Finansowanie Graphon Labs wspiera trwałą pamięć AI
Graphon Labs ogłosiło 10 listopada pozyskanie 35 mln USD nowego finansowania na budowę trwałej pamięci AI, a szersze ambicje dotyczące deweloperów i urządzeń pozostają jeszcze przed firmą. Runda Graphon Labs funding wspiera konkretną tezę: agenci potrzebują infrastruktury, która zachowuje relacje i zmieniającą się wiedzę między zadaniami. Same lepsze odpowiedzi nie dowodzą, że agent prawidłowo zapamiętuje informacje.
Główna rywalizacja dotyczy połączonej pamięci w zestawieniu z odzyskiwaniem odizolowanych fragmentów za każdym razem, gdy pojawia się pytanie. Graphon twierdzi, że zachowywanie relacji od początku poprawia to, co agent może później odzyskać. Zep, inny dostawca pamięci dla agentów, stanowi użyteczny punkt odniesienia, ponieważ jego badania również dotyczą zmieniających się faktów i historycznych relacji.
Wywiera to presję na zespoły korporacyjne decydujące, gdzie inwestować wysiłek inżynieryjny. Mogą dalej ulepszać odzyskiwanie informacji wokół istniejących systemów albo wdrożyć dedykowaną warstwę pamięci. Ogłoszenie Graphon zapewnia temu drugiemu podejściu nowe wsparcie, pozostawiając zarazem ważne pytania o wyniki produkcyjne i techniczne wyróżniki.
Co finansowanie Graphon Labs faktycznie zmienia
RRE Ventures przewodziło rundzie Series A, przy udziale HP, Energy Impact Partners, Hitachi Ventures i Gaia VC. Według ogłoszenia o rundzie Series A łączne finansowanie osiągnęło 43,3 mln USD, w tym wcześniejszą rundę seed o wartości 8,3 mln USD. Firma opisuje ten kapitał jako wsparcie dla badań i ekspansji poza wczesne prace z przedsiębiorstwami.
Finansowanie zwiększa zasoby Graphon; nie potwierdza niezależnie skuteczności jego architektury pamięci. To różne kamienie milowe, a rozróżnienie ma znaczenie, gdy ogłoszenie finansowania odwołuje się również do sztucznej inteligencji ogólnej. AGI ogólnie odnosi się do AI o szerokich zdolnościach w różnych zadaniach, choć jej precyzyjna definicja pozostaje przedmiotem sporu.
Runda finansowania pokazuje, że inwestorzy wspierają kierunek obrany przez firmę. Nie dowodzi jednak, jak niezawodnie produkt radzi sobie ze sprzecznymi zapisami, jak trudne staje się wdrożenie ani czy klienci nadal z niego korzystają. Te pytania wymagają dowodów operacyjnych.
Znaczenie komercyjne wynika z tego, co Graphon chce sprzedawać nabywcom. Dedykowana warstwa pamięci stałaby się częścią ciągłej relacji agenta z informacjami organizacji. Tworzy to inną decyzję zakupową niż dodanie kolejnej funkcji wyszukiwania do istniejącej aplikacji.
Przedsiębiorstwo rozważające tę decyzję musi zapytać, gdzie znajduje się autorytatywna wiedza. Jeśli usługa pamięci interpretuje dokumenty i zachowuje relacje, jej wyniki stają się kolejną reprezentacją, od której zależą pracownicy i agenci. Utrzymywanie tej reprezentacji staje się częścią eksploatacji aplikacji.
Ta odpowiedzialność wykracza poza odpowiadanie na pytania. System musi odróżniać zatwierdzoną decyzję od wstępnej sugestii oraz aktywną politykę od nieaktualnej wersji. Nabywcy muszą wiedzieć, jak poprawki rozchodzą się, gdy zmieniają się podstawowe dowody.
Rozważmy hipotetycznego asystenta ds. zakupów analizującego relację z dostawcą. Jego użyteczność zależy od połączenia umowy, aneksów, wewnętrznych zatwierdzeń i późniejszych wyjątków. Odzyskanie istotnego akapitu pomaga, lecz asystent nadal musi ustalić, które warunki obowiązują w bieżącym zapytaniu.
Finansowanie wspiera zatem istotny zakład infrastrukturalny. Graphon prosi przedsiębiorstwa, by traktowały organizację dowodów jako kategorię produktu o własnych wymaganiach inżynieryjnych. Inwestorzy wsparli tę tezę, zanim publiczne dowody rozstrzygnęły o jej przewadze w różnych środowiskach klientów.
Dla czytelników śledzących ogłoszenie znaczenie ma także data. 10 listopada to data ogłoszenia finansowania przez emitenta; późniejsze publikacje odnoszą się do tego wcześniejszego wydarzenia. Nowe daty publikacji nie powinny sugerować odrębnego finansowania ani nowo ukończonego wdrożenia produktu.
Kolejne pytanie dotyczy tego, jak dużą odpowiedzialność organizacje chcą powierzyć tej warstwie. Infrastruktura pamięci zasługuje na swoją pozycję dzięki powtarzalnej użyteczności, szczególnie gdy informacje stają się nieuporządkowane. W tym miejscu historia finansowania przechodzi w historię o oprogramowaniu dla przedsiębiorstw.
Nabywcy korporacyjni dziedziczą problem pamięci
Trwała pamięć kieruje uwagę na utrzymanie wiedzy przez cały cykl życia aplikacji. Agent, który poprawnie odpowiada podczas demonstracji, musi nadal pozostawać użyteczny po zmianach polityk, personelu i uprawnień. Nabywcy korporacyjni muszą ocenić to ciągłe zachowanie.
Bezpośrednia presja spada na zespoły aplikacyjne odpowiedzialne za wiarygodne odpowiedzi. Zespoły te muszą zdecydować, czy zarządzanie kontekstem należy do każdej pojedynczej aplikacji, czy do współdzielonej infrastruktury. Oddzielna usługa pamięci obiecuje możliwość ponownego wykorzystania, wprowadzając jednocześnie kolejny system, który trzeba rozumieć i obsługiwać.
Wybór ten staje się szczególnie istotny, gdy kilku agentów uzyskuje dostęp do nakładających się informacji. Poprawka powinna dotrzeć do aplikacji, które od niej zależą. W przeciwnym razie różni asystenci mogą udzielać niezgodnych odpowiedzi, ponieważ każdy utrzymuje inną interpretację historii organizacji.
Hipotetyczny przepływ pracy sprzedażowej ilustruje ten problem. Menedżer konta zapisuje preferowane warunki umowy klienta, a późniejsze negocjacje zmieniają te warunki. Asystent przygotowujący odnowienie powinien rozpoznać aktualizację, zachowując jednocześnie wystarczającą historię, aby wyjaśnić wcześniejsze ustalenia.
Istotne jest również rozróżnienie między zapamiętywaniem a wykonywaniem poleceń. Historyczna instrukcja może pozostać użytecznym dowodem, nie będąc już aktywną instrukcją. Nabywcy powinni oczekiwać, że produkt pamięciowy zachowa to rozróżnienie, zwłaszcza gdy agenci mogą podejmować działania.
Generowanie wspomagane odzyskiwaniem informacji, czyli RAG, dostarcza modelowi informacje pobrane z zewnętrznych źródeł, zanim wygeneruje on odpowiedź. Pytanie zakupowe brzmi, czy dedykowana architektura pamięci wystarczająco przewyższa dobrze utrzymywany system odzyskiwania informacji, by uzasadnić wdrożenie. Słaby punkt odniesienia czyniłby takie porównanie mylącym.
Organizacje już teraz mierzą się z pokrewnym rozróżnieniem między informacjami indywidualnymi a współdzielonymi. Osobista baza wiedzy służy innym potrzebom niż zarządzane źródło wykorzystywane przez cały zespół. Pamięć agentów dodaje pytania o to, które informacje powinny się utrwalać i kto może je ponownie wykorzystywać.
Presja na nabywców ma charakter praktyczny, a nie filozoficzny. Muszą zidentyfikować awarię, którą chcą naprawić, przed wyborem architektury. Brakujące dowody, nieaktualne dowody, błędna interpretacja i nieautoryzowany dostęp wymagają różnych środków zaradczych.
Dedykowana warstwa zasługuje na uwagę, gdy awarie wielokrotnie dotyczą relacji między źródłami lub zmian zachodzących w czasie. Jej wartość staje się mniej oczywista, gdy podstawowym problemem jest niepełna dokumentacja. Żadna architektura nie odzyska zatwierdzenia, którego nikt nie zapisał.
Wpływ Graphon Labs na przedsiębiorstwa będzie zatem zależał od szczegółów wdrożenia, których łączne kwoty finansowania nie mogą ujawnić. Istotne dowody obejmują sposób, w jaki klienci aktualizują zapisy, badają błędy i decydują, czy odpowiedź jest wystarczająco uzasadniona. Te zachowania określają, czy pamięć staje się niezawodną infrastrukturą.
Granica wdrożenia ma takie samo znaczenie jak mechanizm odzyskiwania informacji. Nabywcy potrzebują jasności, które systemy przechowują oryginały, które reprezentacje pochodne, a które kontrolują dostęp. Ta jasność pomaga im badać błędy bez traktowania warstwy pamięci jako niewyjaśnionego autorytetu.
Tworzy to szansę dla dostawców, którzy ograniczają pracę operacyjną. Podnosi też standard, który muszą spełnić. Przedsiębiorstwa wdrażające trwałą pamięć potrzebują dowodów, że usługa upraszcza utrzymanie wiedzy w rzeczywistych przepływach pracy.
Połączone dowody są technicznym zakładem
Architektura persistent intelligence Graphon opisuje zachowywanie szczegółowych relacji i używanie skompresowanej reprezentacji do kierowania odzyskiwaniem informacji. Firma nazywa tę reprezentację graphonem, odwołując się do matematyki wykorzystywanej do badania dużych grafów. Pozostaje to wyjaśnieniem podejścia przedstawianym przez firmę.
Graf przedstawia elementy i relacje między nimi. Graphon twierdzi, że relacje te pomagają zachować znaczenie między dokumentami, nagraniami, obrazami i innymi informacjami. Informacje multimodalne łączą różne formaty, takie jak tekst i wideo, w ramach tego samego zadania rozumowania.
Proponowana przewaga wynika z odzyskiwania połączonych dowodów, które odizolowany fragment może pominąć. To zasadnicze wyjaśnienie pamięci Graphon Labs: organizować relacje tak, aby agent mógł odzyskać wystarczającą ilość dowodów, by odpowiedzieć na rzeczywiste pytanie. Architektura nadal musi skutecznie wybierać użyteczne informacje.
Opis firmy uwypukla znany problem odzyskiwania informacji: fragment może zawierać regułę, pomijając wyjątek znajdujący się gdzie indziej. Powiązanie odpowiednich materiałów jest wiarygodnym sposobem rozwiązania tego problemu. To, czy konkretne wdrożenie robi to niezawodnie, wymaga testów.
Hipotetyczne pytanie dotyczące konserwacji konkretyzuje to rozróżnienie. Technik pyta, czy starsza procedura pozostaje zatwierdzona dla określonej konfiguracji maszyny. Odpowiedź powinna połączyć procedurę z właściwą konfiguracją oraz z każdym późniejszym powiadomieniem, które zmienia jej status.
Samo znalezienie procedury jest niewystarczające. System musi odzyskać relację określającą jej zastosowanie. Musi również unikać traktowania pobliskiego dokumentu dotyczącego innej konfiguracji jako dowodu wspierającego.
W tym miejscu przydatne staje się pochodzenie danych, czyli źródło i historia informacji. Odpowiedź może być łatwiejsza do zbadania, gdy każde wspierające twierdzenie wskazuje z powrotem na swoje źródło. Śledzalność pozwala recenzentowi sprawdzić, czy dana relacja rzeczywiście istnieje.
Czas tworzy kolejną warstwę znaczenia. Data wprowadzenia dokumentu do systemu może różnić się od daty, w której jego treść zaczęła obowiązywać. Wiarygodna odpowiedź może wymagać obu tych informacji, szczególnie gdy późne przesłanie zawiera wcześniejszą politykę.
Graphon nie jest jedyną firmą mierzącą się z tym problemem. Badania Zep dotyczące pamięci czasowej, opublikowane w styczniu 2025 roku, opisują Graphiti, silnik grafowy łączący rozmowy i dane biznesowe przy zachowaniu historycznych relacji. Stanowi to istotne porównanie architektoniczne, nie wskazując zwycięzcy.
Porównanie zawęża pytanie o wyróżniki. Stwierdzenie, że relacje i czas mają znaczenie, nie wystarcza, gdy inny dostawca uwzględnia te wymiary. Graphon potrzebuje dowodów na to, jak jego konkretna reprezentacja zmienia dokładność, nakład pracy związany z utrzymaniem lub zachowanie odpowiedzi.
Szerszym odniesieniem historycznym są badania nad długim kontekstem, które wykazały, że umiejscowienie informacji wpływało na wyniki badanych modeli. Ustalenia te nie określają ograniczeń każdego obecnego modelu. Wspierają jednak rozróżnienie między ilością dostępnego kontekstu a zdolnością do jego wykorzystania.
To rozróżnienie daje połączonej pamięci wiarygodne uzasadnienie. Pozostawia także miejsce dla prostszych systemów odzyskiwania informacji, które dobrze działają przy określonych obciążeniach. Porównanie korporacyjne powinno testować oba podejścia na tych samych pytaniach, dowodach i ograniczeniach operacyjnych.
Dlatego techniczny zakład jest zrozumiały bez przyjmowania twierdzeń o uniwersalnej przewadze. Struktura może pomóc agentowi odnaleźć dowody, które potwierdzają poprawność odpowiedzi. Pozostaje pytanie, czy Graphon zachowuje i odzyskuje tę strukturę wystarczająco lepiej, aby miało to znaczenie w praktyce.
Twierdzenia dotyczące benchmarków wymagają odczytania w kontekście daty
Wynik benchmarku wymaga daty, konfiguracji i jasno zdefiniowanego porównania. Bez tych szczegółów pozorna poprawa może odzwierciedlać zmiany modeli, zbiorów danych lub metod oceny. Jest to szczególnie ważne, gdy firma aktualizuje wpis blogowy dotyczący premiery po jego publikacji.
Opatrzone datą ogłoszenie Graphon przedstawiało wyniki w LoCoMo, ConvoMem i ATM-Bench, które oceniają aspekty pamięci konwersacyjnej lub szerszej pamięci. Obecny blog firmy zawiera rozszerzone materiały dotyczące benchmarków. Aktualne wyniki nie powinny być bez wyjaśnienia przedstawiane jako dowody dostępne w chwili ogłoszenia finansowania.
Wyniki raportowane przez firmę również wymagają starannego przypisania źródła. Zewnętrzny benchmark może oferować wspólny test, nie oznacza to jednak, że implementacja każdego dostawcy została niezależnie powtórzona. Czytelnicy powinni odróżniać twórcę testu od podmiotu, który przeprowadza i raportuje konkretny wynik.
Ocena ATM-Bench stanowi użyteczny przykład zakresu, jaki powinno obejmować testowanie pamięci. Jej zadania uwzględniają sprzeczne dowody, powiązania między źródłami oraz sytuacje, w których system powinien odmówić odpowiedzi. Te wymiary pomagają wyjść poza samo odnajdywanie nieprecyzyjnie istotnego elementu.
Jeden z przykładów prosi system o połączenie wizyty w restauracji ze zdjęciami posiłku. Inny odróżnia wcześniejszą rezerwację od późniejszych dowodów tego, co faktycznie się wydarzyło. Zadania te pokazują, czy odzyskany materiał wspiera wymagany wniosek.
Szersza lekcja jest taka, że trafność i wystarczalność to różne rzeczy. Agent może odnaleźć informacje o właściwym zdarzeniu, a jednocześnie nie mieć dowodów na konkretny żądany szczegół. Niezawodny system powinien zachowywać tę granicę.
Dla nabywcy korporacyjnego nagłówek z wynikiem dokładności powinien być początkiem analizy. Następnym krokiem jest zbadanie błędów. Czy system odzyskał niewłaściwe źródło, przeoczył korektę, czy też wyciągnął nieuzasadniony wniosek z poprawnych dowodów?
Te rozróżnienia wpływają na to, co zespoły powinny naprawić. Lepsze wyszukiwanie może rozwiązać problem brakujących fragmentów. Jaśniejsze zasady określania autorytetu mogą rozwiązać problem sprzecznych dokumentów. Zmiany w generowaniu odpowiedzi mogą ograniczyć wnioski wykraczające poza dowody.
Porównania powinny również, tam gdzie to możliwe, zachowywać ten sam model odpowiadający. Jeśli różne systemy korzystają z różnych modeli, wyniki opisują systemy jako całość, zamiast izolować warstwę pamięci. Może to nadal być użyteczne, pod warunkiem że porównanie zostanie dokładnie opisane.
Podobnie starannego podejścia wymaga wykorzystanie zasobów. Tokeny, czyli jednostki tekstu przetwarzane przez modele językowe, mierzą tylko część pracy aplikacji. Niższe zużycie tokenów podczas odpowiadania samo w sobie nie dowodzi niższego całkowitego nakładu operacyjnego.
Budowanie i aktualizowanie reprezentacji pamięci także wymaga zasobów. Dotyczy to również korygowania błędów ekstrakcji, obsługi nowych źródeł i utrzymywania uprawnień. Użyteczna ocena uwzględnia te działania, zamiast brać pod uwagę wyłącznie końcową odpowiedź.
Finansowanie Graphon Labs daje firmie zasoby, by dostarczyć mocniejszych dowodów w tych kwestiach. Najbardziej przekonujące wyniki ujawniłyby wystarczająco dużo metodologii, aby osoby z zewnątrz mogły zrozumieć, co się zmieniło. Odtwarzalne testy dodatkowo wzmocniłyby zaufanie.
Ten standard nie wymaga odrzucania benchmarków dostawców. Takie testy mogą wskazywać obiecujące możliwości i ujawniać użyteczne kierunki badań. Stają się bardziej informacyjne, gdy firma publikuje konfiguracje, ograniczenia i reprezentatywne przypadki niepowodzeń obok głównego wyniku.
Zainteresowanie klientów pozostawia otwarte pytania dotyczące wdrożenia
W ogłoszeniu wymieniono San Francisco 49ers i Hitachi jako organizacje współpracujące z Graphon. Oświadczenia partnerów używają węższego języka: 49ers opisują eksplorację, a Hitachi Rail — ewaluację. Oświadczenia te potwierdzają zainteresowanie i testowanie, a nie jednolite twierdzenie o dojrzałym wdrożeniu.
Wymienione organizacje zapewniają kontekst komercyjny, ale ich oświadczenia muszą zachować pierwotny zakres. Eksploracja, ewaluacja i ugruntowane użycie produkcyjne opisują różne etapy. Traktowanie ich jako równoważnych sprawia, że dowody wyglądają na silniejsze, niż potwierdzają to cytowani klienci.
Ewaluacja może mimo to mieć znaczenie. Potencjalny klient może poddać produkt działaniu trudnych danych i wyjaśnić, czy proponowana funkcja rozwiązuje istotny problem. Jednak publiczne oświadczenie o obietnicy nie ujawnia bieżącego użycia, nakładu wdrożeniowego ani mierzalnych wyników.
Ta sama ostrożność dotyczy szerokości produktu. Graphon opisuje kierunki korporacyjne, deweloperskie i działające na urządzeniu, a ekspansję wspiera finansowanie. Pamięć na urządzeniu oznacza lokalne zachowywanie i wykorzystywanie informacji na sprzęcie takim jak laptop lub telefon. Ta ambicja nie powinna przeradzać się w założenie powszechnej dostępności.
Każde środowisko stawia inne wymagania. Centralnie zarządzana usługa korporacyjna musi pasować do organizacyjnych zasad dostępu i procesów operacyjnych. Lokalny sprzęt musi działać w granicach swoich możliwości sprzętowych i zapewniać właścicielowi zrozumiałą kontrolę nad zachowywanymi informacjami.
Wymagania te rodzą konkretne pytania dotyczące planu rozwoju. Jakie informacje pozostają lokalne? Jakie informacje opuszczają urządzenie? W jaki sposób użytkownik sprawdza lub usuwa pamięć pochodną?
Usuwanie jest szczególnie ważne, gdy system tworzy powiązania na podstawie oryginalnych materiałów. Usunięcie źródła powinno uruchamiać zdefiniowany proces przeglądu reprezentacji od niego zależnych. Nabywcy potrzebują jasnego opisu tego zachowania, zanim oprą się na trwałości danych.
Zmiany uprawnień tworzą powiązany test. Osoba, która utraci dostęp do źródła, nie powinna odzyskać jego treści za pośrednictwem podsumowania wygenerowanego wcześniej. Osoby oceniające powinny sprawdzić, czy odpowiedzi pochodne respektują aktualny dostęp, zamiast zakładać, że uprawnienia źródła automatycznie rozwiązują problem.
Są to pytania ewaluacyjne, a nie zarzuty dotyczące implementacji Graphon. Publiczne materiały przeanalizowane na potrzeby tego artykułu ich nie rozstrzygają. Ta niepewność powinna znaleźć się w każdej ocenie wpływu Graphon Labs na przedsiębiorstwa.
Ramy AGI również wymagają wyraźnej granicy. Lepsza pamięć może wspierać użyteczne zachowanie agentów, nie potwierdzając istnienia ogólnej inteligencji. Zapamiętywanie dowodów, uczenie się umiejętności możliwej do ponownego użycia oraz poprawa oceny sytuacji w nieznanych zadaniach pozostają odrębnymi twierdzeniami.
Agent może odzyskać wcześniejszą korektę, a mimo to zastosować ją niepoprawnie. Może zachować skuteczne działanie, nie rozumiejąc, kiedy powtórzenie tego działania staje się niewłaściwe. Pamięć dostarcza materiału do rozumowania; jakość wynikającej z niego oceny nadal wymaga ewaluacji.
Pozostawia to znaczącą szansę komercyjną, która nie zależy od rozstrzygnięcia kwestii AGI. Pomaganie pracownikom w odnajdywaniu aktualnych, powiązanych dowodów może być wartościowe samo w sobie. Najsilniejszy krótkoterminowy argument za Graphon opiera się na wykazaniu takiej poprawy w możliwych do zidentyfikowania przepływach pracy.
Co obserwować do początku 2027 roku
Kolejne użyteczne dowody powinny połączyć wydajność techniczną z obserwowalnym użyciem produktu. W nadchodzących miesiącach na uwagę zasługują trzy sygnały w ustalonej kolejności: dostęp dla deweloperów, odtwarzalna ewaluacja i szczegółowe wyniki klientów. Każdy z nich wyjaśniłby inną część ogłoszenia.
Po pierwsze, warto obserwować konkretny dostęp dla deweloperów i dokumentację. Jasny interfejs, obsługiwane formaty danych, zachowanie aktualizacji i wymagania wdrożeniowe ułatwiłyby ocenę architektury. Materiały te pomogłyby twórcom odróżnić użyteczną usługę od szerokiego kierunku produktowego.
Siła tego sygnału zależy od tego, co deweloperzy mogą faktycznie zrobić. Demonstracja odpowiadająca na przygotowane pytania dostarcza mniej informacji niż dostęp obsługujący niezależne obciążenia. Jasne ograniczenia pomogłyby również zespołom ustalić, czy ich wymagania są zgodne z możliwościami systemu.
Materiały dla deweloperów powinny wyjaśniać, jak dowody trafiają do systemu, zmieniają się i go opuszczają. Ten cykl życia ujawnia więcej niż lista obsługiwanych formatów plików. Pokazuje, czy aplikacje mogą utrzymywać spójną pamięć w miarę ewolucji informacji, na których się opierają.
Po drugie, warto obserwować opatrzone datą, odtwarzalne porównania z wiarygodnymi alternatywami. Testy powinny identyfikować modele odpowiadające, przygotowanie danych, założenia dotyczące zasobów i metodę oceny. Publikowanie przypadków niepowodzeń pomogłoby czytelnikom zrozumieć, gdzie proponowana przewaga się utrzymuje, a gdzie słabnie.
Silne porównanie powinno obejmować dobrze utrzymywany punkt odniesienia oparty na wyszukiwaniu. Jeśli połączona pamięć wypada lepiej tylko wobec uproszczonej konfiguracji, implikacja komercyjna pozostaje ograniczona. Spójne zyski w trudnych pytaniach dotyczących relacji i aktualizacji stanowiłyby mocniejsze potwierdzenie.
Niezależne powtórzenie dodatkowo wzmocniłoby argumentację. Zmniejszyłoby niepewność, czy raportowany wynik zależy od nieujawnionej konfiguracji lub wyboru ewaluacyjnego. Brak powtórzenia pozostawiłby twierdzenie jako wstępne, nawet gdy początkowy wynik wygląda obiecująco.
Po trzecie, warto obserwować relacje klientów opisujące konkretny przepływ pracy i mierzalną zmianę. Użyteczne dowody wyjaśniałyby, co system zastąpił, jak ludzie z niego korzystają i jakie problemy pozostają. Wymieniony klient mówiący o ugruntowanym procesie miałby większą wagę niż ogólny entuzjazm.
Sygnały te powinny wpływać na sposób, w jaki czytelnicy interpretują finansowanie. Szerszy dostęp wyjaśniłby dostępność. Odtwarzalne wyniki wyjaśniłyby zróżnicowanie techniczne. Szczegółowe wyniki klientów wyjaśniłyby, czy architektura zdobywa trwałe miejsce w aplikacjach korporacyjnych.
Historia finansowania Graphon Labs ostatecznie sprowadza się do tego przejścia od propozycji do dowodów. Inwestorzy sfinansowali architekturę pamięci zbudowaną wokół połączonych informacji. Deweloperzy i nabywcy muszą teraz ustalić, na ile ta struktura usprawnia pracę, którą rzeczywiście wykonują.
Jeśli oceniasz trwałą pamięć AI, przynoś pytania zależne od korekt, wyjątków i powiązań między źródłami. Poproś dostawców, aby pokazali dowody stojące za każdą odpowiedzią i wyjaśnili, co dzieje się, gdy te dowody się zmieniają. Porównaj wyniki z istniejącym systemem wyszukiwania w tych samych warunkach. Uwzględnij pytania, na które poprawną odpowiedzią jest to, że dostępny zapis jest niewystarczający. Następnie zbadaj pracę niezbędną do utrzymania tych wyników w czasie. Śledź publikacje Graphon, kierując się tymi kryteriami, i szukaj dowodów, że jego warstwa pamięci usprawnia określony przepływ pracy, zanim rozszerzysz ten osąd na szersze twierdzenia dotyczące inteligencji.



