAPL ), NVIDIA (NVDA ) และ NASA

ปัญหาที่ Graphon พยายามแก้ไข

โมเดลภาษาขนาดใหญ่ได้พัฒนาความสามารถขึ้นอย่างมากในช่วงหลายปีที่ผ่านมา แต่ยังคงเผชิญกับการจำกัดขั้นพื้นฐาน ซึ่งก็คือหน้าต่างบริบท

แม้แต่โมเดล AI ที่มีความก้าวหน้าสามารถประมวลผลข้อมูลได้เพียงจำนวนจำกัดในเวลาเดียวกัน ในขณะที่องค์กรมักจะมีข้อมูลที่ไม่เชื่อมต่อกันในปริมาณมากกระจายอยู่ในเอกสาร ฐานข้อมูล ระบบการ giám sát วิดีโอ ฟีด ออดิโอไฟล์ และแพลตฟอร์มซอฟต์แวร์ภายใน

แนวทางปัจจุบัน เช่น การสร้างแบบจำลองที่มีการเพิ่มการค้นหา (Retrieval-Augmented Generation) ช่วยให้โมเดลสามารถค้นหาข้อมูลที่เกี่ยวข้องได้ แต่มันยากที่จะเข้าใจความสัมพันธ์ที่ลึกซึ้งระหว่างชุดข้อมูลหรือรักษาความเข้าใจที่คงอยู่ตลอดเวลา

แนวทางของ Graphon คือการย้ายกระบวนการให้เหตุผลบางส่วนออกจากโมเดลเอง

แทนที่จะบังคับให้โมเดลฐานต้องดูดข้อมูลดิบขององค์กรอย่างต่อเนื่อง Graphon สร้างสิ่งที่เรียกว่า “ชั้นความฉลาดก่อนโมเดล” ซึ่งสร้างความสัมพันธ์ระหว่างรูปแบบข้อมูลที่แตกต่างกันก่อนที่โมเดลจะประมวลผล

บริษัทระบุว่าชั้นความสัมพันธ์นี้สร้างขึ้นโดยใช้ฟังก์ชัน Graphon ซึ่งเป็นโครงสร้างทางคณิตศาสตร์ที่เกี่ยวข้องกับการวิเคราะห์เครือข่ายและระบบกราฟขนาดใหญ่ ระบบนี้ได้รับการออกแบบมาเพื่อระบุการเชื่อมต่อระหว่างแหล่งข้อมูลหลายรูปแบบ รวมถึงข้อความ วิดีโอ ออดิโอ รูปภาพ ฐานข้อมูลที่มีโครงสร้าง ระบบอุตสาหกรรม และเครือข่ายเซ็นเซอร์

ตามที่บริษัทระบุ สิ่งนี้จะสร้างหน่วยความจำที่มีโครงสร้างและคงอยู่ได้ ซึ่งสามารถทำงานได้อย่างเป็นอิสระจากข้อจำกัดของหน้าต่างบริบทของโมเดล

การเปลี่ยนแปลงจากโมเดลที่ใหญ่ขึ้น

การเปิดตัวของ Graphon สะท้อนถึงการเปลี่ยนแปลงที่กว้างขึ้นในอุตสาหกรรม AI

ในช่วงหลายปีที่ผ่านมา ความก้าวหน้าใน AI ส่วนใหญ่ได้รับแรงผลักดันจากการปรับขนาดโมเดล โดยการเพิ่มพารามิเตอร์ การคำนวณ และชุดข้อมูลการฝึกที่ใหญ่ขึ้น แต่นักวิจัยและสตาร์ทอัพโครงสร้างพื้นฐานหลายรายกำลังสำรวจวิธีการปรับปรุงประสิทธิภาพ AI ผ่านระบบความจำที่ดีขึ้น โครงสร้างการให้เหตุผล การค้นหา และการจัดระเบียบข้อมูลแทนการสร้างโมเดลฐานที่ใหญ่ขึ้น

บริษัทแย้งว่าความฉลาดไม่ควรอยู่เพียงในโมเดลเอง แต่ยังอยู่ในชั้นโครงสร้างพื้นฐานที่เชื่อมโมเดลกับข้อมูลขององค์กรด้วย

แนวทางนี้อาจมีความสำคัญมากขึ้นเมื่อธุรกิจต่างๆ ติดตั้งระบบ AI ในสภาพแวดล้อมที่ข้อมูลเปลี่ยนแปลงอย่างต่อเนื่องและกระจายอยู่ในหลายระบบในเวลาเดียวกัน

ใน môi trườngอุตสาหกรรม ตัวอย่างเช่น ระบบ AI อาจต้องให้เหตุผลข้ามข้อมูลเทเลเมทรีของเครื่องจักร วิดีโอการ giám sát บันทึกการดำเนินงาน บันทึกการบำรุงรักษา และกระบวนการทำงานขององค์กรในเวลาเดียวกัน ความท้าทายที่คล้ายกันเกิดขึ้นในด้านหุ่นยนต์ การขนส่ง สุขภาพ และการ автомат化ขององค์กร

การนำไปใช้ในองค์กรตั้งแต่เนิ่นๆ

Graphon ระบุว่าลูกค้าองค์กรในระยะแรกแล้วรวมถึงกลุ่ม GS ของเกาหลีใต้

ตามที่บริษัทระบุ การนำไปใช้ได้แก่ การวิเคราะห์การเคลื่อนไหวของลูกค้าภายในสภาพแวดล้อมค้าปลีกและการปรับปรุงการ giám sátความปลอดภัยในไซต์ก่อสร้างผ่านการวิเคราะห์ CCTV หลายรูปแบบ

บริษัทยังระบุด้วยว่าโครงสร้างพื้นฐานของตนสามารถรองรับกระบวนการทำงานของตัวแทน AI ได้ โดยทำให้ตัวแทน AI สามารถตัดสินใจได้บนบริบทที่มีความหลากหลายมากกว่าการส่งสัญญาณที่แยกออกมา

พื้นที่อื่นที่มุ่งเน้นคือการให้เหตุผล AI บนอุปกรณ์ Graphon ระบุว่าระบบของตนได้รับการออกแบบมาเพื่อทำงานกับข้อมูลที่สร้างขึ้นจากสมาร์ทโฟน กล้อง อุปกรณ์สวมใส่ แว่นตาสมาร์ท และอุปกรณ์ที่เชื่อมต่ออื่นๆ

ผลกระทบในอนาคตของโครงสร้างพื้นฐาน AI ที่เกี่ยวข้อง

การเปิดตัวของ Graphon สะท้อนถึงการเปลี่ยนแปลงที่กว้างขึ้นใน AI ซึ่งก็คือการยอมรับว่าการปรับขนาดโมเดลเพียงอย่างเดียวอาจไม่สามารถแก้ไขปัญหาที่ยากที่สุดของอุตสาหกรรมได้

เมื่อองค์กรต่างๆ นำ AI ไปใช้ในสภาพแวดล้อมที่ซับซ้อนมากขึ้น ความท้าทายจะกลายเป็นเรื่องของการให้เหตุผลที่มากกว่าการสร้างข้อความ และเข้าใจความสัมพันธ์ระหว่างระบบที่เปลี่ยนแปลงอย่างต่อเนื่อง ผู้คน อุปกรณ์ และกระแสข้อมูล

ระบบ AI ในอนาคตอาจต้องให้เหตุผลที่มากกว่าเอกสารและสัญญาณที่แยกออกมา โรงงานอัตโนมัติ ระบบหุ่นยนต์ เมืองอัจฉริยะ อุปกรณ์สวมใส่ เซ็นเซอร์อุตสาหกรรม โครงสร้างพื้นฐานด้านความปลอดภัย และระบบซอฟต์แวร์ขององค์กรสร้างข้อมูลที่เชื่อมต่อกันในปริมาณมาก ซึ่งเกิดขึ้นอย่างต่อเนื่องและพัฒนาในเวลาจริง

สิ่งนี้จะกดดันให้เกิดโครงสร้างพื้นฐาน AI ใหม่ที่สามารถรักษาความเข้าใจที่คงอยู่ได้นอกเหนือจากหน้าต่างความจำชั่วคราวของโมเดล

ผลกระทบอาจขยายไปไกลกว่าเครื่องมือผลิตภาพขององค์กร ระบบที่ออกแบบโดยรอบความจำที่เกี่ยวข้องและความเข้าใจหลายรูปแบบอาจมีบทบาทในด้านต่างๆ เช่น การประสานหุ่นยนต์ การ автомат化อุตสาหกรรม ตัวจำลองดิจิทัล การขนส่งอัตโนมัติ การวินิจฉัยทางการแพทย์ และสภาพแวดล้อมการประมวลผลขอบที่ปรับเปลี่ยนได้

การเพิ่มขึ้นของ AI ตัวแทนอาจเร่งความต้องการนี้ให้มากขึ้น ตัวแทน AI ที่ทำงานอิสระภายในระบบขององค์กรจะต้องมีความตระหนักรู้ทางบริบทที่ลึกซึ้งและเข้าใจที่ทนทาน hơnเกี่ยวกับวิธีที่การกระทำ ระบบและสภาพแวดล้อมเชื่อมต่อกันตลอดเวลา

ในแง่นี้ ขั้นตอนสำคัญถัดไปของการพัฒนา AI อาจเกี่ยวข้องกับการสร้างระบบที่ช่วยให้เครื่องจักรสร้างแบบจำลองสภาพแวดล้อมที่เปลี่ยนแปลงอย่างต่อเนื่องได้มากกว่าการสร้างคำตอบที่ซับซ้อนมากขึ้นจากสัญญาณที่แยกออกมา