Startup Etched przyciągnął uwagę rynku kolejną dużą rundą finansowania i wsparciem od SK Hynix, osiągając wycenę na poziomie 10,3 mld dolarów. To ważny sygnał, bo firma nie próbuje naśladować Nvidii, lecz buduje własną kategorię układów scalonych przeznaczonych wyłącznie do jednego zadania: inferencji AI. W praktyce oznacza to sprzęt projektowany nie do trenowania ogromnych modeli, ale do ich szybkiego i energooszczędnego uruchamiania.
Czym Etched chce się wyróżnić?
Podejście startupu opiera się na założeniu, że uniwersalne GPU nie są najlepszym wyborem do wszystkich zastosowań związanych ze sztuczną inteligencją. W wielu zadaniach inferencyjnych oferują bowiem większą moc obliczeniową, niż jest potrzebna, a jednocześnie nie radzą sobie idealnie z rosnącymi wymaganiami pamięciowymi nowoczesnych modeli.
Zamiast tego Etched projektuje wyspecjalizowane systemy rack-scale, czyli całe klastry sprzętu oparte na autorskich układach i wspólnej pamięci. Firma przekonuje, że taki model pozwala ograniczyć zużycie energii, zmniejszyć opóźnienia i lepiej wykorzystać zasoby niż w przypadku klasycznych układów graficznych.
Warto zwrócić uwagę, że ten kierunek rozwoju pokazuje dojrzewanie rynku AI. Coraz częściej wygrywają rozwiązania tworzone pod konkretne obciążenie, a nie uniwersalne podejście do wszystkiego. Jeśli Etched rzeczywiście dowiezie skalę i efektywność, może stać się jednym z ważniejszych nazwisk tej zmiany.
Inference zamiast treningu
Etched od początku skupia się wyłącznie na inferencji, a więc etapie, w którym wytrenowany model odpowiada na zapytania użytkowników. To podejście odróżnia spółkę od większości graczy na rynku chipów AI, którzy próbują obsłużyć zarówno trening, jak i późniejsze działanie modeli.
Założyciele firmy to byli studenci Harvardu: Gavin Uberti, Robert Wachen i Chris Zhu. Ich zdaniem przyszłość wyspecjalizowanych układów polega na tym, by projektować je pod konkretne obciążenie, zamiast próbować tworzyć rozwiązania „do wszystkiego”.
LVI i CSM, czyli własna architektura pamięci
Sercem propozycji Etched są dwa autorskie rozwiązania: Low Voltage Inference, czyli LVI, oraz Cluster Scale Memory, czyli CSM. Pierwsze ma umożliwiać pracę bloków obliczeniowych przy znacznie niższym napięciu, co przekłada się na mniejsze zużycie energii i wyższą gęstość obliczeń.
Drugie dotyczy pamięci i ma rozwiązać jeden z największych problemów współczesnych akceleratorów AI, czyli ograniczoną przepustowość oraz opóźnienia. CSM tworzy wspólną pulę pamięci o niskiej latencji, połączoną autorskim interconnectem, który ma przyspieszać dostęp do danych podczas inferencji. Możesz też zobaczyć powiązany materiał: PayPal wprowadza stablecoin PYUSD do finansowania infrastruktury AI z USD.AI.
W podobnym kontekście rośnie znaczenie nowych modeli finansowania infrastruktury AI, które mogą wspierać rozwój całego ekosystemu.
Dlaczego to ma znaczenie?
Według Etched obecne układy graficzne napotykają fizyczne ograniczenia, gdy próbują zwiększać wydajność obliczeń zmiennoprzecinkowych. Im większe wykorzystanie chipów, tym wyższe zużycie energii i większe ryzyko przegrzewania, co w efekcie zmusza układ do obniżania taktowania.
Firma twierdzi też, że pamięci HBM, mimo swojej wysokiej przepustowości, nie rozwiązują wszystkich problemów, bo wciąż pojawiają się opóźnienia wynikające z pośrednich warstw pamięci i interkonektów. CSM ma redukować te straty, ograniczając liczbę miejsc, w których dane muszą „po drodze” zwalniać.
Duże pieniądze i szybkie tempo wzrostu
Etched nie narzeka na brak zaufania ze strony inwestorów. W ciągu kilku lat spółka zebrała od rynku bardzo znaczące środki: od 5,4 mln dolarów w rundzie seed w 2023 roku, przez 120 mln dolarów w 2024, 500 mln w 2025, aż po 300 mln w 2026 roku.
Łącznie daje to około 925,4 mln dolarów finansowania. Najnowsza runda podniosła też wycenę firmy z 5 mld do 10,3 mld dolarów, co pokazuje, że inwestorzy nadal widzą potencjał w wyspecjalizowanych układach dla AI.
Kto dołożył się do rundy?
Wśród uczestników finansowania znaleźli się między innymi Sequoia Capital, Andreessen Horowitz, Jane Street, Diffusion, Argo oraz SK Hynix. Obecność producenta pamięci jest szczególnie istotna, bo sugeruje, że wsparcie nie ogranicza się jedynie do kapitału, ale może też obejmować szersze zaplecze technologiczne.
Robert Wachen potwierdził, że nowa runda ma przyspieszyć produkcję inferred clusters, czyli systemów obliczeniowych Etched. Firma uruchomiła już obiekt o powierzchni 80 tys. stóp kwadratowych i mocy 10 MW w okolicach Milpitas, a także rozwija produkcję na Tajwanie.
Rosnące ambicje i rosnący popyt
Startup zatrudnia już ponad 400 osób, a popyt na jego rozwiązania ma przekraczać 1 mld dolarów. To mocny sygnał, że rynek zaczyna szukać alternatyw dla tradycyjnych GPU, zwłaszcza tam, gdzie liczą się koszty energii, opóźnienia i skala działania.
Co ważne, systemy Etched mają wspierać nie tylko klasyczne duże modele językowe, ale również architektury mixture-of-experts oraz inne podejścia, w tym Mamba. Oznacza to, że firma nie zamierza zamykać się na jeden typ modelu, lecz chce budować platformę pod różne scenariusze inferencyjne.
Czy specjalizacja wygra z uniwersalnością?
Historia Etched wpisuje się w szerszy trend w branży AI, w której coraz częściej pojawia się pytanie, czy jeden typ układu może obsłużyć wszystko równie dobrze. Coraz więcej firm uznaje, że trening i inferencja to dwa różne światy, wymagające innego podejścia do mocy, pamięci i kosztów.
Jeśli wyspecjalizowane chipy rzeczywiście okażą się bardziej efektywne, rynek może zacząć przesuwać się w stronę rozwiązań projektowanych pod konkretne zadania. Etched chce być jednym z liderów tej zmiany i właśnie dlatego jego rozwój obserwujemy dziś z tak dużą uwagą.
Ciekawe podejście, ale sam nie jestem przekonany. Wydaje mi się, że ta cała specjalizacja może się odbić czkawką w przyszłości. Co, jeśli AI zacznie ewoluować w sposób, którego nikt nie przewidział? Sprzęt do jednej funkcji może szybko się zestarzeć i przestać być opłacalny.
Pracuję w branży IT od kilku lat i mimo że specjalizacja w chipach AI to ciekawy kierunek, ważne jest też, by nie popaść w pułapkę wąskich zastosowań. Wydaje mi się, że mogą stracić na elastyczności. Na pewno śledzić to będę, ale na razie mieszane uczucia.
Czekam na więcej konkretów! LVI i CSM brzmią świetnie, ale jak to się sprawdzi w praktyce? Czy ktoś już miał okazję bawić się tymi rozwiązaniami? Chciałbym wiedzieć, czy różnice w wydajności są rzeczywiście zauważalne.
Firmy próbujące wprowadzić coś nowego zawsze wzbudzają kontrowersje, ale ta wydaje mi się bardziej obiecująca niż inne. Może za kilka lat zobaczymy, że właśnie takie wyspecjalizowane chipy zdominują rynek AI. Fajnie, że SK Hynix też się w to angażuje.
Niezbyt jestem przekonany. Tworzenie dedykowanych chipów to genialny pomysł, ale pytanie, co się stanie, gdy ich technologia odłączy się od obecnej architektury GPU? Szybciej czy później, większa moc obliczeniowa uniwersalnych GPU może zwyciężyć. Dla mnie to wciąż ryzykowny ruch.
Szkoda, że artykuł nie wspomina o tym, jakie technologie wykorzystują do wspólnych pamięci i niskiego napięcia. Może mieć to wpływ na inne dziedziny, warto by było to zbadać. Interesujące, jak rynek zareaguje na ich podejście.
Z tego co widzę, sporo inwestorów się zaangażowało, więc może coś z tego będzie. Wydaje się, że specjaliści w AI dążą do tego, by przełamać bariery tradycyjnych rozwiązań. Jednak cena za nowe technologie na rynku z reguły wzrasta, więc nie ma co mieć złudzeń.