Etched annoncerede 18. august 2026, at virksomheden har rejst 700 millioner dollar i ny finansiering til en værdiansættelse på 21 milliarder dollar. Handelsfirmaet Jane Street ledte runden efter at have testet Etcheds hardware og blev samtidig startupens første kunde, da firmaet modtog det første rack til en inference-klynge.
1
5
6
Det er en usædvanligt hurtig stigning på det private kapitalmarked. Etched blev værdisat til 5 milliarder dollar i december, nåede 10,3 milliarder dollar efter en Series C-runde på 300 millioner dollar 23. juli og steg derefter til 21 milliarder dollar på under en måned.
3
9
17
Hvorfor finansieringen er vigtig
Investeringen er et væddemål på specialiseret hardware til AI-inference – altså den proces, hvor en allerede trænet model kører og svarer, efter at en bruger har sendt en prompt.
Etched fremstiller ikke sit produkt som et traditionelt accelerator-kort. Virksomheden sælger komplette systemer i rack-størrelse, som den kalder frontier inference clusters. De kombinerer chips, hukommelse, netværk, køling, software og anden infrastruktur i én integreret platform til at levere AI-svar.
5
24
Det placerer Etched i en del af AI-infrastrukturmarkedet, der bliver stadig vigtigere, efterhånden som modeller går fra træning til omfattende brug i realtid. Nvidia beskriver sine bredere rack-baserede systemer som “AI factories”. Etched følger en lignende tilgang med komplette systemer, men optimerer dem specifikt til inference-arbejdsbelastninger.
8
9
To forskellige teknologier til to forskellige flaskehalse
AI-inference består grundlæggende af to faser, og Etched har udviklet en særskilt teknologi til hver af dem.
1. Low Voltage Inference til prefill
Prefill er den beregningstunge fase, hvor systemet læser prompten og dens kontekst og omdanner informationen til modellens interne arbejdsstatus. Det er den behandling, der sker, før modellen begynder at formulere svaret.
20
Etcheds løsning hedder Low Voltage Inference (LVI). Ifølge virksomheden udfører chippen de matematiske operationer ved mindre end halvdelen af den spænding, som mange traditionelle AI-chips bruger. Målet er at udvikle mindre varme, så der kan placeres flere transistorer inden for samme strøm- og temperaturgrænse. Det skal øge beregningstætheden.
18
27
Etched siger, at designet er målrettet arbejdsbelastninger med høj gennemstrømning, blandt andet store, sparsomme mixture-of-experts-modeller. Det er virksomhedens egne påstande om ydeevne og kompatibilitet; det tilgængelige materiale verificerer ikke uafhængigt alle de annoncerede benchmarks eller arbejdsbelastninger.
27
2. Cluster Scale Memory til decode
Decode er genereringsfasen, hvor modellen producerer svaret ét token ad gangen. I modsætning til prefill er decode i høj grad begrænset af hukommelsesadgang, fordi systemet løbende skal hente den opsamlede kontekst, herunder modellens såkaldte key-value-cache.
20
25
Etcheds svar er Cluster Scale Memory (CSM), et delt hukommelsesdesign, hvor flere chips på tværs af et rack kan tilgå en fælles hukommelsespulje med høj hastighed og lav latenstid. Målet er at begrænse den kopiering af data og flytning mellem chips, der kan opstå, når hver accelerator primært er afhængig af sin egen lokale hukommelse. I teorien kan det øge gennemstrømningen og sænke omkostningerne ved at levere svar fra store modeller.
7
22
28
LVI og CSM afspejler tilsammen Etcheds centrale produktidé: Promptbehandling og generering af tokens har forskellige flaskehalse og bør derfor ikke nødvendigvis håndteres som den samme type arbejdsbelastning.
Kan Etched køre alle frontier-modeller?
Det tilgængelige materiale peger på et system, der er beregnet til mere end én fast model. Etched siger, at arkitekturen kan køre store, sparsomme mixture-of-experts-modeller, mens anden rapportering beskriver klyngerne som rettet mod arbejdsbelastninger fra avancerede frontier-modeller.
13
27
Det er dog ikke det samme som at bevise, at rack-systemerne kan køre enhver frontier-model uden softwareændringer, optimering eller anden tilpasning. Det underbygges ikke af de leverede kilder.
Den mere forsigtige konklusion er derfor, at Etched bygger generel inference-infrastruktur omkring en specialiseret arkitektur – ikke en chip, der kun er låst til én bestemt model.
Jane Street er både investor og kunde
Jane Streets rolle giver Etched et tidligt signal om kundevalidering ud over selve finansieringen. Etched oplyste, at handelsfirmaet testede chippen, modtog det første rack måneden efter og begyndte at implementere systemet i sit datacenter.
5
6
Jane Street sagde:
“Vi testede chippen og er tilfredse med de første resultater. Etcheds unikke tilgang til inference leverer den præcision, vi får brug for til vores mest krævende arbejdsbelastninger. Vi er glade for nu at have vores eget rack kørende i vores datacenter.”
6
For Etched er betydningen, at en krævende kunde med fokus på lav latenstid gik fra evaluering til implementering, før kunden ledte den næste finansieringsrunde. Det er dog stadig en tidlig validering – ikke et bevis på, at Etched allerede har fortrængt de etablerede AI-hardwareleverandører i stor skala.
Hvem deltog i runden på 700 millioner dollar?
De annoncerede deltagere omfattede Jane Street, Kleiner Perkins, Sequoia, Andreessen Horowitz, Tiger Global, Bain Capital Ventures, Neo, Primary, Stripes, Positive Sum og Blackstone.
4
5
Etcheds egen meddelelse nævner også Peter Thiel blandt virksomhedens investorer. Det tilgængelige materiale fastslår dog ikke klart, om han deltog i netop denne finansieringsrunde, eller om han blot er nævnt blandt virksomhedens samlede kreds af investorer.
16
28
Der er ikke tilstrækkelig dokumentation for, at Diffusion eller Argo deltog i denne specifikke finansiering. De bør derfor ikke medtages på listen over rundens investorer på baggrund af de tilgængelige kilder.
Konklusionen
Etcheds meddelelse samler tre markante udviklinger: en finansiering på 700 millioner dollar, en værdiansættelse, der er steget fra 5 milliarder dollar i december til 21 milliarder dollar i august, og den første kundelevering af virksomhedens rack-baserede inference-hardware.
1
5
9
Investeringscasen bygger på idéen om, at AI-tjenester får brug for infrastruktur, der er udviklet specifikt til økonomien i inference. Etcheds LVI-arkitektur retter sig mod den beregningstunge prefill-fase, mens CSM forsøger at løse den hukommelsesintensive decode-fase.
Jane Streets implementering giver strategien en tidlig kommerciel prøve. Men Etched skal stadig dokumentere stabil ydeevne, bred modelkompatibilitet og levering i produktionsskala, før en værdiansættelse på 21 milliarder dollar kan siges at være fuldt underbygget.