Graphon AI recauda 8,3 millones de dólares en semillas para construir una capa de inteligencia previa al modelo para la IA empresarial

Hay que decir el nombre. Graphon AI, que surgió de Stealth el miércoles con 8,3 millones de dólares en financiación inicial, lleva el nombre de un objeto matemático del que la mayoría de la gente en AI nunca ha oído hablar y que dos de sus destacados asesores ayudaron a inventar. Un grafón es el límite de una secuencia de gráficos densos: una función continua que captura la estructura de las relaciones cuando las redes crecen infinitamente. Es un concepto que existe en el límite de las matemáticas puras y la informática teórica, y ahora es la base de una startup que afirma haber creado la capa faltante entre los datos empresariales y los modelos que pueden darle sentido.

La tesis de la empresa es sencilla, aunque faltan las matemáticas que la sustentan. Los grandes modelos de lenguaje actuales pueden procesar alrededor de un millón de tokens a la vez. Las empresas poseen billones de tokens en documentos, vídeos, audio, imágenes, registros y bases de datos. La generación con recuperación aumentada, el enfoque estándar actual, puede sacar a la luz contenido relevante de esa masa, pero no puede descubrir relaciones entre piezas de datos que nunca han sido almacenadas juntas. Un LLM puede responder una pregunta sobre un documento específico utilizando RAG. Este documento no puede razonar sobre cómo se conectan el vídeo de vigilancia, un registro de cumplimiento y una base de datos de clientes, al menos no sin que alguien mapee esas conexiones.

El producto de Graphon se encuentra delante del modelo, no dentro de él. Utilizando funciones de grafón, un marco matemático que extiende los conceptos académicos a una capa de software, el sistema toma datos multimodales y descubre automáticamente la estructura relacional a través de ellos, lo que la empresa llama memoria relacional continua. El resultado es, en teoría, una representación de los datos de una entidad que cualquier modelo subyacente o marco de agente puede consultar sin verse limitado por su ventana de contexto.

El hombre detrás de las matemáticas

El equipo fundador incluye a Arbaaz Khan como director ejecutivo, Deepak Mishra como director de operaciones y Clark Zhang como director de tecnología. La compañía dijo que su extenso equipo incluye ex investigadores e ingenieros de Amazon, Meta, Google, Apple, NVIDIA, Samsung AI Center, MIT, Rivian y NASA.

Quizás lo más notable sean los asesores técnicos. Jennifer Choice, decana de la Facultad de Computación, Ciencia de Datos y Sociedad de UC Berkeley, y Christian Borgs, profesor de ciencias de la computación en UC Berkeley, figuran como asesores. Borgs formó parte del grupo de investigadores (Chayes, László Lovász, Vera Sós y Katalin Vesztergombi) que formalizaron el grafón como un concepto matemático en 2008. De hecho, la empresa está comercializando un marco que sus asesores co-inventaron.

Chayes y Borgs describieron el enfoque en una declaración conjunta que trata la estructura de relaciones como un componente de primera clase de la pila de IA que no se puede inferir después del hecho. La distinción es importante porque la mayoría de los sistemas de IA actuales tratan los datos como una colección de elementos individuales que deben recuperarse, no como una red de relaciones que deben almacenarse.

Una mesa de inversores inusual

La ronda inicial estuvo dirigida por Arvind Gupta de Novera Ventures, quien hizo de Graphon la primera inversión de sus fondos desde su automóvil insignia. Gupta es mejor conocido como el fundador de IndieBio, un acelerador de ciencias biológicas, y su giro hacia una empresa de infraestructura de inteligencia artificial sugiere que ve una superposición estructural entre las direcciones de grafos y los complejos desafíos de datos multimodales que definen la computación científica.

El resto de la tabla de límites máximos se lee como un ejercicio deliberado de diversificación estratégica. Perplexity Fund, el brazo de riesgo de 50 millones de dólares de la compañía de búsqueda de IA, participó con fondos de inversión asociados con Samsung Next, Hitachi Ventures, GS Futures (el brazo de riesgo del conglomerado surcoreano GS Group), Gaia Ventures, B37 Ventures y Aurum Partners, el grupo propietario de San Franci9.

La mezcla es reveladora. El hecho de que una empresa de búsqueda de inteligencia artificial, un gigante de la electrónica de consumo, un conglomerado industrial japonés y un chaebol coreano estén invirtiendo en la misma capa de datos premodelo sugiere que el problema de la ventana de contexto que Graphon pretende resolver se siente en industrias que de otro modo serían diferentes. GS Group, que se encuentra entre los conglomerados más grandes de Corea del Sur con intereses en energía, comercio minorista y construcción, también es un cliente principal. Ally Kim, vicepresidente de GS, dijo que la solución de inteligencia artificial multimodal de la compañía se ha utilizado para analizar los movimientos de los clientes en tiendas de conveniencia y mejorar la seguridad mediante análisis de CCTV en sitios de construcción.

Apuesta técnica

La posición de Graphon refleja cambios más amplios en el mercado de infraestructura de IA. Los últimos tres años han estado dominados por la carrera por desarrollar modelos más grandes con ventanas de contexto más largas. Pero incluso los modelos más capaces todavía tocan un techo: pueden procesar más tokens, pero no pueden mantener la conciencia relacional entre la cantidad de datos que generan las grandes empresas. La cuestión por la que apuesta Graphon es si la solución no está en ampliar la ventana de contexto, sino en estructurar los datos antes de entrar en la ventana.

La compañía dijo que ya ha implementado su plataforma para gestión de contenido empresarial, inteligencia industrial, flujo de trabajo agente y aplicaciones de dispositivos en teléfonos, cámaras, dispositivos portátiles y gafas inteligentes. La amplitud de los casos de uso reclamados es ambiciosa para una empresa en etapa inicial, y la ausencia de puntos de referencia independientes o estudios de casos de clientes detallados fuera del Grupo GS hace que sea difícil evaluar hasta qué punto ha progresado la tecnología desde el concepto hasta la producción.

Lo que está claro es que el problema que describe Grafon es real. La brecha entre lo que los LLM pueden hacer teóricamente y lo que realmente pueden hacer con los datos empresariales es una de las limitaciones más importantes de la implementación de la IA. La generación de recuperación mejorada es la respuesta principal de la industria, y sus limitaciones, incluida la recuperación plana que omite relaciones entre conjuntos de datos y ventanas de contexto que imponen límites artificiales a lo que el modelo puede ver, están bien documentadas. La compañía tendrá que responder a la pregunta de si las funciones Graphon ofrecen un enfoque fundamentalmente mejor o una versión teóricamente más elegante de estructuración de datos basada en gráficos a medida que pasa de la matemática en modo oculto a la infraestructura de nivel de producción.

8,3 millones de dólares le dan la pista para intentarlo. Los asesores que co-descubrieron las matemáticas subyacentes le dan credibilidad. Pero en un mercado de IA en el que no faltan nuevas empresas que afirman haber encontrado la capa faltante, el desafío de Graphon será demostrar que las matemáticas que le dan nombre se traducen en una mejora mensurable en la forma en que los modelos fundamentales manejan la realidad desordenada y multimodal de los datos empresariales, no solo teóricamente, sino suficientemente donde la teoría termina.