芯片商Etched累计融资近60亿，获台积电、辛顿、李飞飞押注

昨日，一条消息在AI圈和芯片圈炸开了锅：硅谷AI芯片创业公司Etched宣布完成累计8亿美元融资（将近60亿人民币），台积估值冲上50亿美元，电辛顿李同时拿下一张10亿美元的飞飞芯片大单。

这家公司此前颇为低调。芯片它2022年才成立，计融三位创始人是资近哈佛辍学生，但它的亿获押注投资人名单不可小觑：诺贝尔奖得主Geoffrey Hinton、斯坦福AI视觉先驱李飞飞、台积OpenAI联创Andrej Karpathy、电辛顿李风投教父Peter Thiel、飞飞融资的芯片量化巨头Jane Street和台积电关联基金等悉数入局。

他们押注的是一件看起来很极端的事：造一款只跑Transformer的芯片。

Sohu，是Etched的第一款芯片，采用的是台积电4纳米工艺，目前已经流片成功。官方声称：在Llama 70B推理场景下，8张Sohu组成的服务器，可以替代160张英伟达H100。

这件事指向了一个更深层的问题：AI芯片的“通用时代”，是不是快要结束了？

要理解Etched在做什么，得先理解AI芯片的“通用”与“专用”之别。

英伟达的GPU，本质上是一种通用芯片。它能跑Transformer，能跑CNN，能跑RNN，甚至还能挖比特币。这种“什么都能干”的设计，是英伟达成功的根本原因。不管AI的下一个风口是什么，GPU总能用得上。

但“通用”的代价，是效率的浪费。

跑Transformer模型时，GPU上有大量晶体管在做这件事之外的事情。就像开着一辆全地形越野车送外卖——能送到，但油耗高得离谱。

Etched的做法，用一句话概括就是：把Transformer架构“刻”进芯片硬件里。

Sohu是一款ASIC（专用集成电路）芯片。和GPU不同，ASIC不是为了可编程性设计的，它里面的电路是固定死的，只干一件事：运行Transformer模型的前向推理。

这意味着，Sohu根本跑不了CNN，跑不了RNN，甚至Transformer的某个运算如果和Etched的硬件实现不匹配，也跑不了。

这种极端的设计取舍，换来的是极端的效率。Etched官方声称，Sohu在运行Llama 70B推理时，吞吐量是H100的20倍，每美元性能是GPU的140倍。

为什么说这件事“牛逼”？

Sohu的技术突破，不在制程，不在算力规模，而在架构取舍的胆量。

芯片行业有一个铁律：越通用的芯片，市场越大，但效率越低；越专用的芯片，效率越高，但市场越小。ASIC是效率的极致，也是风险的极致——如果算法架构变了，专用芯片就是一块昂贵的废硅。

Etched敢下这个注，前提是它判断：Transformer架构已经足够稳定，值得为它专门造芯片。

毕竟，Transformer 架构已统治AI主流应用超五年，从语言模型到文生视频，其底层根基短期内很难被轻易掀翻。

更现实的推力在于大厂正面临巨量的推理成本消耗，仅OpenAI每年在此项上的支出就达数十亿美元，这种压力让市场对“降本增效”极度饥渴。

而那张 10 亿美元的预售大单则是最好的市场验证。愿意在量产前签下如此规模的合同，意味着客户大概率已在早期原型上跑通过真实负载，且结果足够好。

大牛投资人们为什么敢信Etched团队？

芯片是极少数“PPT融资，十年出不来产品”的行业。Etched能让Hinton、Karpathy和李飞飞把钱投进来，团队底色很关键。

三位创始人都是Thiel Fellowship的入选者。这个由Peter Thiel创办的奖学金，专门资助辍学创业的大学生，入选者能获得10万美元资助，条件是辍学全职创业。历届入选者创办的公司包括以太坊、Linear Technology等。

CEO Gavin Uberti，曾在Jane Street做高频交易，对低延迟计算有深刻理解。CTO Chris Zhu，曾在谷歌TPU团队实习，亲历过专用芯片从设计到落地的全过程。

公司目前有超过400名工程师，主要来自英伟达、谷歌TPU团队、博通、台积电……几乎覆盖了AI芯片产业链的每一个关键环节。

一个有400个芯片老手的团队，加上已经流片成功的产品，加上10亿美元订单，这个组合在芯片创业公司里，已经算是“验证充分”了。

英伟达的护城河，从来不只是芯片性能，更是CUDA生态。

任何想挑战英伟达的芯片公司，都要面对一个灵魂拷问：你的芯片再快，开发者愿意重写代码吗？

Etched的聪明之处在于，它不要求开发者重写代码。Sohu支持直接运行Transformer模型，用户用PyTorch训练的模型，不需要改代码，就能在Sohu上跑。

这是ASIC芯片历史上很少见的情况。

以往的ASIC，通常意味着新的编程模型、新的软件栈、新的学习成本。Sohu之所以能避开这个问题，是因为Transformer的生态已经足够统一：模型格式标准，推理框架成熟，专用芯片只需要对接这个统一层就行。

这对英伟达来说，是一个前所未有的挑战。因为英伟达的核心优势是“通用+生态”，如果客户发现“专用芯片又快又便宜还不用改代码”，通用性的溢价就会迅速缩水。

事实上，眼下，全球AI芯片产业链，正在分裂成三条路线。

一条是通用GPU路线，如英伟达、AMD等，卖铲子给所有人，不管你挖什么矿。优势是生态成熟、通用性强；劣势是效率低、成本高。

一条是云厂商自研路线，如谷歌TPU、AWS Trainium、Meta自研芯片等，优势是深度绑定自身业务，成本可控；劣势是生态封闭，技术外溢有限。

还有一条是第三方专用芯片路线，如Etched、Cerebras、Groq等，主打一个我为特定计算优化，但我卖给所有人。它们的优势是效率极致；劣势是风险比较集中。

在不少业内人看来，这三条路线会长期并存，但市场份额会重新洗牌。而未来2-3年，可能是格局初定的关键窗口期。

本文作者长期追踪海外AI巨头资本动态、前沿技术和幕后故事，欢迎添加作者微信 xf123a 互通有无。雷峰网(公众号：雷峰网)雷峰网雷峰网