Graphon AI recauda $8.3 millones en una ronda semilla para construir una capa de inteligencia pre-modelo para la IA empresarial.

      TL;DRGraphon AI emergió de la clandestinidad con $8.3 millones en financiamiento inicial para construir una "capa de inteligencia pre-modelo" que descubre relaciones a través de datos empresariales multimodales antes de que lleguen a un modelo base. La ronda fue liderada por Novera Ventures, con la participación de Perplexity Fund, Samsung Next, GS Futures, Hitachi Ventures y otros. La empresa lleva el nombre de un concepto matemático co-formalizado por sus asesores técnicos, los profesores de UC Berkeley Jennifer Chayes y Christian Borgs. Fundada por Arbaaz Khan (CEO), Deepak Mishra (COO) y Clark Zhang (CTO), con miembros del equipo de Amazon, Meta, Google, Apple, NVIDIA y NASA. El primer cliente, GS Group (conglomerado surcoreano), ha implementado Graphon para análisis de tiendas de conveniencia y seguridad en sitios de construcción.

      El nombre es la pista. Graphon AI, que emergió de la clandestinidad el miércoles con $8.3 millones en financiamiento inicial, lleva el nombre de un objeto matemático que la mayoría de las personas en IA nunca ha oído y que sus dos asesores más prominentes ayudaron a inventar. Un graphon es el límite de una secuencia de gráficos densos: una función continua que captura la estructura de relaciones a medida que las redes crecen infinitamente. Es el tipo de concepto que existe en la frontera entre las matemáticas puras y la informática teórica, y ahora es la base de una startup que afirma haber construido la capa faltante entre los datos empresariales y los modelos que se supone deben dar sentido a ellos.

      La tesis de la empresa es sencilla, incluso si las matemáticas detrás de ella no lo son. Los modelos de lenguaje grandes de hoy pueden procesar aproximadamente un millón de tokens a la vez. Las empresas tienen billones de tokens a través de documentos, video, audio, imágenes, registros y bases de datos. La generación aumentada por recuperación, el enfoque estándar actual, puede extraer contenido relevante de esa masa, pero no puede descubrir relaciones entre piezas de datos que nunca se almacenaron juntas. Un LLM utilizando RAG puede responder a una pregunta sobre un documento específico. No puede razonar sobre cómo ese documento se conecta a un video de vigilancia, un registro de cumplimiento y una base de datos de clientes, al menos no sin que alguien ya haya mapeado esas conexiones.

      El producto de Graphon se sitúa antes del modelo, no dentro de él. Usando funciones graphon, un marco matemático que extiende el concepto académico a una capa de software, el sistema ingiere datos multimodales y descubre automáticamente la estructura relacional a través de ellos, produciendo lo que la empresa llama memoria relacional persistente. El resultado, en teoría, es una representación de los datos de una organización que cualquier modelo base o marco de agente puede consultar sin estar limitado por su ventana de contexto.

      Las personas detrás de las matemáticas

      El equipo fundador está compuesto por Arbaaz Khan como director ejecutivo, Deepak Mishra como director de operaciones y Clark Zhang como director de tecnología. La empresa dice que su equipo más amplio incluye a ex investigadores e ingenieros de Amazon, Meta, Google, Apple, NVIDIA, Samsung AI Center, MIT, Rivian y NASA.

      Más notable, quizás, son los asesores técnicos. Jennifer Chayes, decana de la Facultad de Computación, Ciencia de Datos y Sociedad en UC Berkeley, y Christian Borgs, profesor de informática en UC Berkeley, están ambos listados como asesores. Borgs fue parte del grupo de investigadores, junto a Chayes, László Lovász, Vera Sós y Katalin Vesztergombi, que formalizó el graphon como un concepto matemático en 2008. La empresa está, de hecho, comercializando un marco que sus asesores co-inventaron.

      Chayes y Borgs describieron el enfoque en una declaración conjunta como uno que trata la estructura relacional como un elemento de primera clase de la pila de IA en lugar de algo que debe inferirse después del hecho. La distinción es importante porque la mayoría de los sistemas de IA actuales tratan los datos como colecciones de elementos individuales que deben ser recuperados, no como redes de relaciones que deben ser preservadas.

      Una tabla de inversores inusual

      La ronda de financiamiento inicial fue liderada por Arvind Gupta de Novera Ventures, quien hizo de Graphon la primera inversión de su vehículo insignia. Gupta es más conocido como el fundador de IndieBio, el acelerador de ciencias de la vida, y su cambio hacia una empresa de infraestructura de IA sugiere que ve una superposición estructural entre los problemas que Graphon aborda y los complejos desafíos de datos multimodales que definen la computación científica.

      El resto de la tabla de capital se lee como un ejercicio deliberado en diversidad estratégica. Perplexity Fund, el brazo de capital de riesgo de $50 millones de la empresa de búsqueda de IA, participó junto a Samsung Next, Hitachi Ventures, GS Futures (el brazo de riesgo del conglomerado surcoreano GS Group), Gaia Ventures, B37 Ventures y Aurum Partners, el fondo de inversión afiliado al grupo propietario de los San Francisco 49ers.

      La mezcla es reveladora. Una empresa de búsqueda de IA, un gigante de la electrónica de consumo, un conglomerado industrial japonés y un chaebol coreano invirtiendo en la misma capa de datos pre-modelo sugiere que el problema de la ventana de contexto que Graphon afirma resolver se siente en industrias que de otro modo tienen poco en común. GS Group, que se encuentra entre los conglomerados más grandes de Corea del Sur con intereses que abarcan energía, comercio minorista y construcción, también es un cliente temprano. Ally Kim, vicepresidenta de GS, dijo que las soluciones de IA multimodal de la empresa se han aplicado para analizar el movimiento de clientes en tiendas de conveniencia y mejorar la seguridad a través del análisis de CCTV en sitios de construcción.

      La apuesta técnica

      La posición de Graphon refleja un cambio más amplio en el mercado de infraestructura de IA. Los últimos tres años han estado dominados por una carrera para construir modelos más grandes con ventanas de contexto más largas. Pero incluso los modelos más capaces aún alcanzan un límite: pueden procesar más tokens, pero no pueden mantener la conciencia relacional a través de los volúmenes de datos que generan las grandes organizaciones. La pregunta en la que Graphon está apostando es si la solución no radica en extender la ventana de contexto aún más, sino en estructurar los datos antes de que entren en la ventana.

      La empresa dice que ya ha implementado su plataforma para la gestión de contenido empresarial, inteligencia industrial, flujos de trabajo agentes y aplicaciones en dispositivos en teléfonos, cámaras, dispositivos portátiles y gafas inteligentes. La amplitud de los casos de uso reclamados es ambiciosa para una empresa en la etapa inicial, y la ausencia de referencias independientes o estudios de caso detallados más allá de GS Group dificulta evaluar hasta dónde ha progresado la tecnología desde el concepto hasta la producción.

      Lo que está claro es que el problema que Graphon describe es real. La brecha entre lo que los LLM pueden hacer teóricamente y lo que realmente pueden hacer con los datos empresariales sigue siendo una de las limitaciones más significativas en la implementación de IA. La generación aumentada por recuperación ha sido la respuesta principal de la industria, y sus limitaciones, la recuperación plana que pierde relaciones entre conjuntos de datos, ventanas de contexto que imponen límites artificiales sobre lo que el modelo puede ver, están bien documentadas. Si las funciones graphon ofrecen un enfoque fundamentalmente mejor o simplemente una versión más teóricamente elegante de la estructuración de datos basada en gráficos es la pregunta que la empresa deberá responder a medida que pase de las matemáticas en modo sigiloso a la infraestructura de grado de producción.

      Los $8.3 millones le dan margen para intentarlo. Los asesores que co-inventaron las matemáticas subyacentes le dan credibilidad. Pero en un mercado de IA que no ha visto escasez de startups que afirman haber encontrado la capa faltante, el desafío de Graphon será demostrar que las matemáticas de las que lleva el nombre se traducen en una mejora medible en cómo los modelos base manejan la realidad desordenada y multimodal de los datos empresariales, no solo en teoría, sino a la escala donde la teoría deja de ser suficiente.