芯片商Etched累計融資近60億，獲臺積電、辛頓、李飛飛押注

一家名為 Etched 的 AI 晶片新創公司，近期在業界投下震撼彈。該公司宣布完成累計 8 億美元（約新台幣 260 億元、近 60 億人民幣）的融資，估值一舉衝上 50 億美元，同時還拿下了一張高達 10 億美元的晶片預購大單。成立於 2022 年的 Etched 過去相當低調，三位創辦人都是哈佛大學輟學生，但本輪投資人名單卻星光熠熠，包括諾貝爾獎得主 Geoffrey Hinton、史丹佛 AI 視覺先驅李飛飛、OpenAI 共同創辦人 Andrej Karpathy、創投教父 Peter Thiel、量化巨頭 Jane Street，以及台積電關聯基金等。這些重量級人物與機構共同押注的，是一個極為大膽的產品：一款專門用來執行 Transformer 架構的晶片。 Etched 的第一款晶片名為 Sohu，採用台積電 4 奈米製程，目前已經完成流片（tape-out）。官方宣稱，在執行 Llama 70B 模型推理任務時，由 8 張 Sohu 組成的伺服器，可以取代 160 張 Nvidia H100 GPU。這項數據直接指向一個更深層次的產業命題：AI 晶片的「通用時代」，是否即將走向終結？ 要理解 Etched 在做什麼，首先必須釐清「通用晶片」與「專用晶片」的差異。Nvidia 的 GPU 本質上是一款通用晶片，能跑 Transformer、CNN、RNN，甚至能用來挖比特幣。這種什麼都能做的設計，是 Nvidia 成功的根本原因——無論 AI 的下一個風口是什麼，GPU 總能派上用場。然而，「通用」的代價是效率的浪費。當 GPU 執行 Transformer 模型時，大量的電晶體同時在處理與該任務無關的運算，好比開著一輛全地形越野車去送外賣——雖然能送到，但油耗極高。 Etched 的做法，一句話概括就是：把 Transformer 架構直接「刻」進晶片硬體裡。Sohu 是一款 ASIC（專用積體電路）晶片，與 GPU 不同，ASIC 的電路是固定且不可程式化的，只專注於一件事：執行 Transformer 模型的前向推理。這意味著 Sohu 無法跑 CNN、無法跑 RNN，甚至 Transformer 的某些運算若與 Etched 的硬體實現不匹配，也無法執行。這種極端的設計取捨，換來的是極端的效率。Etched 官方指出，Sohu 在執行 Llama 70B 推理時，吞吐量是 H100 的 20 倍，每美元成本所能達到的效能是 GPU 的 140 倍。 Sohu 的技術突破不在於製程先進或算力規模龐大，而在於架構取捨的膽識。晶片產業有一個鐵律：越通用的晶片，市場越大，但效率越低；越專用的晶片，效率越高，但市場越小。ASIC 是效率的極致，也是風險的極致——一旦演算法架構改變，專用晶片就成了一塊昂貴的廢矽。Etched 敢於下此重注，前提是它判斷 Transformer 架構已經足夠穩定，足以值得為它量身打造晶片。畢竟 Transformer 已統治 AI 主流應用超過五年，從語言模型到文生影片，底層根基短期內很難被輕易撼動。更現實的推力來自於大型科技公司面臨的巨大推理成本壓力，僅 OpenAI 每年在這方面的支出就達數十億美元，這種壓力讓市場對「降本增效」極度渴望。而那張 10 億美元的預售大單，正是最好的市場驗證——願意在量產前簽下如此規模的合同，意味著客戶很可能已在早期原型上跑通過真實負載，且結果足夠滿意。 為什麼這些頂尖投資人敢於信任 Etched 團隊？晶片是極少數「PPT 融資、十年出不來產品」的行業。Etched 能讓 Hinton、Karpathy 與李飛飛投入資金，團隊底蘊是關鍵。三位創辦人均是 Thiel Fellowship 的入選者，這項由 Peter Thiel 創立的獎學金專門資助輟學創業的大學生，入選者可獲得 10 萬美元資助，條件是休學全職創業。歷屆入選者創辦的公司包括以太坊、Linear Technology 等知名企業。CEO Gavin Uberti 曾在 Jane Street 從事高頻交易，對低延遲計算有深刻理解；CTO Chris Zhu 曾在 Google TPU 團隊實習，親身經歷過專用晶片從設計到落地的完整過程。目前 Etched 擁有超過 400 名工程師，主要來自 Nvidia、Google TPU 團隊、博通、台積電等公司，幾乎涵蓋了 AI 晶片產業鏈的每一個關鍵環節。一個擁有 400 名晶片老手的團隊，加上已經流片成功的產品，以及 10 億美元的訂單，這個組合在晶片創業公司中已算是「驗證充分」。 Nvidia 的護城河從來不只是晶片效能，更是 CUDA 生態。任何想挑戰 Nvidia 的晶片公司，都必須面對一個靈魂拷問：你的晶片再快，開發者願意重寫程式碼嗎？Etched 的聰明之處在於，它不要求開發者重寫程式碼。Sohu 支援直接執行 Transformer 模型，使用者用 PyTorch 訓練的模型無需修改程式碼，就能在 Sohu 上運行。這是 ASIC 晶片歷史上相當罕見的情況。過去的 ASIC 通常意味著全新的程式設計模型、新的軟體棧與新的學習成本。Sohu 之所以能避開這個問題，是因為 Transformer 的生態已經足夠統一：模型格式標準、推理框架成熟，專用晶片只需要對接這個統一層即可。這對 Nvidia 來說，是一個前所未有的挑戰。因為 Nvidia 的核心優勢是「通用＋生態」，如果客戶發現專用晶片又快又便宜還不用改程式碼，通用性的溢價就會迅速縮水。 目前全球 AI 晶片產業鏈正分裂成三條路線。第一條是通用 GPU 路線，以 Nvidia、AMD 為代表，賣鏟子給所有人，不論挖什麼礦；優勢是生態成熟、通用性強，劣勢是效率低、成本高。第二條是雲端廠商自研路線，例如 Google TPU、AWS Trainium、Meta 自研晶片等；優勢是深度綁定自身業務、成本可控，劣勢是生態封閉、技術外溢有限。第三條是第三方專用晶片路線，如 Etched、Cerebras、Groq 等，主打為特定計算優化，但產品賣給所有人；優勢是效率極致，劣勢是風險集中。業內普遍認為，這三條路線將長期並存，但市場份額會重新洗牌，未來 2 到 3 年可能是格局初定的關鍵窗口期。Etched 的成功融資與大單，無疑為專用晶片路線投下了信任票，也正一步步鬆動 Nvidia 在 AI 晶片領域的鐵幕。