Walter Goodwin

Fractile 的核心押注是，前沿模型推理受限于内存带宽和内存成本，而不只是算力。 Goodwin 希望把 DRAM 的容量和经济性，与 SRAM 系统所代表的“每秒数千个 token”结合起来，从而支持长上下文智能体以及拥有数万亿参数的模型。

Goodwin 认为，今天 AI 芯片的多样性，很多只是品牌包装下的架构相似。 NVIDIA 和 AMD 的 GPU、云厂商 ASIC 以及 TPU，普遍依赖 HBM、tensor core 和 TSMC 先进封装。Fractile 的差异化在于，试图在整条技术栈上推动创新，而不是完成前端设计后将物理实现外包。

Fractile 在判断模型规模和上下文长度会超过 SRAM 承载能力后，放弃了最初的 SRAM 架构。 SRAM 能提供极高带宽，却缺乏具备成本效益的容量；即便是高速推理芯片，处理长上下文时也可能不得不回退到 GPU。公司转而追求“从全球最便宜的内存”DRAM 中获得极高带宽的平台，预计明年下半年全面投入运行。

公司约 150 人的垂直整合团队，旨在缩短工作负载研究、架构、物理设计、封装和晶圆厂协作之间的反馈周期。 Goodwin 认为，能否在部署中胜出，可能取决于能否结构性地锁定 3 至 6 个月的领先：“如果你能找到一种结构性锁定 3 至 6 个月领先的方法，所有这些落地都会由你赢下。”

AI 可能大幅压缩芯片开发周期，但无法消除制造时间或芯片的经济约束。 晶圆厂周转仍需 3 至 5 个月，量产爬坡需要 12 至 18 个月，而一款具备财务可行性的芯片需要 3 至 5 年的摊销周期。因此，设计提速意味着手上同时推进更多“押注”，而不是每几周交付一款全新处理器。

Fractile 声称，单芯片带宽可达到 HBM 架构的 25 倍，进而可能改变哪些模型架构具备经济性。 Goodwin 以混合专家模型的稀疏化为例：从 1:16 向 1:128 或 1:256 推进，可能大幅节省计算量，但当前加速器会受带宽瓶颈制约。过去 20 年，算力大约增长了 100 万倍，而内存带宽只增长了约 40 倍。

Goodwin 预计，即便前沿实验室开发自研芯片，也会继续向多家硬件供应商采购。 自研芯片可以带来议价能力、供应多元化和控制权，但排他性依赖风险极高：如果竞争对手在算法效率上实现 5 倍突破，实验室可能在重新设计硬件的 9 个月里陷入停摆。独立平台依然有价值，因为它们让实验室能够在模型层面竞争，而不必把生存押在单一路线的架构上。

🔗 原始收听与视频来源： 前沿模型架构的未来：Fractile 创始人兼 CEO Walter Goodwin