昨日，一条消息在 AI 圈和芯片圈炸开了锅：硅谷 AI 芯片创业公司 Etched 宣布完成累计 8 亿美元融资（将近 60 亿人民币），估值冲上 50 亿美元，同时拿下一张 10 亿美元的芯片大单。

这家公司此前颇为低调。它 2022 年才成立，三位创始人是哈佛辍学生，但它的投资人名单不可小觑：诺贝尔奖得主 Geoffrey Hinton、斯坦福 AI 视觉先驱李飞飞、OpenAI 联创 Andrej Karpathy、风投教父 Peter Thiel、融资的量化巨头 Jane Street 和台积电关联基金等悉数入局。

他们押注的是一件看起来很极端的事：造一款只跑 Transformer 的芯片。

Sohu，是 Etched 的第一款芯片，采用的是台积电 4 纳米工艺，目前已经流片成功。官方声称：在 Llama 70B 推理场景下，8 张 Sohu 组成的服务器，可以替代 160 张英伟达 H100。

这件事指向了一个更深层的问题：AI 芯片的 " 通用时代 "，是不是快要结束了？

01

Etched 做的是什么芯片？

要理解 Etched 在做什么，得先理解 AI 芯片的 " 通用 " 与 " 专用 " 之别。

英伟达的 GPU，本质上是一种通用芯片。它能跑 Transformer，能跑 CNN，能跑 RNN，甚至还能挖比特币。这种 " 什么都能干 " 的设计，是英伟达成功的根本原因。不管 AI 的下一个风口是什么，GPU 总能用得上。

但 " 通用 " 的代价，是效率的浪费。

跑 Transformer 模型时，GPU 上有大量晶体管在做这件事之外的事情。就像开着一辆全地形越野车送外卖——能送到，但油耗高得离谱。

Etched 的做法，用一句话概括就是：把 Transformer 架构 " 刻 " 进芯片硬件里。

Sohu 是一款 ASIC（专用集成电路）芯片。和 GPU 不同，ASIC 不是为了可编程性设计的，它里面的电路是固定死的，只干一件事：运行 Transformer 模型的前向推理。

这意味着，Sohu 根本跑不了 CNN，跑不了 RNN，甚至 Transformer 的某个运算如果和 Etched 的硬件实现不匹配，也跑不了。

这种极端的设计取舍，换来的是极端的效率。Etched 官方声称，Sohu 在运行 Llama 70B 推理时，吞吐量是 H100 的 20 倍，每美元性能是 GPU 的 140 倍。

为什么说这件事 " 牛逼 "？

Sohu 的技术突破，不在制程，不在算力规模，而在架构取舍的胆量。

芯片行业有一个铁律：越通用的芯片，市场越大，但效率越低；越专用的芯片，效率越高，但市场越小。ASIC 是效率的极致，也是风险的极致——如果算法架构变了，专用芯片就是一块昂贵的废硅。

Etched 敢下这个注，前提是它判断：Transformer 架构已经足够稳定，值得为它专门造芯片。

毕竟，Transformer 架构已统治 AI 主流应用超五年，从语言模型到文生视频，其底层根基短期内很难被轻易掀翻。

更现实的推力在于大厂正面临巨量的推理成本消耗，仅 OpenAI 每年在此项上的支出就达数十亿美元，这种压力让市场对 " 降本增效 " 极度饥渴。

而那张 10 亿美元的预售大单则是最好的市场验证。愿意在量产前签下如此规模的合同，意味着客户大概率已在早期原型上跑通过真实负载，且结果足够好。

大牛投资人们为什么敢信 Etched 团队？

芯片是极少数 "PPT 融资，十年出不来产品 " 的行业。Etched 能让 Hinton、Karpathy 和李飞飞把钱投进来，团队底色很关键。

三位创始人都是 Thiel Fellowship 的入选者。这个由 Peter Thiel 创办的奖学金，专门资助辍学创业的大学生，入选者能获得 10 万美元资助，条件是辍学全职创业。历届入选者创办的公司包括以太坊、Linear Technology 等。

CEO Gavin Uberti，曾在 Jane Street 做高频交易，对低延迟计算有深刻理解。CTO Chris Zhu，曾在谷歌 TPU 团队实习，亲历过专用芯片从设计到落地的全过程。

公司目前有超过 400 名工程师，主要来自英伟达、谷歌 TPU 团队、博通、台积电……几乎覆盖了 AI 芯片产业链的每一个关键环节。

一个有 400 个芯片老手的团队，加上已经流片成功的产品，加上 10 亿美元订单，这个组合在芯片创业公司里，已经算是 " 验证充分 " 了。

02

英伟达铁幕下的又一道裂缝

英伟达的护城河，从来不只是芯片性能，更是 CUDA 生态。

任何想挑战英伟达的芯片公司，都要面对一个灵魂拷问：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，用户用 PyTorch 训练的模型，不需要改代码，就能在 Sohu 上跑。

这是 ASIC 芯片历史上很少见的情况。

以往的 ASIC，通常意味着新的编程模型、新的软件栈、新的学习成本。Sohu 之所以能避开这个问题，是因为 Transformer 的生态已经足够统一：模型格式标准，推理框架成熟，专用芯片只需要对接这个统一层就行。

这对英伟达来说，是一个前所未有的挑战。因为英伟达的核心优势是 " 通用 + 生态 "，如果客户发现 " 专用芯片又快又便宜还不用改代码 "，通用性的溢价就会迅速缩水。

事实上，眼下，全球 AI 芯片产业链，正在分裂成三条路线。

一条是通用 GPU 路线，如英伟达、AMD 等，卖铲子给所有人，不管你挖什么矿。优势是生态成熟、通用性强；劣势是效率低、成本高。

一条是云厂商自研路线，如谷歌 TPU、AWS Trainium、Meta 自研芯片等，优势是深度绑定自身业务，成本可控；劣势是生态封闭，技术外溢有限。

还有一条是第三方专用芯片路线，如 Etched、Cerebras、Groq 等，主打一个我为特定计算优化，但我卖给所有人。它们的优势是效率极致；劣势是风险比较集中。

在不少业内人看来，这三条路线会长期并存，但市场份额会重新洗牌。而未来 2-3 年，可能是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。雷峰网雷峰网雷峰网