Fractile ปิด Series B $220M — UK startup ที่ทำ in-memory compute chip โจมตี inference bottleneck, Accel + Founders Fund + Factorial Funds นำรอบ

วันพุธที่ 13 พ.ค. 2026 UK AI chip startup Fractile ปิด Series B $220 ล้าน นำโดย Accel, Factorial Funds และ Founders Fund — ร่วมด้วย Conviction, Gigascale, O1A, Felicis, Buckley Ventures และ 8VC

ก่อนหน้านี้ Fractile ระดมทุน ~$100M ที่ Series A เม.ย. 2025 ทำให้ total capital raised ขึ้นมาเป็น >$320M หลัง Series B

บริษัทคืออะไร

Fractile ก่อตั้งปี 2022 โดย Walter Goodwin อดีต PhD นักศึกษาที่ Oxford Robotics Institute บริษัทพัฒนา inference hardware ที่ใช้ technique in-memory compute (IMC) — แทนที่จะย้าย data จาก HBM/DRAM ไปที่ compute unit (architecture ของ GPU/TPU ปัจจุบัน) IMC ทำการคำนวณ ตรงในเซลล์ memory เลย เพื่อกำจัด memory bandwidth bottleneck

นักลงทุนใน round previous รวม Pat Gelsinger (อดีต CEO Intel, ม.ค. 2025) และ Stan Boland (อดีต Arm/Acorn executive)

ปัญหาที่ Fractile ต้องการแก้

Goodwin โพสต์ใน blog ของบริษัทว่า:

“At the ~40 tokens per second at which these models tend to run on existing chips, a single output [of 100M tokens] takes a month to complete.”

นั่นคือ — frontier LLM ที่ทำ task ที่ต้องคิดยาว (เช่น autonomous research, multi-day agent workflow) ใช้ output ระดับ 100 million tokens ต่อ run ที่ throughput ปัจจุบัน (Hopper/Blackwell GPU running GPT-5.5 หรือ Claude Sonnet 4.6) ใช้เวลาหนึ่งเดือนเต็มต่อหนึ่ง run = workload เหล่านี้ ไม่ economically viable สำหรับ commercial deployment

Goodwin เถียงว่า: “Inference is both the revenue engine of the AI industry and the rate-limiting factor on expanding it.” — และ root cause คือ memory bandwidth ที่ไม่ scale ตาม compute ใน architecture GPU/TPU ปัจจุบัน

เป้าหมาย performance

Fractile ตั้ง target ที่ ambitious มาก: inference latency ที่ต่ำกว่า GPU 10–100x สำหรับ frontier model workload — โดย first silicon คาดว่าจะ tape out ในปี 2027 ตามรายงาน Goodwin ใน Series A interview เดือน เม.ย. 2025

In-memory compute มีความท้าทาย 3 ข้อหลัก:

1. Precision — IMC โดยทั่วไป support ที่ 4-bit หรือ 8-bit precision เท่านั้น (GPU ทั่วไป support FP16/BF16) ดังนั้น Fractile ต้อง prove ว่า quantization ที่ระดับนั้นไม่กระทบ model quality
2. Memory technology — Fractile ยังไม่เปิดเผยว่าใช้ SRAM, ReRAM, PCM หรือ memristor — แต่ละ technology มี trade-off ระหว่าง density, retention, endurance
3. Software stack — compiler และ runtime ที่ map LLM ลง IMC array ยังไม่มี mature open-source ecosystem

รายงาน: Anthropic คุยซื้อ chip ของ Fractile

The Information รายงานในรอบ Series A ปี 2025 ว่า Anthropic มีการ “discussions” กับ Fractile เรื่องการซื้อ chip เมื่อ silicon พร้อม — Anthropic ปัจจุบันรัน workload หลักบน Google TPU และ AWS Trainium ไม่ได้พึ่ง NVIDIA แต่ทั้งสอง stack มี constraint ในแง่ของ context length / latency สำหรับ workload ระดับ agent

ดีลนี้ถ้าเกิดขึ้นจริงจะเป็น alternative chip rail ตัวที่ 3 ของ Anthropic — เสริมจาก TPU (Google) และ Trainium (AWS)

ตำแหน่งใน competitive landscape

Fractile แข่งกับ:

• Cerebras (wafer-scale, IPO 13 พ.ค.) — already revenue, focus ที่ datacenter scale
• Groq (LPU, inference cloud) — เร็วกว่า GPU แต่ใช้ on-chip SRAM ที่ขนาดเล็ก
• Etched (Sohu) — transformer-specific ASIC, expected silicon ปี 2026
• Tenstorrent (Jim Keller) — RISC-V based
• Lightmatter (photonic interconnect)

Fractile differentiate ด้วย in-memory compute แบบ digital (ไม่ใช่ analog) ตัวเลือกที่ stand out ในกลุ่ม chip startup ส่วนใหญ่ใช้ matrix multiply unit แบบ systolic array (ตามแบบ TPU/Hopper)

มุมมอง AI Curator

Memory bandwidth คือ bottleneck แท้จริงของ AI ปี 2026 ที่ผ่านมา narrative เน้น compute (FLOPS) เป็นหลัก แต่ benchmark งานวิจัยล่าสุดของ AMD MI355X, NVIDIA Blackwell B200 และ TPU v6e ทั้งหมดมี ratio ของ peak FLOPS ต่อ memory bandwidth ที่ กระจาย 5–10x vs ratio เมื่อ 5 ปีที่แล้ว — แสดงว่า memory wall ของ Patterson 2004 ขยายเข้า AI workload เต็มตัว

สำหรับไทย/SEA สามประเด็น:

หนึ่ง — Chip startup ใน region ยัง early ทำได้ Fractile คือ Oxford robotic spinout ที่อายุ 3 ปีแต่ระดมทุน $320M — มหาวิทยาลัยที่มี research lab strong ใน micro-electronics (จุฬาฯ, มก., NSTDA) ในไทยน่าจะ pilot การ commercialize IP จาก thesis level โดยเฉพาะใน area memory-compute fabric, photonic interconnect ที่ยังเปิดให้ entrant ใหม่ — Sigfox, BrainChip ก็เป็น Australian/European model ที่ทำได้

สอง — Inference economics จะ shift อีกครั้งใน 24 เดือน ถ้า Fractile, Etched, Lightmatter ทำ silicon สำเร็จในปี 2027–28 ราคา cost per million tokens จะลด อีก 10x จากปัจจุบัน — และเมื่อบวกกับ Cerebras + Groq ที่ deploy แล้ว, AI feature ในแอป SEA (e-commerce search, voice agent, real-time translation) ที่ปัจจุบันยัง not viable จะ ship ได้ในระดับ unit economics ที่ healthy

สาม — Anthropic chip strategy คือ benchmark ของ multi-vendor approach การที่ Anthropic คุยกับ Fractile (และก่อนหน้านี้ Broadcom, Google TPU, AWS Trainium) แสดงว่า lab อันดับ 2 ของโลกใช้ chip diversification ระดับ vendor 4+ เพื่อหนี NVIDIA premium ทุกบริษัท AI ที่ทำ B2B platform ใน SEA ที่อิง compute เป็น cost largest ควรเขียน roadmap ทดสอบ alternative inference chip ภายในปี 2028 — รออีก 1 ปีจะช้าไปสำหรับการ optimize unit margin

แหล่งข่าว

• UK AI chip startup Fractile raises $220M to tackle the growing inference bottleneck — Tech.eu
• Fractile raises $220m to accelerate development of AI inference chips — DCD
• Fractile — Radically Accelerate Frontier Model Inference
• Fractile Raises $220M in Series B Funding — FinSMEs