AI-chipstartup Etched, in 2022 opgericht door drie Harvard-drop-outs, heeft met succes een Series C-financieringsronde van $300 miljoen afgerond en daarmee een waardering van $10,3 miljard bereikt. Robert Wachen, medeoprichter en Chief Operating Officer van het bedrijf, bevestigde de mijlpaaldeal officieel.

De financieringsronde werd geleid door Sequoia Capital, met sterke deelname van grote durfkapitaal- en technologiepartijen, waaronder Andreessen Horowitz, SK Hynix, Jane Street en Diffusion Capital. De deelname van SK Hynix—een van ’s werelds grootste producenten van high-bandwidth memory (HBM)—is strategisch relevant, omdat geheugenbandbreedte een belangrijk knelpunt vormt bij AI-inferentie, precies het probleem waarop de architectuur van Etched zich richt. De Series C kreeg ook verdere steun van eerdere investeerders, met name Peter Thiel, Andrej Karpathy, Dylan Field en Amjad Masad.

Deze omvangrijke kapitaalinjectie verdubbelt de waarde van Etched ten opzichte van de waardering van $5 miljard in December 2024, een mijlpaal die werd bereikt tijdens een financieringsronde van $500 miljoen. Etched stelt dat de nieuwe waardering van $10,3 miljard de hoogste waardering ooit is in een door Sequoia geleide Series C-financieringsronde.

Van garageservers naar $1 miljard aan orders

De ontwikkeling van Etched tot een miljardenbedrijf is allesbehalve conventioneel verlopen. De startup is gespecialiseerd in het ontwerpen van gespecialiseerde chips—verkocht als complete full-rack-systemen—die expliciet zijn geoptimaliseerd voor transformer-gebaseerde AI-modellen. Deze specifieke architectuur vormt de basistechnologie achter prominente AI-systemen zoals ChatGPT en Claude.

De oorsprong van het bedrijf werd gekenmerkt door extreme zuinigheid en vastberadenheid. Wachen herinnerde aan het bescheiden begin van de startup en merkte op dat de oprichters op de vloer van een vriend in de Bay Area sliepen nadat zij Harvard University hadden verlaten. In die beginperiode draaide het team zijn chipontwerptools op servers die fysiek in de garage van een vroege medewerker stonden. De opstelling was zo rudimentair dat de vrouw van die medewerker de servers handmatig opnieuw moest opstarten wanneer het systeem problemen ondervond.

Vandaag is de operationele schaal van Etched aanzienlijk gegroeid. Het bedrijf heeft momenteel 400 medewerkers en exploiteert een groot datacenter van 2 megawatt. De overgang van rudimentaire ontwerpactiviteiten in een garage naar geavanceerde productie van silicium onderstreept de snelle opschaling van de startup. Vorige maand kondigde Etched meerdere belangrijke mijlpalen aan: het had met succes zijn eerste chips geproduceerd via Taiwan Semiconductor Manufacturing Company (TSMC), de eerste systemen werden actief getest door klantbedrijven, en het bedrijf had al $1 miljard aan geboekte orders binnengehaald. Het bedrijf zegt samen te werken met enkele van de grootste AI-bedrijven ter wereld, al zijn specifieke klantnamen niet openbaar gemaakt.

Technische aanpak: prefill- en decode-fasen

De kerntechnologie van Etched richt zich op de optimalisatie van twee afzonderlijke fasen van AI-inferentie—het proces waarbij getrainde modellen worden uitgevoerd om output voor gebruikers te genereren, wat het grootste deel van de reële AI-computerkosten vertegenwoordigt naarmate modellen op schaal worden ingezet. Door het inferentieproces op te splitsen in deze twee afzonderlijke computationele workloads, past Etched de hardwarearchitectuur effectief aan om de specifieke knelpunten van elke fase van AI-generatie aan te pakken. De eerste is de “prefill phase”, waarbij het systeem de prompt van de gebruiker begrijpt via een zeer rekenintensief wiskundig proces. De tweede is de “decode phase”, die verantwoordelijk is voor het genereren van de daadwerkelijke outputtokens die de eindgebruiker ziet. Hoewel de decode-fase minder ruwe rekenkracht vereist, vraagt deze om enorme geheugenbandbreedte.

Om aan de rekenvereisten van de prefill-fase te voldoen, ontwikkelde Etched een gespecialiseerde chip die op een aanzienlijk lagere spanning werkt dan concurrerende AI-chips op de markt. Deze spanningsverlaging vermindert de warmteontwikkeling merkbaar, waardoor een hogere dichtheid aan transistors in de hardware kan worden ondergebracht. Het bedrijf stelt dat deze aanpak snellere inferentie tegen lagere kosten mogelijk maakt in vergelijking met algemene AI-accelerators.

Voor de decode-fase ontwikkelde Etched een nieuwe geheugen- en interconnecttechnologie genaamd “cluster scale memory”. Deze architectuur maakt het mogelijk dat talrijke chips naadloos een gedeelde geheugenpool gebruiken met extreem lage latentie. Volgens Wachen leidt de combinatie van deze hardware-innovaties tot aanzienlijk hogere verwerkingssnelheden tegen lagere operationele kosten.

Scepsis rond hardwarespecialisatie adresseren

Toen Etched aanvankelijk werd gelanceerd, werd het concept van een chip die specifiek is afgestemd op transformer-gebaseerde AI-modellen door waarnemers in de sector breed als een risicovolle onderneming beschouwd. Het bedrijf blijft omgaan met de heersende perceptie dat zijn gespecialiseerde systemen alleen specifieke grote taalmodellen kunnen draaien.

Wachen ging rechtstreeks in op die scepsis en verduidelijkte dat de systemen van Etched veelzijdig genoeg zijn om elk AI-model te draaien. Dit omvat compatibiliteit met Mixture of Experts (MoE)-architecturen, zoals DeepSeek en Qwen, evenals niet-transformerontwerpen zoals Mamba, dat gebruikmaakt van een state-space model-architectuur.

De bredere technologiesector lijkt de gespecialiseerde aanpak van Etched geleidelijk te bevestigen. Zo ontwikkelt Google naar verluidt zijn Frozen v2-chip specifiek voor zijn Gemini AI-model, voortbouwend op zijn bestaande TPU-programma (Tensor Processing Unit). Amazon heeft eveneens geïnvesteerd in eigen silicium via zijn Trainium- en Inferentia-chiplijnen voor AWS AI-workloads, en Meta heeft zijn MTIA-inferentieaccelerator ontwikkeld. Deze beweging suggereert dat het concept om modelspecifieke functies rechtstreeks in silicium te etsen gestaag bredere acceptatie in de sector krijgt.

Vertrouwen van investeerders via praktijktesten

Etched wist zijn zeer prominente lijst van investeerders veilig te stellen door hen uit te nodigen voor besloten, praktische hardwaredemonstraties op zijn eigen kantoren. Wachen benadrukte dat belangrijke figuren uit de sector, onder wie Andrej Karpathy van Anthropic, Noam Brown van OpenAI, AI-pionier Geoffrey Hinton en alle financiële investeerders die aan de financieringsronde deelnamen, de hardware fysiek testten voordat zij hun kapitaal toezegden.

“These are all people who actually tried the hardware and are very excited about it,” merkte Wachen op over de investeerders en testers. Dat veteranen uit de sector en medewerkers van concurrerende AI-labs bereid waren de hardware publiekelijk te steunen, vormt een aanzienlijke blijk van vertrouwen in de onderliggende architectuur van Etched.

Ondanks de substantiële vooruitgang en sterke steun erkende Wachen dat het bedrijf nog aanzienlijke hindernissen moet nemen bij het opschalen van zijn activiteiten. “We had no idea how hard it was going to be,” gaf hij toe. “I think we still have to be humbled by what it will take to actually get to scale.”

Implicaties voor de AI-sector

De snelle groei van Etched en het vermogen om vertrouwen van vooraanstaande investeerders te verwerven, wijzen op een bredere verschuiving in het landschap voor AI-hardware. Naarmate AI-modellen steeds complexer worden, zal de vraag naar gespecialiseerde inferentiechips die tegelijk het stroomverbruik kunnen verminderen en operationele kosten kunnen verlagen naar verwachting sterk toenemen. Deze gespecialiseerde hardwarecomponenten zouden wel eens kritieke infrastructuur kunnen worden voor de volgende generatie toepassingen van kunstmatige intelligentie.

Als Etched zijn ambitieuze technische beloften succesvol waarmaakt en zijn productiecapaciteit weet op te schalen, kan het een directe uitdaging vormen voor Nvidia’s huidige dominantie op de markt voor AI-compute. Nvidia beheerst naar schatting 80% of meer van de markt voor AI-chips, en de opkomst van goed gefinancierde concurrenten die zich richten op speciaal gebouwde inferentiehardware vormt een van de belangrijkste concurrentiedynamieken om te volgen in de halfgeleider- en AI-infrastructuursector.