Британский стартап Fractile привлёк $720 млн в раунде Series C на разработку специализированных AI-чипов. Компания рассчитывает в следующем году поставить первые чипы и готовые системы, а её оценка, по данным британского правительства, превысила £5 млрд. Для рынка это ещё один сигнал: стоимость инференса становится не только проблемой облачных счетов, но и гонкой за собственную архитектуру памяти и вычислений.
Раунд поддержал британский Sovereign AI Fund; среди лидирующих инвесторов названы Thrive Capital, Founders Fund, Lightspeed Venture Partners и Redpoint. О сделке сообщает TechCrunch. Деньги пойдут на вывод первого железа из стадии разработки в поставки — момент куда менее романтичный, чем презентация очередного ускорителя, но именно здесь обычно выясняется, способна ли архитектура пережить производство, интеграцию и реальные нагрузки клиентов.
Fractile работает в сегменте чипов, рассчитанных прежде всего на инференс: выполнение уже обученных моделей в продукте. Для бизнеса именно эта часть часто становится постоянной статьёй расходов. Обучение крупной модели дорого, но случается эпизодически; инференс оплачивается каждым запросом пользователя, каждым агентским шагом, каждой генерацией и каждым вызовом модели внутри корпоративного процесса.
Ставка компании — не просто на более быстрый вычислительный блок. После смены подхода Fractile строит дизайн вокруг DRAM — наиболее распространённого типа оперативной памяти, размещая её поверх чипа. По замыслу разработчиков, такая компоновка должна смягчить привычный компромисс между объёмом памяти и скоростью доступа к ней. Для больших языковых моделей это критично: данные и параметры нужно не только хранить, но и быстро передавать вычислительным блокам. Если память не поспевает, дорогой ускоритель начинает ждать данные — не самое выгодное применение кремния за миллионы долларов.
Проблема особенно заметна в агентских сценариях. Когда система должна выполнить длинную цепочку действий, обращаться к инструментам, хранить контекст и многократно вызывать модель, растут и требования к памяти, и задержки, и итоговая цена одной полезной задачи. Производительность в таких кейсах определяется не рекламным числом операций в секунду, а сочетанием пропускной способности памяти, ёмкости, программного стека и поведения модели на конкретной нагрузке.
Британский стартап Fractile пытается закрыть эту задачу полным стеком. Помимо аппаратной части компания разрабатывает компилятор машинного обучения, который должен оптимизировать запуск LLM на её чипах. Это разумная, хотя и рискованная стратегия: новый ускоритель без зрелого софта редко становится удобным для разработчиков, а собственный компилятор требует отдельно доказать совместимость, качество оптимизаций и предсказуемость отладки. В AI-железе уже недостаточно показать красивый бенчмарк; покупателям нужны инструменты, интеграции и понятная экономика эксплуатации.
Fractile оказывается в заметной группе европейских и американских стартапов, пытающихся откусить часть рынка у признанных поставщиков AI-вычислений. TechCrunch относит к этому кругу Axelera, Etched и OLIX. Общая логика понятна: универсальные GPU остаются базовым инструментом для многих задач, но специализированные решения могут оказаться выгоднее там, где нагрузка стабильна, модельный стек известен, а счёт за инференс уже стал поводом для отдельной встречи с финансовым директором.
Высокая оценка не гарантирует коммерческого успеха. Между перспективной архитектурой и востребованным продуктом лежат доступ к производственным мощностям, поставки памяти, тестирование, энергопотребление, поддержка фреймворков и способность объяснить заказчику, почему миграция с привычной инфраструктуры окупится. Особенно болезнен этот вопрос для компаний, которые уже вложились в облачные GPU, собственные пайплайны и команды, умеющие их обслуживать.
Для российских разработчиков и руководителей инфраструктурных команд история Fractile полезна не как инвестиционная сенсация, а как индикатор рынка. При выборе платформы для LLM всё важнее смотреть на стоимость конкретного сценария: токен, запрос, агентская задача, задержка под нагрузкой, лимиты контекста и объём памяти. Универсальный ускоритель может быть оптимальным стартом, но не обязательно останется самым экономичным решением после появления стабильного трафика.
Гендиректор Fractile Уолтер Гудвин написал, что компании ещё предстоит большая работа, а новое финансирование позволит начать поставки первых чипов и систем в следующем году. Главный тест для Fractile теперь не размер раунда, а способность превратить необычную работу с DRAM и собственный компилятор в измеримое преимущество по цене, скорости и доступности. Проверить формулировку руководителя и детали сделки можно в материале .
