Contexte et financement
Flapping Airplanes Inc., laboratoire d’intelligence artificielle fondé il y a un an, a annoncé une levée de fonds de 1 milliard de dollars, portant sa valorisation à 6 milliards selon Bloomberg. Cette opération suit un tour de table seed de 180 millions de dollars en janvier, auquel les mêmes investisseurs (Sequoia Capital, GV) ont de nouveau participé. Index Ventures et Lux Capital ont co‑dirigé la série A, avec l’arrivée de Mark Xu au conseil d’administration. Au total, les investisseurs ont injecté 1,18 milliard de dollars, soit près de quatre fois la valorisation du tour précédent.
Architecture méga‑kernel
Le cœur technique présenté par la société est un « megakernel framework » qui exécute l’ensemble d’un programme sur le GPU comme un seul kernel. Cette approche élimine les latences liées aux changements de contexte entre kernels, un problème récurrent dans les pipelines d’apprentissage profond classiques. Le cadre prétend pouvoir gérer simultanément l’entraînement complet d’un modèle, l’inférence et même le rendu d’un jeu vidéo au sein du même kernel, permettant ainsi à une opération d’inférence limitée par la mémoire de se superposer à une tâche d’entraînement gourmande en calcul.
Efficacité des données et implications
Flapping Airplanes cible la réduction de la consommation de données des modèles IA, affirmant développer des modèles « un million de fois plus efficaces en données ». Si la revendication se confirme, la barrière d’accès liée à la disponibilité massive de jeux de données pourrait diminuer, facilitant l’intégration de l’IA dans des secteurs où les données sont rares ou coûteuses, comme la robotique, le trading haute fréquence et les sciences de la vie. Les co‑fondateurs Asher Spector (doctorat en statistique, Stanford) et Ben Spector (ancien accélérateur MIT, auteur de ThunderKittens, toolkit open‑source pour kernels GPU) apportent une expertise pointue en statistiques et en optimisation GPU.
Limites et perspectives
À ce jour, aucun produit commercial n’est disponible, ce qui rend difficile l’évaluation empirique des gains de performance annoncés. La mise en œuvre d’un méga‑kernel nécessite une maîtrise fine de la gestion de la mémoire et des ressources du GPU, ce qui peut compliquer le déploiement sur des architectures hétérogènes. De plus, la promesse d’une efficacité de données exponentielle repose sur des algorithmes encore non publiés, limitant la capacité de la communauté scientifique à valider les résultats. Néanmoins, le financement massif et le soutien d’acteurs comme Nvidia suggèrent un potentiel de recherche substantiel dans l’optimisation des pipelines IA à l’échelle du matériel.
