Flapping Airplanes: bogata stava na raziskovalni, ne le skalirni AI

Flapping Airplanes: bogata stava na raziskovalni, ne le skalirni AI

V zadnjih letih je industrija umetne inteligence na grafične kartice gledala kot na nafto, na podatkovne centre pa kot na rafinerije. Novi laboratorij Flapping Airplanes z 180 milijoni dolarjev začetnega kapitala trdi, da ta zgodba ni edina možna. Njihov cilj je manj podatkovno požrešna umetna inteligenca in manj odvisnosti od gigantskih gruče­nih strežnikov. To ni še en startup z API‑jem čez tri mesece, temveč visoka stava na dolgoročne raziskave. V nadaljevanju analiziramo, kaj to pomeni za trg, za Evropo – in tudi za ekosistem v Sloveniji.

Novica na kratko

Kot poroča TechCrunch, je v sredo začel delovati novi raziskovalni laboratorij umetne inteligence Flapping Airplanes, ki je zbral kar 180 milijonov dolarjev začetnega (seed) kapitala. Med vlagatelji so Google Ventures, Sequoia in Index Ventures – torej sam vrh ameriškega tveganega kapitala. Ekipa ustanoviteljev je opisana kot izjemno močna, podrobnosti pa za zdaj ostajajo omejene.

Laboratorij ima jasno zastavljen cilj: razviti načine učenja velikih modelov, ki ne temeljijo na nenasitnem požiranju podatkov in ne potrebujejo ekstremnih proračunov za računsko moč. V zapisu partnerja pri Sequoii Davida Cahana, na katerega se sklicuje TechCrunch, je Flapping Airplanes postavljen kot »raziskovalno usmerjena« alternativa sedanji paradigmi »skaliraj vse«. Namesto osredotočanja na 1–2‑letne komercialne zadetke stavijo na 5–10‑letne raziskovalne projekte z večjim tveganjem in potencialno večjim vplivom.

Po oceni TechCruncha je laboratorij precej nizko na lestvici takojšnjega zaslužka – to je bližje DeepMindovemu modelu raziskovalnega laboratorija kot tipičnemu SaaS startupu.

Zakaj je to pomembno

Flapping Airplanes je zanimiv predvsem zaradi tega, čemur se zavestno odreka. Večina današnjih velikih igralcev – OpenAI, Anthropic, Google, Meta – živi v logiki, da so boljši modeli skoraj neposredna funkcija več podatkov, več parametrov in več računske moči. Ta logika je draga, a je doslej delovala.

Laboratorij, ki zbere 180 milijonov dolarjev prav zato, da tu postavi vprašaj, je politična gesta znotraj skupnosti AI.

Kdo lahko profitira?

• Manj kapitalsko bogati inovatorji. Če bo mogoče doseči velik napredek z manj podatki in manj strojne opreme, se vstopni prag močno zniža. To je dobra novica za startupe, univerzitetne laboratorije in javne projekte, ki ne bodo nikoli imeli milijardnega GPU‑proračuna.
• Podjetja zunaj Big Techa. Večina klasičnih podjetij si hiperskalnih gruče ne more privoščiti. Učinkovitejše učenje na manjših, domen­sko specifičnih zbirkah podatkov jim lahko omogoči realno uvedbo AI.
• Regulatorji in okoljevarstveniki. Podatkovno in energetsko požrešna AI je ranljiva tako z vidika podnebja kot politike. Učinkovitejše učenje zmanjšuje pritisk na energijo, omrežja in infrastrukturo.

Kdo lahko izgubi?

• Uveljavljeni igralci, ki stavijo izključno na skalo. Če igra ni več le »kdo ima večjo gruča«, se relativna prednost hiperskalnih ponudnikov manjša.
• Dobavitelji GPU‑jev in oblačni velikani, katerih rastni načrti temeljijo na domnevi, da je edina pot naprej več TFLOPS, ne pa pametnejši algoritmi.

Kratkoročno se obstoječi veliki jezikovni modeli ne bodo čudežno spremenili. A signal za ustanovitelje, raziskovalce in politike je jasen: resen denar je pripravljen staviti tudi na poti, ki se ne začnejo z novim milijardnim podatkovnim centrom.

Širši kontekst

Podobne prelome smo že videli v drugih tehnoloških panogah. Pri čipih je bil dolgo časa najpomembnejši zgolj število tranzistorjev. Sčasoma pa so arhitekturne inovacije – predvidevanje vejitev, pametni predpomnilniki, namenski pospeševalniki – prinesle več kot golo skaliranje. Umetna inteligenca je blizu podobne točke preloma.

V zadnjih letih smo že videli, da lahko algoritmični napredek včasih izenači ali celo preseže vlaganje v strojno opremo. Učinkovitost učenja velikih modelov se je glede na prve generacije GPT‑razreda močno izboljšala – zaradi boljših optimizacijskih metod, pametnejšega izbiranja podatkov in arhitektur, prilagojenih posameznim nalogam. Kljub temu javni diskurz ostaja fasciniran predvsem nad številom parametrov in pomanjkanjem GPU‑jev.

Flapping Airplanes predstavlja zavesten poskus ravnotežja: raziskave postavi v središče, skaliranje pa obravnava kot eno od orodij, ne kot edini motor napredka. To je bližje logiki Bell Labs ali zgodnjega DeepMinda kot povprečnemu današnjemu AI startupu.

Ob tem izstopa še nekaj: večina startupov iz let 2023–2025 je gradila predvsem nad obstoječimi velikimi modeli – kot »tanka plast« nad API‑ji OpenAI, Anthropic ali Googla. Inovacija je bila v uporabniški izkušnji in distribuciji, ne v jedru modelov. Flapping Airplanes stavi ravno na to jedro: da imamo še vedno zelo omejeno razumevanje, kako iz podatkov in računanja nastane inteligenca in kako jo narediti učinkovito.

Prisotnost Google Ventures je pri tem pomenljiva. Google že ima DeepMind in močne interne raziskovalne skupine. Podpora zunanjemu laboratoriju, ki kritično gleda na paradigmo gole skale, nakazuje, da tudi v samem velikem tehnološkem taboru raste dvom, ali je trenutna pot dolgoročno vzdržna.

Evropski in lokalni pogled

Za Evropo je laboratorij, ki daje prednost učinkovitosti pred golo skalo, skoraj idealen scenarij. EU ima vrhunske raziskovalce, močne univerze in industrijo, nima pa neomejene poceni energije in lastnega hiperskalnega oblaka na ravni AWS, Azure ali Google Clouda.

Prihajajoči Akt o umetni inteligenci EU, skupaj z GDPR in Aktom o digitalnih trgih, že potiskajo trg v smer bolj pregledne, nadzorljive in tudi energetsko zmerne umetne inteligence. Če laboratoriji, kot je Flapping Airplanes, uspejo pokazati, da je mogoče zmogljive modele trenirati na manjših in bolj specifičnih zbirkah podatkov, to neposredno nagovarja evropske prednosti:

• Pobude za »suvereno AI« v Franciji, Nemčiji in drugih državah bi potrebovale manj infrastrukture za konkurenčnost.
• Panogam prilagojeni igralci v proizvodnji, zdravstvu ali energetiki bi lahko vrhunske modele prilagajali v lastnih podatkovnih centrih, brez stalnega odtekanja podatkov v ZDA.
• Trgi z visoko občutljivostjo za zasebnost, kot so Nemčija, Avstrija ali Švica, bi lažje sprejeli rešitve, ki ne temeljijo na »pobiranju vsega«.

Za manjše ekosisteme – Slovenijo, Hrvaško, Baltik, Balkan – je obljuba podatkovno učinkovite AI še pomembnejša. Slovenski jezik ima omejene javno dostopne korpuse, velikih treningov v razredu več sto milijonov evrov pa si ne moremo privoščiti. Če bo mogoče z boljšimi algoritmi in arhitekturami iztisniti več iz manjših količin podatkov, se realno odpirajo vrata do kakovostnih, lokalno prilagojenih modelov.

To je tudi priložnost za slovenske raziskovalne inštitute in startupe: namesto lova na vedno večje gruče bi lahko gradili konkurenčnost na algoritmični odličnosti – področju, kjer smo tradicionalno močni.

Pogled naprej

Obstaja tveganje, da bo Flapping Airplanes ostal predvsem lepa zgodba: »plemeniti raziskovalni laboratorij«, ki industriji služi kot alibi, medtem ko se tekma v gradnji podatkovnih centrov nadaljuje po starem. Da se temu izogne, bo moral laboratorij v naslednjih letih narediti tri ključne stvari.

Prvič, pokazati bo moral otipljive znanstvene rezultate, ki bodo javno vidni – metode, merila, prototipe – in bodo jasno presegali pristop »samo povečajmo model« vsaj na nekaterih področjih (učinkovitost, robustnost, razlaga odločitev).

Drugič, razviti bo moral poslovni model, ki ne pade nazaj na golo prodajo API‑ja. To lahko pomeni licenciranje novih arhitektur, partnerstva pri domen­sko usmerjenih sistemih ali orodja, ki drugim omogočajo učinkovitejše učenje. Če je edina pot monetizacije »natreniramo lastni frontier model in ga prodajamo v oblaku«, smo spet na začetku.

Tretjič, znal se bo morati uglasiti z regulacijo, zlasti evropsko. Akt o umetni inteligenci bo najverjetneje zahteval več preglednosti pri podatkih, energijski porabi in delovanju modelov. Prav tu ima raziskovalni pristop veliko prednost: če so učinkovitost, razlaga in nadzor vgrajeni od začetka, je skladnost z zakonodajo lažja – in lahko celo postane konkurenčna prednost.

Za slovenske bralce so ključna vprašanja:

• Se bo del tega raziskovalnega vala prelil tudi v Evropo in našo regijo – bodisi prek partnerstev, podružnic ali skupnih projektov?
• Bodo evropski – in slovenski – skladi tveganega kapitala pripravljeni financirati podobno »počasnejše«, a ambiciozne raziskovalne zgodbe?
• Bomo znali povezati univerze, inštitute in startupe v lastne »mini Flapping Airplanes«, namesto da zgolj čakamo na API‑je iz Silicijeve doline?

Ključna misel

Flapping Airplanes ni le še en dobro financiran AI startup, temveč 180‑milijonska stava proti ideji, da bo pot do »splošne inteligence« tlakovana zgolj z vedno večjimi gruče­mi GPU‑jev. Ali jim uspe ali ne, laboratorij postavlja neprijetno vprašanje vsem ostalim: ali smo res osiromašeni idej in nam preostane samo še »več podatkov, več računske moči«? Za Evropo – in za manjše trge, kot je Slovenija – je odgovor ključen. Če bo naslednji val prebojev predvsem algoritmičen, imamo realno priložnost igrati napadalno igro. Če ne, bo prihodnost inteligence ostala zaklenjena v peščici ameriških podatkovnih centrov. Na kateri strani te zgodbe želimo biti?