Graphon AI raccoglie 8,3 milioni di dollari in finanziamenti seed per costruire uno strato di intelligenza pre-modello per l'AI aziendale

      TL;DRGraphon AI è emersa dall'ombra con 8,3 milioni di dollari di finanziamenti seed per costruire uno "strato di intelligenza pre-modello" che scopre relazioni tra dati aziendali multimodali prima che raggiungano un modello di base. Il round è stato guidato da Novera Ventures, con la partecipazione di Perplexity Fund, Samsung Next, GS Futures, Hitachi Ventures e altri. L'azienda prende il nome da un concetto matematico co-formalizzato dai suoi consulenti tecnici, i professori dell'UC Berkeley Jennifer Chayes e Christian Borgs. Fondata da Arbaaz Khan (CEO), Deepak Mishra (COO) e Clark Zhang (CTO), con membri del team provenienti da Amazon, Meta, Google, Apple, NVIDIA e NASA. Il primo cliente GS Group (conglomerato sudcoreano) ha implementato Graphon per l'analisi dei negozi di convenienza e la sicurezza nei cantieri.

      Il nome è un indizio. Graphon AI, emersa dall'ombra mercoledì con 8,3 milioni di dollari di finanziamenti seed, prende il nome da un oggetto matematico di cui la maggior parte delle persone nel campo dell'IA non ha mai sentito parlare e che i suoi due consulenti più prominenti hanno contribuito a inventare. Un graphon è il limite di una sequenza di grafi densi: una funzione continua che cattura la struttura delle relazioni mentre le reti crescono infinitamente. È il tipo di concetto che esiste al confine tra matematica pura e informatica teorica, ed è ora la base di una startup che afferma di aver costruito lo strato mancante tra i dati aziendali e i modelli che dovrebbero darne un senso.

      La tesi dell'azienda è semplice, anche se la matematica che la sostiene non lo è. I modelli linguistici di grandi dimensioni di oggi possono elaborare circa un milione di token alla volta. Le aziende detengono trilioni di token tra documenti, video, audio, immagini, log e database. La generazione aumentata da recupero, l'approccio standard attuale, può far emergere contenuti rilevanti da quella massa, ma non può scoprire relazioni tra pezzi di dati che non sono mai stati memorizzati insieme. Un LLM che utilizza RAG può rispondere a una domanda su un documento specifico. Non può ragionare su come quel documento si colleghi a un video di sorveglianza, a un log di conformità e a un database clienti, almeno non senza che qualcuno abbia già mappato quelle connessioni.

      Il prodotto di Graphon si trova prima del modello, non all'interno di esso. Utilizzando funzioni graphon, un framework matematico che estende il concetto accademico in uno strato software, il sistema assimila dati multimodali e scopre automaticamente la struttura relazionale, producendo ciò che l'azienda chiama memoria relazionale persistente. Il risultato, in teoria, è una rappresentazione dei dati di un'organizzazione che qualsiasi modello di base o framework agentico può interrogare senza essere vincolato dalla sua finestra di contesto.

      Le persone dietro la matematica

      Il team fondatore è composto da Arbaaz Khan come amministratore delegato, Deepak Mishra come direttore operativo e Clark Zhang come direttore tecnologico. L'azienda afferma che il suo team più ampio include ex ricercatori e ingegneri di Amazon, Meta, Google, Apple, NVIDIA, Samsung AI Center, MIT, Rivian e NASA.

      Più notevoli, forse, sono i consulenti tecnici. Jennifer Chayes, preside del College of Computing, Data Science, and Society dell'UC Berkeley, e Christian Borgs, professore di informatica all'UC Berkeley, sono entrambi elencati come consulenti. Borgs era tra il gruppo di ricercatori, insieme a Chayes, László Lovász, Vera Sós e Katalin Vesztergombi — che hanno formalizzato il graphon come concetto matematico nel 2008. L'azienda sta, di fatto, commercializzando un framework che i suoi consulenti hanno co-inventato.

      Chayes e Borgs hanno descritto l'approccio in una dichiarazione congiunta come uno che tratta la struttura relazionale come un elemento di prima classe dello stack IA piuttosto che qualcosa da inferire dopo il fatto. La distinzione è importante perché la maggior parte dei sistemi IA attuali tratta i dati come collezioni di singoli elementi da recuperare, non come reti di relazioni da preservare.

      Un tavolo degli investitori insolito

      Il round seed è stato guidato da Arvind Gupta di Novera Ventures, che ha fatto di Graphon il primo investimento del suo fondo dal veicolo principale. Gupta è meglio conosciuto come il fondatore di IndieBio, l'acceleratore delle scienze della vita, e il suo passaggio verso un'azienda di infrastruttura IA suggerisce che vede sovrapposizioni strutturali tra i problemi che Graphon affronta e le complesse sfide di dati multimodali che definiscono il calcolo scientifico.

      Il resto del cap table sembra un esercizio deliberato di diversità strategica. Perplexity Fund, il braccio di venture da 50 milioni di dollari dell'azienda di ricerca IA, ha partecipato insieme a Samsung Next, Hitachi Ventures, GS Futures (il braccio di venture del conglomerato sudcoreano GS Group), Gaia Ventures, B37 Ventures e Aurum Partners, il fondo di investimento affiliato al gruppo di proprietà dei San Francisco 49ers.

      Il mix è significativo. Un'azienda di ricerca IA, un gigante dell'elettronica di consumo, un conglomerato industriale giapponese e un chaebol coreano che investono tutti nello stesso strato di dati pre-modello suggerisce che il problema della finestra di contesto che Graphon afferma di risolvere è avvertito in settori che altrimenti hanno poco in comune. GS Group, che è tra i più grandi conglomerati della Corea del Sud con interessi che spaziano dall'energia al retail e alla costruzione, è anche un cliente precoce. Ally Kim, vicepresidente di GS, ha dichiarato che le soluzioni IA multimodali dell'azienda sono state applicate all'analisi del movimento dei clienti nei negozi di convenienza e al miglioramento della sicurezza attraverso l'analisi CCTV nei cantieri.

      La scommessa tecnica

      Il posizionamento di Graphon riflette un cambiamento più ampio nel mercato delle infrastrutture IA. Negli ultimi tre anni, la corsa è stata dominata dalla costruzione di modelli più grandi con finestre di contesto più lunghe. Ma anche i modelli più capaci raggiungono ancora un limite: possono elaborare più token, ma non possono mantenere consapevolezza relazionale attraverso i volumi di dati che le grandi organizzazioni generano. La domanda su cui Graphon sta scommettendo è se la soluzione risieda non nell'estendere ulteriormente la finestra di contesto, ma nel strutturare i dati prima che entrino nella finestra.

      L'azienda afferma di aver già implementato la sua piattaforma per la gestione dei contenuti aziendali, l'intelligenza industriale, i flussi di lavoro agentici e le applicazioni su dispositivo tra telefoni, telecamere, dispositivi indossabili e occhiali intelligenti. L'ampiezza dei casi d'uso dichiarati è ambiziosa per un'azienda in fase seed, e l'assenza di benchmark indipendenti o casi studio dettagliati sui clienti oltre a GS Group rende difficile valutare quanto lontano sia progredita la tecnologia dal concetto alla produzione.

      Ciò che è chiaro è che il problema descritto da Graphon è reale. Il divario tra ciò che gli LLM possono teoricamente fare e ciò che possono effettivamente fare con i dati aziendali rimane uno dei vincoli più significativi sull'implementazione dell'IA. La generazione aumentata da recupero è stata la risposta principale dell'industria, e le sue limitazioni, il recupero piatto che perde relazioni tra dataset, finestre di contesto che forzano confini artificiali su ciò che il modello può vedere, sono ben documentate. Se le funzioni graphon offrono un approccio fondamentalmente migliore o semplicemente una versione più elegantemente teorica della strutturazione dei dati basata su grafi è la domanda a cui l'azienda dovrà rispondere mentre passa dalla matematica in modalità stealth a un'infrastruttura di livello produzione.

      Gli 8,3 milioni di dollari le danno il tempo di prova. I consulenti che hanno co-inventato la matematica sottostante le conferiscono credibilità. Ma in un mercato IA che non ha visto carenza di startup che affermano di aver trovato lo strato mancante, la sfida di Graphon sarà dimostrare che la matematica da cui prende il nome si traduce in un miglioramento misurabile nel modo in cui i modelli di base gestiscono la realtà disordinata e multimodale dei dati aziendali, non solo in