เครื่องบินกระพือปีกได้รับการระดมทุน 1 พันล้านดอลลาร์: ผู้ก่อตั้งเคยบ่มเพาะ Cursor ต้องการเขียนใหม่การฝึก AI จากระดับพื้นฐาน GPU

动察 Beating ข่าวด่วน AI, ห้องปฏิบัติการวิจัย AI ที่ก่อตั้งมาประมาณหนึ่งปี Flapping Airplanes ปิดรอบระดมทุน Series A มูลค่า 1 พันล้านดอลลาร์ โดยมี Index Ventures และ Lux Capital เป็นผู้นำร่วม มูลค่าหลังการลงทุนแตะ 6 พันล้านดอลลาร์ เพิ่มขึ้น 4 เท่าจากเดือนมกราคมปีนี้ บริษัทมีพนักงานเพียง 20 กว่าคน ยังไม่มีผลิตภัณฑ์เชิงพาณิชย์จนถึงปัจจุบัน แต่นักลงทุนรวมถึง Sequoia Capital, Google GV และ NVIDIA

Flapping Airplanes ก่อตั้งโดย Ben Spector, พี่ชาย Asher Spector และ Aidan Smith ร่วมกัน CEO Ben เคยร่วมก่อตั้งตัวเร่งสตาร์ทอัพ Prod ขณะอยู่ที่ MIT และมีส่วนร่วมในการบ่มเพาะระยะเริ่มต้นของ Cursor, Mercor, Etched และ Decart ต่อมาเขาเข้าทีมวิจัยของ Chris Ré ที่มหาวิทยาลัยสแตนฟอร์ด และเป็นผู้เขียนคนแรกของ論文กรอบการเขียนโปรแกรม GPU แบบโอเพนซอร์ส ThunderKittens Asher เป็นด็อกเตอร์สาขาสถิติจากสแตนฟอร์ด ส่วน Aidan เป็น Thiel Fellow และเคยทำงานที่ Neuralink ของ马斯克 สามปี

ในปี 2025 Ben และทีมสแตนฟอร์ดได้พัฒนา Megakernel ต่อ โดยพยายามรวมการคำนวณของโมเดลทั้งหมดไว้ใน GPU เคอร์เนลเดียว กรอบการอนุมานแบบดั้งเดิมจะแบ่งการคำนวณออกเป็นหลายร้อยเคอร์เนล เปิดทีละตัว ดำเนินการ รอ ทำให้ GPU ไม่สามารถใช้แบนด์วิดท์หน่วยความจำได้อย่างเต็มที่ในช่วงเวลาว่างเหล่านี้ Megakernel รวมขั้นตอนการคำนวณเข้าด้วยกัน ทำให้การอ่านข้อมูลของขั้นตอนถัดไปเกิดขึ้นล่วงหน้า เมื่อรัน Llama-3.2-1B บน H100 ใบเดียวและสร้างหนึ่งลำดับต่อครั้ง vLLM และ SGLang ใช้แบนด์วิดท์หน่วยความจำได้สูงสุดเพียง 50% เท่านั้น วิธีใหม่เพิ่มขึ้นเป็น 78% ความเร็วในการอนุมานเร็วกว่า SGLang เกิน 1.5 เท่า

หลายเดือนต่อมา ทีมได้ขยาย Megakernel ไปยัง Llama-70B ในการทดสอบเฉพาะ ทรูพุตแบบ end-to-end หลังจากเชื่อมต่อกับเอนจินอนุมาน Tokasaurus สูงกว่า SGLang เกิน 22% งานวิจัยทั้งสองชิ้นเป็นโอเพนซอร์สแล้ว และเป็นผลงานวิจัยของสแตนฟอร์ดที่ Ben มีส่วนร่วมก่อนก่อตั้ง Flapping Airplanes

ปัจจุบัน Flapping Airplanes ยังคงปรับเปลี่ยน GPU ตามแนวทางนี้ บริษัทกล่าวว่ากรอบล่าสุดสามารถดำเนินการฝึกโมเดล การอนุมาน และวิดีโอเกมพร้อมกันภายในเคอร์เนลเดียว ทีมยังต้องการใช้สิ่งนี้เพื่อสำรวจอัลกอริทึมการเรียนรู้ใหม่ๆ กรอบอย่าง PyTorch ในปัจจุบันเก่งในการดำเนินการคำนวณที่จัดเรียงตามขั้นตอน แต่ยากที่จะจัดการงานบางประเภทที่มีความละเอียดและต้องการการดำเนินการสลับกันจำนวนมากได้อย่างมีประสิทธิภาพ GPU เองอาจไม่ได้ทำไม่ได้ เพียงแต่ซอฟต์แวร์ที่มีอยู่ไม่สามารถดึงความสามารถเหล่านี้ออกมาได้ง่ายนัก การเปลี่ยนวิธีเขียนโปรแกรมระดับล่างอาจทำให้อัลกอริทึมที่เคยมีต้นทุนสูงเกินไปและยากต่อการรันเป็นไปได้

พวกเขาต้องการแก้ปัญหาประสิทธิภาพข้อมูลของ AI ให้ดียิ่งขึ้น มนุษย์ไม่จำเป็นต้องอ่านอินเทอร์เน็ตทั้งหมดเพื่อเรียนรู้ภาษา แต่โมเดลขนาดใหญ่กลับต้องพึ่งพาข้อมูลฝึกจำนวนมหาศาล การค้นหาและการเขียนโปรแกรมมีคลังข้อมูลสำเร็จรูปจำนวนมาก ในขณะที่ด้านการปฏิบัติงานของหุ่นยนต์และการวิจัยทางวิทยาศาสตร์เป็นเรื่องยากที่จะได้ตัวอย่างในระดับเดียวกัน Asher เคยยกตัวอย่างการเพิ่มประสิทธิภาพข้อมูลขึ้น 1000 เท่า เพื่ออธิบายคุณค่าทางเศรษฐกิจที่อาจเกิดขึ้นจากการ breakthroughs ประเภทนี้ หากการฝึกโมเดลหนึ่งใช้ข้อมูลเพียงหนึ่งในพันของเดิม อุตสาหกรรมหลายแห่งที่ขาดตัวอย่างการฝึกก็อาจนำ AI มาใช้ได้เช่นกัน