三个00后，A轮拿了67亿- 大数跨境

首页

三个00后，A轮拿了67亿

创业邦

2026-10-24

导读：让每一块GPU释放更多价值。

作者丨晨阳

编辑丨小龙、子钺

一家尚未推出正式产品、亦无规模化收入的AI初创公司，在成立不到一年后估值飙升至60亿美元。这种巨大的反差，使Flapping Airplanes成为2026年硅谷AI投资热潮中备受瞩目且极具争议的案例。

近日，美国人工智能初创公司Flapping Airplanes宣布完成10亿美元（约合67亿元人民币）A轮融资。本轮融资由Index Ventures和Lux Capital联合领投，红杉资本、谷歌旗下风投机构GV、Kleiner Perkins等机构参投。

融资完成后，Flapping Airplanes估值达到60亿美元（约合400亿元人民币）。相较于今年1月融资时的15亿美元估值，短短9个月内增长了三倍。

Flapping Airplanes成立于2025年末，由Ben Spector、Asher Spector和Aidan Smith三位年轻创业者联合创办。团队履历横跨斯坦福大学、麻省理工学院、脑机接口公司Neuralink以及硅谷创业孵化生态。

与OpenAI、Anthropic等公司持续投入巨额资金扩大模型规模的路径不同，Flapping Airplanes提出了一个极具挑战性的命题：能否让人工智能使用更少的数据和算力，获得同等甚至更强的智能？

三位年轻人的逆向创业

Flapping Airplanes的创始团队由三位20多岁的年轻人组成：Ben Spector、其兄Asher Spector以及Aidan Smith。

从左到右依次为：Aidan Smith、Asher Spector、Ben Spector

CEO Ben Spector拥有麻省理工学院计算机科学与数学工程硕士学位，后进入斯坦福大学计算机科学博士项目，师从Chris Ré。在MIT期间，他联合创办了学生创业加速器Prod，Cursor、Mercor、Etched、Decart等公司的早期孵化均与其有关。红杉资本评价Prod为“硅谷最强大的人才孵化器之一”。

2024年10月，Ben作为第一作者发表了开源GPU编程框架ThunderKittens论文。该框架旨在降低高性能GPU内核开发难度，数据显示其在GEMM和注意力推理性能上匹配cuBLAS与FlashAttention-3，并在注意力反向、状态空间模型等操作中优于最强基线。这段经历奠定了其创办Flapping Airplanes的技术底色：深入GPU底层计算系统，解决AI运行效率问题。

Asher Spector毕业于哈佛大学，后在斯坦福大学攻读统计学博士，研究方向涵盖统计推断与机器学习，于2026年完成学位。他曾于Meta广告团队实习，工作涉及利用更少用户数据训练机器学习模型，这与他后来在Flapping Airplanes聚焦“数据效率”的研究方向逻辑一致。

Aidan Smith背景独特，作为蒂尔奖学金（Thiel Fellowship）获得者，他在佐治亚理工学院就读期间同时在Neuralink工作三年，从事机器学习研究和语音应用相关工作。这段经历使他比典型AI研究者更早接触到神经科学、生物智能与工程系统的交叉领域。

三位创始人并未打算简单复制生物大脑或推倒重来现有AI系统。他们的判断更为克制且具体：现有大模型在数据效率上远未触及上限，未来真正具备竞争力的系统，未必是参数最多、数据最大的那个，而可能是能以更少资源获得更强学习能力的系统。

资本市场已用真金白银表达了态度。2026年1月，Flapping Airplanes完成1.8亿美元种子轮融资，估值达15亿美元，投资方包括GV、红杉资本、Index Ventures和Menlo Ventures。至此，公司累计公开股权融资额约11.8亿美元。

让每一块GPU释放更多价值

过去几年，AI行业遵循着增加参数、扩大数据规模、投入更多计算资源以提升模型能力的发展逻辑。这一方法虽推动了大语言模型的快速发展，但也带来了高昂的成本。训练先进模型需要大量高性能芯片，部署需持续消耗算力，数据中心建设运行还依赖电力、网络和冷却设施。随着AI应用从聊天机器人扩展至编程、科研、机器人及企业自动化，行业对计算资源的需求仍在增长。

Flapping Airplanes认为，解决这些问题不能仅靠采购更多GPU，而是希望从两个方向提高AI系统效率。

提升模型数据利用效率

公司希望探索新的模型训练方法，让系统从更少数据中提取更多有效信息。若此法取得突破，未来训练先进AI模型所需数据规模将大幅下降。这不仅意味着成本降低，还可能让人工智能进入过去难以应用的领域，进一步扩大应用边界。

提高GPU实际计算效率

公司正在开发名为Megakernel的GPU计算框架。传统GPU计算通常执行大量不同任务，存在调度、数据传输和同步等开销，芯片利用率往往不足。Megakernel的思路是将原本分散的多个计算操作整合到更大的GPU内核程序中执行。

该框架能在单个内核中处理完整训练过程、执行推理任务，甚至同时运行游戏等不同类型工作负载。更重要的是，它试图让不同性质的任务共享计算资源。例如，模型训练主要消耗计算能力，而推理某些操作受内存带宽限制。若能合理安排两类任务，使计算单元和内存系统交替发挥作用，将有机会减少GPU空闲时间。

当算力成为新时代的石油
效率决定AI的下一场竞争

在AI Agent快速发展的背景下，人工智能不再只是回答一次问题，而是需要持续执行搜索、编程、分析、规划和操作等复杂任务，一个任务可能涉及数十次甚至更多模型调用。当这种使用方式进入企业生产流程，推理成本将直接影响商业模式的可行性。因此，降低单位任务的计算成本不仅是技术优化，更可能决定AI企业的利润空间。

从产业角度看，效率提升具有更深远意义。

首先，它可能降低AI行业的进入门槛。目前，最先进模型的研发集中在少数拥有巨额资金和算力资源的企业手中。如果未来训练高性能模型所需的数据和算力显著减少，中小型科技公司、科研机构乃至专业领域团队将获得更大的创新空间，人工智能创新也不必完全依赖超大规模资本投入。

其次，效率突破可能推动AI向现实世界渗透。以机器人为例，其既受计算资源和能源消耗限制，又面临真实世界训练数据不足的问题。如果人工智能系统能够在更少数据条件下学习，并以更低计算成本运行，机器人技术就有机会获得更强的经济可行性。类似逻辑也适用于生命科学、工业自动化和其他数据稀缺、计算成本敏感的领域。

科技史上，许多改变世界的创新最初都不是对既有道路的简单延伸，而是源于有人敢于重新提出问题。当一个行业逐渐形成共识，新的机会往往隐藏在那些被视为理所当然的前提之中。

【声明】内容源于网络

创业邦

创业邦是领先的国际创新生态服务平台，为高成长企业、金融机构、产业园区、地方政府提供全方位的媒体资讯、数字会展、数据研究、创新咨询、教育培训、资本对接等服务。公司及旗下基金获得IDG资本、DCM、红杉中国、北极光创投、顺为资本、腾讯投资、盛景投资、宜信、GGV等10余家世界顶级投资机构支持，并形成长期紧密的战略合作关系。

内容 17368

粉丝 1

创业邦山东创业邦创业服务有限公司创业邦是领先的国际创新生态服务平台，为高成长企业、金融机构、产业园区、地方政府提供全方位的媒体资讯、数字会展、数据研究、创新咨询、教育培训、资本对接等服务。公司及旗下基金获得IDG资本、DCM、红杉中国、北极光创投、顺为资本、腾讯投资、盛景投资、宜信、GGV等10余家世界顶级投资机构支持，并形成长期紧密的战略合作关系。

总阅读428.1k

粉丝1

内容17.4k