جذب سرمایه ۱ میلیارد دلاری Flapping Airplanes؛ اجرای کل فرآیند آموزش هوش مصنوعی در یک کرنل GPU

استارتاپ پژوهشی Flapping Airplanes پیش از عرضه هرگونه محصول تجاری، موفق به نهایی‌کردن دور نخست جذب سرمایه سازمانی (Series A) شده است. بر اساس گزارش بلومبرگ، جزئیات این قرارداد به شرح زیر است:

این سرمایه‌گذاری عظیم در واقع اعتباری برای فرضیه بنیادین Flapping Airplanes است؛ این فرضیه که پردازنده گرافیکی (GPU) باید بستر اصلی و کانون تحقیقات هوش مصنوعی قرار گیرد. این شرکت باور دارد که دستورات پایه و سطح‌پایین جدید در GPU می‌توانند از الگوریتم‌های آموزشی متفاوتی پشتیبانی کنند، بازدهی و میزان استفاده از سخت‌افزار را ارتقا دهند و در نهایت هزینه‌های ساخت و اجرای مدل‌ها را به میزان محسوسی کاهش دهند.

یک کرنل برای کل حجم پردازشی

کرنل پردازنده گرافیکی (GPU Kernel) به برنامه‌ای گفته می‌شود که مستقیماً روی تراشه گرافیکی اجرا می‌شود. سیستم‌های امروزیِ آموزش و استنتاج مدل‌ها، در هر مرحله محاسباتی (Model Step) هزاران کرنل مجزا را فراخوانی می‌کنند؛ فراخوانی‌های جداگانه‌ای که برای ضرب ماتریسی، نرمال‌سازی، مکانیزم توجه (Attention)، جابه‌جایی داده‌ها در حافظه و سایر عملیات پردازشی انجام می‌شوند.

هر بار فراخوانی یک کرنل، بار اضافی (Overhead) به سیستم تحمیل می‌کند و وابستگی‌های محاسباتی بین این عملیات می‌تواند باعث شود بخش‌هایی از منابع سخت‌افزاری GPU بدون استفاده و معطل بمانند. ایده «مگاکرنل» (Megakernel) با ادغام عملیات‌های گوناگون در قالب یک برنامه بزرگ‌تر، فضایی فراهم می‌سازد تا یک زمان‌بند داخلی بتواند محاسبات، انتقال حافظه و ارتباطات را بدون نیاز به بازگرداندن مداوم کنترل به پردازنده اصلی (CPU/Host)، هماهنگ و مدیریت کند.

ابزارهایی مانند CUDA Graphs با ضبط و بازپخش توالی عملیات، بار اضافه فراخوانی‌ها را کاهش می‌دهند. کامپایلرها و ابزارهایی نظیر XLA، اینداکتور پای‌تورچ (PyTorch Inductor) و تریتون (Triton) نیز در حال حاضر عملیات‌های منتخبی را با یکدیگر ادغام (Fuse) می‌کنند. اما رویکرد مگاکرنل‌ها این ادغام را فراتر می‌برد و بخش بسیار بزرگ‌تری از بار کاری پردازشی و منطق زمان‌بندی آن را درون یک برنامه مستمر و طولانی‌مدت روی GPU مستقر می‌سازد.

شرکت Flapping Airplanes ادعا می‌کند فریمورک اختصاصی‌اش قادر است کل چرخه آموزش مدل را درون یک کرنل واحد اجرا کند و هم‌زمان به درخواست‌های استنتاج پاسخ دهد و حتی یک بازی ویدیویی را اجرا نماید! این تیم همچنین از یک ماشین مجازی به نام «Kittens» صحبت کرده است که کنترل سخت‌افزار GPU را به دست می‌گیرد و بارهای کاری مختلف را در سطح آن زمان‌بندی می‌کند. با این حال، در حال حاضر هیچ کد عمومی یا بنچمارک مشخصی برای آزمایش مستقل این ادعاها وجود ندارد.

ادغام عمیق‌تر محاسبات، در کنار شتاب احتمالی پردازش، چالش‌های مهندسی چشمگیری نیز به‌همراه دارد. کرنل‌های غول‌پیکر فشار روی رجیسترها و حافظه اشتراکی (Shared Memory) را افزایش می‌دهند، زمان کامپایل را طولانی‌تر می‌سازند، عیب‌یابی (دیباگ) را پیچیده می‌کنند و به بهینه‌سازی‌های اختصاصی برای معماری هر تراشه نیاز دارند. علاوه بر این، اجرای طولانی‌مدت یک کرنل، مدیریت اولویت‌بندی وظایف (Preemption)، بازیابی پس از خطا، ذخیره نقاط بازرسی (Checkpointing) و برقراری ارتباط میان چند پردازنده گرافیکی را به‌مراتب دشوارتر می‌سازد.

تیمی باتجربه در معماری سیستم‌های گرافیکی

دو برادر به نام‌های بن اسپکتور (Ben Spector) و آشر اسپکتور (Asher Spector) این شرکت را همراه با ایدن اسمیت (Aidan Smith)، دارنده بورسیه تیل و مهندس سابق نورالینک، پایه‌گذاری کرده‌اند. بن اسپکتور مدرک دکترای خود را در دانشگاه استنفورد تحت نظر کریس ری (Chris Ré) دریافت کرده و بنیان‌گذار شتاب‌دهنده پرود (Prod) است؛ شتاب‌دهنده‌ای که نام شرکت‌های موفقی چون کورسر (Cursor)، مرکور (Mercor)، اتچد (Etched) و دکارت (Decart) با آن گره خورده است.

پژوهش‌های پیشین بن اسپکتور حوزه‌هایی چون تاندرکیتنز (ThunderKittens)، مگاکرنل‌ها و قوانین مقیاس‌پذیری هوش مصنوعی را در بر می‌گیرد. تاندرکیتنز در واقع یک زبان اختصاصی و کتابخانه برای نوشتن کرنل‌های گرافیکی فوق‌سریع است که در گروه پژوهشی Hazy استنفورد توسعه یافت. اکنون شرکت Flapping Airplanes قصد دارد همان مسیر تحقیقاتی را از بهینه‌سازی کرنل‌های مجزا به سمت زمان‌بندی کل بارهای کاری توسعه دهد.

آشر اسپکتور نیز سابقه فعالیت در کورسر، مرکور و متا را در کارنامه دارد. تجارب او در حوزه توسعه محصول و زیرساخت، مکمل پیشینه پژوهشی سایر هم‌بنیان‌گذاران این استارتاپ است.

چرا سرمایه‌گذاران پیش از عرضه محصول چنین بهایی پرداختند؟

استارتاپ Flapping Airplanes با الگوی آزمایشگاه‌های نوین یا «نئولب» (Neolab) همخوانی دارد؛ پدیده‌ای نوظهور که در آن یک استارتاپ پژوهش‌محور، پیش از توسعه هرگونه محصول تجاری ملموس، سرمایه‌های هنگفتی جذب می‌کند. این مجموعه‌ها به دنبال خلق معماری‌های نوین مدل، روش‌های جدید آموزش، سیستم‌های علمی یا زیرساخت‌های پایه‌ای هستند که ممکن است به سال‌ها آزمایش و خطا نیاز داشته باشند.

در شرایطی که شرکت هیچ درآمدی از محصول ندارد و داده‌ای از عملکرد آن منتشر نشده، ارزش‌گذاری ۶ میلیارد دلاری آن عمدتاً به اعتبار بنیان‌گذاران، سوابق قبلی آن‌ها و چشم‌انداز رشد سرسام‌آور تقاضا برای توان پردازشی محدود گره خورده است. بن اسپکتور پیش‌فرض اصلی بازار را این‌گونه خلاصه می‌کند: «فرضیه بنیادین این است که تقاضا برای هوش مصنوعی بسیار سریع‌تر از عرضه تراشه‌ها و داده‌ها رشد خواهد کرد.»

دو نوع بهره‌وری، دو آزمون جداگانه

ادغام کرنل‌ها بهره‌وری سخت‌افزار را هدف می‌گیرد؛ شاخصی که با متغیرهایی نظیر نرخ بهره‌برداری از پردازنده، پهنای باند و نرخ انتقال (Throughput)، تاخیر زمانی، مصرف حافظه، مصرف انرژی و هزینه کل آموزش سنجیده می‌شود. در سوی دیگر، بهره‌وری نمونه (Sample Efficiency) ارزیابی می‌کند که یک الگوریتم برای دستیابی به سطحی مشخص از عملکرد، به چه حجمی از داده نیاز دارد. دستیابی به بهبود در یک بخش الزاماً به معنای موفقیت در بخش دیگر نیست؛ از این رو ادعاهای سیستمی و ادعاهای الگوریتمی این استارتاپ به بنچمارک‌های کاملاً مستقلی احتیاج دارند.

نام این شرکت (به معنای هواپیماهای بال‌زن) برگرفته از دیدگاه پژوهشی گسترده‌تر آن‌هاست. اسپکتور توسعه کنونی هوش مصنوعی را به تلاش‌های اولیه بشر برای تقلید از بال‌زدن پرندگان تشبیه می‌کند؛ در حالی که هوانوردی واقعی زمانی به ثمر نشست که انسان‌ها اصول پرواز را درک کردند و ساختار مهندسی متفاوتی پدید آوردند. در حوزه یادگیری ماشین، این استعاره بیانگر آن است که تعریف دستورات سیستمی جدید می‌تواند الگوریتم‌هایی با نیاز به‌مراتب کمتر به داده و توان پردازشی خلق کند.

اثبات پیشرفت در هر یک از این دو بخش می‌تواند تأثیر چشمگیری بر تیم‌های فعال در خارج از غول‌های بزرگ هوش مصنوعی بگذارد. حوزه‌هایی مانند رباتیک، یادگیری ماشین برای علوم پایه و مدل‌های تخصصی سازمانی معمولاً با کمبود داده، بودجه محاسباتی محدود یا هر دو مواجه‌اند. بهره‌برداری بهینه‌تر از GPU می‌تواند فوراً هزینه‌های عملیاتی آن‌ها را کاهش دهد، در حالی که ارتقای واقعی در بهره‌وری نمونه می‌تواند طیف مسائلی را که این تیم‌ها قادر به حل آن‌ها هستند، به‌طور چشمگیری گسترش دهد.

موج تغییرات کدام بخش‌ها را تحت فشار قرار می‌دهد؟

• توسعه‌دهندگان مدل‌ها: ارائه یک فریمورک کاربردی می‌تواند بار اضافی فراخوانی کرنل‌ها را کاهش دهد و بازدهی سخت‌افزاری را بدون نیاز به طراحی ران‌تایم اختصاصی و سطح‌پایین توسط هر تیم، بالا ببرد.
• تیم‌های رباتیک و یادگیری ماشین علمی: این حوزه‌ها در صورتی که Flapping Airplanes بتواند بهبود بهره‌وری نمونه را مستقل از شتاب سخت‌افزاری اثبات کند، می‌توانند از الگوریتم‌هایی بهره‌مند شوند که با مثال‌های بسیار کمتری آموزش می‌بینند.
• استارتاپ‌های بهینه‌سازی استنتاج: ورود یک رقیب تازه‌نفس با بودجه سنگین که زمان‌بندی کل بار کاری را در دست می‌گیرد، می‌تواند شرکت‌هایی را که مزیت رقابتی‌شان بر کرنل‌های سفارشی و ادغام اپراتورها استوار است، با چالشی جدی روبه‌رو کند.
• پروژه‌های متن‌باز: پروژه Luce Megakernel گزارش داده که موفق شده تمام ۲۴ لایه مدل Qwen 3.5-0.8B را در یک بار فراخوانی CUDA با نرخ تولید ۱٫۸۷ توکن بر ژول روی یک پردازنده گرافیکی سال ۲۰۲۰ اجرا کند. چنین پروژه‌هایی نشان می‌دهند که تکنیک‌های مگاکرنل فراتر از یک شرکت انحصاری گسترش یافته‌اند، هرچند نتایج آن‌ها نیازمند ارزیابی با سخت‌افزارها و حجم‌های کاری استاندارد است.
• انویدیا و توسعه‌دهندگان کامپایلر: پلتفرم‌های پردازش گرافیکی می‌توانند تکنیک‌های مشابه ادغام و زمان‌بندی را در کامپایلرها و ران‌تایم‌های خود پیاده‌سازی کنند؛ اقدامی که مزیت انحصاری یک فریمورک مستقل را محدود خواهد کرد.

بنچمارک‌هایی که صحت ادعاها را مشخص می‌کنند

1. دامنه شمول (Scope): این شرکت باید دقیقاً شفاف‌سازی کند که منظور از «یک کرنل»، اجرای یک مرحله محاسباتی (Step)، چندین مرحله در یک کرنل پایدار، یا اجرای تمام چرخه شامل بهینه‌ساز (Optimizer)، چک‌پوینت‌ها، بارگذاری داده‌ها و ارتباط بین چند GPU است.
2. معیارهای مقایسه (Baselines): مقایسه‌های جامع باید شامل پیاده‌سازی‌های استاندارد PyTorch و CUDA، بسته‌های بهینه‌شده با کامپایلر، قابلیت CUDA Graphs و کرنل‌های دستی تنظیم‌شده قدرتمند باشند.
3. سنجه‌های اندازه‌گیری (Measurements): گزارش‌ها باید معیارهایی چون نرخ پردازش آموزش، تاخیر در استنتاج، میزان استفاده از GPU، مصرف حافظه، مصرف انرژی، زمان کامپایل و هزینه نهایی را پوشش دهند.
4. عمومیت‌پذیری (Generality): آزمون‌ها باید روی معماری‌های متنوع مدل، طول توالی‌های مختلف، ابعاد متغیر دسته‌ها (Batch Sizes)، فرمت‌های عددی گوناگون و نسل‌های متعدد پردازنده‌های گرافیکی انجام شوند.
5. مسائل عملیاتی (Operations): نسخه نهایی تجاری باید مکانیزم‌های عیب‌یابی، تحلیل عملکرد (Profiling)، نقاط بازرسی، مدیریت خطاها، زمان‌بندی و پشتیبانی از چند پردازنده گرافیکی را تشریح کند.
6. دستاوردهای الگوریتمی (Algorithmic gains): ادعاهای مربوط به بهره‌وری نمونه باید با مقایسه مدل‌ها در بودجه‌های محاسباتی برابر و کیفیت هدف یکسان، با مجموعه‌داده‌های بازتولیدپذیر و شیوه‌های ارزیابی معتبر اثبات شوند.
7. مدل عرضه (Delivery): جامعه توسعه‌دهندگان باید بدانند که این فریمورک به‌صورت نرم‌افزار متن‌باز، سرویس ابری، ران‌تایم با لایسنس تجاری یا صرفاً یک سیستم داخلی برای آموزش مدل‌های خود شرکت عرضه خواهد شد.

انتشار کدهای عمومی، استقرار در پروژه‌های مشتریان واقعی و ارائه بنچمارک‌های مستقل و قابل تکرار، شواهدی هستند که در حال حاضر جای خالی آن‌ها در ادعای مگاکرنل Flapping Airplanes به چشم می‌خورد. تا آن زمان، دور جذب سرمایه سری A در واقع ارزش‌گذاری روی یک برنامه تحقیقاتی بسیار جسورانه از نظر فنی است که کارایی، سازگاری و مدل تجاری آن هنوز به اثبات نرسیده است.