英国Fractile获7.2亿美元融资,AI芯片竞赛再添强手

英国AI芯片公司Fractile获7.2亿美元融资,押注专用推理芯片赛道。
英国AI芯片初创公司Fractile宣布完成7.2亿美元融资,成为专用AI芯片领域融资额最高的玩家之一。公司选择从AI推理场景切入,避开与英伟达等训练芯片巨头的正面竞争,借助推理算力需求增速超过训练算力的行业拐点,以针对推理优化的架构在能效比和吞吐量上建立优势。这笔融资对英国及欧洲AI硬件自主化具有标志性意义,但芯片研发周期长、流片成本高,融资只是入场券,芯片实际性能、软件生态成熟度和量产订单才是决定成败的关键。

英国AI芯片初创公司Fractile近日宣布完成一轮规模达7.2亿美元的融资,一举跻身专用AI芯片领域融资额最高的玩家之列。这笔资金将用于加速其面向AI推理场景的定制芯片研发与商业化落地,也标志着欧洲在AI硬件自主化道路上迈出了重要一步。
融资规模背后的行业信号
7.2亿美元的融资额在AI芯片初创公司中相当罕见。当前,全球AI芯片市场由英伟达主导,但推理侧的需求爆发正在催生一批专注于特定工作负载的挑战者。Fractile选择从推理切入,而非直接与训练芯片巨头正面竞争,这一策略使其在资本市场上获得了差异化青睐。
从行业格局看,巨额融资往往意味着投资方对技术路线和团队执行力的双重认可。Fractile并未披露具体投资方名单,但融资规模本身已传递出明确信号:专用AI芯片的竞赛远未结束,后来者仍有充足的资本支持去争夺细分市场。
为什么是“专用AI芯片”
通用GPU在AI训练中占据统治地位,但在推理场景下,功耗、延迟和成本的压力促使企业寻求更专用的方案。Fractile所瞄准的正是这一缺口——通过针对推理任务优化的芯片架构,在能效比和吞吐量上建立优势。
这一路线与当下AI应用从“训练大模型”向“大规模部署推理”迁移的趋势高度吻合。随着越来越多的模型进入生产环境,推理算力的需求增速开始超过训练算力,专用推理芯片的市场窗口正在打开。Fractile的融资时机,恰好踩在了这一需求拐点上。
推理与训练的技术分野:AI计算通常分为训练与推理两个阶段。训练指用海量数据反复调整模型参数、让模型学会任务的过程,对算力、显存带宽和互联能力要求极高,主流方案是多卡GPU集群。推理则是模型训练完成后,在实际业务中对新输入做前向计算、输出结果的过程,更看重单次请求的延迟、单位算力的吞吐量以及功耗成本。训练芯片追求峰值算力和通用性,推理芯片则可以针对特定算子、精度(如INT8、FP8)和批处理模式做裁剪优化,从而在能效比上取得优势。这正是Fractile等公司选择推理切入的技术基础。
能效比与吞吐量:能效比通常以每瓦性能(Performance per Watt)衡量,即芯片在单位功耗下能完成的运算量;吞吐量指单位时间内处理的请求数或样本数。在数据中心,推理负载长期运行,电力和散热成本占比很高,因此能效比直接决定总拥有成本(TCO)。专用推理芯片通过减少冗余通用逻辑、采用更贴合推理的存储层次和数据类型,往往能在相同功耗下提供更高吞吐,或在相同吞吐下显著降低功耗。这也是云厂商和大模型公司愿意尝试非GPU方案的核心动因。
英国与欧洲的AI硬件野心
Fractile的融资对英国AI硬件生态具有标志性意义。长期以来,欧洲在AI芯片领域缺乏能与美国和中国抗衡的本土玩家,而Fractile的崛起为英国在这一赛道赢得了话语权。英国政府在AI领域的政策支持和科研人才储备,为这类硬科技公司提供了生长的土壤。
不过,挑战同样明显。芯片研发周期长、流片成本高,7.2亿美元看似充裕,但在先进制程和规模化量产面前仍需精打细算。Fractile能否将资本优势转化为产品优势和客户订单,才是决定其能否留在牌桌上的关键。
流片与先进制程:流片(Tape-out)指芯片设计完成后交付晶圆厂试生产首版样品的过程,是芯片研发中风险与成本最集中的环节之一。先进制程(如5nm、3nm)的单次流片费用可达数千万美元,且首版成功率并非必然,往往需要多次迭代。此外,先进制程产能紧张、排队周期长,初创公司还需与大型客户争夺晶圆配额。因此7.2亿美元虽看似充裕,扣除团队、IP授权、EDA工具、流片与量产爬坡等开支后,实际可承受的试错次数有限,这也是文中强调“仍需精打细算”的原因。
竞赛才刚刚开始
Fractile成为“融资额最高的专用AI芯片玩家之一”,但这只是入场券。AI芯片竞赛的终局取决于三个维度:芯片的实际性能与能效、软件生态的成熟度、以及能否拿到大客户的量产订单。融资规模能买来时间,却买不来生态。
对于关注AI硬件格局的读者而言,Fractile的后续动作值得跟踪——尤其是其首款芯片的流片进展和客户验证情况。这笔7.2亿美元的融资,是英国AI芯片故事的开篇,而非结局。
软件生态的护城河:AI芯片的竞争力不仅取决于硬件,还取决于软件栈——包括编译器、算子库、编程模型以及与主流框架(PyTorch、TensorFlow等)的适配程度。英伟达的CUDA生态经过十余年积累,形成了开发者的迁移成本壁垒。新入局的芯片公司即便硬件指标占优,若缺乏易用的工具链和成熟的模型支持,客户迁移意愿也会大打折扣。因此对Fractile而言,软件生态建设与硬件研发同等重要,也是其能否从“融资明星”走向“量产供应商”的关键变量。
相关推荐

Zed编辑器发布v1.29.2:一次常规版本迭代的观察
Zed编辑器发布v1.29.2补丁版本,由@JosephTLyons完成版本升级,提交经GitHub签名验证。本文梳理该版本的基本信息、补丁版本的含义以及对用户升级的实际建议。

Anthropic IPO遭质疑:Hacker News热议其上市时机
Hacker News出现「Just say no to Anthropic's IPO」帖子,引发对Anthropic上市时机与AI公司资本化的讨论,涉及估值泡沫与使命独立性等议题。

Genie 4世界模型上手:像木偶师一样实时导演世界
Google DeepMind 世界模型 Genie 4 深度解析:Special Guest X 实测展示如何用提示词实时导演场景、通过 Project Genie 构建自定义交互应用,以及提示词即种子的可复现设计。