百亿美元估值背后：Etched赌的是Transformer的“终极形态”

3亿美元C轮融资，103亿美元估值，2022年成立，三名哈佛辍学生。这组数据放在任何一家AI芯片公司身上都足够刺眼。Etched的Sohu芯片，一款专为Transformer架构设计的ASIC，正在挑战一个被反复验证的“常识”：AI芯片必须走通用路线，否则会死在生态封锁里。

先看事实。Etched的估值已超过多家老牌AI芯片公司——Cerebras（约40亿美元）、Groq（约28亿美元），接近SambaNova的两倍。而Sohu芯片尚未大规模量产。这种“预期定价”背后，是投资人对AI推理市场结构性变化的判断：当模型规模从千亿参数向万亿参数跃进，通用GPU的推理效率天花板正在逼近。

核心冲突：通用性 vs 极致效率

Etched的逻辑可以拆解为三层：

• 技术层：Transformer推理的核心计算是Attention机制中的矩阵乘法（Q·K^T · V）。Sohu芯片将这一计算路径固化为硬件，消除GPU上不必要的指令调度和缓存开销。实测数据显示，Sohu在Llama 3 70B推理上的能效比（Token/Joule）是H100的3-5倍。

• 市场层：AI应用正从训练转向推理。OpenAI的GPT-4o推理成本已降至训练成本的1/10，但推理用量仍在指数增长。专用芯片在推理场景的成本优势，直接对应云计算厂商的利润空间。

• 生态层：Etched兼容PyTorch和TensorRT，利用CUDA的编译层做适配，而不是重新造轮子。这降低了迁移成本，但强依赖英伟达的软件栈——如果英伟达修改底层接口，Etched将面临兼容性风险。

# 简化版Transformer推理中的Attention计算
def attention(Q, K, V):
    # Q, K, V shape: [batch, heads, seq_len, dim]
    scores = torch.matmul(Q, K.transpose(-2, -1))  # 核心矩阵乘法
    weights = torch.softmax(scores / math.sqrt(dim), dim=-1)
    output = torch.matmul(weights, V)
    return output

这段代码中，torch.matmul 在GPU上需要大量通用计算资源，而Sohu通过硬件直接映射这一操作，理论上能实现接近理论极限的利用率。

对标海外案例：Google TPU的成功与局限

Google TPU是专用芯片最成功的案例。TPU v1（2016年）专为推理设计，在Google搜索引擎和RankBrain中表现卓越。但TPU的成功建立在谷歌内部闭环生态上：自研框架（TensorFlow）、自研模型（BERT、PaLM）、自研数据中心。Etched作为独立公司，必须说服外部客户为“单一架构”买单。

[!tip] 关键差异

TPU从未向外部客户大规模销售，而是以云服务的形式提供。Etched直接卖芯片，面临的是英伟达的渠道壁垒和客户信任问题——客户会为一个尚未量产、依赖Transformer架构的芯片投入数千万美元采购吗？

从波特五力模型看，Etched面临的风险：

• 供应商议价权：台积电的先进制程产能紧张，Etched作为初创公司排产优先级低，可能导致交付延迟。
• 替代品威胁：Transformer架构并非终点。Mamba、RWKV等状态空间模型（SSM）正在挑战Transformer的主导地位，若SSM成为主流，Sohu的专用优势将归零。
• 现有竞争者：英伟达的B200 GPU在推理性能上持续提升，且具备完整的CUDA生态。AWS的Trainium2、微软的Maia 100同样在推理场景优化。

一个极端假设

如果未来两年内，Transformer架构被证明是“最终形态”（就像x86在PC领域的统治），那么Etched的估值逻辑成立。但AI领域的技术颠覆速度远超半导体行业。专用芯片从设计到流片需要18-24个月，而架构创新每6个月就会出现一次。

Etched选择的是一条“窄路”：它必须赌Transformer的统治力持续足够长，同时还要在英伟达的“铜墙铁壁”中撕开一道口子。

财务

原文链接：https://techcrunch.com/2026/07/23/ai-chip-startup-etched-defies-skeptics-hits-10-3b-valuation-from-big-name-investors/