Flapping Airplanes 1 milyar dolar finansman sağladı: Kurucu Cursor'u kuluçkaya yatırdı, GPU temelinden AI eğitimini yeniden yazmak istiyor

动察 Beating AI hızlı haber: Yaklaşık bir yıl önce kurulan yapay zeka araştırma laboratuvarı Flapping Airplanes, Index Ventures ve Lux Capital'in ortak liderliğinde 1 milyar dolarlık A Serisi yatırım turunu tamamladı. Yatırım sonrası değerleme 6 milyar dolara ulaştı; bu, bu yılın Ocak ayındaki değerin 4 katı. Şirketin yalnızca 20'den fazla çalışanı var ve bugüne kadar ticari bir ürün piyasaya sürmedi; ancak yatırımcılar arasında Sequoia Capital, Google GV ve Nvidia da bulunuyor.

Flapping Airplanes, Ben Spector, ağabeyi Asher Spector ve Aidan Smith tarafından ortaklaşa kuruldu. CEO Ben, MIT'deyken girişim kuluçka merkezi Prod'un ortak kuruculuğunu yaptı ve Cursor, Mercor, Etched ile Decart'ın erken dönem kuluçka süreçlerinde yer aldı. Daha sonra Stanford Üniversitesi'nde Chris Ré'nin araştırma ekibine katıldı ve açık kaynaklı GPU programlama çerçevesi ThunderKittens'in makalesinin birinci yazarı oldu. Asher, Stanford'da istatistik doktorası yapıyor; Aidan ise Thiel Fellow olup Musk'ın Neuralink şirketinde üç yıl çalıştı.

2025'te Ben ve Stanford ekibi, tüm model hesaplamasını tek bir GPU çekirdeğinde birleştirmeyi deneyen Megakernel'i daha da geliştirdi. Geleneksel çıkarım çerçeveleri hesaplamayı yüzlerce çekirdeğe böler; her birini tek tek başlatır, yürütür ve bekler; GPU bu aralıklarda bellek bant genişliğini tam olarak kullanamaz. Megakernel, hesaplama adımlarını birleştirerek bir sonraki adımın veri okumasının önceden yapılmasını sağlar. Tek bir H100 üzerinde Llama-3.2-1B çalıştırıldığında ve her seferinde bir dizi üretildiğinde, vLLM ve SGLang bellek bant genişliğinin en fazla %50'sini kullanabiliyordu; yeni yöntem bunu %78'e çıkardı ve çıkarım hızı SGLang'den 1,5 kattan fazla daha hızlı oldu.

Birkaç ay sonra ekip, Megakernel'i Llama-70B'ye genişletti; belirli testlerde Tokasaurus çıkarım motoruna bağlandıktan sonra uçtan uca işlem hacmi SGLang'den %22'den fazla daha yüksek oldu. Her iki araştırma da açık kaynak olarak yayımlandı ve Ben'in Flapping Airplanes'i kurmadan önce katıldığı Stanford araştırma sonuçlarına ait.

Flapping Airplanes şimdi bu doğrultuda GPU'ları dönüştürmeye devam ediyor. Şirkete göre en yeni çerçeve, model eğitimi, çıkarım ve video oyunlarını aynı çekirdek içinde eş zamanlı olarak yürütebiliyor. Ekip ayrıca bu yolla yeni öğrenme algoritmaları keşfetmeyi amaçlıyor. Mevcut PyTorch gibi çerçeveler adım adım düzenlenen hesaplamaları yürütmede iyidir; ancak bazı ince taneli ve yoğun iç içe yürütme gerektiren görevleri verimli şekilde işleyemez. GPU'nun kendisi bunu yapamıyor olmayabilir; sadece mevcut yazılımlar bu yetenekleri ortaya çıkarmakta zorlanıyor. Alt düzey programlama biçimini değiştirmek, geçmişte maliyeti çok yüksek olduğu için çalıştırılması zor olan algoritmaları uygulanabilir hale getirebilir.

Yapay zekânın veri verimliliği sorununu daha da çözmek istiyorlar. İnsanlar dili öğrenmek için tüm interneti okumak zorunda değil, oysa büyük modeller muazzam miktarda eğitim verisine bağımlı. Arama ve programlama için hazır büyük veri kümeleri mevcutken, robotik operasyonlar ve bilimsel araştırma gibi alanlarda aynı ölçekte örnek elde etmek zor. Asher daha önce, veri verimliliğinde 1000 kat artışı örnek göstererek bu tür atılımların yaratabileceği ekonomik değeri açıklamıştı. Bir modeli eğitmek için öncekinin yalnızca binde biri kadar veri gerekiyorsa, eğitim örneği sıkıntısı çeken birçok sektör de yapay zekâdan yararlanabilir.