Etched估值飙至103亿美元，推理专用芯片挑战英伟达

Etched，这家专为 Transformer 架构打造 AI 推理芯片的硅谷创业公司，在 2026 年 7 月完成由红杉资本领投、a16z 与 Jane Street 等参投的 3 亿美元 C 轮融资后，估值迅速攀升至 103 亿美元。叠加此前的 A 轮与 B 轮融资，Etched 累计融资额已超过 9 亿美元，背后站着 Peter Thiel、Andrej Karpathy、李飞飞等知名个人投资者，以及 Stripe、TSMC、SK Hynix 等机构股东。支撑这一估值的关键并非愿景，而是已经落地的商业进展：Etched 已在 TSMC 完成 A0 芯片流片，并构建了前沿推理集群，斩获超过 10 亿美元的客户合同。

为什么 AI 推理值得专用芯片

随着生成式 AI 渗透到真实工作流，推理负载正以远超训练的速度膨胀。Google 披露的数据显示，其产品与 API 每月处理的 token 数量从 2024 年 5 月的 9.7 万亿，飙升至 2026 年 5 月的 3.2 千万亿，两年增长超过 300 倍。NVIDIA 数据中心季度收入也从 2023 年初的 36.2 亿美元增长至 2026 年初的 623 亿美元。

推理负载的快速稳定化，为专用硬件打开了窗口。Etched 团队判断，当某类计算负载规模呈指数级增长、计算特征趋于稳定时，围绕其量身打造专用芯片和整套系统的商业逻辑便水到渠成——正如 GPU 之于图形渲染，网络芯片之于互联网传输。Transformer 正是当下满足这一条件的核心负载形态。

Etched 的技术路线

Etched 的核心产品 Sohu 是一颗只服务 Transformer 推理的 ASIC 芯片。据公司公布的数据，搭载 8 颗 Sohu 的服务器在运行 Llama 70B 时，可达到每秒 50 万 token 的推理速度，是同样数量 H100 服务器的 20 倍。围绕这一目标，公司做了两项关键架构创新：

• 低电压推理（LVI）：芯片计算单元运行电压不到主流 AI 芯片的一半，根据登纳德缩放定律，动态功耗大致与电压平方成正比，从而使 FLOPs 密度提升数倍。在推理万亿参数稀疏 MoE 模型时，可维持 80% 以上峰值 FLOPs 而不触发降频。
• 集群级内存（CSM）：在纵向扩展域内构建低延迟共享内存池，结合 HBM/SRAM 混合设计，解决了解码阶段对内存带宽的瓶颈，同时规避纯 SRAM、3D DRAM 与光互连在成本、良率与散热上的权衡。

LVI 的运行需要从晶体管到 token 每个层级的协同设计，包括可拆分计算阵列、供电网络、VRM 架构、先进封装与冷板设计。Etched 的团队覆盖了这些环节：前 Cypress Semiconductor CTO Mark Ross 担任公司 CTO，参与过 NVIDIA V100/A100/H100 架构的 Saptadeep Pal 负责 ASIC 设计，从零搭建 Google TPU v1 至 v5 软件团队的 David Munday 负责软件栈。

商业化进展与行业意义

Etched 首批机架产品将于今夏发货，并已全面启动量产以履行超 10 亿美元的客户合同。早期客户测试反馈显示，Etched 系统在吞吐量、延迟与能效上均达到当前最优（SOTA）水平，其主要投资人在尽调中收到客户评价称，这是首个能真正在规模化应用中颠覆推理单位经济模型的系统。

这一进展意味着，绕开 NVIDIA GPU 与 CUDA 生态、围绕特定模型架构构建专用推理基础设施，正从技术设想走向规模化商业验证。如果 Etched 能在产能、客户与软件生态上持续兑现承诺，AI 推理市场的硬件格局将出现实质性松动。

中国市场的窗口与变量

推理基础设施从通用走向专用，在中国同样形成强劲需求。一方面，DeepSeek 的 FlashMLA、DeepGEMM、DeepEP 与 TileLang，以及 Kimi 开源的 Mooncake，已将软件层面的推理优化推向全球前沿；另一方面，海外高端芯片供应的不确定性，使得基于开源 EDA 工具与成熟制程的 ASIC 路线更具吸引力。Kimi K3 曾在 48 小时内基于开源 EDA 工具与 45nm 工艺库，自主完成了一款面向 Nano 模型的专用芯片设计与仿真验证。

云端推理芯片对先进制程的要求相对宽松，创业公司可以避开与通用 GPU 在制程与规模上的正面竞争。设计门槛、制造条件与推理需求的变化，正在共同打开一个新的创业窗口——而真正能够抓住它的，将是那些既看得到模型演进方向、又能以极快工程节奏让硬件迭代跟上的少数团队。