Etched метит в $20 млрд: стартап, «запёкший» трансформер в кремний, бросает вызов Nvidia

Пока внимание рынка приковано к очередным версиям больших языковых моделей, самая интересная ставка в индустрии ИИ делается на уровень ниже — в кремнии. Стартап Etched готовится вчетверо поднять свою оценку — примерно до 20 млрд долларов. Об этом 17 июля сообщила The Wall Street Journal. Etched строит не универсальный ускоритель, а чип, в котором архитектура трансформера (transformer — тип нейросети в основе почти всех современных LLM) буквально впаяна в схему.

Что произошло: две сделки подряд

По данным WSJ, Etched ведёт сразу два раунда финансирования внахлёст. Первый закрывается при оценке около 10 млрд долларов под руководством Sequoia Capital, второй нацелен уже на 20 млрд долларов. Такая тактика «back-to-back rounds» (два раунда подряд, почти без паузы) стала приметой ИИ-бума: когда инвесторы конкурируют за место в капитале перспективных чипмейкеров, стартапы получают редкую переговорную силу и поднимают оценку рывками.

Контекст делает цифры нагляднее. Ещё в конце июня Etched вышла из «скрытого режима» с суммарно привлечёнными 800 млн долларов и оценкой 5 млрд долларов — то есть за считанные недели компания фактически учетверяет стоимость. Тогда же она объявила о 1 млрд долларов законтрактованных продаж — заказах на готовые стойки для инференса. Среди инвесторов — Stripes, Peter Thiel, Ribbit Capital и Primary Venture Partners, а в списке ангелов значатся Андрей Карпатый, Джеффри Хинтон и Фей-Фей Ли. Основали компанию в 2022 году двое бросивших Гарвард стипендиатов Тиля — Гэвин Уберти и Роберт Уочен.

Sohu: трансформер, «запечённый» в кремний

Главный продукт Etched называется Sohu, и его идея противоположна логике универсального графического процессора (GPU). Nvidia продаёт гибкие чипы, которые умеют почти всё: обучать модели, гонять графику, считать любые архитектуры. Etched пошла в обратную сторону и реализовала механизм внимания трансформера (attention) напрямую в виде фиксированной логики — аппаратных схем, а не программы на программируемых блоках. Проекции query/key/value и многоголовое внимание «прошиты» в железе, из-за чего исчезают накладные расходы на запуск вычислительных ядер и работу с памятью.

Ставка простая: если почти вся нагрузка в мире инференса (inference — «прогон» уже обученной модели, в отличие от обучения) — это трансформеры, то специализированная микросхема (ASIC — чип под конкретную задачу) должна обходить универсальный GPU и по скорости, и по энергоэффективности, и по цене за токен.

Заявленные цифры — и важная оговорка

Etched приводит эффектную метрику: сервер из восьми чипов Sohu якобы выдаёт около 500 000 токенов в секунду на модели Llama 70B — на порядок выше типичных оценок для ускорителя Nvidia H100. По памяти Sohu тоже внушителен: 144 ГБ HBM3E на чип против 80 ГБ у H100. Но здесь нужна трезвость: эти показатели маркетинговые и пока не подтверждены независимыми тестами, значительная их часть измерена при минимальном размере пакета, а купить или арендовать чип на середину июля всё ещё нельзя — первые стойки обещаны лишь «этим летом».

Цена узкой специализации

За выигрыш в скорости приходится платить универсальностью. Поскольку Sohu «знает» только трансформер, он физически не способен запускать целые классы моделей: мультимодальные и визуальные, диффузионные генераторы изображений (Stable Diffusion, Flux), архитектуры Mixture-of-Experts с динамической маршрутизацией, модели на основе state-space (Mamba), а также что-либо обучать. Если завтра индустрия сместится к принципиально новой архитектуре, «запечённый» в кремний трансформер устареет вместе с ней — тогда как GPU просто перекомпилирует новый код. Добавляет барьер и софт: Sohu требует собственного компилятора и не совместим с привычными стеками инференса вроде vLLM, TensorRT-LLM или SGLang, то есть свой конвейер обслуживания моделей придётся перестраивать с нуля.

Почему это важно

История Etched — это ставка на то, что центр тяжести в ИИ смещается от обучения к инференсу. Обучают гигантские модели несколько компаний и относительно редко, а прогонять их — миллиарды запросов ежедневно — приходится постоянно, и именно здесь копится основная стоимость эксплуатации. Nvidia доминирует прежде всего на обучении; Etched целится в сегмент инференса, где узкая, но дешёвая и энергоэффективная микросхема теоретически может отъесть заметную долю. При этом оценка в 20 млрд долларов пока опирается на контракты и обещания, а не на проверенные в бою стойки — это одновременно сигнал спроса и повод для осторожности.

Практический вывод для разработчиков умеренный: специализированные ускорители под инференс — тренд, за которым стоит следить, но не то, ради чего стоит прямо сейчас переписывать инфраструктуру. Если вы обслуживаете трансформерные LLM в большом объёме и упираетесь в стоимость GPU, чипы вроде Sohu через год-полтора могут дать экономию — при условии, что независимые тесты подтвердят цифры, а экосистема софта дозреет. Пока же разумнее не привязываться к одному вендору и смотреть на реальные бенчмарки, а не на слайды. Главный урок раунда шире конкретного чипа: битва за ИИ разворачивается не только на уровне моделей, но и на уровне кремния.