推理成本是 AI 行业真正的"水电费"：每一次模型调用背后，都是真金白银的 GPU 时间。当大多数目光集中在英伟达下一代 GPU 的路线图上时，一些公司开始从更底层的地方找答案——把矩阵乘法从数字电路搬回模拟电路。
据彭博社报道（IT之家转述），Anthropic 已与 AI 芯片初创公司 Fractile 就一份总价值约 2.5 亿美元的供应合同达成初步协议，采购后者的 AI ASIC 推理加速器，计划 2027 年开始交付，并可能在此基础上扩大交易规模。
事件要点
- 合同为初步协议，总价值约 2.5 亿美元，Fractile 的推理加速器 2027 年起交付；
- Fractile 宣称其"模拟内存计算"架构在运行头部模型时可实现 25 倍速度、1/10 成本；
- 资本层面，Fractile 今年 5 月刚以约 10 亿美元估值融资 2.2 亿美元，如今寻求以 65 亿美元估值完成新一轮融资；报道同时透露，部分新融资将基于低于 65 亿的估值完成。
技术背景：为什么是"模拟"
传统数字芯片把存储与计算分开：模型权重躺在显存里，每次计算都要搬进计算单元，算完再搬回去。在大型模型推理的能耗与延迟构成中，这种"搬运"占了惊人比例，业界称之为冯·诺依曼瓶颈，或者更直白的"内存墙"。模型越大、上下文越长，墙越高。
模拟存内计算换了个思路：把权重"写"进存储单元的电导值里，输入以电压形式加载到阵列上。根据欧姆定律，每个单元流出的电流正比于电压乘以电导——乘法在物理定律里完成了；再根据基尔霍夫电流定律，同一位线上的电流自然相加——加法也完成了。一次模拟读出，等于一整列乘加运算同时落定，中间没有任何数据搬运。
这解释了"25 倍速度、1/10 成本"的宣称从何而来：省掉的是搬运，而不是计算本身。
但代价同样写在物理里：电导会漂移、电流有噪声、模数转换有开销，位宽与精度天生受限。这也是模拟计算几十年没有走出实验室的原因。变化在于，大模型推理对数值精度的容错远高于传统科学计算——INT8、FP8 乃至更低精度都能稳定工作——给模拟电路留出了久违的用武之地。
行业影响
Anthropic 的算力焦虑不难理解：其训练与推理高度依赖亚马逊、谷歌的云和英伟达的 GPU，而推理恰恰是长期最大的成本项。自研或定制 ASIC 已成为大模型公司的标准动作——谷歌有 TPU，亚马逊有 Trainium，微软有 Maia，OpenAI 也屡屡被曝与博通合作设计自用芯片。Fractile 这类初创公司的机会，是在"通用 GPU"与"全定制 ASIC"之间提供架构层面的第三条路。同属差异化路线的还有主打 SRAM 与确定性延迟的 Groq、做晶圆级计算的 Cerebras 等。
资本的逻辑同样清晰：一份 Anthropic 的合同本身就是估值背书。三个月前估值还是 10 亿美元，如今目标 65 亿；而"部分新融资基于更低估值完成"的细节，则暴露了投资人对"未交付先给高估值"的分歧——这可能是整篇报道里最诚实的一处。
简短点评
模拟计算并不新鲜——上世纪的微分分析机就用机械轴系解微分方程。它在 AI 时代的回归说明了一件事：瓶颈变了。晶体管的开关速度逼近物理极限之后，真正昂贵的是搬运数据的能量，于是行业开始向物理定律本身讨要"免费"的乘法。
对开发者而言，若推理成本真能降一个量级，被改写的不只是账单：长上下文、高频 Agent 调用、端侧本地推理的经济学都会重新计算。但也需要保持清醒："25 倍"是特定条件下的宣称数字，与量产交付之间还隔着良率、工具链、软件生态三道墙；等到 2027 年交付时，GPU 和其他 ASIC 的进化也不会原地等待。这份合同真正的意义，或许在于为"后 GPU 时代"的推理硬件探索，保留了一条足够异质的路线。