AI इंफ्रास्ट्रक्चर स्टार्टअप Etched का वैल्यूएशन एक महीने में दोगुना होकर 21 अरब डॉलर

AI hardware स्टार्टअप Etched ने 18 अगस्त 2026 को 21 अरब डॉलर के वैल्यूएशन पर 700 मिलियन डॉलर की नई फंडिंग की घोषणा की। इस राउंड का नेतृत्व quantitative trading firm Jane Street ने किया। कंपनी ने यह भी बताया कि Jane Street उसका पहला ग्राहक बन गया है और उसे Etched का पहला inference-cluster rack मिल चुका है। 156

यह Etched के निजी बाजार वैल्यूएशन में बेहद तेज उछाल को दिखाता है। दिसंबर में कंपनी का वैल्यूएशन 5 अरब डॉलर था, जो 23 जुलाई को 300 मिलियन डॉलर की Series C के बाद 10.3 अरब डॉलर पहुंचा। इसके एक महीने से भी कम समय बाद यह बढ़कर 21 अरब डॉलर हो गया। 3917

यह फंडिंग क्यों महत्वपूर्ण है?

निवेशकों का दांव AI inference पर है—यानी वह प्रक्रिया जिसमें किसी AI मॉडल के प्रशिक्षण के बाद उपयोगकर्ता के prompt का जवाब तैयार किया जाता है। Etched अपने उत्पाद को सामान्य accelerator card के रूप में नहीं बेचती। इसके बजाय कंपनी पूरे rack-scale सिस्टम तैयार करती है, जिन्हें वह frontier inference clusters कहती है।

इन सिस्टमों में चिप, मेमोरी, नेटवर्किंग, कूलिंग, सॉफ्टवेयर और अन्य infrastructure को एक साथ जोड़ा जाता है, ताकि AI मॉडल को बड़े पैमाने पर serve किया जा सके। 524

AI मॉडल training से आगे बढ़कर real-time, बड़े पैमाने के उपयोग में आ रहे हैं। इसी वजह से inference के लिए खास तौर पर तैयार infrastructure का महत्व बढ़ रहा है। Nvidia अपने व्यापक rack-scale सिस्टम को “AI factories” कहती है। Etched का दृष्टिकोण भी पूरे सिस्टम पर केंद्रित है, लेकिन उसका दावा inference workloads की जरूरतों के मुताबिक विशेष optimization का है। 89

Etched की inference architecture कैसे काम करती है?

AI inference को Etched दो अलग चरणों में देखती है—prefill और decode। दोनों की computational जरूरतें अलग हैं, इसलिए कंपनी ने प्रत्येक के लिए अलग तकनीक विकसित की है।

1. Low Voltage Inference: prefill के लिए

Prefill वह चरण है जिसमें सिस्टम उपयोगकर्ता के prompt और उसके context को पढ़कर मॉडल की working state तैयार करता है। जवाब generate होने से पहले input को process करने का यह चरण computation-intensive होता है। 20

Etched की तकनीक Low Voltage Inference (LVI) चिप के mathematical operations को कई पारंपरिक AI chips की तुलना में आधे से भी कम voltage पर चलाने के लिए design की गई है—यह कंपनी का दावा है। कम voltage का उद्देश्य heat generation घटाना है। इससे एक ही power और thermal सीमा में अधिक transistors लगाए जा सकते हैं और compute density बढ़ाई जा सकती है। 1827

कंपनी का कहना है कि यह architecture high-throughput workloads, जिनमें बड़े sparse mixture-of-experts मॉडल भी शामिल हैं, के लिए बनाई गई है। हालांकि उपलब्ध सामग्री कंपनी के हर performance benchmark या workload-compatibility दावे की स्वतंत्र पुष्टि नहीं करती। 27

2. Cluster Scale Memory: decode के लिए

Decode वह चरण है जिसमें मॉडल एक-एक token करके उत्तर तैयार करता है। Prefill की तुलना में decode को computation से अधिक memory access की समस्या सीमित करती है, क्योंकि सिस्टम को हर नए token के लिए जमा किए गए context और मॉडल के key-value cache को बार-बार पढ़ना पड़ता है। 2025

Etched का समाधान Cluster Scale Memory (CSM) है। यह shared-memory architecture कई chips को पूरे rack में मौजूद एक साझा, high-speed और low-latency memory pool तक पहुंच देता है।

सामान्य व्यवस्था में प्रत्येक accelerator मुख्य रूप से अपनी local memory पर निर्भर करता है, जिससे बड़े मॉडल serve करते समय data duplication और movement बढ़ सकता है। CSM का लक्ष्य इस दोहराव और data transfer को घटाना है। सिद्धांत रूप में इससे throughput बेहतर हो सकता है और बड़े AI मॉडल चलाने की लागत कम हो सकती है। 72228

LVI और CSM मिलकर Etched की मूल product thesis को दर्शाते हैं: prompt processing और token generation में अलग-अलग bottlenecks होते हैं, इसलिए inference के दोनों चरणों को एक ही तरह के workload की तरह नहीं संभालना चाहिए।

क्या Etched हर frontier AI model चला सकती है?

उपलब्ध प्रमाणों से संकेत मिलता है कि Etched का सिस्टम केवल एक narrowly fixed model तक सीमित नहीं है। कंपनी का कहना है कि उसका architecture बड़े sparse mixture-of-experts मॉडल चला सकता है, जबकि अन्य रिपोर्टों में उसके clusters को frontier-model workloads के लिए positioned बताया गया है। 1327

लेकिन इससे यह साबित नहीं होता कि ये racks software बदलाव, optimization या अन्य adaptation के बिना हर frontier model चला सकते हैं। उपलब्ध स्रोत इस व्यापक दावे की पुष्टि नहीं करते। अधिक सावधान निष्कर्ष यह है कि Etched एक specialized architecture पर आधारित general-purpose inference infrastructure बना रही है, न कि केवल एक मॉडल के लिए lock की गई चिप।

Jane Street: निवेशक भी, पहला ग्राहक भी

Jane Street की भूमिका केवल फंडिंग तक सीमित नहीं है। Etched के अनुसार, trading firm ने उसकी चिप का परीक्षण किया, अगले महीने पहला rack प्राप्त किया और अपने data center में सिस्टम को deploy करना शुरू किया। 56

Jane Street ने कहा:

“हमने चिप का परीक्षण किया और शुरुआती नतीजों से संतुष्ट हैं। Inference के लिए Etched का अनोखा दृष्टिकोण वह precision प्रदान करता है जिसकी हमें अपने सबसे demanding workloads को support करने के लिए जरूरत होगी। अब हम अपने data center में अपना rack चलाने को लेकर उत्साहित हैं।” 6

Etched के लिए इसका महत्व यह है कि latency-sensitive ग्राहक ने evaluation से deployment तक कदम बढ़ाया और उसके बाद funding round का नेतृत्व किया। फिर भी यह शुरुआती commercial validation है—इससे यह साबित नहीं होता कि कंपनी ने बड़े पैमाने पर स्थापित AI hardware कंपनियों को पीछे छोड़ दिया है।

700 मिलियन डॉलर के राउंड में कौन-कौन शामिल थे?

घोषित निवेशकों में Jane Street के अलावा Kleiner Perkins, Sequoia, Andreessen Horowitz, Tiger Global, Bain Capital Ventures, Neo, Primary, Stripes, Positive Sum और Blackstone शामिल थे। 45

Etched की अपनी घोषणा में Peter Thiel का नाम भी निवेशकों के बीच दिया गया है। हालांकि उपलब्ध सामग्री यह स्पष्ट रूप से स्थापित नहीं करती कि Peter Thiel ने इसी 700 मिलियन डॉलर के राउंड में हिस्सा लिया था या कंपनी के अब तक के cumulative backers की सूची में उनका नाम शामिल किया गया था। 1628

उपलब्ध स्रोत इस विशेष financing में Diffusion या Argo की भागीदारी की पुष्टि नहीं करते। इसलिए उन्हें इस राउंड के निवेशकों की सूची में शामिल करना प्रमाणित नहीं होगा।

निष्कर्ष

Etched की घोषणा में तीन बड़े घटनाक्रम एक साथ आए हैं: 700 मिलियन डॉलर की नई फंडिंग, दिसंबर के 5 अरब डॉलर से बढ़कर अगस्त में 21 अरब डॉलर हुआ वैल्यूएशन, और rack-scale inference hardware की पहली customer deployment। 159

निवेश का आधार यह विचार है कि AI models को serve करने के लिए ऐसी infrastructure की जरूरत होगी जिसे inference की economics को ध्यान में रखकर बनाया गया हो। Etched का LVI design computation-heavy prefill चरण पर केंद्रित है, जबकि CSM memory-intensive decode चरण को address करता है। Jane Street का deployment इस दावे को शुरुआती व्यावसायिक परीक्षण जरूर देता है, लेकिन 21 अरब डॉलर के वैल्यूएशन को सही ठहराने के लिए Etched को reliable performance, व्यापक model compatibility और production-scale delivery साबित करनी होगी।