Flapping Airplanes融资10亿美元：创始人孵化过Cursor，想从GPU底层改写AI训练

成立约一年的 AI 研究实验室 Flapping Airplanes 完成 10 亿美元 A 轮融资，由 Index Ventures 和 Lux Capital 联合领投。投后估值达到 60 亿美元，是今年 1 月的 4 倍。公司只有 20 多人，至今没有推出商业产品，投资方却包括红杉资本、谷歌 GV 和英伟达。Flapping Airplanes 由 Ben Spector、哥哥 Asher Spector 和 Aidan Smith 共同创办。CEO Ben 在 MIT 期间联合创办了创业孵化器 Prod，参与过 Cursor、Mercor、Etched 和 Decart 的早期孵化。后来，他进入斯坦福大学 Chris Ré 的研究团队，成为开源 GPU 编程框架 ThunderKittens 的论文第一作者。Asher 是斯坦福统计学博士，Aidan 则是 Thiel Fellow，曾在马斯克旗下 Neuralink 工作三年。2025 年，Ben 和斯坦福团队进一步开发了 Megakernel，尝试把整个模型的计算合进一个 GPU 内核。传统推理框架会把计算拆成上百个内核，逐个启动、执行、等待，GPU 在这些间隙无法充分利用显存带宽。Megakernel 将计算步骤合并，让下一步的数据读取提前进行。在单张 H100 上运行 Llama-3.2-1B、每次生成一条序列时，vLLM 和 SGLang 最多只能利用 50% 的显存带宽，新方案提高到了 78%，推理速度比 SGLang 快了超过 1.5 倍。几个月后，团队又将 Megakernel 扩展到 Llama-70B，在特定测试中，接入 Tokasaurus 推理引擎后的端到端吞吐量比 SGLang 高出 22% 以上。两项研究均已开源，属于 Ben 创办 Flapping Airplanes 前参与的斯坦福研究成果。Flapping Airplanes 现在沿着这条路线继续改造 GPU。公司称，最新框架已经可以在同一个内核中同时执行模型训练、推理和视频游戏。团队还想借此探索新的学习算法。现有 PyTorch 等框架擅长执行按步骤组织的计算，却很难高效处理某些细粒度、需要大量交错执行的任务。GPU 本身未必做不到，只是现有软件不容易把这些能力发挥出来。换一种底层编程方式，就可能让过去成本太高、难以运行的算法变得可行。他们希望进一步解决 AI 的数据效率问题。人类不需要读完整个互联网就能学会语言，大模型却依赖海量训练数据。搜索和编程有大量现成语料，机器人操作、科学研究等领域很难获得同等规模的样本。Asher 此前曾以数据效率提高 1000 倍为例，说明这类突破可能带来的经济价值。如果训练一个模型只需要原来千分之一的数据，许多缺乏训练样本的行业也可能用上 AI。[原文链接](动察 Beating AI 快)