芯东西7月24日消息，今日，美国AI芯片独角兽Etched宣布完成3亿美元（约合人民币20.3亿元）C轮融资，投后估值达到103亿美元（约合人民币698亿元）。本轮融资由红杉资本领投，a16z、Jane Street、Diffusion以及韩国存储芯片巨头SK海力士（SK Hynix）参投。▲Etched官宣完成C轮融资（图源：X）
Etched上一轮融资是2025年12月的5亿美元（约合人民币34亿元），当时该公司估值达到50亿美元（约合人民币339亿元），且AI教父杰弗里·辛顿（Geoffrey Hinton）、李飞飞，“AI大神”安德烈·卡帕西（Andrej Karpathy）都投了。短短7个月后，Etched再获融资，且估值增长超过一倍。Etched主要研发面向AI推理的专用芯片，希望通过针对大模型运行场景优化的硬件，提高AI模型推理效率。6月30日，Etched宣布基于台积电N4P工艺流片的A0版本芯片已顺利回片，并完成首套机架级整机产品验证。Etched称，早期客户测试显示，其推理系统在吞吐量、延迟和功耗效率等方面拿下SOTA，目前该产品已获得超过10亿美元（约合人民币68亿元）订单，首批机架预计将于今年夏季发货。▲Etched官宣完成A0芯片流片并建成首批机架（图源：X）
Etched成立于2022年，由三名哈佛辍学生加文·乌伯蒂（Gavin Uberti）、罗伯特·瓦申（Robert Wachen）和Chris Zhu共同创立，其中乌伯蒂担任CEO，Robert Wachen担任总裁。三人均为泰尔奖学金得主和Math 55校友。乌伯蒂长期关注AI编译器方向，瓦申拥有连续创业经历，Chris Zhu则专注数学与高性能计算研究。▲Etched三位联合创始人（图源：Etched）
Etched官网显示，本轮融资资金将用于扩大生产规模和推进客户部署。目前，该公司正在推进价值数亿美元规模的推理集群制造，并已在美国加州圣何塞附近建设生产和原型研发设施，以支持下一阶段硬件迭代。
与传统GPU不同，Etched希望打造面向AI推理任务优化的专用芯片。此次融资前，Etched已经取得部分硬件进展。今年6月底，该公司基于台积电N4P工艺流片的A0版本芯片已顺利回片，团队已联合客户开展首套机架级整机产品的验证工作。早期客户验证阶段，该产品在吞吐量、延迟以及功耗效率等推理核心指标上达到SOTA水平。Etched称其首批机架产品将在夏季推进交付，并已获得超过10亿美元（约合人民币68亿元）的客户订单。与此同时，Etched正在扩大生产能力。该公司在靠近美国圣何塞总部的位置启用了一座8万平方英尺的新设施，用于扩大生产和原型验证。Etched计划利用位于米尔皮塔斯的10兆瓦园区，搭建新产品导入（NPI）实验室、自建SMT贴片产线，并扩大硬件部署规模。目前，Etched拥有约400名员工，其中大部分员工来自英伟达、博通、谷歌TPU、SK海力士等多半导体和AI计算领域企业。Etched平台副总裁布莱恩·洛伊勒（Brian Loiler）曾在英伟达工作22年，软件副总裁戴维·芒迪（David Munday）曾领导谷歌TPU v1到v5软件团队，生产副总裁Wayne Cao曾主导包括初代iPhone在内的24款产品的阶段生产工作，首席架构师Saptadeep Pal曾是Auradine联合创始人兼前架构师，硬件工程副总裁Ajat Hukkoo曾任博通杰出工程师、英特尔定制芯片事业部副总裁。▲Etched高管（图源：Etched）
据TechCrunc昨日报道，Etched目前最核心的技术亮点是，围绕AI推理过程中的两个关键阶段——预填充（Prefill）和解码（Decode），研发出2项新的技术——低电压推理技术（LVI）和集群级内存技术（CSM）。Etched联合创始人兼总裁瓦申称，Prefill阶段主要负责理解用户输入的提示词和上下文信息，需要大量计算资源；Decode阶段则负责逐个生成输出token，对内存容量和访问速度要求更高。在Prefill阶段，Etched研发了低电压推理技术。该公司称，这项技术通过降低运行电压减少功耗和发热，从而为集成更多晶体管提供空间，进一步提升推理效率。在Decode阶段，Etched开发了集群级内存技术。该技术使多个芯片能够共享高速低延迟内存池，以提升大规模推理任务的效率。瓦申还介绍道，Etched并不是只能运行特定的大模型，其系统可以支持包括DeepSeek、Qwen等采用MoE架构的模型，以及部分非Transformer架构模型。
随着大模型进入规模化应用阶段，AI芯片竞争正在从模型训练逐渐延伸至推理部署。英伟达依靠GPU建立了当前AI计算生态，但随着模型规模扩大和应用场景增加，降低推理成本、提升计算效率可能成为新的竞争方向。Etched的此次融资，反映出资本市场正在关注AI基础设施的新路径。未来，围绕推理芯片、计算集群以及软硬件协同优化的竞争，或将成为AI基础设施发展的重要方向。
