“这家公司的芯片战略极其聚焦：只造跑Transformer的芯片。”

作者丨徐晓飞
编辑丨麦广炜

昨日，计融AI与半导体圈迎来重磅震动：硅谷AI芯片初创公司Etched宣布累计完成8亿美元融资（折合人民币近60亿元），资近估值突破50亿美元，亿获押注并一举斩获10亿美元的台积芯片预售大单。

这家成立于2022年的电辛顿李低调公司，凭借三位哈佛辍学创始人的飞飞背景，吸引了堪称“梦幻”的芯片投资阵容：诺贝尔奖得主Geoffrey Hinton、斯坦福AI先驱李飞飞、计融OpenAI联合创始人Andrej Karpathy、资近风投教父Peter Thiel、亿获押注量化巨头Jane Street以及台积电关联基金悉数入局。台积

资本押注的电辛顿李，是飞飞一项看似极端的工程：打造一款专为Transformer架构优化的专用芯片。

其首款产品Sohu采用台积电4纳米工艺，芯片目前已成功流片。官方数据显示，在Llama 70B推理场景下，由8张Sohu组成的服务器集群，性能可替代160张英伟达H100。

这一数据背后，折射出一个行业深层命题：AI芯片的“通用时代”，是否正在走向终结？

01 Etched的破局：极致专用带来的极致效率

要理解Etched的价值，首先需厘清AI芯片中“通用”与“专用”的本质差异。

英伟达GPU的成功，源于其通用性。无论是Transformer、CNN、RNN，甚至比特币挖矿，GPU都能胜任。这种“全能”设计赋予了英伟达极强的市场适应性，但也带来了巨大的效率损耗。

在运行Transformer模型时，GPU上大量晶体管处于闲置或低效状态。这如同驾驶一辆全地形越野车送外卖——虽然能完成任务，但能耗极高。

Etched的选择是“硬件级定制”：将Transformer架构直接“刻”入芯片电路。

Sohu是一款典型的ASIC（专用集成电路）。与GPU不同，ASIC牺牲了可编程性，其内部电路固定，仅专注于执行Transformer模型的前向推理。这意味着它无法运行CNN或RNN，甚至无法处理与硬件设计不匹配的Transformer变体。

这种极端的取舍，换来了极端的效率。Etched宣称，Sohu在Llama 70B推理中的吞吐量是H100的20倍，每美元性能是GPU的140倍。

为什么这一突破至关重要？

Sohu的核心价值不在于制程或算力堆叠，而在于架构取舍的勇气。

芯片行业存在一条铁律：通用芯片市场广阔但效率低，专用芯片效率极高但市场窄。ASIC代表了效率的极致，也伴随着巨大的风险——一旦算法架构迭代，专用芯片可能瞬间沦为昂贵的废硅。

Etched敢于下注的前提，是基于对技术趋势的精准判断：
1. 架构稳定性：Transformer已统治AI主流应用超过五年，从大语言模型到文生视频，其底层根基在短期内难以被颠覆。
2. 成本压力：大厂正面临巨额推理成本。仅OpenAI每年的推理支出就高达数十亿美元，市场对“降本增效”的需求极度饥渴。
3. 市场验证：10亿美元的预售大单是最有力的证明。客户在量产前签署如此规模的合同，意味着已在早期原型上验证了真实负载下的优异表现。

顶级投资人为何信任Etched？

芯片行业素有“PPT融资，十年不出产品”的魔咒。Hinton、Karpathy和李飞飞等顶尖大脑愿意重金投入，关键在于团队的“硬核”底色。

• 创始人背景：三位创始人均为Peter Thiel创办的Thiel Fellowship入选者。该奖学金专门资助辍学创业的大学生（每人10万美元），历届得主包括以太坊创始人Vitalik Buterin等。
• CEO Gavin Uberti：前Jane Street高频交易工程师，深谙低延迟计算之道。
• CTO Chris Zhu：前谷歌TPU团队实习经历，亲历专用芯片从设计到落地的全流程。

目前，Etched拥有超过400名工程师，成员主要来自英伟达、谷歌TPU团队、博通、台积电等产业链核心环节。对于一家初创公司而言，“400名芯片老兵+已流片产品+10亿美元订单”的组合，已具备极高的验证充分性。

02 英伟达护城河下的裂缝：生态壁垒被打破

英伟达的护城河，从来不只是芯片性能，更是CUDA生态。

挑战英伟达的芯片公司，往往面临一个灵魂拷问：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，用户通过PyTorch训练的模型，无需修改代码即可在Sohu上部署。

这在ASIC历史上极为罕见。传统ASIC通常意味着全新的编程模型、软件栈和学习成本。Sohu之所以能规避这一痛点，是因为Transformer生态已高度统一：模型格式标准化，推理框架成熟，专用芯片只需对接这一统一层即可。

这对英伟达构成了前所未有的挑战。如果客户发现“专用芯片更快、更便宜且无需改代码”，英伟达“通用+生态”的溢价能力将迅速缩水。

AI芯片的三条路线与未来格局

当前，全球AI芯片产业链正分裂为三条主要路线：

1. 通用GPU路线（如英伟达、AMD）：
2. 优势：生态成熟，通用性强，适用场景广泛。
3. 劣势：效率相对较低，推理成本高。
4. 云厂商自研路线（如谷歌TPU、AWS Trainium、Meta自研芯片）：
5. 优势：深度绑定自身业务，成本可控，优化极致。
6. 劣势：生态封闭，技术外溢有限，难以独立商业化。
7. 第三方专用芯片路线（如Etched、Cerebras、Groq）：
8. 优势：针对特定计算优化，效率极致，性价比高。
9. 劣势：风险集中，依赖特定算法架构的稳定性。

业内普遍认为，这三条路线将长期并存，但市场份额正在重新洗牌。未来2-3年，将是AI芯片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。