新兴 AI 实验室 Flapping Airplanes 正挑战当前依赖海量数据的行业范式。他们借鉴人脑高效学习的原理，旨在开发数据需求极低且具备深度推理能力的新型 AI 架构。团队认为，这种方法不仅在商业上极具价值，更能推动 AI 在机器人、科学发现等数据受限的领域取得突破，最终创造出能够完成人类无法企及任务的智能系统。
挑战主流：数据效率是关键
当前顶尖的 AI 模型几乎是在“人类全部知识的总和”上训练出来的，但人类的学习效率显然高得多。Flapping Airplanes 认为，弥合这一差距是 AI 发展中一个全新且重要的方向。
他们的核心理念是一个集中的赌注：
- 问题的重要性： 解决 数据效率低下 的问题是当前最值得探索的方向。
- 商业与社会价值： 一个数据效率高出百万倍的模型，能极大地促进其在经济和各个领域的应用，让世界变得更好。
- 团队的独特性： 一个富有创造力、甚至在某种程度上“缺乏经验”的团队，更能从根本上重新审视这些问题。
我们不认为自己是在与其他实验室竞争，因为我们关注的是一套截然不同的问题。
大型语言模型（LLM）擅长记忆和利用海量知识，但学习新技能时却非常迟缓，需要“河流般的数据”去适应。相比之下，人脑的算法与目前训练 AI 的梯度下降法等技术 根本不同。这证明了存在其他可能性。
“扑翼飞机”的哲学：灵感而非模仿
公司的名字“Flapping Airplanes”（扑翼飞机）本身就揭示了其哲学。他们并非要造一只“鸟”（即复制大脑），而是要造一种能飞的“扑翼飞机”——一种受生物启发但为不同物理条件设计的系统。
- 大脑是“存在证明”： 大脑的存在证明了，除了当前主流的正统方法外，还存在其他构建智能的算法。
- 基底不同，系统也不同： 大脑的生物基底和计算机的硅基底在约束条件上差异巨大。因此，不应期望最终的 AI 系统会和大脑一模一样。
- 取其精华： 尽管最终形态不同，但我们仍然应该从大脑中汲取灵感，用其中有趣的部分来改进我们自己的系统。
大脑在很多方面不是天花板，而是地板。我们期望能够创造出比大脑更有趣、更不同、甚至更好的能力。
策略：先研究真理，后商业化
团队承认，他们没有一个明确的商业化时间表。当前的首要任务是 寻找真理 和解决基础研究问题。
如果我们一开始就去签大型企业合同，我们就会分心，无法完成有价值的研究。
他们希望尝试一些 彻头彻尾的改变。这种探索意味着，有些尝试可能在一开始会比现有范式更差。但公司创始人们相信，初创公司最大的价值在于 专注。现阶段，全力投入解决基础问题是创造最大价值的方式。当研究取得足够进展后，他们会积极地将其推向现实世界，因为“世界会不断地教给你新东西”。
激进研究的经济学
一个看似矛盾的观点是，进行深刻、基础性的研究，实际上比做增量改进 成本更低。
- 增量工作的成本： 许多在小规模下看起来不错的改进，在扩大规模后往往会失效。验证这些改进需要沿着“规模阶梯”不断向上攀登，成本极高。
- 激进想法的成本： 一个疯狂的新架构或优化器，如果行不通，很可能在第一次运行时就失败了。你不需要投入巨大成本去扩大它的规模，因为它在起点就已经“坏掉”了。
这并不意味着规模不重要，规模仍然是工具箱里一个重要的工具。但这种研究模式允许团队在小规模上快速迭代许多想法。
你应该能够使用整个互联网，但你不应该需要它。
数据高效 AI 能带来什么？
如果能成功训练出数据效率极高的模型，可能会出现以下几种结果：
- 更深层次的理解： 用更少的数据训练，可能会迫使模型对所见的每件事物都形成 极其深刻的理解。模型可能知道的事实更少，但推理能力会更强。
- 更高效的技能学习： 也许仅用少量样本，就能让模型掌握一个全新领域的能力，大大降低了教授模型新技能的成本。
- 解锁新的垂直领域： 在机器人、科学发现等数据有限的领域，数据效率的提升可能是实现商业可行性的关键。很多情况下，这些领域的问题是 数据有限，而非硬件不足。
最终的愿景，是创造出能够进行 真正科学发现 的 AI，完成那些人类智慧无法企及的任务，而不仅仅是自动化现有工作。
寻找能带来新知的人才
在招聘时，Flapping Airplanes 最看重的是 创造力。他们倾向于寻找那些能用新颖视角思考问题的人，甚至包括一些还在大学或高中的年轻人，因为他们“没有被成千上万篇论文的背景所污染”。
当我与某人交流时，他们能教会我一些新东西吗？如果能，那么他们很有可能在我们的工作中也能教会我们新东西。
他们相信，年轻人才绝对可以在行业的最高梯队中竞争，关键是释放他们的潜力，让他们意识到自己可以做出顶级贡献。