成立刚满一年，官网上没有上线的商业软件，没有公开可调用的接口，GitHub主页甚至找不到任何公开的代码仓库。Flapping Airplanes刚刚拿下了由Index Ventures和Lux Capital联合领投的10亿美元A轮融资，投后估值达到60亿美元。
这家由红杉合伙人David Cahn称为年轻人的AGI实验室的初创公司，在资本市场上跑出了极其罕见的速度。在公网高质量文本即将耗尽、大模型继续盲目堆砌参数遭遇瓶颈的档口，它给硅谷兜售了一个极其诱人的叙事：通过彻底重写底层运行机制，用极少的数据训出顶尖大模型。
9个月估值翻四倍的资本实验
这笔10亿美元融资让Flapping Airplanes在短短9个月内身价翻了四倍。
2026年1月，该公司刚走出隐身状态时，拿的是GV、Sequoia和Index给的1.8亿美元种子轮，当时投后估值为1.5亿美元。到了这次A轮，早期投资方不仅悉数跟投，Kleiner Perkins、Valor、Atreides、A*以及英伟达也加入了战局，Index合伙人Mark Xu将正式进入其董事会。
三位年轻创始人的履历几乎踩中了当前硅谷对技术天才的所有刻板印象：Aidan Smith曾入选Thiel奖学金，大学期间在脑机接口公司Neuralink工作；Asher Spector是斯坦福统计学博士；他的兄弟Ben Spector则是斯坦福计算机科学博士生，此前在MIT发起过知名学生创业孵化圈Prod。
横向对比硅谷第一梯队的独立AI实验室，Thinking Machines在2025年以120亿美元估值融资20亿美元，目前正以400亿美元估值接洽新资金，手里已有Tinker和Inkling两款可测试产品；Ilya Sutskever创办的Safe Superintelligence估值达到320亿美元，但明确对外声明放弃阶段性商业化。Flapping Airplanes介于两者之间，它既没有成熟的商业化软件，也没有发表验证其宏大设想的技术论文，却稳稳拿到了大笔资金。
跑分亮在算子调度，而非模型算法
要理解这家公司值不值60亿美元，先得剥离那些宏大的公关修辞，看看他们手里被学界验证的技术究竟是什么。
Flapping Airplanes的核心技术资产源自斯坦福Hazy Research在底层硬件原语上的积累，其代表作包括ThunderKittens等算子优化方案。团队声称构建了完整的megakernel框架，能将整条训练流水线、推理部署甚至游戏逻辑全部塞进单个GPU内核中执行。
在主流运行架构中，显卡执行任务时常常在等待显存搬运数据和实际计算之间来回切换，产生大量空闲的气泡时间。megakernel做的事情，是用手写的高性能底层调度，把受制于显存读取的推理任务和受制于芯片算力的训练任务叠加在一起，尽可能让算力单元满载。
这项技术的工程水平确实顶尖，但它的测试数据必须放在显微镜下看：
- 在H100芯片上运行Llama-3.2-1B低延迟推理时，实测速度比vLLM快近2.5倍，比SGLang快超过1.5倍。
- 在B200芯片上，其实测推理速度比vLLM快超过3.5倍，比SGLang快超过1.5倍。
- 2025年9月公布的张量并行Llama-70B测试中，在65536条ShareGPT数据集端到端吞吐测试里，它比SGLang高出22%以上，但研究团队明确指出该表现对编译器版本与硬件配置极为敏感。
这些数字完全属实，但必须厘清一个技术分水岭：以上所有被同行承认的跑分，全部集中在低延迟推理和单机吞吐层面。到目前为止，没有任何公开基准测试或技术论文能够证明其megakernel架构在大规模多卡预训练中的加速比，更没有任何实验支撑其在减少数据量的前提下训出同等水准的模型。
硬件吞吐不等于数据效率
创始人Asher Spector曾对媒体表示，一个数据效率提高百万倍的模型，被引入经济系统的阻力也会降低百万倍。这句判断听起来令人振奋，但在深度学习的科学逻辑里，存在着明显的因果断裂。
让显卡不打瞌睡，解决的是系统吞吐量问题，让每块GPU在每秒内多跑几条运算指令；而数据效率是纯粹的统计学习与算法泛化问题，决定的是神经网络消化一个Token时能提炼出多少参数知识。
算子调度优化只保证了芯片跑得更快，绝不等于模型可以用更少的数据学会推理。
如果无法拿出严谨的数学模型或对照组实验，证明将训练和推理塞进同一个内核能诱导模型产生新的表征机制，那么百万倍数据效率就只是为了支撑60亿美元估值而量身定做的叙事包装。把硬件黑客手段与学习理论突破强行绑定，是眼下AI创投圈最典型的概念置换。
- 提醒.如果框架无法拿出严苛控制变量下的预训练对照实验，算力利用率的提升就无法直接折算为算法模型的数据飞跃。
资本防守与工程脆弱性
既然如此，为什么包括英伟达和顶级风投在内的资方依然愿意掏出10亿美元？
答案在于风投机构对预训练天花板的群体性焦虑。整个行业都在眼睁睁看着公网语料见底，如果单纯堆显卡的传统方法收益递减，任何声称能从底层反叛现有体系的幼苗都会成为绝佳的对冲标的。资方押注的逻辑在于：即便百万倍数据效率的饼画得过大，只要团队能把显卡硬件利用率推到极致，也足以做成一个利润丰厚的底层超级基建公司。
但这笔算盘同样面临巨大的工程脆弱性：
手写底层核函数是一把双刃剑。megakernel为了榨干每一滴显存带宽，重度依赖针对特定显卡芯片和特定编译环境的深度定制。英伟达每更新一代硬件架构，或者主流通用的Triton、vLLM与TensorRT-LLM完成一次重大迭代，这种高度专用的手写算子就可能面临推倒重来的维护噩梦。
更严峻的挑战在于分布式扩展。在单张显卡或单台服务器内部，重叠推理与训练可以消除气泡；但当模型拓展到上万张显卡的超大集群时，系统的死穴往往不在片上计算，而在跨节点的网络通信延迟。单机的硬件黑客技巧，无法直接平移到万卡分布式系统。
- 结论.Flapping Airplanes眼下拿到的是一张昂贵的入场券，真正的估值大考在未来6到12个月内，就看它能否交出一份经得起学术同行复现的预训练实测技术报告。