组织拥有海量数据，但在实际使用、组织和分析这些数据时却面临诸多挑战。据一项估计，到2025年，企业将在云端存储100泽字节的数据。但如今，MIT Technology Review Insights和Databricks的一项调查发现，仅有13%的组织正在实现其分析和数据战略。
Devavrat Shah 认为，使企业能够有效进行预测和基于情景的规划，需要利用来自企业内部数百个来源的深度、复杂数据类型——而人工智能是实现这一目标的关键。他是 Celect 的创始人，这是一家用于分配和履行大型零售订单的人工智能应用（于 2019 年被耐克收购），同时他还担任麻省理工学院统计与数据科学中心主任。
Shah 通过电子邮件告诉 TechCrunch：“如今，人工智能最具‘登月计划’意义的项目是将其引入组织或企业。”“企业由专家运营，我们相信这些专家需要能够与人工智能无缝协作，以充分利用其潜在优势。”
Ikigai Labs完成A轮融资
为了实现 Shah 所说的“用人工智能赋能每家企业”的使命，Shah 创立了 Ikigai Labs，该平台提供基于专有图形模型的无代码平台，用于预测、稀疏数据协调和优化。Ikigai 今日宣布完成由 Premji Invest 领投、Foundation Capital 和 E& Capital VC 参与的 A 轮融资，融资金额为 2500 万美元，使其总融资额达到 3820 万美元。
大型图形模型：面向表格数据的生成式AI
Shah 与 Vinayak Ramesh 共同创立了 Ikigai。Ramesh 此前创立了 Well Frame，这是一家医疗保健公司，于 2012 年被黑石集团收购。在麻省理工学院攻读研究生期间，Ramesh 与 Shah 合作，使用大型图形模型为表格数据构建人工智能——表格数据是以行和列组织的结构化数据，类似于数据库。
Shah 解释说，从技术上讲，图形模型属于神经网络家族，它们表示一组变量之间的概率关系。“大多数企业数据都是表格形式、稀疏且通常带有时间戳。大型图形模型非常适合这种场景，”他补充道。“用现代术语来说，它们是面向表格数据的‘生成式人工智能’。”
Ikigai 的平台旨在使企业能够创建和部署这些图形模型，以驱动其组织内部的应用程序。使用该平台，客户可以按需在其企业数据上训练模型，创建有助于预测、情景规划和分析的模型。
人们可能会质疑，为什么 Ikigai 的图形模型优于近年来流行的诸如大语言模型（LLM）。Shah 指出，LLM 在处理文本和其他非结构化数据方面表现良好，但它们的运营成本高昂，与图形模型相比需要大量的存储空间。
Shah 说：“我们提供构建模块，使客户能够解决广泛的各种用例。”“我们希望带领所有人一起驾驭人工智能浪潮，而不是被其淹没。”
市场竞争与未来展望
Shah 并不天真地认为 Ikigai 在企业人工智能这个广阔的市场中没有竞争对手。他将 C3.ai、Anaplan、Dataiku 和 Hugging Face 列为主要竞争对手——至少在它们提供 Ikigai 所提供服务子集的这一意义上而言。
但无论如何，Premji Invest 的合伙人 Sandesh Patnam 对 Ikigai 能够脱颖而出充满信心。
他通过电子邮件表示：“Ikigai 的创始团队拥有深厚的行业经验和市场拓展专长，能够将人工智能的前沿技术推向企业运营和决策的核心。他们对大型图形模型的创新将被所有希望将生成式人工智能应用于现有表格数据的企业所采纳。”
借助这笔新资金，总部位于旧金山的 Ikigai 计划在年底前将其团队规模从 30 人扩大至 70 人。