三个00后，A轮拿了67亿

作者丨晨阳

编辑丨小龙、子钺

一家尚未推出正式产品、也没有规模化收入的AI初创公司，在成立不到一年后估值达到60亿美元。这个反差，让Flapping Airplanes成为2026年硅谷AI投资热潮中最受关注、也最具争议的案例之一。

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，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。

本轮融资后，Flapping Airplanes的估值达到60亿美元（约合400亿元人民币）。相比今年1月融资时的15亿美元估值，短短9个月增长了三倍。

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。三人的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。

公司至今没有正式产品，也没有规模化收入。

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提出了一个看似简单却极具挑战性的问题：能不能让人工智能使用更少的数据、更少的算力，获得同样甚至更强的智能？

01三个年轻人的逆向创业

Flapping Airplanes的创始团队由三位20多岁的年轻人构成：Ben Spector、他的哥哥Asher Spector，以及Aidan Smith。

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

Ben Spector是公司CEO。他在麻省理工学院学习计算机科学与数学，并于2022年取得工程硕士（MEng）学位，随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等公司的早期孵化都与他有关。红杉资本称Prod“已成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的论文。该框架旨在降低高性能GPU内核的开发难度，论文显示其在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上优于最强基线。

这段经历是他日后创办Flapping Airplanes的技术底色：在创业之前，他已经深入GPU底层计算系统，试图解决AI运行效率问题。

Asher Spector是Ben的哥哥，2021年毕业于哈佛大学，随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，2026年完成学位。

他曾在Meta广告团队实习，工作涉及用更少用户数据训练机器学习模型，这一关注点与他后来在Flapping Airplanes围绕“数据效率”展开的研究方向存在逻辑上的一致性。

Aidan Smith的背景与前两位不同。他是Thiel Fellowship（蒂尔奖学金）获得者，在佐治亚理工学院就读期间，同时在Neuralink工作了三年，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之间的交叉地带。

三位创始人并不打算简单复制生物大脑，也无意将现有AI系统推倒重来。他们的判断更克制，也更具体：现有大模型在数据效率上远未触及上限，未来真正有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。

资本已经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，估值达到15亿美元，投资方包括GV、红杉资本、Index Ventures和Menlo Ventures。从种子轮到10月A轮的10亿美元，公司累计公开股权融资额约11.8亿美元。

02让每一块GPU释放更多价值

过去几年，人工智能行业形成了一套相对清晰的发展逻辑：增加模型参数、扩大训练数据规模、投入更多计算资源，从而提升模型能力。

这一方法推动了大语言模型的快速发展，但也带来了越来越高的成本。

训练先进模型需要大量高性能芯片，部署模型需要持续消耗算力，而数据中心的建设和运行又离不开电力、网络和冷却设施。

随着人工智能应用从聊天机器人扩展到编程、科学研究、机器人和企业自动化，行业对计算资源的需求还在不断增长。

Flapping Airplanes认为，解决这些问题不能只依靠采购更多GPU。它希望从两个方向提高AI系统的效率。

第一个方向，是提升模型的数据利用效率。

Flapping Airplanes希望探索新的模型训练方法，让系统能够从更少的数据中提取更多有效信息。

如果这种方法取得突破，未来训练先进AI模型所需的数据规模可能大幅下降。

这不仅意味着成本降低，还可能让人工智能进入一些过去难以应用的领域。

人工智能的应用边界就有机会进一步扩大。

第二个方向，则是提高GPU的实际计算效率。

公司正在开发一种被称为Megakernel的GPU计算框架。

传统GPU计算通常需要执行大量不同的计算任务。不同任务之间存在调度、数据传输和同步等开销，芯片并不总能保持充分利用。

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。

其框架能够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的工作负载。

更重要的是，它试图让不同性质的任务共享计算资源。

例如，模型训练中的部分操作主要消耗计算能力，而推理过程中的某些操作则可能受到内存带宽限制。

如果能够合理安排两类任务，使计算单元和内存系统交替发挥作用，就有机会减少GPU的空闲时间。

03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，推理成本就会直接影响商业模式能否成立。因此，降低单位任务的计算成本，不只是技术优化，也可能决定AI企业的利润空间。

从产业角度看，效率提升还具有更深远的意义。

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，就可能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。

机器人是一个典型例子。它既受到计算资源和能源消耗的限制，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，并以更低的计算成本运行，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。

本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn