Flapping Airplanes 拿下十億美元 A 輪，押注讓 GPU 不再空轉

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

2026 年 10 月 21 日（台北時間 22 日凌晨 1 時 12 分），AI 實驗室 Flapping Airplanes 在官方 X 帳號貼出一段不到五十個英文字的公告。他們說，過去一年在為 GPU 開發新的基礎元件（new primitives），相信這能讓新的演算法改變機器學習的方式、打開新市場，並大幅重塑 AI 的成本結構。貼文最後一句才是重點：公司完成 10 億美元 A 輪募資，由 Index Ventures 與 Lux 共同領投。

同一天，領投方 Index 的兩位合夥人 Mark Xu 與 Shardul Shah 發出具名投資說明，TechCrunch 也發出報導。三方說法對起來，這筆錢的基本輪廓很清楚：成立不到一年的公司、九個月前才拿 1.8 億美元種子輪，現在估值據報導來到 60 億美元。

真正值得停下來看的是方向。這一年 AI 基礎設施的大錢，多數流向買更多晶片、蓋更大機房，算力已經搶到雲端業者願意把營收先讓位給自家 AI 團隊的程度。Flapping Airplanes 這 10 億美元押的是另一條路：不增加晶片數量，而是改寫晶片上跑的軟體，讓既有 GPU 的每一秒都在做有用的事。

一輪募資，兩種算力路線的分岔

先把數字對齊。這家公司 2026 年 1 月 28 日公開亮相，亮相時的命題就是找一種不那麼吃資料的方式訓練大模型，種子輪 1.8 億美元，由 GV、Sequoia 與 Index 出資，當時估值 15 億美元。九個月後的 A 輪金額放大到 10 億美元，據 TechCrunch 報導估值 60 億美元，等於翻成四倍。同一個命題，九個月內籌碼放大了五倍以上。參與這輪的除了兩位領投方，還有 Sequoia、GV 與 Kleiner Perkins；公司股東名單裡另有 Valor、Atreides、A*，以及晶片大廠 Nvidia。

公告原文的用詞值得原樣看。「重塑 AI 的成本結構」（reshape AI’s cost structure）是公司自己給這輪募資定的調，Index 的說明則補了技術註解：Flapping Airplanes 的 megakernel「把整個程式當成單一 GPU 核心程式執行，消除步驟之間被浪費的時間，讓每顆 GPU 有更多產出」。這是投資方給的定義，也是目前外界理解這家公司技術最具體的一句公開描述。

Pin

這條路線在產業光譜上的位置，Sequoia 合夥人 David Cahn 今年稍早寫得明白。他把 AI 陣營分成兩派：規模派主張把資源投入擴建今天的模型與叢集，用更大的量換更強的能力；研究派認為距離真正的通用智慧還差幾個研究突破，願意把錢押在五年十年的長期題目上。Cahn 把 Flapping Airplanes 歸在後者，還給了它一個稱呼：年輕人的 AGI 實驗室。這輪募資等於一級市場用十億美元，在這場路線之爭裡下了注。Index 給投資邏輯的收斂句也值得原樣看：AI 的需求會持續遠超運算與資料這兩種關鍵投入的供給，最後勝出的是能從每一美元、每一百萬瓦電力、每一位元組資料榨出最多產出的公司。

megakernel 在解決什麼問題

要理解 megakernel（可譯為巨型核心程式），先分開兩個常被混淆的「核心」。GPU 晶片裡有硬體運算核心，那是出廠就固定、數量以千計的電路單位；軟體世界裡的核心程式（kernel），則是丟給 GPU 執行的一段程式。兩者同名但意義不同，看到「把工作收進一個核心」的說法，指的通常是軟體端的核心程式，跟只啟用一顆硬體核心是兩回事。

一般 GPU 程式的跑法，是把工作切成大量小核心程式，按順序丟給 GPU：跑完一段、收回結果、再啟動下一段。問題出在交接。GPU 的記憶體是分層的：晶片旁邊的高速記憶體（HBM）頻寬很高但容量有限，主機端的主記憶體容量大，往來頻寬卻低了一個量級。模型參數、激活值、訓練資料在這幾層之間搬來搬去，每一步的啟動、搬移、同步都要時間。每一步的啟動、資料的搬移、步驟之間的同步都要時間，工廠生產線是好比喻：每台機器規格都漂亮，但每做完一步都要停機交棒、點貨再開機，整線產能就遠低於單機規格給人的印象。GPU 跑模型時常見的處境正是如此，買到了晶片，模型跑起來晶片卻經常在等資料、等上一步、等同步，規格表換不來利用率。

megakernel 的思路，是把整段工作收進一個持續運作的大核心程式裡，讓大部分交接消失。創辦人對 TechCrunch 的描述更激進：他們稱自己的框架是「世界上最完整的 megakernel 框架」，可以在單一核心程式裡跑完整場訓練、提供推論、玩遊戲，甚至三件事同時進行；還宣稱能讓記憶體受限的工作與計算受限的工作互相重疊。用白話講，推論的解碼階段多半在等資料搬進搬出，訓練的矩陣運算多半在算數學，一種在等、一種在算，兩種工作搭著跑，晶片空轉的時間就被填掉了。

順著生產線的比喻再講清楚一點：megakernel 改變的是工序怎麼編排；機器本身並沒有變快。晶片的運算單元、頻寬、時脈都沒有動，動的是工作怎麼被組織。所以評估它的成果時，合理的問法是同一批硬體上同品質的任務變快多少、變慢的情境有沒有被交代；晶片規格本身並沒有提升。

要劃清界線：這兩段都是宣稱。框架能同時做三件事、能把等待填掉，出自創辦人受訪的說法，沒有附上外界可重跑的資料。但宣稱背後的機制本身，確實是 GPU 系統研究圈這幾年真實的共同題目。

不是只有他們在做：2026 年的 megakernel 論文浪潮

以 megakernel 當關鍵詞在 arXiv 檢索，2026 年到十月底為止已經有十四篇論文，方向五花八門。Christopher Ré 等人署名的 Mixture-of-Kittens 針對 Nvidia NVL72 機架做專家混合模型的巨型核心程式；Event Tensor 把動態 megakernel 的編譯問題形式化成一套抽象；MegaFlux 處理專家負載傾斜時的管線化；Ada-MK 用自動搜尋找排程。這代表「把多步工作收進單一大核心程式」已經是多個機構在做的公開研究方向，跟哪一家公司的秘密武器無關，也談不上投資人發明的行銷詞。從論文題目也能看出這條路的難處：工作收進單一核心程式後，內部怎麼排程、編譯器怎麼處理動態行為，本身就是論文在解的問題，Ada-MK 那篇的核心就是用自動搜尋來找排程。

Pin

資本市場那端還有另一個訊號：Nvidia 在股東名單裡。一家靠賣晶片賺錢的公司，投資一家主張現有晶片還能榨出更多產出的公司，表面看似矛盾，邏輯其實相通：若每顆 GPU 能做的工作變多，對買方來說 GPU 的單位價值就提高，反而支撐需求。這是從投資名單推得的解讀，兩家公司都沒有公開說明這層意圖。

Index 點名的心目中市場，是機器人、交易與生命科學，理由是這些領域「AI 還是太貴、資料還是太少」。要注意這些是投資人的應用想像，公告裡沒有對應的客戶或落地成果可以對照，讀的時候當方向看，不要當業務看。

這家公司自己的終極目標還要再往上一層。共同創辦人 Asher Spector 在公司亮相時對 TechCrunch 說過一句話：資料效率高一百萬倍的模型，大概也容易一百萬倍進入經濟體系。換句話說，megakernel 是手段，讓模型不吃掉半個網際網路的資料還能學會東西，才是這間實驗室想證明的命題。同樣把用更少算力當主題的嘗試，可以對照文生圖領域用 275 分之一算力訓練的 Halcyon，兩者規模不同，問題意識相連。

二十多人全實體團隊，從核心程式做到預訓練

Index 的說明給了幾個具體的團隊細節。這家公司二十多人規模，全部在舊金山一起上班，工作橫跨整條技術棧：從 GPU 上的核心程式，一路做到預訓練、後訓練與推論。投資人給它的形容是「以人均計算最垂直整合的 AI 公司」。

三位創辦人的背景拼起來也解釋了這種配置。執行長 Ben Spector 在 Stanford 念電腦科學博士班，更早在 MIT 期間創辦了 Prod，一個運作五年、被 Cahn 稱為矽谷最有力人才孵化器之一的學生創業加速器；兄弟 Asher Spector 是 Stanford 統計博士；Aidan Smith 是 Thiel Fellow，大學時期在腦機介面公司 Neuralink 工作過（三人背景出自同一篇報導）。

TechCrunch 對這筆錢用途的報導很直白：拿來找人。對一個二十多人的團隊，十億美元最主要買的是把研究名單拉長的時間。Index 還補了兩個用人細節：一位工程師高中還沒畢業就加入，後來做出團隊現在倚賴的自動化代理基礎設施；另一位加入前從沒訓練過模型，後來帶了整場預訓練。這兩個例子不是趣聞，它們指向這種全流程共同設計的運作條件：層與層之間沒有部門牆，寫核心程式的人和跑訓練的人坐在一起，上層的演算法才有機會配合底層的執行方式調整，這也是 Index 用來解釋投資理由的主要機制。

誰該關注，誰可以先不用理

這輪募資沒有改變任何使用者眼前的東西。沒有新產品、沒有定價、沒有開放介面，公司官網至今只有一頁招牌。一般讀者與企業採購短期內不需要任何動作。

判斷要不要關注的標準也簡單：你的問題跟 GPU 怎麼被用滿有沒有關係。值得留意的是三種人。GPU 系統與編譯器研究者面對的是一個資金剛剛大幅加碼的鄰域，arXiv 的論文量本身就是訊號。自己跑 ML 工作負載的團隊，與其等別人的 megakernel，更實際的是先量自己的瓶頸：GPU 使用率多少、等待來自資料搬移還是核心程式啟動，多數監控工具都做得到，例如之前介紹過的 GPU 監控清理工具。追蹤 AI 成本結構的人，則可以把這輪募資記成一個錨點：算力效率這條路線，第一次拿到十億美元等級的資本表態。

還沒兌現的部分，與該回看的時點

把宣稱和證據分開盤點，這則新聞裡還缺的東西很明確。效能數字：公告與投資說明都沒有附可重現的比較基準，「同時跑訓練、推論與遊戲」的能力描述出自受訪宣稱，沒有外部驗證。公開論文：以公司名義在 arXiv 查不到論文，這個階段外界只能透過投資人與媒體轉述理解其技術，而別家機構的 megakernel 論文再多，也不能代替它自己的成果。估值：60 億美元是媒體報導值，公司與領投方的公告都沒有正式確認這個數字。

順帶一提，將來若出現任何加速倍數的說法，檢驗方式也一樣：固定同硬體、同模型、同品質門檻再比，否則數字沒有意義，Stanford 分層文字生成那篇 31 倍加速的計算方式就是很好的範例。

回查時點也很好定義：當這家公司發出第一篇公開論文、第一個產品，或第一份獨立測試結果，本文的未知部分就要重算。在那之前，10 億美元買到的是研究時間與人才密度，還不是已驗證的加速倍數。這句話同時是這則新聞最準確的總結。