Etched 估值达 103 亿美元，对 Nvidia 的挑战日益清晰

Etched 以 103 亿美元估值融资 3 亿美元，为 Google News 读者带来了一个对 Nvidia AI 硬件主导地位颇具冲击力的新挑战者。尽管市场持续质疑其技术以及大规模制造完整系统的能力，这轮 C 轮融资仍使 Etched 的估值较去年 12 月翻了一倍以上。

Sequoia 领投本轮融资，Andreessen Horowitz、SK Hynix、Jane Street 和 Diffusion Capital 跟投。就在一个多月前，Etched 才结束隐身状态，推出可运行的芯片，并宣布已签署超过 10 亿美元的客户合同。Etched 表示，其系统可加速推理——即将用户提示转化为 AI 模型回复的计算过程。

这并非又一轮慷慨的 AI 芯片创业公司融资。Etched 正要求客户以围绕两项新技术构建的专用机架级系统，替换熟悉的 GPU 基础设施。Nvidia 仍是关键参照，因为其通用 GPU 兼具广泛的模型支持、成熟的软件和已建立的供应链。

这一估值表明，投资者如今正认真看待 Etched 提出的替代方案。但它并不能证明客户能够可靠地部署这些硬件，也不能证明其性能主张经得起独立测试。财务信心与运营验证之间的差距，定义了 Etched 故事的下一阶段。

这轮 103 亿美元融资改变了 Etched 的叙事

Etched 已从一家颇具投机色彩的芯片设计公司，转变为一场获得巨额融资支持的量产考验。

7 月 23 日的融资使 Etched 估值达到 103 亿美元，高于去年 12 月 50 亿美元的投后估值。根据该公司的 C 轮融资公告，新资金将用于支持生产和客户部署。

Etched 表示，这是 Sequoia 领投的 C 轮融资中有记录以来估值最高的一次。这一说法来自公司本身，尚未经过独立审计。更重要的是，本轮融资包含多位直接了解芯片、基础设施或高要求计算负载的投资者。

SK Hynix 是高带宽内存（通常称为 HBM）的主要供应商。AI 加速器利用 HBM 在内存与计算单元之间快速传输模型数据。其参与为 Etched 带来了一位具备战略相关性的投资者，但投资并不保证零部件供应或制造成功。

Jane Street 也释放出另一个有用信号。量化交易公司运营对延迟敏感的计算系统，并聘有能够评估专用硬件的工程师。TechCrunch 的 融资报道称，Etched 部分通过私下硬件演示吸引了投资者。

据报道，这些演示还包括知名 AI 研究人员和早期客户。Etched 联合创始人 Rob Wachen 表示，Andrej Karpathy、Noam Brown、Geoffrey Hinton 以及参与融资的投资者都曾试用过这些硬件。他们的接触增添了一定可信度，但 Etched 尚未公布其测试条件或完整基准测试结果。

该公司目前表示，累计融资已超过 10 亿美元。其融资历程包括 2024 年宣布的 1.2 亿美元 A 轮融资，以及 2025 年 12 月完成的 5 亿美元融资。Etched 在今年 6 月结束隐身状态时，还披露了一系列更早期的融资。

这些资金至关重要，因为半导体开发会在客户收到量产系统之前很久就消耗大量资金。芯片设计、制造、封装、内存、散热、网络、软件、测试和现场支持，都需要协同投入。一块可运行的芯片只是商业产品的一部分。

因此，最新融资改变了核心问题。投资者不再主要押注 Etched 能否制造出首批芯片，而是在押注它能否将这些芯片转化为可重复交付的基础设施部署。

Etched 表示，借助 TSMC 的 N4P 制程，其实现了首次流片成功。首次流片成功意味着最初制造出的设计无需经历另一轮昂贵的重新设计周期便能正常运行。这一结果降低了一项技术风险，但良率、可靠性和部署风险仍未解决。

该公司还称，其首批完整系统正由客户进行测试。其 结束隐身状态的披露称，已签署超过 10 亿美元的合同。Etched 尚未公开确认这些客户，也未披露各份合同的交付时间表。

这一区别很重要。合同可以显示真实需求，但确认收入需要系统完成制造、交付并被客户验收。Etched 的估值反映了市场对这些步骤将顺利推进的信心。下一项证据必须来自执行，而非融资。

Etched 的推理押注为何对 Nvidia 构成压力

Etched 正在进攻这样一种工作负载：每当一款 AI 产品新增一位用户，它都会随之增长。

训练用于创建或更新模型。推理则是在用户提问、生成图像或启用 AI 智能体时运行已训练模型。训练可以集中于大型项目，而推理会随每一次请求反复发生。

这种重复性使推理经济性成为消费级和企业级 AI 的核心。一套更快的系统可以用相同的基础设施处理更多请求；一套更高效的系统则可以降低能耗、散热需求，以及每单位产出的资本投入。

Nvidia 依托广泛的软件平台和庞大的开发者基础，以 GPU 同时服务训练和推理。这种灵活性颇具价值，因为 AI 模型和技术变化很快。客户可以在多种工作负载中复用熟悉的工具，而不必围绕每个模型家族重建系统。

Etched 认为，这种灵活性也带来了成本。其最初的 Sohu 设计聚焦于 Transformer 模型——这一架构支撑了许多广泛部署的生成式 AI 系统。专业化让公司能够移除其认为不必要的功能，并将更多芯片资源用于推理。

2024 年的 Sohu 宣传是一场刻意狭窄的押注。Etched 声称，在特定 Transformer 工作负载下，一台 Sohu 服务器可替代 160 块 Nvidia H100 GPU。这一性能主张由公司提供，缺乏公开、独立的验证。

Etched 目前将其机架级系统描述为架构无关。它表示，现有系统可运行包括 DeepSeek 和 Qwen 在内的大型混合专家模型。混合专家模型会让每次请求经由选定的专家组件处理，而不是激活整个模型。

该公司还称，其硬件可运行 Mamba——一种基于状态空间建模的非 Transformer 架构。最初的 Mamba 论文介绍了一种旨在随输入长度线性扩展的序列架构。若能支持它，Etched 的系统覆盖范围将比其最初“仅支持 Transformer”的表述更广。

对于担心架构锁定的客户而言，这种演进十分重要。数据中心运营商不希望昂贵硬件在研究人员采用不同模型设计时变得无法使用。Etched 必须证明，更广泛的兼容性不会损害其专业化所带来的效率。

对 Nvidia 的压力并不来自 Etched 替代其整条产品线，而是来自高容量推理可能分化为一个独立硬件市场的可能性。即使 GPU 仍主导训练和研究，专用系统也可能赢得有价值的部署项目。

云服务提供商已经在使用定制加速器，以减少对商用 GPU 的依赖。Google 有 Tensor Processing Units，Amazon 有 Inferentia，Microsoft 有 Maia。这些项目表明，大型运营商认为针对特定工作负载的芯片在经济上值得投入。

Etched 提供了类似思路，但无需客户自行设计芯片。它销售完整推理系统，包括处理器、内存、互连、散热和软件。这一方法面向需要专用基础设施、却不打算建立半导体组织的 AI 公司。

不过，Nvidia 的优势远不止处理器规格。其软件、网络产品、开发者工具、部署经验和供应商关系，都降低了客户的风险。要推动客户切换，Etched 必须提供的不只是漂亮的基准测试结果。

Etched 必须支持真实模型、常见框架、监控系统和生产故障恢复。它还必须提供可预测的产能和胜任的技术支持。基础设施买家评估的是完整的运营体验，而非单一吞吐量数字。

这使 Etched 的融资具有战略意义，但并非决定性因素。该公司如今拥有建立可信替代方案的资源。Nvidia 仍掌握着 Etched 必须超越、同时又不能让部署变得难以接受的参考平台。

低电压计算与共享内存如何协同

Etched 的核心技术论点是：推理中的提示处理与 token 生成需要不同的解决方案。

模型以预填充开始推理，该阶段处理提示及其周边上下文。这一阶段会同时执行大量数学运算。更长的提示和更大的上下文窗口，会增加回复出现前所需的工作量。

预填充之后是解码阶段，它会按顺序生成输出 token。每个新 token 都依赖此前结果，因此快速内存访问尤为重要。计算仍然必不可少，但传输模型数据可能成为限制因素。

Etched 表示，它围绕这两个瓶颈构建了不同技术。低电压推理（LVI）针对预填充性能；集群级内存（CSM）则针对解码的内存需求。

据该公司介绍，LVI 降低了 Etched 计算硬件的工作电压。较低电压可以减少发热，并在固定功耗范围内容纳更多计算工作。Etched 表示，其更广泛的硬件和系统设计支持更高的有效计算密度。

这是公司主张，而非经独立证实的性能结果。电压、频率、错误率、芯片差异、散热和长期可靠性之间存在复杂相互作用。量产系统必须在各种工作负载和运行条件下维持其性能。

CSM 将处理器连接到横跨机架级系统的共享内存池。Etched 将其描述为结合静态随机存取内存和 HBM 的混合子系统。静态随机存取内存提供低延迟，而 HBM 则提供更大的容量。

共享内存池可以减少各个加速器之间不必要的数据重复，也可以让大型模型使用分布在整个系统中的内存。Etched 表示，一种专有互连技术提供了使这一设计具备实用性所需的带宽和延迟。

这种机制解决了一个真实问题。模型参数、注意力数据和临时结果必须在生成过程中快速移动。如果计算单元需要等待内存，单纯增加算力的收益就会递减。

但共享内存也带来了自身的工程要求。系统必须协调访问、管理故障、维持稳定性能，并避免通信延迟吞噬预期收益。软件必须能够在整个机架范围内高效放置和读取数据。

Etched 将机架作为设计单元来销售，因为处理器无法脱离系统单独评估。散热、互连、内存、供电和调度都会影响最终交付的性能。这种系统化方法与成熟加速器厂商的整体发展方向相似。

不同之处在于，Etched 表示其从一开始就围绕推理设计了完整技术栈。Nvidia 必须继续支持广泛的加速计算工作负载。只要其支持的推理市场足够大，Etched 就可以做出更聚焦的设计决策。

这正是估值反转背后的机制。投资者押注的不只是另一款采用不同指令集的芯片，而是一套完整系统，旨在将推理划分为计算密集型和内存密集型阶段。

该系统也反映了 AI 工作负载的变化。长上下文使预填充阶段更具挑战，而持续的智能体活动会带来重复的解码工作负载。AI 产品在研究、编程、媒体生成和自动化业务流程中，正越来越多地结合这两种模式。

对开发者而言，承诺的收益并非某项理论芯片指标，而是已部署模型的更低延迟、更高吞吐量或更少的基础设施消耗。Etched 必须公布能够将这些结果与具体模型和服务级别要求关联起来的数据。

每秒 Token 数很有用，但并不充分。买家还需要了解首 Token 时间、单用户延迟、并发需求下的吞吐量、能耗、正常运行时间和输出准确性。优化不能以不可接受的方式改变模型行为。

Google News 的报道可以放大估值 headline，但这些运营指标将决定市场采用。其底层设计足以引起关注，但商业价值取决于能否在客户工作负载中获得可重复的测量结果。

估值仍未证明什么

私下演示和已签署合同具有意义，但不能替代透明的生产环境证据。

Etched 自宣布专注于 Transformer 的战略以来一直面临质疑。一篇详细的技术批评认为，GPU 已经针对矩阵运算进行了高度专门化。该文还质疑 Etched 是否低估了内存需求和灵活硬件的价值。

这篇批评还指出了吞吐量与延迟之间的另一项重要区别。将多个请求进行批处理可以提高系统吞吐量，因为模型权重能够被高效复用。然而，等待形成更大的批次可能会增加单个用户所经历的延迟。

Etched 现在表示，其新系统同时提供高吞吐量和低延迟。公开证据应当将这些指标分开呈现，而不是将其合并为笼统的性能声明。客户需要在现实的批次规模和流量模式下看到结果。

由于访问权限主要提供给投资者和早期客户，独立测试仍然有限。这些群体可以进行严肃评估，但它们也与 Etched 存在财务或商业关系。更广泛的第三方访问将减少围绕公司主张的不确定性。

基准测试的选择也带来风险。系统在与其架构相匹配的模型、序列长度、精度格式或批次大小下，可能表现得异常出色。生产应用往往会产生不规则请求和不可预测的并发量。

软件成熟度同样重要。Nvidia 的 CUDA 平台为开发者提供库、性能分析工具、优化内核、文档和庞大的故障排查社区。Etched 必须让现有模型易于部署，且不引入脆弱的转换或调试流程。

如果能在生产配置中得到确认，与 Mamba、DeepSeek、Qwen 和 Llama 的兼容性令人鼓舞。不过，“能够运行模型”可以指从实验室演示到具备可靠性承诺的受支持服务之间的任何状态。企业买家需要的是后者。

制造仍然是一项艰巨的转型。Etched 表示已在台湾建立工厂并正在提升产能。该公司还在靠近其圣何塞总部的 Milpitas 启用了一个占地 80,000 平方英尺的场地。

Milpitas 设施的标称容量为 10 兆瓦。Etched 计划将其用于新产品导入实验室、内部表面贴装组装线以及扩大部署。其圣何塞业务包括一个运行 Etched 硬件的 2 兆瓦数据中心。

这些设施提升了 Etched 测试和组装系统的能力，但并未消除涉及晶圆制造、先进封装、HBM、网络组件或电力设备的供应限制。快速增长可能暴露出小批量验证从未显现的问题。

SK Hynix 的参与具有相关性，因为内存可得性一直影响 AI 系统的生产。不过，Etched 尚未公开说明是否拥有有保障的内存配额或供应承诺。投资者和供应商可以支持一家公司，但并不能消除采购风险。

Etched 表示其员工超过 400 人，其中包括来自 Nvidia、Broadcom、Google TPU 项目、SK Hynix 和量化交易公司的工程师。这相较于其 2024 年 A 轮融资期间报道的 35 人团队，是显著增长。

更大的团队提升了 Etched 在设计、生产和客户支持方面的能力，但也增加了运营复杂度和支出。公司必须协调硬件修订、软件发布、制造、安装和对高要求客户的支持。

10 亿美元合同额同样需要谨慎看待。如果这些协议具有约束力，它表明客户兴趣已超出随意评估的阶段。Etched 尚未披露其中有多少已经交付、验收、转化为营收，或以未来性能为条件。

投资者在为未来产能融资时可以容忍不确定性。基础设施买家通常要求证明系统能够如期交付、完成集成并持续获得支持。随着部署从实验走向核心服务，这些标准会更加严格。

Etched 联合创始人 Wachen 直接承认了这一挑战。他告诉 TechCrunch，创始团队仍需对实现规模化所需的条件保持谦逊。这一承认比笼统的承诺更具信息量，因为它明确指出生产仍是尚未完成的工作。

核心风险并不是 Etched 一无所有。公司表示，它拥有可运行的芯片、正在运行的系统、客户评估、设施、合同和经验丰富的员工。风险在于，从这些要素迈向可靠的大规模生产仍然极其困难。

Google News 的关注反映了更大的 AI 芯片转变

Etched 的崛起表明，推理已变得足够重要，以至于市场会在公开部署数据尚不完整前为专用硬件提供融资。

围绕 Etched 的 Google News 周期自然聚焦于其 103 亿美元估值和知名投资者。更深层的发展在于，市场愿意为一家围绕推理经济性构建的系统公司提供资金。

AI 基础设施支出最初集中于训练更大的模型。训练任务仍然昂贵且具有战略重要性。然而，成功的 AI 产品会产生持续的推理需求，并随用户、提示词、生成媒体和自动化智能体而增长。

这改变了买家的优化重点。训练买家通常优先考虑完成一次大型模型训练所需的时间。推理买家则必须在持续运营中平衡响应速度、并发吞吐量、能耗、可靠性和成本。

Groq 和 Cerebras 也在探索传统 GPU AI 计算的替代方案。云服务公司部署内部加速器，而 AMD 则凭借 Instinct 产品组合挑战 Nvidia。每家竞争者在硬件、网络、内存和软件方面采取不同路径。

Etched 的主要对比对象仍然是专用推理系统与通用 GPU 基础设施。它不应被视为一场简单的 Etched 对 Nvidia 的竞争。随着推理变得更有价值，Nvidia 可以调整其产品、软件和商业策略。

据报道，Google 正在开展更具模型针对性的芯片工作，这也提供了另一个信号。如果大型平台公司将模型功能进一步贴近硬件，专用化正成为更广泛的设计选择。这并不意味着每一种专用架构都会成功。

历史记录依然严酷。打造一款规格出色的加速器，并不自动意味着能够建立一家持久的硬件公司。初创企业曾在芯片延迟、软件缺口、制造成本以及客户不愿离开成熟平台等问题上挣扎。

Graphcore 已成为与 Nvidia 竞争困难程度的一个突出警示。其他加速器公司则改变了战略、降低了目标，或专注于更狭窄的市场。这些结果使 Etched 的规模化证据比其私募估值更为重要。

Etched 拥有一些早期挑战者所不具备的优势。AI 推理需求更大，买家更有动力实现多元化，基础设施限制也更加明显。公司还在宣布最新估值之前就实现了可运行芯片。

其劣势也同样清晰。Nvidia 的平台仍在持续进步，云服务商也越来越多地提供自己的定制选项。Etched 必须争取面对多种替代方案的客户，而不是挑战一个静态的既有厂商。

该公司的架构无关主张也改变了其叙事。2024 年，Etched 强调仅面向 Transformer 的设计是其决定性优势。2026 年，它则强调支持任何形态的模型，包括非 Transformer 系统。

这种转变可以有两种解读。它可能表明 Etched 设计的系统比早期描述所暗示的更具适应性；也可能引发疑问：更广泛的支持是否削弱了其最初性能主张背后的专用化优势。

Etched 需要通过基准测试和技术文档解释这种关系。买家应当了解哪些功能仍然是专用的，哪些功能可编程，以及不同模型架构如何映射到系统中。

对于 AI 产品团队而言，硬件多样性可以带来有意义的选择。更低的推理延迟可能改善编程助手、语音系统、搜索智能体和媒体生成；更高的吞吐量则可能使高级模型能够为更多客户请求提供服务。

不过，团队应避免围绕尚未公布的容量做规划。采购决策需要交付时间表、受支持模型清单、软件要求、服务条款和测得的性能数据。新闻 headline 提供的是认知，而不是基础设施保障。

对知识工作者而言，影响将是间接的，但很重要。更快、限制更少的推理可以支持处理更大工作上下文并完成更长任务的智能体，也能降低在日常软件中持续集成 AI 功能的门槛。

评估这些变化的团队需要随着时间推移比较供应商主张、技术评估和部署说明。一个可搜索的工程知识库可以帮助在硬件格局变化时保留这些证据。

更广泛的转变因此正朝着对完整推理系统的竞争演进。芯片仍是核心，但内存、互连、散热、软件和制造能力共同决定了最终产品。Etched 最新一轮融资正是对这一系统级机遇的认可。

三个信号将决定 Etched 是否配得上这场押注

Etched 的下一阶段里程碑必须将投资者信心转化为可量化的客户成果。

第一个信号，是在融资相关新闻所提到的夏季发货窗口内交付量产机架。仅宣布发货并不能解决问题。更有力的证据将是具名客户接收系统并用于生产工作负载。

客户验收将支持 Etched 关于需求正从评估阶段向外扩展的说法，也将表明公司能够完成硬件的组装、测试、安装和支持。交付延迟或客户持续匿名，都会削弱这一估值的运营基础。

第二个信号，是获得独立基准测试的机会。评测者需要在预填充、解码和混合工作负载下测试多个模型。结果应涵盖首个 token 延迟、输出速率、并发吞吐量、能耗和系统可靠性。

最具参考价值的比较应采用等效的质量设定和完整系统。将单个处理器与整机架比较，或使用不同的数值精度，都可能扭曲结果。功耗和散热需求也应纳入测量边界。

在 Llama、DeepSeek、Qwen 和 Mamba 上获得的证据，将直接检验 Etched 的架构无关论述。若仅在一个经过精心挑选的 transformer 上表现出色，外界对其灵活性的疑虑仍会存在。稳定一致的结果则会强化公司更广泛的系统能力主张。

第三个信号，是台湾和 Milpitas 业务的量产规模。Etched 曾讨论过在 2027 年实现吉瓦级产能的路径。在这一雄心真正具备意义之前，公司必须证明其现有设施能够稳定产出。

有参考价值的指标包括已部署机架数量、制造良率、安装时间、故障率，以及已确认收入的增长。Etched 是私营公司，因此可能只披露其中部分信息。客户声明可提供额外确认。

供应关系将是这一量产信号中的重要因素。Etched 需要来自 TSMC 的处理器、大规模内存产能、封装服务、网络设备以及可靠的供电组件。即使底层芯片能够正常工作，任何一种短缺都可能限制出货。

Nvidia 的反应同样值得关注，但它更多是背景信息，而非主要检验标准。这家既有厂商可以通过新 GPU、软件优化、网络能力和定价策略改善推理性能。Etched 是否能成功交付自身系统，仍由它自己决定。

公司的融资为追求这些里程碑提供了空间，同时也抬高了预期。103 亿美元的估值所假定的不只是有趣的技术或受尊敬的投资者，而是一家有能力服务于重要基础设施市场的公司。

因此，Google News 读者应将本轮融资视为信念的证据，而不是最终的技术验证。Etched 已跨过若干艰难门槛，包括初始芯片和私营客户测试。大规模量产与透明的性能表现，仍是决定性的门槛。

这场逆转是真实的，但尚未完成。三名 Harvard 辍学生创办的公司，曾被成熟投资者否定，如今估值已超过 100 亿美元。他们接下来的挑战不那么戏剧化：制造可靠的机架、支持客户，并记录结果。

未来几个月，请关注首批量产部署、独立的混合工作负载基准测试以及设施产出。这些信号将共同表明，Etched 是打造出了持久的推理平台，还是一场资金异常充裕的实验。

如果 Etched 在三方面都能兑现，AI 买家将获得高容量推理的可信替代方案。若未能实现，当前估值将显得领先于证据。哪一种结果会改变贵组织的基础设施规划：更快的基准成绩、更低的能耗，还是具名客户在生产环境中运行 Etched？