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.