Etched ประกาศเมื่อวันที่ 18 สิงหาคม 2026 ว่า บริษัทระดมทุนรอบใหม่ได้ 700 ล้านดอลลาร์ ที่มูลค่า 2.1 หมื่นล้านดอลลาร์ โดย Jane Street บริษัทเทรดเชิงปริมาณเป็นผู้นำการลงทุน หลังจากทดสอบฮาร์ดแวร์ของ Etched และกลายเป็นลูกค้ารายแรกของสตาร์ตอัปแห่งนี้ โดยได้รับแร็กระบบประมวลผล AI ชุดแรกไปใช้งานแล้ว
1
5
6
การระดมทุนครั้งนี้สะท้อนการพุ่งขึ้นอย่างรวดเร็วของมูลค่าในตลาดเอกชน จาก 5 พันล้านดอลลาร์ในเดือนธันวาคม เป็น 1.03 หมื่นล้านดอลลาร์หลังการระดมทุน Series C มูลค่า 300 ล้านดอลลาร์เมื่อวันที่ 23 กรกฎาคม และเพิ่มเป็น 2.1 หมื่นล้านดอลลาร์ในเวลาไม่ถึงหนึ่งเดือน
3
9
17
ทำไมการระดมทุนครั้งนี้จึงสำคัญ
เงินลงทุนดังกล่าวคือการเดิมพันกับฮาร์ดแวร์เฉพาะทางสำหรับ AI inference หรือกระบวนการนำโมเดล AI ที่ฝึกเสร็จแล้วมาประมวลผลคำสั่งของผู้ใช้และสร้างคำตอบขึ้นมา
Etched ไม่ได้วางขายผลิตภัณฑ์ในรูปแบบการ์ดเร่งความเร็วทั่วไป แต่จำหน่ายระบบครบชุดระดับแร็ก ซึ่งบริษัทเรียกว่า frontier inference clusters โดยรวมชิป หน่วยความจำ เครือข่าย ระบบระบายความร้อน ซอฟต์แวร์ และโครงสร้างพื้นฐานอื่น ๆ เข้าเป็นแพลตฟอร์มเดียวสำหรับให้บริการโมเดล AI
5
24
แนวทางนี้ทำให้ Etched เข้าไปอยู่ในส่วนที่กำลังมีความสำคัญมากขึ้นของตลาดโครงสร้างพื้นฐาน AI นั่นคือการนำโมเดลไปใช้งานจริงแบบรวดเร็วและต่อเนื่อง หลังยุคที่ความสนใจส่วนใหญ่เคยมุ่งไปที่การฝึกโมเดล Nvidia เรียกระบบระดับแร็กในภาพรวมของตนว่า “AI factories” หรือโรงงาน AI ส่วน Etched ใช้แนวคิดระบบครบชุดที่คล้ายกัน แต่ปรับให้เหมาะกับงาน inference โดยเฉพาะ
8
9
Etched ออกแบบระบบ inference อย่างไร
กระบวนการ inference ของ AI แบ่งได้เป็น 2 ช่วงหลัก และ Etched ออกแบบเทคโนโลยีแยกสำหรับแต่ละช่วง
1. Low Voltage Inference สำหรับขั้นตอน prefill
Prefill คือช่วงที่ใช้การคำนวณสูง ระบบจะอ่านคำสั่งของผู้ใช้รวมถึงบริบทที่เกี่ยวข้อง แล้วแปลงข้อมูลเหล่านั้นเป็นสถานะการทำงานของโมเดล ก่อนที่โมเดลจะเริ่มสร้างคำตอบ
20
แนวทางของ Etched ซึ่งเรียกว่า Low Voltage Inference (LVI) ให้บล็อกคำนวณทางคณิตศาสตร์ของชิปทำงานด้วยแรงดันไฟฟ้าต่ำกว่าครึ่งหนึ่งของชิป AI ทั่วไปหลายประเภท ตามข้อมูลของบริษัท เป้าหมายคือการลดความร้อน ทำให้สามารถใส่ทรานซิสเตอร์ได้หนาแน่นขึ้นภายใต้ข้อจำกัดด้านพลังงานและการระบายความร้อน และเพิ่มความหนาแน่นของการประมวลผล
18
27
บริษัทระบุว่าแนวทางนี้เหมาะกับงานที่ต้องการอัตราการประมวลผลสูง รวมถึงโมเดลแบบ sparse mixture-of-experts ขนาดใหญ่ อย่างไรก็ตาม ข้อความดังกล่าวเป็นคำกล่าวอ้างด้านประสิทธิภาพและความเข้ากันได้ของบริษัท โดยหลักฐานที่มีไม่ได้ยืนยันผลการทดสอบหรือประสิทธิภาพที่โฆษณาไว้ทุกกรณีโดยอิสระ
27
2. Cluster Scale Memory สำหรับขั้นตอน decode
Decode คือช่วงที่โมเดลสร้างคำตอบทีละโทเคน ซึ่งเป็นหน่วยย่อยของข้อความ ต่างจาก prefill ขั้นตอนนี้ถูกจำกัดด้วยการเข้าถึงหน่วยความจำอย่างมาก เพราะระบบต้องเรียกดูบริบทสะสมซ้ำ ๆ รวมถึงสิ่งที่เรียกว่า key-value cache หรือ KV cache
20
25
Etched จึงพัฒนา Cluster Scale Memory (CSM) ซึ่งเป็นสถาปัตยกรรมหน่วยความจำแบบใช้ร่วมกัน ช่วยให้ชิปหลายตัวภายในแร็กเดียวกันเข้าถึงหน่วยความจำความเร็วสูงและความหน่วงต่ำจากพูลกลางเดียวกันได้
เป้าหมายคือการลดการทำสำเนาข้อมูลและการเคลื่อนย้ายข้อมูลที่อาจเกิดขึ้นเมื่อชิปเร่งความเร็วแต่ละตัวต้องพึ่งพาหน่วยความจำของตัวเองเป็นหลัก ในทางทฤษฎี วิธีนี้อาจช่วยเพิ่มอัตราการประมวลผลและลดต้นทุนการให้บริการโมเดลขนาดใหญ่
7
22
28
LVI และ CSM จึงสะท้อนแนวคิดหลักของ Etched ว่า ระบบ inference ควรออกแบบให้รับมือกับคอขวดที่แตกต่างกันของการประมวลผลคำสั่งและการสร้างโทเคน แทนที่จะมองทั้งสองช่วงเป็นงานประเภทเดียวกัน
Etched รองรับโมเดล frontier ได้ทุกแบบหรือไม่
หลักฐานที่มีชี้ว่า Etched กำลังพัฒนาระบบที่รองรับโมเดลมากกว่าหนึ่งประเภทที่กำหนดตายตัว บริษัทระบุว่าสถาปัตยกรรมของตนสามารถทำงานกับโมเดล sparse mixture-of-experts ขนาดใหญ่ และรายงานบางส่วนอธิบายว่าบริษัทวางระบบของตนไว้สำหรับงานโมเดลระดับ frontier
13
27
อย่างไรก็ตาม นั่นไม่เท่ากับการพิสูจน์ว่าแร็กของ Etched สามารถรัน โมเดล frontier ทุกแบบ ได้ทันทีโดยไม่ต้องปรับซอฟต์แวร์ เพิ่มประสิทธิภาพ หรือดัดแปลงระบบเพิ่มเติม แหล่งข้อมูลที่มีไม่รองรับคำกล่าวอ้างที่กว้างและไม่มีเงื่อนไขเช่นนั้น
ข้อสรุปที่ปลอดภัยกว่าคือ Etched กำลังสร้างโครงสร้างพื้นฐาน inference แบบใช้งานได้กับโมเดลหลายประเภทบนสถาปัตยกรรมเฉพาะทาง ไม่ใช่ชิปที่ล็อกไว้สำหรับโมเดลใดโมเดลหนึ่งเท่านั้น
Jane Street ในบทบาททั้งนักลงทุนและลูกค้า
การเข้ามาของ Jane Street เป็นสัญญาณยืนยันจากลูกค้านอกเหนือจากการเป็นผู้ลงทุน Etched ระบุว่า Jane Street ได้ทดสอบชิป รับมอบแร็กชุดแรกในเดือนถัดมา และเริ่มนำระบบไปใช้งานในศูนย์ข้อมูลของตน
5
6
Jane Street ระบุว่า:
“เราได้ทดสอบชิปและพอใจกับผลลัพธ์ในระยะแรก แนวทางเฉพาะของ Etched สำหรับงาน inference ให้ความแม่นยำที่เราต้องการเพื่อรองรับงานที่มีความต้องการสูงที่สุดของเรา เราตื่นเต้นที่ขณะนี้มีแร็กของเราเองทำงานอยู่ในศูนย์ข้อมูลของเรา”
6
สำหรับ Etched จุดสำคัญคือ ลูกค้าที่ต้องการความหน่วงต่ำอย่างมากได้ขยับจากการประเมินไปสู่การติดตั้งใช้งานจริง ก่อนจะเป็นผู้นำการระดมทุนรอบถัดไป แต่สิ่งนี้ยังเป็นการยืนยันในระยะเริ่มต้น ไม่ใช่หลักฐานว่าบริษัทสามารถแทนที่ฮาร์ดแวร์ AI ของผู้ครองตลาดได้ในระดับใหญ่แล้ว
ใครบ้างที่เข้าร่วมการระดมทุน 700 ล้านดอลลาร์
ผู้ลงทุนที่ประกาศเข้าร่วมรอบนี้ ได้แก่ Jane Street, Kleiner Perkins, Sequoia, Andreessen Horowitz, Tiger Global, Bain Capital Ventures, Neo, Primary, Stripes, Positive Sum และ Blackstone
4
5
ประกาศของ Etched เองยังระบุชื่อ Peter Thiel ไว้ในกลุ่มนักลงทุนของบริษัทด้วย แต่ข้อมูลที่มีไม่ได้ยืนยันอย่างชัดเจนว่าเขาเข้าร่วมการระดมทุน 700 ล้านดอลลาร์รอบนี้โดยเฉพาะ หรือชื่อดังกล่าวเป็นการระบุผู้สนับสนุนสะสมของบริษัท
16
28
ในทางกลับกัน หลักฐานที่มี ยังไม่ยืนยัน ว่า Diffusion หรือ Argo เข้าร่วมการระดมทุนรอบนี้ จึงไม่ควรนับทั้งสองรายเป็นผู้ลงทุนในรอบดังกล่าว
บทสรุป
ประกาศของ Etched รวม 3 พัฒนาการสำคัญไว้ด้วยกัน ได้แก่ การระดมทุน 700 ล้านดอลลาร์ มูลค่าบริษัทที่เพิ่มจาก 5 พันล้านดอลลาร์ในเดือนธันวาคมเป็น 2.1 หมื่นล้านดอลลาร์ในเดือนสิงหาคม และการส่งมอบฮาร์ดแวร์ inference ระดับแร็กให้ลูกค้ารายแรก
1
5
9
เหตุผลที่นักลงทุนสนใจอยู่บนสมมติฐานว่า การให้บริการโมเดล AI ในอนาคตจะต้องใช้โครงสร้างพื้นฐานที่ออกแบบมาเพื่อเศรษฐศาสตร์ของ inference โดยเฉพาะ สถาปัตยกรรม LVI ของ Etched มุ่งจัดการกับ prefill ที่ใช้การคำนวณสูง ขณะที่ CSM มุ่งแก้ปัญหา decode ที่ใช้หน่วยความจำมาก
การติดตั้งระบบของ Jane Street ถือเป็นการทดสอบเชิงพาณิชย์ระยะแรกของแนวคิดนี้ แต่ Etched ยังต้องพิสูจน์ประสิทธิภาพที่สม่ำเสมอ ความเข้ากันได้กับโมเดลที่หลากหลาย และความสามารถในการส่งมอบระบบในระดับการผลิต ก่อนที่มูลค่า 2.1 หมื่นล้านดอลลาร์จะได้รับการยืนยันอย่างเต็มที่