Graphon AI вийшов зі стейту з $8,3 млн для будівництва “інтелектуального шару” для корпоративного штучного інтелекту

Стартап інфраструктури штучного інтелекту Graphon AI вийшов зі стейту з $8,3 млн у вигляді фінансування на початковому етапі, намагаючись подолати одну з найбільших проблем сучасних систем штучного інтелекту: нездатність великих моделей ефективно мислити над величезними, фрагментованими багатоплановими наборами даних.

Фінансування очолила компанія Novera Ventures, до якої приєдналися Samsung Next, Hitachi Ventures, Perplexity Fund, GS Futures, Gaia Ventures, B37 Ventures та Aurum Partners.

Компанія Graphon, яка 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 передові моделі штучного інтелекту можуть обробляти лише обмежену кількість інформації одночасно. Корпоративні підприємства, тим часом, часто мають величезні кількості не пов’язаних між собою даних, розкиданих по документах, базах даних, системах відеоспостереження, відеопотоках, журналах, аудіофайлах та внутрішніх програмних платформах.

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 тривалого розуміння протягом часу.

Підхід Graphon полягає у тому, щоб перенести частину процесу мислення зовні моделі.

Натомість того, щоб примусити основну модель постійно споживати сирі корпоративні дані, Graphon створює те, що вона 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 визначення зв’язків між багатоплановими джерелами даних, включаючи текст, відео, аудіо, зображення, структуровані бази даних, промислові системи та сенсорні мережі.

Згідно з компанією, це створює форму тривалої структурованої пам’яті, яка може працювати незалежно від обмежень вікна контексту моделі.

Зрушення 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更多 параметрів, обчислювальних ресурсів та більших тренувальних наборів даних. Але багато дослідників та інфраструктурних стартапів тепер досліджують способи покращення продуктивності штучного інтелекту за допомогою кращих систем пам’яті, архітектур міркування, шарів отримання та організації даних замість простого будівництва більших основних моделей.

Компанія стверджує, що інтелект не повинен існувати лише всередині моделі, а й 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 кількох системах одночасно.

У промислових середовищах, наприклад, системи штучного інтелекту можуть потребувати міркування щодо телебачення машин, відеоспостереження, операційних журналів, записів технічного обслуговування та корпоративних робочих процесів одночасно. Аналогічні проблеми існують у робототехніці, логістиці, охороні здоров’я та корпоративній автоматизації.

Перші корпоративні розгортання

Graphon стверджує, що першими клієнтами підприємства вже є південнокорейський конгломерат GS Group.

Згідно з компанією, розгортання включали аналіз руху клієнтів всередині роздрібних середовищ та покращення моніторингу безпеки на будівельних майданчиках за допомогою багатопланового аналізу відеоспостереження.

Компанія також стверджує, що її інфраструктура може підтримувати агентські робочі процеси, дозволяючи агентам штучного інтелекту приймати рішення на основі багатопланового контексту, а не ізольованих запитів.

Іншою областю уваги є міркування штучного інтелекту на пристроях. Graphon стверджує, що її 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 відбиває ширшу зміну, яка відбувається в галузі штучного інтелекту: зростаюче визнання того, що масштабування моделей самі по собі можуть не вирішити багато з найскладніших проблем галузі.

Коли підприємства розгортають штучний інтелект у дедалі складніших середовищах, проблема стає меншою щодо генерації тексту та більшою щодо розуміння відносин між постійно змінюваними системами, людьми, пристроями та потоками інформації.

Майбутні системи штучного інтелекту, ймовірно, потребуватимуть міркування щодо значно більшої кількості документів та запитів. Автономні заводи, робототехнічні системи, розумні міста, носимі пристрої, промислові сенсори, інфраструктура безпеки та корпоративні програмні екосистеми генерують величезні кількості взаємопов’язаних багатопланових даних. Більша частина цієї інформації існує постійно та розвивається в реальному часі.

Це створює тиск на нові форми інфраструктури штучного інтелекту, здатні підтримувати тривалий контекст за межами тимчасового вікна пам’яті моделі.

Наслідки можуть поширюватися далеко за межі корпоративних інструментів продуктивності. Системи, побудовані навколо відносної пам’яті та багатопланового 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.

Рост 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 протягом часу.

У цьому сенсі наступна велика фаза розвитку штучного інтелекту може включати будівництво систем, які допомагають машинам моделювати динамічні реальні середовища більш безперервно — а не просто генерацію дедалі більш складних відповідей на ізольовані запити.