Fractile apresenta chips SRAM que prometem reduzir custos; Anthropic está em negociações para aquisição

A Anthropic iniciou negociações preliminares com a startup britânica Fractile para o fornecimento de chips de inferência, sinalizando uma mudança de enfoque na infraestrutura de IA: do poder bruto para a eficiência por token. Essa estratégia busca superar os desafios das arquiteturas que, atualmente, dependem de memória DRAM externa, o que encarece e limita a velocidade de execução de grandes modelos de linguagem.

### SRAM no lugar de DRAM: o desafio que a Fractile quer superar

Fundada em 2022 pelo doutor em Oxford Walter Goodwin, a Fractile está desenvolvendo um acelerador de inferência que combina memória e processamento no mesmo chip, utilizando SRAM em vez de depender de chips de DRAM externos. Essa abordagem visa resolver um problema conhecido por especialistas na área: a movimentação de dados entre a GPU e a memória off-chip é uma das principais limitações na execução eficiente de grandes modelos de linguagem. Cada token gerado requer acesso constante aos pesos do modelo, e a latência dessa transferência impacta diretamente nos custos operacionais e na capacidade de throughput do sistema.

Em uma entrevista à Fortune em julho de 2024, Goodwin descreveu o design da Fractile como um arranjo em que os dados necessários para os cálculos são armazenados próximos aos transistores que realizam a operação aritmética. Com base em simulações realizadas, a empresa estimava que sua arquitetura poderia operar um modelo de linguagem 100 vezes mais rápido e 10 vezes mais barato do que GPUs da Nvidia, mesmo sem ter fabricado chips de teste até então. A previsão para a comercialização é em torno de 2027, o que projeta qualquer implementação da Anthropic para um futuro um pouco mais distante, mas alinhado com a parceria de TPUs que foi firmada com a Google e a Broadcom.

A equipe da Fractile conta com engenheiros vindos de empresas renomadas, como Graphcore, Nvidia e Imagination Technologies, e a startup está desenvolvendo um stack de software junto ao hardware, um diferencial essencial, já que chips sem um software robusto não chegam ao mercado. A empresa conseguiu captar US$ 15 milhões em uma rodada inicial, liderada por Kindred Capital, NATO Innovation Fund e Oxford Science Enterprises, e agora busca levantar US$ 200 milhões, com uma valuation superior a US$ 1 bilhão, contando com Founders Fund, 8VC e Accel entre os investidores potenciais.

### A estratégia da Anthropic: diversificação como vantagem

Caso a negociação avance, a Fractile se tornará a quarta fonte de silício de servidor da Anthropic, juntando-se às GPUs da Nvidia, aos processadores Trainium da Amazon por meio do Project Rainier, e às TPUs da Google. O acordo com a Google, anunciado em outubro, assegurou mais de 1 GW de capacidade de processamento, ampliado em abril para 3,5 GW de capacidade de TPUs entre 2027 e 2031. A Anthropic tem se mantido cautelosa, evitando depender de um único fornecedor de chips, preferindo alugar capacidade de diversos provedores em vez de construir ou expandir seu próprio espaço de data centers, como fazem outras empresas.

O contexto financeiro explica a urgência nesse movimento. A receita anualizada da Anthropic aumentou de cerca de US$ 9 bilhões no final de 2025 para US$ 30 bilhões em março, um crescimento que impõe pressão significativa sobre a infraestrutura existente. Os custos de inferência têm afetado as margens brutas da empresa, tornando a busca por aceleradores mais eficientes em termos de custo por token uma necessidade operacional imediata.

### Um mercado que a NVIDIA já sentiu o recado

A Fractile não está sozinha nesse movimento. Outras startups com arquiteturas baseadas em SRAM ou de memória próxima ao compute, como Groq e Cerebras, vêm desenvolvendo teses semelhantes há anos. Em dezembro, a Nvidia anunciou a aquisição da Groq por US$ 20 bilhões e, na sequência, lançou o Groq 3 LPX, seu acelerador de inferência dedicado, o que demonstra claramente que o mercado está demandando otimização de custo por token em larga escala, e não apenas uma capacidade bruta de treinamento.