top of page

Graphon Labs 融资支持持久化 AI 记忆

14小时前
讀畢需時 12 分鐘

Graphon Labs 于 11 月 10 日宣布获得 3,500 万美元新融资,用于构建持久化 AI 记忆;其面向更广泛开发者和设备的布局仍在后续推进。Graphon Labs 此轮融资押注于一个具体命题:智能体需要能够在任务之间保留关系与动态知识的基础设施。仅仅给出更好的答案,并不能证明智能体能够正确记忆。

核心竞争在于:是构建关联式记忆,还是在每次问题出现时检索孤立段落。Graphon 认为,从一开始就保留关系能够改善智能体日后可恢复的信息。另一家智能体记忆提供商 Zep 提供了有益参照,因为其研究同样涉及动态事实与历史关系。

这给正在决定工程投入方向的企业团队带来压力。他们可以持续围绕现有系统改进检索,也可以采用专门的记忆层。Graphon 的公告为后一种方式带来了新的支持,但生产环境效果和技术差异化等重要问题仍未得到解答。

Graphon Labs 融资究竟改变了什么

RRE Ventures 领投此轮 A 轮融资,HP、Energy Impact Partners、Hitachi Ventures 和 Gaia VC 参与投资。根据 A 轮融资公告,包括此前 830 万美元种子轮融资在内,公司总融资额达到 4,330 万美元。公司表示,这笔资金将用于支持研究,并在早期企业业务之外扩展布局。

这笔融资扩大了 Graphon 的资源,但并未独立验证其记忆架构。 这是两个不同的里程碑;当一则融资公告同时提及通用人工智能时,这一区别尤为重要。AGI 泛指能够跨任务展现通用能力的 AI,尽管其确切定义仍存在争议。

一轮融资只能表明投资者支持公司的发展方向。它无法证明产品处理相互矛盾记录的可靠性、部署会变得多么复杂,或客户是否会持续使用。这些问题需要运营层面的证据。

其商业意义在于 Graphon 希望买家购买什么。专门的记忆层将成为智能体与组织信息持续互动的一部分。这与在现有应用中再增加一个搜索功能,是不同的采购决策。

考虑这一决策的企业必须问:权威知识存放在哪里?如果记忆服务会解读文档并保留关系,其输出就会成为员工和智能体所依赖的另一种信息表征。维护这种表征将成为应用运营的一部分。

这种责任不仅限于回答问题。系统必须区分已获批准的决策与暂定建议,也必须区分现行政策与过时版本。当底层证据发生变化时,买家需要知道修正将如何传播。

设想一个审查供应商关系的采购助手。它的价值取决于能否关联协议、修订条款、内部审批以及后续例外情况。找到相关段落固然有帮助,但该助手仍需判断哪些条款适用于当前请求。

因此,这笔融资支持了一项影响深远的基础设施押注。Graphon 正要求企业将证据组织视为一个拥有自身工程要求的产品类别。投资者已在公开证据尚未证明其在不同客户环境中优势之前,押注了这一命题。

对于追踪该公告的读者而言,日期同样重要。11 月 10 日是发行方公布融资的日期;后续报道反映的是这一早前事件。新的发布日期不应被理解为另一轮融资或刚刚完成的产品上线。

下一个问题是,组织希望将多大责任交给这一层。记忆基础设施要通过反复展现价值来赢得自身位置,尤其是在信息变得混乱时。融资故事也正是在这里转变为企业软件故事。

企业买家继承了记忆问题

持久化记忆将关注点转向应用整个生命周期内的知识维护。 在演示中回答正确的智能体,仍需在政策、人员和权限发生变化后保持有效。企业买家必须评估这种持续表现。

直接压力落在负责可靠答案的应用团队身上。这些团队需要决定:上下文管理应归属于每个独立应用,还是应纳入共享基础设施。独立记忆服务承诺带来复用,但也引入了另一个必须理解和运营的系统。

当多个智能体访问存在重叠的信息时,这一选择尤为关键。一项修正应传达给依赖它的应用。否则,不同助手可能给出互相矛盾的答案,因为各自维护着对组织历史的不同理解。

一个假设的销售流程可以说明这一问题。客户经理记录了客户偏好的合同条款,后续谈判又改变了这些条款。准备续约的助手应识别这一更新,同时保留足够历史信息来说明此前安排。

记住与遵从之间的区别同样重要。历史指令可以继续作为有用证据,而不再是有效指令。买家应期待记忆产品能保留这一区别,尤其是在智能体能够采取行动时。

检索增强生成,即 RAG,会在模型生成答案前向其提供从外部来源检索的信息。采购问题在于:专门的记忆架构相对于维护良好的检索系统,是否带来足够改进以证明采用它是合理的。薄弱的基线会使这种比较产生误导。

组织已经面临个人信息和共享信息之间的相关区别。一个 个人知识库 服务于不同于整个团队使用的受治理信息源的需求。智能体记忆进一步提出了哪些信息应持久保留、谁可以复用的问题。

买家面临的是实际压力,而非哲学问题。他们必须在选择架构前识别希望解决的故障。缺失证据、过时证据、错误解读和未经授权的访问,需要不同的补救措施。

当故障反复涉及跨来源关系或跨时间变化时,专门层值得关注。当底层问题是文档不完整时,其价值则不那么明确。没有任何架构可以恢复无人记录的审批。

因此,Graphon Labs 对企业的影响将取决于融资总额无法揭示的实施细节。相关证据包括客户如何更新记录、调查错误,以及决定一个答案是否有足够支持。这些行为决定记忆是否会成为可靠基础设施。

部署边界与检索机制同样重要。买家需要明确哪些系统保存原始资料,哪些保存派生表征,以及哪些系统控制访问。这种清晰度有助于他们调查错误,而不将记忆层视为无法解释的权威。

这为能够减少运营工作的供应商创造了机会,也提高了它们必须达到的标准。采用持久化记忆的企业需要证据证明,该服务能够简化真实工作流中的知识维护。

关联证据是技术押注

Graphon 的持久化智能架构描述了如何保留细致关系,并利用压缩表征引导检索。公司将这种表征称为 graphon,借用了研究大型图结构的数学概念。这仍是公司对其方法的解释。

图结构表示项目及其相互关系。Graphon 表示,这些关系有助于在文档、录音、图像和其他信息之间保留含义。多模态信息是在同一推理任务中结合文本和视频等不同格式的信息。

其拟议优势在于,能够恢复孤立段落可能遗漏的关联证据。 这正是对 Graphon Labs 记忆的核心解释:组织关系,使智能体能够恢复足以回答实际问题的证据。该架构仍需高效地选择有用信息。

公司的说明突出了一个常见检索问题:一段文字可能包含规则,却遗漏了位于其他地方的例外情况。关联相关材料为解决这一故障提供了合理途径。特定实施方案是否能可靠做到这一点,仍需测试。

一个假设的维护问题可以具体说明这一差异。技术人员询问,某项较旧流程是否仍获准用于特定机器配置。答案应将该流程与适用配置,以及改变其状态的后续通知关联起来。

仅仅找到该流程还不够。系统必须恢复决定适用性的关系。它还必须避免将一份关于不同配置的邻近文档视作支持性证据。

这正是信息溯源——即信息的来源与历史——变得有用之处。当每项支持性主张都能追溯至其来源时,答案更容易被检查。可追溯性让审阅者能够核查这种关系是否真实存在。

时间又增加了一层含义。文档进入系统的日期可能不同于其内容生效的日期。可靠的答案可能需要同时考虑两者,尤其是在延迟上传的文档包含较早政策时。

Graphon 并不独占这一问题。Zep 于 2025 年 1 月发表的时序记忆研究描述了 Graphiti:一种结合对话与业务数据、同时维护历史关系的图引擎。这确立了相关的架构比较,但并不能据此确定赢家。

这一比较进一步聚焦于差异化问题。当另一家提供商也处理这些维度时,仅仅声称关系与时间很重要还不够。Graphon 需要证明其特定表征如何改变准确性、维护成本或响应行为。

更广泛的历史参照是长上下文研究,该研究显示信息位置会影响所研究模型的表现。这些发现并未证明所有当前模型都存在相同限制。但它们支持将可用上下文的数量与使用上下文的能力区分开来。

这种区别为关联记忆提供了可信的依据。同时,它也为在特定工作负载中表现良好的更简单检索系统留下空间。企业比较应在相同问题、证据和运营约束下测试两种方法。

因此,即使不接受“全面优于其他方案”的说法,这一技术押注仍然可以理解。结构能够帮助智能体定位使答案成立的证据。剩下的问题是,Graphon 是否能更有效地保留和检索这种结构,以至于在实践中产生实际影响。

基准测试主张需要结合时间解读

一项基准测试结果需要有日期、配置以及明确的比较对象。 缺少这些细节时,看似的提升可能只是模型、数据集或评估方法变化的结果。当一家公司在发布后更新其发布博客时,这一点尤其重要。

Graphon 在带日期的公告中报告了其在 LoCoMo、ConvoMem 和 ATM-Bench 上的结果,这些测试评估的是对话记忆或更广泛记忆的不同方面。其当前博客包含了扩展后的基准测试材料。当前结果不应被悄然表述为融资公告发布时已有的证据。

公司自行报告的性能同样需要谨慎归因。外部基准测试可以提供共同的测试标准,但这并不意味着每家供应商的实现都经过独立复现。读者应区分测试的来源,以及运行并报告某项具体结果的一方。

ATM-Bench evaluation 提供了一个有益示例,说明记忆测试应覆盖哪些内容。其任务包括相互冲突的证据、跨来源的关联,以及系统应拒绝回答的情形。这些维度有助于让评估超越仅仅找到一项大致相关的信息。

其中一个示例要求系统将一次餐厅用餐经历与餐点照片联系起来。另一个则区分较早的预订记录与之后关于实际发生情况的证据。这些任务能够检验检索到的材料是否支持所要求的结论。

更广泛的启示在于,相关性与充分性并不相同。智能体可以找到有关正确事件的信息,却缺少支持所问具体细节的证据。可靠的系统应当保留这一界限。

对于企业采购者而言,醒目的准确率数字应当只是调查的起点。下一步是审视错误:系统是检索到了错误来源、遗漏了更正信息,还是从准确证据中得出了缺乏支持的结论?

这些区别会影响团队应当修复什么。更好的检索能够解决遗漏段落的问题。更清晰的权威规则能够处理相互冲突的文档。对答案生成方式的调整则可以解决超出证据范围的结论。

在可能的情况下,比较还应保持回答模型一致。如果不同系统使用不同模型,结果描述的就是组合系统,而非单独隔离出的记忆层。这仍然可能有价值,前提是比较被准确标注。

资源使用也值得同样谨慎地处理。Token,即语言模型处理的文本单位,只衡量应用工作量的一部分。回答过程中较低的 Token 用量,并不能单独证明总运营成本更低。

构建和更新记忆表征同样需要资源。修正提取错误、处理新来源以及维护权限也都如此。一项有价值的评估应将这些活动纳入考量,而不是只看最终答案。

Graphon Labs 的融资为公司提供了资源,以针对这些问题产出更有力的证据。最具说服力的结果,应当公开足够的方法细节,让外部人士理解哪些内容发生了变化。可复现的测试将进一步增强信心。

这一标准并不要求否定供应商基准测试。这类测试能够识别有前景的能力,并揭示有用的研究方向。当公司在醒目结果旁同时发布配置、限制条件和具有代表性的失败案例时,它们会更具参考价值。

客户兴趣仍留下部署问题

公告将 San Francisco 49ers 和 Hitachi 列为与 Graphon 合作的组织。其合作伙伴声明使用了更为谨慎的措辞:49ers 表示正在探索,而 Hitachi Rail 表示正在进行评估。这些声明支持的是兴趣和测试,而不是成熟部署已普遍开展的说法。

被点名的组织提供了商业背景,但其声明必须保留原有的适用范围。 探索、评估和成熟的生产使用,代表不同阶段。将它们视为可以互换的概念,会使证据看起来比被引述客户所支持的更强。

评估仍然可能具有意义。潜在客户能够让产品面对困难的数据,并澄清所提出的能力是否解决了有实际意义的问题。但一份关于前景的公开声明,并不能说明持续使用情况、实施投入或可衡量的成果。

同样的谨慎也适用于产品广度。Graphon 描述了企业、开发者和端侧方向,并计划借助融资推进扩张。端侧记忆是指在笔记本电脑或手机等硬件上本地保留和使用信息。这一雄心不应演变为对普遍可用性的假设。

每种环境都提出不同要求。集中管理的企业服务必须符合组织访问规则和运营流程。本地设备则必须在硬件限制内运行,并让所有者能够清楚地控制所保留的信息。

这些要求为产品路线图带来了具体问题:哪些信息保留在本地?哪些信息会离开设备?用户如何检查或删除派生记忆?

当系统会从原始材料中建立关联时,删除尤其重要。移除一个来源后,应触发明确流程,审查依赖该来源的表征。采购者在依赖持久化之前,需要获得对这一行为的明确说明。

权限变更带来了相关测试。失去某来源访问权限的人,不应通过先前生成的摘要重新获取其内容。评估者应检查派生答案是否尊重当前访问权限,而不是假设来源权限会自动解决问题。

这些是评估问题,而不是对 Graphon 实现方式的指控。为本文审阅的公开材料并未解决这些问题。这种不确定性应当被纳入对 Graphon Labs 企业影响力的任何评估中。

AGI 的表述同样需要明确边界。更好的记忆可以支持有用的智能体行为,但并不能证明通用智能。记住证据、学习可复用技能,以及在陌生任务中提升判断力,仍然是不同的主张。

智能体可能检索到过去的更正信息,却仍然错误地应用它。它可能保留一次成功的行动,却不了解何时重复该行动会变得不恰当。记忆为推理提供材料;由此产生的判断质量仍需评估。

这留下了一个不依赖于解决 AGI 问题的重大商业机会。帮助员工找到最新、相互关联的证据,本身就可能具有价值。Graphon 最有力的近期论据,取决于其能否在可识别的工作流程中证明这种改进。

在 2027 年初之前值得关注的事项

下一批有价值的证据应将技术性能与可观察的产品使用连接起来。 在未来数月中,有三个信号值得按照固定顺序关注:开发者访问、可复现评估,以及详细的客户成果。每一项都将澄清公告中的不同部分。

首先,关注具体的开发者访问渠道和文档。清晰的接口、受支持的数据格式、更新行为以及部署要求,会使这一架构更容易评估。这些材料将帮助构建者区分可用服务与宽泛的产品方向。

这一信号的强度取决于开发者实际能做什么。只能回答预设问题的演示,所提供的信息少于能够支持独立工作负载的访问权限。清晰的限制条件也将帮助团队判断自身需求是否匹配。

开发者材料应解释证据如何进入系统、如何变化以及如何离开系统。这个生命周期揭示的信息多于一份受支持文件格式清单。它展示了应用能否随着底层信息演变而维持连贯的记忆。

其次,关注与可信替代方案之间带日期、可复现的比较。测试应识别回答模型、数据准备方式、资源假设和评估方法。公布失败案例,将帮助读者理解所主张的优势在哪些地方成立、在哪些地方减弱。

一项有力的比较应包括维护良好的检索基线。如果关联记忆只是在对比一个过于简单的设置时表现更好,其商业意义仍然有限。在困难的关系和更新问题上获得持续提升,才能提供更有力的支持。

独立复现会进一步增强这一论据。它能够减少关于报告结果是否依赖未披露配置或评估选择的不确定性。即使初步结果看起来很有前景,缺乏复现仍会让这一主张停留在暂定状态。

第三,关注描述具体工作流程和可量化变化的客户案例。有用的证据应说明系统替代了什么、人们如何使用它,以及仍然存在哪些问题。一位具名客户谈论已建立的流程,比泛泛的热情表态更具分量。

这些信号应影响读者如何解读这笔融资。更广泛的访问将澄清可用性。可复现的结果将澄清技术差异化。详细的客户成果将澄清这一架构是否能在企业应用中赢得持久位置。

Graphon Labs 的融资故事,最终取决于从命题走向证据的这一进程。投资者已经为围绕关联信息构建的记忆架构提供了资金。开发者和采购者如今需要判断,这种结构能在多大程度上改善他们实际进行的工作。

如果你正在评估持久化 AI 记忆,请提出依赖于更正、例外情况和跨来源关联的问题。要求供应商展示每个答案背后的证据,并说明当证据变化时会发生什么。在相同条件下,将结果与现有检索系统进行比较。纳入那些正确答案是现有记录不足以作答的问题。随后,审视长期维持这些结果所需的工作。请以这些标准关注 Graphon 的发布,并在将判断延伸到更广泛的智能主张之前,寻找其记忆层改善了明确工作流程的证据。

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page