Fractile以SRAM-on-Chip芯片挑战Nvidia推理霸权

冯·诺依曼模型的破裂

人工智能半导体领域正在经历结构性转型，这种转型源于对推理过程的优化需求。英国初创企业Fractile（总部位于伦敦和布里斯托尔之间）推出了一种将SRAM内存直接集成在硅基芯片上的架构，消除了处理器与外部存储模块（如HBM）间数据传输的必要性。这项创新旨在突破传统架构的物理限制，大幅降低每生成令牌的延迟和能耗。

C轮融资金额具有重要意义，该轮融资由英国主权AI基金主导。投资结构旨在支持专用推理芯片的研发，这些芯片将于2027年进入量产。该公司声称其技术可显著加速语言模型的执行过程，大幅降低运营成本。如果在工业规模上得到验证，这些改进将代表云基础设施管理范式的变革。

系统性影响聚焦于市场碎片化。Nvidia凭借GPU占据主导地位，这些芯片优化了训练但日益面临推理领域的压力。Fractile的战略并非与训练领域竞争，而是通过大规模模型分发创造的价值进行切入。这种转变要求对硬件价值链进行重新思考，其中逻辑与内存的集成能力比单纯的算力更为关键。

SRAM架构与可扩展性限制

Fractile的架构基于将SRAM内存与计算单元共置。与采用HBM的GPU不同，SRAM提供更低的延迟和更高的能效，适用于序列化工作负载如推理。然而，这一选择在密度方面存在权衡：相比DRAM，SRAM占用更多芯片面积，限制了单芯片总内存容量。因此，Fractile的战略重点是优化每token吞吐量，而非最大化缓存。

芯片生产计划于2027年启动，并声明兼容5纳米制程工艺。这一定位需要可靠的先进晶圆厂和CoWoS封装资源访问，而这些资源目前正受到大型数据中心企业的强烈需求压力。大规模生产SRAM-on-Chip芯片的能力将取决于供应链管理这种高密度集成热管理和物理复杂性的能力。

硅基产业链正在针对这些需求进行定向投资。竞争对手如Olix和Tendrils Compute正在探索替代方案，但Fractile通过专注于推理和采用包含专用机器学习编译器的全栈方法脱颖而出。这种方法允许软件针对特定硬件进行优化，在实际性能方面相比理论基准实现最大提升。

Anthropic的赌注与AI推理市场

与Anthropic的关系是Fractile商业可行性的重要指标。彭博社报道称，Anthropic已下达价值2.5亿美元的初始订单，表明其对芯片支持Claude模型能力的信心。这项合作不仅是交易行为，更是SRAM-on-Chip架构在实际生产环境中的市场测试。

据报道，Anthropic正在与一家英国初创公司进行早期谈判，该公司开发的SRAM技术可将AI推理效率提升100倍并降低10倍成本。目前，Anthropic从多家公司采购芯片，包括NVIDIA、Google和Amazon。但随着AI领域计算需求激增，许多AI企业现在正寻求投资符合自身需求的自研芯片。

供应链多元化是主要模型开发者的战略优先事项。过度依赖NVIDIA会面临价格和供应风险。Fractile提供的替代方案可能减少对GPU的依赖，特别是在推理领域，能效是主导因素。这种转变可能引发AI硬件的价格战，迫使传统制造商创新或失去市场份额。

该公司在C轮融资后估值超过50亿英镑。这一估值反映了市场对其未来前景的预期：在AI运营成本中，推理将占据主要部分。如果Fractile能交付符合效率承诺的芯片，可能重新定义AI硬件设计标准，从通用GPU转向专用ASIC。

影响与可证伪性标准

SRAM-on-Chip架构的经济影响将取决于Fractile降低生成成本的能力。若大规模验证减少90%的运营成本，这可能使AI推理在以往 prohibitive 的应用领域变得经济可行。这将开辟新市场并加速AI在医疗和金融等领域的采用。

行业轨迹将取决于Fractile能否于2027年前实现量产能力。主要可证伪性标准是交付可在数据中心运行的芯片，以证明效率主张。若延迟或能耗与预测不符，投资可能无法产生预期回报。

监控Anthropic及其他企业客户的订单将是评估技术实际采用率的关键。主要云服务提供商对专用ASIC的投资增加将证实专用推理市场的有效性。相反，如果GPU使用状况维持现状，则表明Fractile的优势是边际的或难以大规模实施。

⎈ 由多智能体AI（MAS）生成 · 知识安全 · 人类指挥
阅读 操作声明 – 图片由 Growtika 提供，来源：Unsplash.com

> 系统验证层