Fractile levanta 220 mdd para atacar el cuello de botella de la inferencia de IA
Fractile levanta 220 mdd para acelerar chips de inferencia de IA
TL;DR:
Fractile cerró una Serie B de 220 millones de dólares liderada por Accel, Factorial Funds y Founders Fund.
La startup británica desarrolla chips y sistemas para acelerar la inferencia de IA en modelos de frontera.
La ronda llega mientras la industria busca alternativas especializadas al dominio de Nvidia en hardware para IA.
Fractile, una startup británica de chips fundada en 2022, levantó 220 millones de dólares en una ronda Serie B liderada por Accel, Factorial Funds y Founders Fund, el fondo de Peter Thiel. La compañía quiere usar el capital para acelerar el desarrollo y la llegada a clientes de hardware especializado para inferencia de IA, una de las partes más costosas y críticas del negocio de los modelos generativos.
Inferencia de IA es el proceso en el que un modelo ya entrenado responde una consulta, genera texto, analiza información o ejecuta una tarea para el usuario. En la práctica, ahí se juega buena parte del costo operativo de la IA: cada respuesta consume cómputo, memoria, energía y tiempo.
Fractile sostiene que el problema ya no es solo hacer modelos más capaces, sino lograr que produzcan respuestas útiles más rápido y a menor costo. En su publicación oficial, la empresa dijo que los modelos actuales pueden llegar a generar hasta 100 millones de tokens para resolver tareas difíciles; a cerca de 40 tokens por segundo, un solo resultado de ese tamaño tardaría alrededor de un mes.
"La inferencia es tanto el motor de ingresos de la industria de IA como el factor que limita su expansión."
Walter Goodwin, fundador y CEO de Fractile, plantea que el cuello de botella está en el movimiento de datos entre memoria y procesadores. La compañía trabaja en una arquitectura donde memoria y cómputo están físicamente más integrados, con el objetivo de elevar el ancho de banda sin disparar la latencia. En su sitio, Fractile afirma que su hardware puede correr modelos de frontera hasta 25 veces más rápido y a una décima parte del costo, aunque la empresa no ha publicado benchmarks comerciales a gran escala.
La apuesta: chips más rápidos para respuestas más baratas
La ronda no solo mete dinero a una startup de hardware. También confirma hacia dónde se está moviendo el gasto de la IA: de entrenar modelos gigantes a operarlos todos los días, con millones de consultas, agentes y tareas largas que necesitan responder sin tardar horas.
El financiamiento incluye a Conviction, Gigascale, O1A, Felicis, Buckley Ventures y 8VC, además de los líderes de la ronda. Fractile también dijo que está contratando en Londres, Bristol, San Francisco y Taipéi.
Los puntos clave de la estrategia son claros:
- Monto levantado: 220 millones de dólares en Serie B.
- Líderes de la ronda: Accel, Factorial Funds y Founders Fund.
- Enfoque técnico: hardware para inferencia de IA en modelos de frontera.
- Problema que busca resolver: latencia, costo por token y ancho de banda de memoria.
- Meta comercial: llevar sus primeros chips y sistemas a manos de clientes.
- Mercados de contratación: Reino Unido, Estados Unidos y Taiwán.
Goodwin lo resumió de forma más seca en el reporte original del Wall Street Journal:
"A donde nos gustaría llegar es a ser rápidos y baratos."
Fractile no compite en un vacío. Nvidia sigue dominando el hardware de IA, mientras gigantes como Amazon Web Services y Google Cloud empujan sus propios procesadores especializados. Al mismo tiempo, startups como Cerebras, Groq y SambaNova buscan capturar una parte del gasto que crecerá alrededor de la inferencia.
La presión de mercado ya se ve en Wall Street. Cerebras Systems, otra compañía enfocada en chips para IA, fijó el precio de su IPO en 185 dólares por acción para levantar 5,550 millones de dólares, de acuerdo con Reuters. Esa colocación muestra que los inversionistas siguen dispuestos a pagar fuerte por infraestructura de IA, especialmente cuando promete reducir tiempos de respuesta y costos por consulta.
Para Fractile, el reto ahora será pasar del discurso técnico al producto probado. La compañía tiene capital, respaldo de fondos de élite y una tesis atractiva; lo que falta es demostrar, en clientes reales, que su arquitectura puede sostener velocidad, costo y eficiencia cuando los modelos de IA trabajen bajo presión comercial.
