Etched ระดมทุน $10 พันล้านจาก SK Hynix พัฒนา ชิป AI เฉพาะงาน Inference

Etched บริษัทสตาร์ทอัพด้านชิป AI ของสหรัฐฯ เพิ่งปิดการระดมทุนรอบ C‑Round ที่ได้รับการสนับสนุนจาก SK Hynix ทำให้บริษัทประเมินมูลค่าได้ถึง $10.3 พันล้าน** หลังจากที่เน้นพัฒนาโปรเซสเซอร์เฉพาะงาน inference เท่านั้น ซึ่งเป็นจุดสำคัญที่ทำให้อุตสาหกรรมฮาร์ดแวร์ AI ต้องเผชิญกับความต้องการด้านประสิทธิภาพและการใช้พลังงานที่เพิ่มสูงขึ้น

Overview

Etched ก่อตั้งโดยศิษย์เก่า Harvard อย่าง Gavin Uberti, Robert Wachen และ Chris Zhu โดยมุ่งเน้นที่การออกแบบชิปสำหรับงาน inference ของโมเดล AI แทนที่จะเป็นการฝึกสอน (training) ที่ต้องใช้พลังคอมพิวเตอร์มหาศาล บริษัทอ้างว่า GPU ทั่วไปให้กำลังประมวลผลเกินความจำเป็นของหลาย ๆ งาน inference และยังมีข้อจำกัดด้านหน่วยความจำที่ไม่เพียงพอสำหรับโมเดลที่ใหญ่ขึ้น การออกแบบใหม่ของ Etched จึงพยายามแก้ไขจุดอ่อนเหล่านี้โดยใช้สถาปัตยกรรมเฉพาะทาง

ในรอบระดมทุนล่าสุด นักลงทุนชั้นนำหลายรายรวมถึง Sequoia Capital, Andreessen Horowitz, Jane Street, Diffusion, Argo และ SK Hynix ได้ร่วมลงทุน ทำให้การประเมินมูลค่าของ Etched พุ่งขึ้นจาก $5 พันล้านเป็น $10.3 พันล้าน** นอกจากนี้ บริษัทยังประกาศเปิดโรงงานผลิตขนาด 80,000 ตารางฟุต ที่ใช้กำลังไฟ 10 MW ใกล้ Milpitas แคลิฟอร์เนีย เพื่อรองรับการผลิตระบบ inference ระดับ rack‑scale

Technology Approach

เทคโนโลยีหลักของ Etched คือ Low Voltage Inference (LVI) ซึ่งทำให้บล็อกคณิตศาสตร์บนชิปทำงานที่แรงดันไฟฟ้าต่ำกว่าชิป AI ปกติประมาณครึ่งหนึ่ง การลดแรงดันนี้ช่วยเพิ่มความหนาแน่นของ FLOPs หลายเท่าโดยไม่กระทบต่ออุณหภูมิหรือการใช้พลังงาน นอกจากนี้ Cluster Scale Memory (CSM) ทำให้โปรเซสเซอร์เข้าถึง pool หน่วยความจำร่วมขนาดใหญ่ได้อย่างรวดเร็วกว่า GPU ที่ใช้งาน HBM ธรรมดา

Etched ยังผสมผสานระหว่าง HBM กับ SRAM เพื่อสร้าง “Hybrid Memory” ที่มีทั้งความจุสูงและความเร็วระดับ SRAM การเชื่อมต่อภายในโดยใช้ interconnect แบบ proprietary ซึ่งอ้างว่ามี latency ต่ำมาก ช่วยลดเวลาการส่งข้อมูลระหว่างชิป หน่วยความจำ และเครือข่ายซึ่งเป็นคอขวดสำคัญของงาน inference ปัจจุบันบริษัทกล่าวว่า CSM สามารถลดการทำงานหลายขั้นตอนของ mem2mem ได้อย่างมีนัยสำคัญ

Competitive Landscape

GPU แบบทั่วไปมักให้ FLOPs มากเกินความต้องการของงาน inference ทำให้ส่วนใหญ่ของกำลังประมวลผลเสียเปล่าและใช้พลังงานสูง นอกจากนี้ การออกแบบหน่วยความจำ HBM ของ GPU ยังเจอปัญหา latency เมื่อเทียบกับ SRAM ซึ่งทำให้การถอดรหัสข้อมูลช้าลง Etched จึงเสนอว่า การผสมผสาน HBM/SRAM จะช่วยข้ามข้อจำกัดเหล่านี้โดยไม่ต้องแลกเปลี่ยนระหว่างความจุและความเร็ว

อีกหนึ่งประเด็นที่ Etched ชี้แจ้งคือ “thermal throttling” ของชิป AI ที่พยายามเพิ่ม FLOPs การใช้พลังงานเพิ่มขึ้นทำให้อุณหภูมิสูงจนต้องลดความถี่การทำงาน ทำให้ประสิทธิภาพโดยรวมตกลง ระบบ LVI ของ Etched สามารถดำเนินการที่แรงดันต่ำกว่า จึงลดปัญหา thermal throttling ได้อย่างมีนัยสำคัญ การเปรียบเทียบเชิงตัวเลขระหว่างชิปของ Etched กับ GPU ชั้นนำยังไม่ได้เปิดเผยในสาธารณะ แต่บริษัทยืนยันว่าได้ทำการทดสอบภายในที่แสดงผลลัพธ์ดีกว่าในด้านประสิทธิภาพต่อวัตต์

Funding & Expansion

Etched มีประวัติการระดมทุนอย่างต่อเนื่องตั้งแต่ปี 2023 โดยสรุปดังนี้

• **Seed round (2023) – $5.4 ล้าน
• **Series A (2024) – $120 ล้าน
• **Series B (2025) – $500 ล้าน
• **Series C (2026) – $300 ล้าน

รวมเป็นเงินทุนทั้งหมดประมาณ $925.4 ล้าน การระดมทุนรอบล่าสุดทำให้มูลค่าบริษัทเพิ่มขึ้นเป็นสองเท่าจาก $5 พันล้าน นอกจากนี้ Etched ได้ขยายฐานการผลิตไปยังไต้หวันและเพิ่มจำนวนพนักงานกว่า 400 คนเพื่อรองรับอุปสงค์จากลูกค้าที่คาดว่าจะเกิน $1 พันล้าน ในปีถัดไป

Market Impact

ระบบ inference ของ Etched ถูกออกแบบให้ทำงานได้กับโมเดลภาษาใหญ่ (LLM) แบบดั้งเดิม รวมถึงสถาปัตยกรรม mixture‑of‑experts และโมเดลเชิงลำดับอย่าง Mamba ซึ่งกำลังเป็นที่สนใจในวงการ AI เนื่องจากความสามารถในการประมวลผลแบบไดนามิกและประหยัดพลังงาน ลูกค้าหลักของ Etched ยังไม่ได้เปิดเผยชื่อบริษัท แต่รายงานระบุว่าความต้องการเทียบเท่ากับระดับพันล้านดอลลาร์สหรัฐต่อปี

ด้วยการสนับสนุนจากผู้ผลิตชิประดับโลกอย่าง SK Hynix และนักลงทุนชั้นนำ การพัฒนาชิป inference เฉพาะทางของ Etched มีแนวโน้มจะเปลี่ยนโฉมตลาดฮาร์ดแวร์ AI โดยเฉพาะในด้านการลดค่าใช้จ่ายด้านไฟฟ้าและเพิ่มประสิทธิภาพในการให้บริการโมเดลที่ซับซ้อนต่อไป

Summary

Etched ได้รับเงินทุนจาก SK Hynix ทำให้มูลค่าบริษัทขึ้นถึง $10.3 พันล้าน พร้อมเปิดโรงงานใหม่เพื่อผลิตชิป inference ที่ใช้เทคโนโลยี LVI และ CSM** ซึ่งอ้างว่าสามารถทำงานได้เร็วกว่าและประหยัดพลังงานกว่ากราฟิกการ์ดทั่วไป การเคลื่อนไหวนี้อาจส่งผลกระทบต่อโครงสร้างการแข่งขันในตลาดฮาร์ดแวร์ AI อย่างสำคัญ.