Flapping Airplanes zebrało 1 mld dolarów. Startup chce trenować AI przy użyciu mniejszej ilości danych
By Paweł Lisowski
Spis treści
Flapping Airplanes, młode laboratorium badające bardziej efektywne systemy sztucznej inteligencji, pozyskało 1 mld dolarów w rundzie Series A. Index Ventures i Lux Capital współprowadziły finansowanie, a wycena startupu wyniosła według raportu 6 mld dolarów. To duży skok: dziewięć miesięcy wcześniej firma zebrała 180 mln dolarów w rundzie zalążkowej przy wycenie 1,5 mld dolarów.
Informację o rundzie podał TechCrunch, powołując się na komunikat spółki i raportowaną wycenę. Index Ventures potwierdził udział w finansowaniu oraz opisał cel laboratorium jako zwiększanie efektywności AI. Sama wycena nie jest więc niezależnym audytem wartości firmy, lecz warunkiem uzgodnionym przez inwestorów i spółkę w tej transakcji.
Co chce zbudować Flapping Airplanes?
Startup założyli Aidan Smith oraz bracia Asher i Ben Spector. Zespół pracuje nad tak zwanym megakernelem, czyli programem, który łączy wiele etapów pracy GPU w jednym większym jądrze. Zwykły kernel to pojedynczy fragment kodu wykonywany przez procesor graficzny. Megakernel ma ograniczać przerwy między kolejnymi etapami obliczeń, zamiast za każdym razem przekazywać sterowanie do następnego programu.
W praktyce chodzi o lepsze wykorzystanie drogiego sprzętu. Trening to etap, w którym model uczy się na przykładach i aktualizuje swoje parametry. Inferencja jest późniejszym użyciem gotowego modelu, na przykład wtedy, gdy chatbot generuje odpowiedź. Flapping Airplanes twierdzi, że jej framework może wykonywać trening i inferencję w sposób częściowo nakładający się na siebie: zadanie czekające na dane z pamięci mogłoby działać równolegle z zadaniem intensywnie wykorzystującym moc obliczeniową.
Dlaczego efektywność GPU ma znaczenie?
GPU jest bardzo szybkie w równoległych obliczeniach, ale nie zawsze pracuje bez przerw. Część czasu może czekać na dane, przenoszenie wyników lub uruchomienie kolejnego etapu programu. Jeśli megakernel rzeczywiście ograniczy te przestoje, ten sam klaster kart graficznych może wykonać więcej pracy w tym samym czasie. Dla operatora oznacza to potencjalnie niższy koszt treningu i obsługi modelu, mniejsze zużycie energii oraz lepszy zwrot z już kupionego sprzętu.
To nadal deklaracje zespołu, a nie niezależnie potwierdzony wynik benchmarku. Index Ventures opisuje jednak podobną architekturę: cały program ma działać na GPU jako jeden kernel, a zespół optymalizuje warstwy od kodu sprzętowego po trening i inferencję. Ostateczna wartość rozwiązania będzie zależeć od wyników na różnych modelach, kartach i obciążeniach, a także od tego, czy da się je wykorzystać poza kontrolowanym środowiskiem laboratorium.
Mniej danych, ale nie obietnica bez ograniczeń
Drugim filarem projektu jest efektywność danych. Firma chce budować modele, które osiągną użyteczne wyniki przy mniejszej liczbie przykładów niż obecne systemy. To mogłoby obniżyć koszt przygotowania zbiorów danych i ułatwić zastosowania, w których danych jest mało, na przykład w robotyce albo badaniach naukowych. Nie oznacza to jednak automatycznie, że każdy przyszły model Flapping Airplanes będzie wymagał milion razy mniej danych. Takie sformułowania opisują ambicję startupu, a nie wykazany rezultat.
Wysoka wycena daje zespołowi kapitał na rekrutację i dalsze eksperymenty. Nie gwarantuje przełomu technicznego ani gotowego produktu. Na tym etapie najważniejsze będą publiczne pomiary: jakość modeli, czas i koszt treningu, zużycie pamięci oraz zachowanie systemu przy dużym obciążeniu. Dopiero takie dane pokażą, czy obietnica efektywniejszego AI przekłada się na przewagę, którą można powtórzyć w praktyce.
Źródła
Autor Artykułu
Paweł Lisowski
Paweł Lisowski - pasjonat technologii, komputerów i internetu. Od wielu lat śledzi rozwój sprzętu i oprogramowania, testuje nowe rozwiązania i dzieli się wiedzą z czytelnikami. Zafascynowany wpływem technologii na codzienne życie, tworzy praktyczne poradniki i inspiruje do świadomego korzystania z cyfrowego świata.