Par Adri 
L'intelligence artificielle se développe aujourd'hui à coups de centres de données gigantesques, de grappes de GPU et de budgets d'infrastructure de plusieurs dizaines de milliards de dollars. Flapping Airplanes veut explorer la direction opposée : obtenir davantage de capacités à partir des ressources déjà disponibles.
Cette ambition suffit désormais à attirer des montants considérables. Le 21 octobre, ce jeune laboratoire installé à San Francisco a annoncé une levée de fonds de série A d'un milliard de dollars, codirigée par Index Ventures et Lux Capital.
Sequoia Capital, GV, le fonds de capital-risque d'Alphabet, et Kleiner Perkins figurent également parmi les investisseurs mentionnés dans les informations publiées sur l'opération.
Selon Bloomberg, la transaction valorise Flapping Airplanes à six milliards de dollars après prise en compte du nouveau financement. Ce montant représente environ quatre fois la valorisation de son précédent tour, organisé en janvier.
Le contraste est frappant : l'entreprise ne dispose pas encore de produit commercial et concentre ses efforts sur la recherche.
Les investisseurs ne financent donc pas une activité dont les ventes auraient déjà démontré la rentabilité. Ils prennent position sur des techniques susceptibles de transformer l'économie de l'entraînement et de l'exploitation des modèles d'IA.
Un milliard supplémentaire, neuf mois après un premier financement de 180 millions
Flapping Airplanes avait déjà obtenu 180 millions de dollars lors de son tour initial annoncé en janvier 2026.
L'ajout du financement d'octobre porte les montants levés annoncés depuis sa création à environ 1,18 milliard de dollars.
Ces sommes ne doivent pas être confondues avec son chiffre d'affaires. Le laboratoire n'a pas encore mis de produit sur le marché et ne publie pas de revenus commerciaux permettant d'évaluer son activité.
La valorisation de six milliards de dollars ne correspond pas non plus à la trésorerie que l'entreprise détient. Il s'agit d'une estimation de sa valeur issue des conditions du tour de financement.
Dans le cas d'une jeune société privée, les investisseurs négocient le prix auquel ils acceptent d'acquérir une participation au capital. Ce prix peut refléter les perspectives de croissance, les compétences de l'équipe, la rareté d'une technologie ou l'importance stratégique du marché visé.
Il ne constitue pas une mesure vérifiée de la valeur future de ses innovations.
Le financement intervient à un moment où les géants du secteur consacrent des sommes particulièrement élevées à la puissance informatique. Cette situation crée une opportunité pour une entreprise qui parviendrait à améliorer sensiblement le rendement de ces investissements.
Mais le raisonnement fonctionne dans les deux sens : plus la valorisation initiale est importante, plus les résultats commerciaux et scientifiques devront être convaincants pour la justifier.
Trois fondateurs et une équipe volontairement restreinte
Flapping Airplanes a été fondée fin 2025 par les frères Ben et Asher Spector, accompagnés d'Aidan Smith.
Ben Spector dirige l'entreprise. Il a notamment participé à la création de Prod, un incubateur étudiant associé à l'écosystème technologique américain, et a travaillé sur des outils destinés à améliorer l'exécution de programmes sur GPU.
Asher Spector possède une formation avancée en statistiques à Stanford. Il apporte au laboratoire une expertise sur les problèmes d'apprentissage, d'efficacité des données et d'analyse mathématique.
Aidan Smith a travaillé chez Neuralink et dispose d'une expérience en ingénierie appliquée.
Le fonds Index Ventures décrit une équipe d'environ deux douzaines de personnes, travaillant ensemble à San Francisco.
L'effectif exact peut évoluer rapidement, mais sa taille reste modeste au regard des sommes annoncées.
Cette organisation correspond à la philosophie du laboratoire : rapprocher les chercheurs en apprentissage automatique des ingénieurs qui optimisent directement les logiciels exécutés sur les accélérateurs.
L'objectif est d'éviter qu'une avancée théorique reste isolée de ses conséquences matérielles.
Une modification de l'architecture d'un modèle peut changer ses besoins de mémoire. Une optimisation du logiciel GPU peut rendre possible une autre stratégie d'entraînement. Les différentes couches ne sont donc pas étudiées indépendamment.
Le pari central : apprendre avec beaucoup moins de données
Les grands modèles d'IA actuels reposent généralement sur de très importantes quantités de données et de calcul.
Leur entraînement mobilise des ensembles de textes, de code, d'images ou d'autres contenus. Les algorithmes ajustent ensuite les paramètres du modèle à travers de nombreuses opérations mathématiques.
Cette approche a produit des avancées majeures, mais elle soulève plusieurs difficultés.
L'accès à des données pertinentes, correctement préparées et utilisables dans un cadre juridique défini n'est pas illimité. La puissance informatique disponible représente également un coût industriel considérable.
Flapping Airplanes estime que les méthodes actuelles pourraient être très éloignées de l'efficacité maximale possible.
Ses fondateurs s'intéressent notamment au contraste entre la quantité d'expérience nécessaire à un être humain pour apprendre certaines compétences et les volumes de données utilisés pour entraîner les modèles contemporains.
Cette comparaison relève d'une intuition de recherche. Elle ne démontre pas que les mécanismes de l'apprentissage humain peuvent être directement transposés aux réseaux neuronaux artificiels.
Les systèmes biologiques et les modèles numériques ne disposent pas des mêmes structures, des mêmes objectifs d'apprentissage ni des mêmes formes d'interaction avec leur environnement.
Le laboratoire cherche néanmoins à explorer de nouvelles méthodes pouvant réduire la dépendance aux immenses jeux de données.
Si ces recherches aboutissent, elles pourraient permettre de développer des modèles utiles dans des domaines où les données sont rares, sensibles ou coûteuses à obtenir.
À ce stade, aucun résultat public ne permet d'affirmer que Flapping Airplanes a déjà réduit d'un facteur précis les besoins en données de modèles comparables aux principaux systèmes du marché.
Les « megakernels » veulent supprimer des pertes de temps sur les GPU
La deuxième piste est plus directement liée à l'infrastructure informatique.
Flapping Airplanes développe des logiciels destinés à exploiter plus efficacement les processeurs graphiques, les GPU, qui constituent une ressource essentielle pour l'entraînement et l'exécution des modèles d'intelligence artificielle.
Le laboratoire met notamment en avant un framework de megakernels.
Pour comprendre son intérêt, il faut regarder la manière dont un GPU exécute les calculs. Un programme complexe est généralement décomposé en nombreuses opérations. Chacune peut être envoyée au processeur sous forme de noyau d'exécution, ou kernel.
Ce découpage permet d'organiser le travail, mais il introduit aussi des coûts : lancement des opérations, transferts intermédiaires, synchronisations et attentes entre certaines étapes.
Un megakernel cherche à regrouper davantage de travail dans une seule séquence d'exécution.
Index Ventures explique que l'approche de Flapping Airplanes permet de faire exécuter un programme complet dans un unique kernel GPU, afin de réduire le temps perdu entre les étapes.
Dans certains scénarios, une telle organisation pourrait mieux utiliser les ressources disponibles et réduire les périodes d'inactivité de différentes unités de calcul.
Le principe ne garantit cependant pas qu'un kernel plus important sera toujours plus rapide.
Les performances dépendent notamment de la gestion de la mémoire, de la répartition des tâches entre les unités du GPU et de la capacité à maintenir suffisamment d'opérations parallèles.
Un programme trop regroupé peut également introduire de nouvelles contraintes de synchronisation ou d'utilisation des ressources.
Les avantages doivent donc être mesurés sur des charges de travail précises, avec des matériels et des configurations comparables.
Faire cohabiter entraînement et inférence sur une même puce
Les fondateurs évoquent une possibilité particulièrement intéressante : exploiter différentes parties d'un GPU pour exécuter simultanément des tâches dont les besoins ne sont pas identiques.
L'entraînement de modèles comporte de nombreuses opérations mathématiques intensives, tandis que certaines tâches d'inférence sont davantage limitées par la circulation des données en mémoire.
Lorsque les ressources sollicitées ne se recouvrent pas entièrement, leur exécution coordonnée peut théoriquement améliorer l'utilisation globale du processeur.
Flapping Airplanes affirme que son framework est capable de faire cohabiter des travaux d'entraînement, d'inférence et d'autres programmes dans un même megakernel.
Cette capacité est présentée par l'entreprise comme un résultat de ses travaux logiciels.
Elle ne doit pas être traduite en affirmation selon laquelle tous les GPU pourraient immédiatement fournir plusieurs fois plus de performances sur n'importe quel modèle.
Les conditions de mesure, les types d'opérations et la disponibilité des ressources matérielles jouent un rôle central.
Aucun benchmark indépendant et suffisamment détaillé n'a encore été publié pour établir une amélioration universelle du rapport entre coût et performance.
L'intérêt industriel est néanmoins évident : un centre de données capable de tirer davantage de calcul utile de chaque accélérateur pourrait, à charge constante, réduire ses besoins supplémentaires en équipements.
Le bénéfice réel dépendrait aussi de la consommation électrique, de la mémoire et de l'utilisation du réseau.
Pourquoi une amélioration de 10 % peut déjà valoir très cher
Asher Spector a expliqué à Bloomberg que même une amélioration relativement limitée du rendement des accélérateurs peut représenter un avantage économique important.
L'idée repose sur l'échelle actuelle des investissements.
Lorsqu'un opérateur mobilise des milliers de GPU, améliorer leur efficacité peut augmenter la quantité de travail réalisée par la même infrastructure.
Inversement, une entreprise qui doit traiter un volume fixe de calcul pourrait avoir besoin de moins de capacité supplémentaire si son rendement progresse.
Cela ne signifie pas qu'une hausse de 10 % des performances entraîne mécaniquement une baisse de 10 % de toutes les dépenses.
Un centre de données comprend également des coûts de bâtiment, de réseau, de refroidissement, de stockage, de maintenance et d'exploitation.
Les économies dépendent aussi du prix des équipements et des caractéristiques des programmes exécutés.
Mais la possibilité de produire davantage de travail à partir de machines déjà installées pourrait avoir une valeur importante pour les fournisseurs de services d'IA.
Elle pourrait aussi profiter aux fabricants de puces en rendant leurs plateformes plus attrayantes pour certains usages.
Ce point explique la présence de NVIDIA parmi les soutiens de Flapping Airplanes, selon les informations publiées sur ses investisseurs.
Il serait toutefois prématuré d'en déduire une intégration commerciale particulière des technologies du laboratoire dans les produits NVIDIA.
Un laboratoire de recherche avant d'être une entreprise de logiciels
La stratégie de Flapping Airplanes présente une différence importante avec celle d'une startup qui lance immédiatement un assistant conversationnel.
Le laboratoire cherche d'abord à développer des techniques fondamentales.
Ces techniques pourraient ensuite prendre plusieurs formes commerciales : outils destinés aux développeurs, logiciels d'optimisation, nouvelles méthodes d'entraînement ou technologies utilisées pour construire des modèles.
Asher Spector a indiqué à Bloomberg que la société envisageait de commercialiser ses travaux afin de rendre l'intelligence artificielle moins coûteuse pour d'autres entreprises.
Mais aucun calendrier de lancement, catalogue de produits ou politique tarifaire n'a été confirmé pour cette activité future.
Le laboratoire ne dispose pas non plus de références clients publiques permettant de mesurer l'adoption commerciale de ses technologies.
Ce statut explique pourquoi la valorisation doit être interprétée avec prudence.
Les investisseurs misent sur la capacité d'une équipe à obtenir des résultats techniques puis à les transformer en avantage commercial.
Une réussite dans un prototype de recherche ne garantit pas qu'une technologie puisse être déployée facilement dans les infrastructures de grandes entreprises.
Les exigences de stabilité, de compatibilité, de maintenance et de sécurité deviennent déterminantes à grande échelle.
Index Ventures renforce son engagement
Index Ventures avait déjà participé au financement initial de Flapping Airplanes en janvier.
Le fonds confirme désormais avoir codirigé la série A d'un milliard de dollars.
Dans son communiqué du 21 octobre, Index décrit une équipe particulièrement intégrée, travaillant sur plusieurs couches de la pile technologique plutôt que de séparer complètement les algorithmes et l'optimisation matérielle.
Le fonds souligne également sa conviction que la demande de calcul et de données continuera de progresser plus vite que leur disponibilité.
Cette thèse est celle des investisseurs. Elle reste une anticipation sur l'évolution du marché, pas une limite physique définitivement démontrée.
Mark Xu, associé d'Index Ventures, rejoint le conseil d'administration de Flapping Airplanes dans le cadre de l'opération.
Le financement apporte donc au laboratoire des moyens supplémentaires, mais aussi une gouvernance dans laquelle les fonds investisseurs joueront un rôle plus important.
La nouvelle génération de laboratoires IA se finance avant de vendre
Flapping Airplanes appartient à une catégorie de jeunes entreprises parfois décrites comme des « neolabs ».
Ces structures privilégient la recherche sur les méthodes fondamentales d'intelligence artificielle avant le lancement d'un produit commercial.
Leur modèle économique diffère de celui d'une entreprise de logiciels disposant déjà de contrats récurrents et d'indicateurs classiques de croissance.
La valeur est attribuée à la capacité scientifique supposée de l'équipe, aux résultats qu'elle pourrait obtenir et à la position qu'elle pourrait occuper dans un futur marché.
Cette approche peut permettre des recherches ambitieuses, sans obligation de produire immédiatement un service destiné au grand public.
Elle concentre également le risque.
Les programmes de recherche peuvent prendre plus de temps que prévu, conduire à des résultats difficiles à commercialiser ou découvrir que certaines hypothèses initiales ne sont pas confirmées.
Il est aussi possible qu'un laboratoire trouve une méthode réellement efficace, mais que des concurrents disposent de ressources suffisantes pour développer rapidement des approches similaires.
L'annonce de la série A ne permet pas de trancher ces questions.
Le vrai test sera celui des résultats reproductibles
Pour évaluer Flapping Airplanes au-delà du montant de ses financements, plusieurs preuves techniques seront nécessaires.
Le laboratoire devra montrer quels types de modèles bénéficient de ses méthodes, dans quelles conditions et avec quelle qualité de résultat.
Une réduction du volume de données utilisées pour l'entraînement n'est réellement intéressante que si les capacités obtenues restent satisfaisantes pour les tâches visées.
De même, une amélioration de l'utilisation des GPU doit être mesurée sur des programmes représentatifs, et pas uniquement sur des démonstrations conçues pour valoriser une technique particulière.
Les données les plus utiles seraient des comparaisons reproductibles portant sur les performances, les coûts, l'énergie et la facilité d'intégration.
À plus long terme, la publication de produits, l'adoption par des clients et la création de revenus apporteront d'autres éléments pour apprécier la trajectoire de l'entreprise.
Pour l'instant, ce qui est confirmé est financier : une série A d'un milliard de dollars, une valorisation rapportée de six milliards et un laboratoire encore concentré sur la recherche.
La promesse scientifique reste à démontrer à grande échelle.
C'est précisément ce pari que les investisseurs viennent de financer : dans une industrie persuadée que davantage de calcul produit davantage de progrès, Flapping Airplanes cherche à prouver qu'une meilleure manière de calculer pourrait être tout aussi déterminante.