我很高兴地宣布,Neo4j 刚刚完成了一轮 8000 万美元的 E 轮融资。

Learn why we just closed the largest single investment in the graph technology space and what's next


我们很高兴地欢迎 One Peak Partners 和摩根士丹利扩张资本加入 Neo4j 投资者的行列。我还要感谢我们所有参与本轮融资的现有投资者,包括 Creandum、Eight Roads 和 Greenbridge Partners。(请务必查看我们此处发布的官方公告,其中包含所有其他详细信息。)

对于那些在家跟踪的人来说,Neo4j 现在已经筹集了 1.6 亿美元的增长资金,这代表了图技术领域最大的累计投资。我非常自豪能成为对图力量的信任投票的一部分。

那么,接下来我们该怎么做呢?

快速回顾我们的 D 轮融资


自从我们完成 D 轮融资以来,已经过去了两年,而且发生了很多变化。

两年前,图技术才刚刚开始进入主流。在那之前,图数据库一直被分析师、记者和开发团队认为是“精品”或“利基”产品。但在 2016 年底,图技术在企业应用中取得了转折点。

这种转折归因于几个因素的融合:首先,我们产品的成熟使越来越多的企业能够将 Neo4j 用于关键任务应用。与此同时,我们已经达到了围绕欺诈检测和实时推荐引擎等特定用例的意识拐点。许多企业部署成为公开可参考的案例,进一步加强了这种意识。

就在这种采用 S 曲线的关键拐点时,我们完成了 D 轮融资,这让我们处于绝佳的时机,可以利用迅速加速的市场。

快进到今天,图技术已经成为主流。

连接数据对于大型组织来说是必不可少的,图技术出现在每个企业的购物清单上。没有图支持解决方案的企业正在寻求获得解决方案,而那些已经使用图技术的企业则正在开发他们的第二、第三甚至第四个应用!采用正在爆炸式增长,远远超过“成为主流”。

我认为我的 GraphConnect 主题演讲中的这张幻灯片最能说明问题

A summary of enterprise adoption of graph technology


为什么筹集资金,为什么现在筹集


那么,为什么我们现在要筹款呢?

一个词:采用。

图范式转变正在全面进行,对图技术的 demand 正在以前所未有的速度加速增长。我们的客户正在突破图的“what、where 和 how”的界限。他们要求更多,更多,更多的一切。

筹集这轮资金是为了满足这种 demand。通过我们的 E 轮融资,我们将通过继续构建 图平台愿景 来保持我们在该领域的领先地位。从第一天起,我们就始终专注于通过 Neo4j 数据库让开发者能够访问连接的数据。现在,当我们转变为平台公司时,我们仍然专注于可访问的连接数据,但拥有完整的原生图技术堆栈。

但让我们重点关注一个特定因素,它不仅在图领域地平线上显现,而且在整个科技领域地平线上显现:人工智能。

近在眼前的未来:图与 AI


人工智能和图技术正处于一个关键的十字路口。图和 AI 具有共生关系,相互加强和加速发展。

为了向你,亲爱的读者,证明这不仅仅是“AI 洗脑”(!),让我带你回到六年前的 GraphConnect 2012。我们可能只有 150 人在房间里(我六个月大的女儿是其中之一),我们的主题演讲人是来自 UCSD 的 James Fowler 博士。

Dr. James Fowler & Emil Eifrem at GraphConnect 2012


为了避免过度简化他的研究而导致误解,以下是他的演讲核心内容:想象两个平行宇宙。在第一个宇宙中,我知道你的一切。我知道你的姓名、性别、身高、体重、基因、病史、饮食、日程安排、早餐选择等等。一切

在第二个宇宙中,我只知道你存在,其他一无所知。例如,我甚至不知道你的性别。但在这个宇宙中,我只知道一点关于你的朋友以及你的朋友的朋友(你的图!)。我不了解他们,只要知道他们是否吸烟或是否计划投票之类就足够了。

你认为哪个宇宙能让我最准确地预测你的行为?

令许多人惊讶的是,在第二个宇宙中——由连接驱动——我可以比在第一个宇宙中更准确地预测个人的行为。Fowler 博士在他的研究中从科学上证明了这一点,如他在他的著作 Connected 中所描述的那样。

换句话说,预测最好不是由离散的、单独的记录驱动,而是由关系驱动。

让我们看看这如何在机器学习中发挥作用。大多数机器学习管道看起来像这样

Today's machine learning pipelines rely on discrete data points


当我们训练我们的 ML 模型时,我们使用一系列离散的数据记录,几乎就像 RDBMS 中的一行一样。每个数据点都被独立地识别和处理。这是一个我们只知道关于个人的数据的第一个宇宙的例子。

在我们的第二个宇宙中,机器学习会是什么样子?它不仅会使用单个数据记录,还会使用这些记录之间的连接方式(即图)来训练我们的 ML 模型。我们的新机器学习管道看起来像这样

A machine learning pipeline imagined using a graph of connected data


在不久的将来,我相信我们将看到大多数机器学习从分析单个数据行转变为同时分析连接数据的图。这种转变将带来更准确的预测,从而带来更好的决策。

这种变化已经发生。在 每个用例和行业中,我们都在看到图和 AI 部署,它们相互提供彼此急需的上下文,使每项技术都能更上一层楼,不仅仅是渐进式增长,而是呈指数级增长。

我们正处于图驱动人工智能新寒武纪大爆发的边缘。

我相信现在是抓住这个机会的时候了。