Flapping Airplanes, годовалая лаборатория ИИ, которая разрабатывает обучение крупных моделей на меньшем объеме данных, привлекла $1 млрд в раунде Series A при заявленной оценке $6 млрд. Раунд совместно возглавили Index и Lux, сделка состоялась через девять месяцев после запуска компании. Для бизнеса это финансирование важно, поскольку оно поддерживает альтернативный подход к созданию моделей с упором на снижение затрат на обучение и эксплуатацию.
Как был собран раунд на $1 млрд
Раунду Series A предшествовал посевной раунд на $180 млн от GV, Sequoia и Index, в котором компания была оценена в $1,5 млрд. Новая оценка означает четырехкратный рост менее чем за год. К новому раунду присоединились прежние инвесторы Sequoia, GV и Kleiner Perkins. Среди других названных инвесторов компании значатся Valor, Atreides, A*, Kleiner Perkins и Nvidia. Новые средства предназначены для найма сотрудников и превращения исследовательской цели в работающие системы.
Компания основана Эйданом Смитом и братьями Ашером и Беном Спектор. Смит — бывший основатель и стипендиат Thiel, который во время учебы в колледже работал в Neuralink. Ашер Спектор получал докторскую степень по статистике в Stanford, а Бен Спектор получал докторскую степень по компьютерным наукам в Stanford и еще в MIT основал Prod. Prod — пятилетний студенческий акселератор стартапов, который партнер Sequoia Дэвид Кан назвал инкубатором талантов. Кан, инвестор компании, описал команду как лабораторию AGI молодых людей.
Основатели описывают свою разработку как полный фреймворк megakernel. Kernel — это программа, работающая на GPU, а megakernel объединяет много задач в одной программе. Как утверждается, их система выполняет обучающие запуски, обслуживает инференс, играет в видеоигры и даже делает все три задачи сразу внутри одного ядра. Конструкция совмещает ограниченный памятью инференс с ограниченным вычислениями обучением. Такое сочетание ставит задачу ожидания данных рядом с задачей вычислений, поэтому чип остается занятым, а не простаивает.
Что дешевое обучение даст компаниям
Для компаний, которые покупают и внедряют ИИ, практический интерес связан с системами, обучение и работа которых стоят дешевле. Если один фреймворк сможет совмещать обучение и инференс, заказчикам понадобится меньше отдельных конфигураций, а имеющиеся мощности GPU будут использоваться полнее. Небольшие компании ощутят разницу через снижение порога входа для заказных моделей. Крупные компании — через сокращение расходов на вычисления при большом числе задач и более быстрое повторное использование инфраструктуры.
Этот подход еще требует проверки в производственных условиях. Компания описала архитектуру и цель, но у клиентов нет публичных бенчмарков, сроков поставок, ценовых условий и условий поддержки. Заявление о моделях без поглощения половины интернета пока остается исследовательской задачей, а не спецификацией продукта. Покупателям следует спросить, какие объемы данных требуются, какие GPU поддерживаются, как измеряется качество инференса и какие ограничения действуют при одновременных нагрузках.
Индикатором станет прогресс найма и первый независимо протестированный выпуск системы megakernel. Ашер Спектор связал эффективность использования данных с применением в экономике, сказав, что модель с эффективностью данных в миллион раз выше, вероятно, в миллион раз легче внедрить в экономику. Если $1 млрд позволит лаборатории показать такую эффективность на реальных задачах, корпоративный спрос на обучение на малых данных получит конкретного поставщика.
