Etched؛ استارتاپ تراشههای هوش مصنوعی که توسط سه ترکتحصیل هاروارد تأسیس شد، ۳۰۰ میلیون دلار در سری C جذب کرد و به ارزشگذاری ۱۰.۳ میلیارد دلار رسید
استارتاپ Etched که در سال ۲۰۲۲ توسط گاوین اوبرتی (مدیرعامل)، رابرت واکن (همبنیانگذار و مدیر عملیات) و کریس ژو (CTO) تأسیس شد، دور سرمایهگذاری سری C به مبلغ ۳۰۰ میلیون دلار را با هدایت سکویا (Sequoia) به پایان رساند و اکنون با ارزشگذاری ۱۰.۳ میلیارد دلار وارد بازار شده است. در این راند سرمایهگذاری نامهای بزرگی مانند Andreessen Horowitz، SK Hynix، Jane Street و Diffusion Capital همراه با سرمایهگذاران پیشین و افراد شناختهشدهای چون پیتر تیل، آندری کارپاتی، دیلان فیلد و امجد مسعد حضور داشتند. این رقم و ارزشگذاری، بالاترین ارزش ثبتشده برای یک سری C به رهبری Sequoia اعلام شده است.
رشد سریع و دستاوردهای تولیدی
Etched در ماههای اخیر اعلام کرده است که تراشههای بومی خود را تولید کرده و اولین سیستمهای کاملش در حال آزمایش توسط مشتریان هستند. شرکت همچنین سفارشات معادل یک میلیارد دلار را ثبت کرده که نشاندهنده تقاضای قوی برای سیستمهای اختصاصی آن است. این رشد قابلتوجه در حالی رخ داده که ارزشگذاری شرکت در دسامبر گذشته و پس از دریافت ۵۰۰ میلیون دلار، حدود ۵ میلیارد دلار اعلام شده بود؛ یعنی ارزش Etched در کمتر از هفت ماه تقریباً دو برابر شده است.
محصولات؛ «سیستم کامل» نه صرفاً تراشه
یکی از نکات کلیدی Etched فروش «سیستمهای کامل» شامل تراشه، حافظه و زیرساخت ارتباطی است؛ نه فقط فروش تراشه مجزا. این رویکرد باعث شده برخی گمان کنند محصولات Etched برای اجرا روی مدلهای خاص و محدود طراحی شدهاند؛ اما مدیران شرکت تأکید میکنند سیستمها قادر به اجرای هر مدل هوش مصنوعی—از مدلهای مبتنی بر ترنسفورمر (پایه بسیاری از LLMها مانند ChatGPT و Claude) تا معماریهای Mixture of Experts و حتی طرحهای غیرترنسفورمر مانند مدلهای مبتنی بر state-space—هستند.
نوآوریهای سختافزاری برای تسریع inference
Etched دو نوآوری کلیدی را از ابتدا طراحی کرده که هدفشان تسریع فرایند inference (استنتاج) و کاهش هزینههاست. آنها فرایند استنتاج را به دو مرحله «prefill» و «decode» تقسیم میکنند: مرحله prefill شامل پردازش و درک درخواست و زمینه آن است که بسیار محاسباتی است، و مرحله decode تولید توکنهای خروجی را بر عهده دارد که نیازمند حافظه عظیم ولی محاسبات کمتری است.
برای بهبود prefill، Etched یک تراشه پیشفیل با عملکرد بالا طراحی کرده که با ولتاژ بسیار پایینتر از تراشههای رایج کار میکند—رویکردی که با تولید گرمای کمتر امکان فشردهسازی ترانزیستورها و افزایش چگالی محاسبات را فراهم میآورد (low-voltage inference). برای مرحله decode نیز این شرکت نوع جدیدی از حافظه و تکنولوژی ارتباط بینچیپی به نام «حافظه در مقیاس خوشهای» (cluster-scale memory) توسعه داده که اتصال سریع میان چندین تراشه و اشتراکگذاری حافظه با تاخیر بسیار پایین را ممکن میسازد. نتیجه ادعایی Etched: افزایش سرعت استنتاج همراه با کاهش هزینهها.
رقابت و روند صنعت
ایده طراحی سختافزار ویژه برای شتابدهی مدلهای خاص هوش مصنوعی دیگر عجیب بهنظر نمیرسد؛ برای مثال گزارشهایی وجود دارد که گوگل روی تراشهای اختصاصی به نام Frozen v2 برای مدل Gemini کار میکند. این روند نشاندهنده گرایش بازار به سمت سختافزارهای سفارشیشده برای نیازهای متفاوت مدلهاست.
اعتمادسازی، دستاوردها و مسیر پیش رو
Etched مسیر دشواری را طی کرده؛ از زمان ترک تحصیل بنیانگذاران از هاروارد و شروعی بسیار کموسایل—خوابیدن روی کف و راهاندازی سرورها در گاراژ—تا امروز که بیش از ۴۰۰ کارمند، مرکز دادهای با توان ۲ مگاوات و همکاری با برخی از بزرگترین شرکتهای فعال در هوش مصنوعی را در اختیار دارد. دسترسی محدود به سیستمها در مراحل اولیه باعث تردید برخی از متخصصان شد، اما آزمایشهای خصوصی برای سرمایهگذاران و پژوهشگران برجستهای مانند آندری کارپاتی و دیگران، تأییدهایی را برای عملکرد سختافزار Etched به همراه داشته است.
جمعبندی
افزایش سریع ارزشگذاری، تولید تراشههای بومی، ثبت سفارشهای بزرگ و نوآوری در طراحی پیشفیل و حافظه خوشهای، Etched را به یکی از بازیگران مهم حوزه سختافزار هوش مصنوعی تبدیل کرده است. با این حال، چالشهای تولید انبوه، اثبات مقیاسپذیری در شرایط عملیاتی گسترده و رقابت با شرکتهای بزرگ همچنان از پیشروی این استارتاپ برداشته نشده است. آینده Etched میتواند نمونهای از جهتگیری صنعت به سمت سیستمهای سختافزاری بهینهشده برای مدلهای هوش مصنوعی باشد.