Startup chipów AI Etched, założony w 2022 roku przez trzech byłych studentów Harvardu, z powodzeniem zamknął rundę finansowania Series C o wartości $300 mln, osiągając wycenę $10.3 mld. Współzałożyciel i dyrektor operacyjny spółki, Robert Wachen, oficjalnie potwierdził tę przełomową transakcję.

Rundzie finansowania przewodził Sequoia Capital, przy znaczącym udziale dużych podmiotów venture capital i technologicznych, w tym Andreessen Horowitz, SK Hynix, Jane Street i Diffusion Capital. Udział SK Hynix — jednego z największych na świecie producentów pamięci o wysokiej przepustowości (HBM) — ma znaczenie strategiczne, ponieważ przepustowość pamięci jest jednym z głównych wąskich gardeł w inferencji AI, czyli dokładnie tym problemem, na który ukierunkowana jest architektura Etched. Series C przyciągnęła także dalsze wsparcie wcześniejszych inwestorów, w szczególności Petera Thiela, Andreja Karpathy’ego, Dylana Fielda i Amjada Masada.

Ten duży zastrzyk kapitału podwaja wartość Etched względem wyceny $5 mld odnotowanej w grudniu 2024 roku, osiągniętej podczas rundy finansowania o wartości $500 mln. Etched twierdzi, że jego nowa wycena $10.3 mld jest najwyższą wyceną kiedykolwiek osiągniętą w rundzie Series C prowadzonej przez Sequoia.

Od serwerów w garażu do zamówień o wartości $1 mld

Droga Etched do przedsiębiorstwa wycenianego na wiele miliardów dolarów była daleka od konwencjonalnej. Startup specjalizuje się w projektowaniu wyspecjalizowanych chipów — sprzedawanych jako kompleksowe systemy pełnych szaf rack — które są wyraźnie zoptymalizowane pod modele AI oparte na transformerach. Ta konkretna architektura stanowi fundament znanych systemów AI, takich jak ChatGPT i Claude.

Początki firmy charakteryzowały się wyjątkową oszczędnością i determinacją. Wachen wspominał skromne początki startupu, zauważając, że założyciele spali na podłodze u znajomego w Bay Area po rezygnacji ze studiów na Harvard University. W tamtym wczesnym okresie zespół uruchamiał narzędzia do projektowania chipów na serwerach fizycznie znajdujących się w garażu jednego z pierwszych pracowników. Konfiguracja była tak podstawowa, że żona tego pracownika musiała ręcznie restartować serwery za każdym razem, gdy system napotykał problemy.

Obecnie skala działalności Etched znacznie się powiększyła. Firma zatrudnia dziś 400 osób i obsługuje duże centrum danych o mocy 2 megawatów. Przejście od podstawowych operacji projektowych prowadzonych w garażu do nadzorowania zaawansowanej produkcji krzemu podkreśla szybkie skalowanie startupu. Zaledwie w ubiegłym miesiącu Etched ogłosił kilka kluczowych kamieni milowych: firma z powodzeniem wyprodukowała swoje pierwsze chipy za pośrednictwem Taiwan Semiconductor Manufacturing Company (TSMC), pierwsze systemy były aktywnie testowane przez klientów, a spółka zabezpieczyła już zamówienia o wartości $1 mld. Firma zaznacza, że współpracuje z jednymi z największych spółek AI na świecie, choć konkretne nazwy klientów nie zostały publicznie ujawnione.

Podejście techniczne: fazy prefill i decode

Podstawowa technologia Etched koncentruje się na optymalizacji dwóch odrębnych faz inferencji AI — procesu uruchamiania wytrenowanych modeli w celu generowania wyników dla użytkowników, który odpowiada za dominującą część rzeczywistych kosztów obliczeniowych AI w miarę wdrażania modeli na dużą skalę. Rozdzielając proces inferencji na dwa odmienne obciążenia obliczeniowe, Etched skutecznie dostosowuje architekturę sprzętową do obsługi konkretnych wąskich gardeł związanych z każdą fazą generowania AI. Pierwszą z nich jest „faza prefill”, w której system rozumie prompt użytkownika poprzez bardzo wymagający obliczeniowo proces matematyczny. Drugą jest „faza decode”, odpowiedzialna za generowanie faktycznych tokenów wyjściowych widocznych dla użytkownika końcowego. Choć faza decode wymaga mniej surowej mocy obliczeniowej, potrzebuje ogromnej przepustowości pamięci.

Aby odpowiedzieć na wymagania obliczeniowe fazy prefill, Etched zaprojektował wyspecjalizowany chip działający przy znacznie niższym napięciu niż konkurencyjne chipy AI dostępne na rynku. Obniżenie napięcia wyraźnie zmniejsza generowanie ciepła, co z kolei pozwala upakować w sprzęcie większą gęstość tranzystorów. Firma twierdzi, że takie podejście umożliwia szybszą inferencję przy niższych kosztach w porównaniu z uniwersalnymi akceleratorami AI.

Dla fazy decode Etched opracował nową technologię pamięci i połączeń międzyukładowych nazwaną „cluster scale memory”. Architektura ta pozwala wielu chipom płynnie współdzielić zunifikowaną pulę pamięci przy wyjątkowo niskich opóźnieniach. Według Wachena połączenie tych innowacji sprzętowych przekłada się na znacznie wyższe prędkości przetwarzania przy niższych kosztach operacyjnych.

Odpowiedź na sceptycyzm wobec specjalizacji sprzętu

Gdy Etched rozpoczynał działalność, koncepcja budowy chipa specjalnie dostosowanego do modeli AI opartych na transformerach była powszechnie uznawana przez obserwatorów branży za ryzykowne przedsięwzięcie. Firma nadal mierzy się z utrwalonym przekonaniem, że jej wyspecjalizowane systemy są w stanie uruchamiać wyłącznie konkretne duże modele językowe.

Wachen bezpośrednio odniósł się do tego sceptycyzmu, wyjaśniając, że systemy Etched mają wszechstronność pozwalającą uruchamiać dowolny model AI. Obejmuje to zgodność z architekturami Mixture of Experts (MoE), takimi jak DeepSeek i Qwen, a także z projektami nietransformerowymi, takimi jak Mamba, która wykorzystuje architekturę modelu przestrzeni stanów.

Szerszy sektor technologiczny wydaje się stopniowo potwierdzać wyspecjalizowane podejście Etched. Na przykład Google według doniesień opracowuje swój chip Frozen v2 specjalnie dostosowany do modelu AI Gemini, bazując na ugruntowanym programie TPU (Tensor Processing Unit). Amazon podobnie inwestował we własny krzem poprzez linie chipów Trainium i Inferentia dla obciążeń AI w AWS, a Meta opracowała akcelerator inferencji MTIA. Ten ruch sugeruje, że koncepcja wytrawiania cech specyficznych dla modeli bezpośrednio w krzemie stopniowo zyskuje akceptację głównego nurtu branży.

Zaufanie inwestorów dzięki praktycznym demonstracjom

Etched skutecznie pozyskał bardzo prestiżową listę inwestorów, zapraszając ich na prywatne, praktyczne demonstracje sprzętu organizowane we własnych biurach. Wachen podkreślił, że kluczowe postacie branży, w tym Andrej Karpathy z Anthropic, Noam Brown z OpenAI, pionier AI Geoffrey Hinton oraz wszyscy inwestorzy finansowi uczestniczący w rundzie, fizycznie przetestowali sprzęt przed zaangażowaniem kapitału.

„To są ludzie, którzy naprawdę wypróbowali sprzęt i są nim bardzo podekscytowani” — powiedział Wachen, odnosząc się do inwestorów i testerów. Fakt, że doświadczeni przedstawiciele branży i współpracownicy z konkurencyjnych laboratoriów AI byli gotowi publicznie poprzeć ten sprzęt, świadczy o znaczącym wotum zaufania dla bazowej architektury Etched.

Pomimo znacznych postępów i silnego wsparcia Wachen przyznał, że firma wciąż stoi przed istotnymi przeszkodami w skalowaniu działalności. „Nie mieliśmy pojęcia, jak trudne to będzie” — przyznał. „Myślę, że nadal musimy zachować pokorę wobec tego, czego będzie wymagało rzeczywiste osiągnięcie skali”.

Znaczenie dla branży AI

Szybka ścieżka wzrostu Etched i zdolność do zdobycia zaufania inwestorów wysokiego szczebla sygnalizują szerszą zmianę w krajobrazie sprzętu AI. W miarę jak modele AI stają się coraz bardziej złożone, oczekuje się wzrostu popytu na wyspecjalizowane chipy inferencyjne zdolne jednocześnie ograniczać zużycie energii i obniżać koszty operacyjne. Takie wyspecjalizowane komponenty sprzętowe mogą stać się krytyczną infrastrukturą dla kolejnej generacji wdrożeń sztucznej inteligencji.

Jeśli Etched z powodzeniem zrealizuje swoje ambitne obietnice techniczne i przeskaluje zdolności produkcyjne, może bezpośrednio zagrozić obecnej dominacji Nvidia na rynku obliczeń AI. Nvidia kontroluje szacunkowo 80% lub więcej rynku chipów AI, a pojawienie się dobrze finansowanych konkurentów skoncentrowanych na wyspecjalizowanym sprzęcie inferencyjnym jest jedną z najważniejszych dynamik konkurencyjnych do obserwowania w sektorach półprzewodników i infrastruktury AI.