Fractile、AI推論チップの開発加速に向け7億2,000万ドルを調達

ニュース概要

ロンドンとブリストルに拠点を置く人工知能チップ新興企業のFractileは、2026年11月11日（グリニッジ標準時）、シリーズCラウンドで7億2,000万ドルを調達したと発表した。Thrive Capital、Lightspeed、Redpoint、Founders Fundが主導したこの資金調達は、AI推論（学習済みモデルが回答を生成する段階）向けの専用チップとシステムの開発・提供を加速することを目的としている。創業者兼最高経営責任者のWalter Goodwin氏は、同社が2027年に最初のチップとシステムを出荷する見通しだと述べた。

資金調達が支えるもの

今回のラウンドにより、Fractileはチップ設計から完全なシステムへと移行するための十分な資本を得ることになる。Goodwin氏は、高性能AIチップの出荷を迅速に進めるために資金を使う計画だと述べた。4社の主導企業に加わった投資家には、CapitalG、Felicis、DST Global、BlackRock、Accel、Georgian、Bain Capital Ventures、SV Angel、英国のSovereign AIファンド、Balderton、Shopify Ventures、T. Rowe Price、British Business Bank、その他の既存および新規の支援者が含まれる。

英国政府は、同国のSovereign AI Venture FundとBritish Business Bankが5億ポンド超の資金調達ラウンドに参加したと発表した。投資家のBaldertonは、このシリーズCが70億ドルのポストマネーバリュエーションで評価されたと説明した。ラウンドの規模は、拡大するAIサービス需要に対応できるコンピューティングインフラへの投資家の関心を反映しているが、報告された評価額自体は商業的な実績の証拠ではない。

推論に専用ハードウェアが必要な理由

学習はデータからモデルにパターンを教え込む。推論は、そのモデルをユーザーのプロンプトに適用するために必要な反復計算である。モデルがより長い回答を生成したり、複数のステップを処理したり、エージェントのようなワークフローを動かしたりするにつれて、各やり取りにはより多くの計算とデータ移動が必要になる可能性がある。そのため、推論の速度、エネルギー使用量、運用コストがハードウェア提供者にとって重要な設計目標となり得る。

Fractileはチップ、ソフトウェア、システムを一体として開発している。プロセッサだけに焦点を当てるのではなく、機械学習コンパイラやシステムレベルのエンジニアリングを含むフルスタックのアプローチを取っていると同社は述べている。コンパイラはモデルの演算をチップが実行できる命令に変換する。これらの層を連携させることで、設計者はモデルをハードウェアにどうマッピングするかを調整しやすくなるが、実世界での結果は完全なシステムと顧客が実行するワークロードに依存する。

メモリ設計の提案

Goodwin氏は、FractileがDRAMメモリから20倍高い速度を引き出す取り組みなどで突破口を開いたと述べた。DRAM（ダイナミック・ランダム・アクセス・メモリ）は、プロセッサが計算中に必要とするデータを保持するために広く使われている。メモリと演算の間でデータを移動させると時間とエネルギーを消費するため、メモリアクセスの改善は、研究者やチップ設計者がAI推論を加速するために探求する手法の一つである。

Fractileのアプローチは進化しており、各チップの上にDRAMを積層する設計を報じる記事もある。同社の速度の数値は公表された技術的成果であり、商用システム全体で広く実証された性能指標ではない。この設計を評価するには、比較の基準、ワークロード、容量、消費電力、製造歩留まり、システムレベルのベンチマークといった詳細が必要になる。2027年に計画されている初回出荷により、顧客や独立した評価者はより明確な比較の根拠を得られるはずだ。

研究から実用システムへ

チップの性能はアーキテクチャだけでは決まらない。ソフトウェアのサポート、メモリ容量、相互接続、冷却、信頼性、量産能力のすべてが、データセンターでアクセラレータがどれほど有用かに影響する。シリコン、ソフトウェア、システムを一体として開発するというFractileの決定は、これらの依存関係を一つのエンジニアリングプログラムとして扱うことを意図している。

学生や技術に関心を持つ読者にとって、同社の進展はコンピュータアーキテクチャがAIのユーザー体験とどう結びつくかを示す例である。モデルは即座に応答するように見えるかもしれないが、その回答はプロセッサがモデルのデータを繰り返し取得し、計算を実行することに依存している。メモリと演算の間の局所性が向上すれば遅延を減らせる一方、コンパイラとシステムソフトウェアが、理論上のハードウェア能力を実際のアプリケーションから利用できるかどうかを左右する。

次に注目すべき点

重要なマイルストーンは、テープアウトと製造の進展、最初のチップとシステムの登場、そして独立して再現可能な性能データである。有用な比較では、同じモデルと同じワークロードにおけるレイテンシ、スループット、生成トークンあたりのエネルギー、総運用コストを測定する必要がある。また、モデルサイズ、コンテキスト長、同時ユーザー数が増えるにつれて性能がどう変化するかも示すべきだ。

Fractileはこれらのマイルストーンを目指して資金を調達したが、その商業的な立場は最終的に、顧客が導入できる信頼性の高いハードウェアとソフトウェアを提供できるかどうかにかかっている。したがってシリーズCは資金調達と開発における大きな一歩であり、2027年に計画された出荷は、同社のメモリとフルスタック設計がAI推論における実用的な利点に結びつくかどうかを試す次の機会となる。