三名24岁哈佛辍学生，四年做出一家估值210亿美元的推理芯片公司

2026年8月，美国AI芯片初创公司Etched完成7亿美元D轮融资，估值在不足一个月内从103亿美元升至210亿美元。量化交易公司Jane Street不仅领投本轮融资，还成为其首位客户。Etched披露，公司目前已获得超过10亿美元客户合同。

Etched主要面向AI推理市场，以集群级内存（Cluster Scale Memory，CSM）和自研互连技术切入英伟达主导的AI芯片市场。其估值快速攀升的背后，是AI算力需求由大规模训练进一步向规模化推理扩散，响应时延、能效和每Token成本成为新的竞争焦点。

从哈佛校园走向210亿美元估值

Etched由Robert Wachen、Gavin Uberti和Chris Zhu三名24岁的哈佛大学辍学生2022年创办。三位创始人认为，面向大模型推理工作负载，通用GPU并非所有场景下的最优方案，因此选择以专用芯片和机架级系统切入AI基础设施市场。

这一选择具有较高风险。半导体行业研发投入高、产品周期长、供应链复杂，初创企业不仅需要完成芯片设计和流片，还要建立服务器、互连、软件工具链及客户验证体系。

Etched的发展速度受到资本市场关注。据报道，公司从台积电取得首批测试芯片后，用44天实现了AI推理任务运行。2026年7月，Etched完成3亿美元C轮融资，估值达到103亿美元；不到一个月后，公司又完成7亿美元D轮融资，估值升至210亿美元。本轮融资由Jane Street领投，Kleiner Perkins、红杉资本、Andreessen Horowitz和Tiger Global等机构参与。

目前，Etched拥有超过400名员工，其中约15%曾在英伟达任职。公司在圣何塞办公室内建设了2MW数据中心，用于产品开发和客户测试，并在中国台湾设立团队及服务器零部件生产设施。Jane Street已经收到Etched交付的首套机架级系统并开始部署。

Etched估值在不足一个月内增长约104%，一方面反映出资本市场对AI推理基础设施的增长预期，另一方面也意味着其量产交付和商业化表现需要匹配高估值。

AI芯片竞争由训练延伸至推理

过去数年，大模型竞争主要围绕参数规模、训练集群和训练周期展开。随着基础模型逐步进入搜索、办公、编程、广告和金融等场景，调用模型生成结果的推理环节开始消耗越来越多算力。

英伟达首席财务官Colette Kress曾表示，在此前连续四个季度中，推理约占公司数据中心收入的40%。训练需求仍在增长，但推理已经成为AI芯片的重要收入来源。行业竞争指标也由单纯追求峰值算力，进一步转向吞吐量、响应时延、功耗和每Token成本。

Marvell曾预计，定制加速计算芯片市场规模到2028年可能达到约554亿美元。博通此前预计，其可服务的AI芯片市场规模在2027年可能达到600亿至900亿美元；随着需求增长，博通在2026年又将2027年AI芯片收入预期上调至超过1000亿美元。

【图表：AI ASIC市场规模增长趋势（2023-2028年）】

由于不同机构对AI ASIC、定制芯片和数据中心加速芯片的定义不一，相关数据不宜直接比较。但可以确认的是，云服务商和大型AI企业正在增加自研或定制芯片投入，以降低对单一供应商的依赖，并针对特定工作负载优化成本与能效。

ASIC可以针对特定运算和数据流进行优化，在工作负载相对稳定时，通常具有较高的计算密度和能效；GPU则拥有成熟的软件生态和更强的通用性。推理ASIC更可能在特定场景扩大份额，而非在短期内全面取代GPU。

集群级内存构成Etched的差异化路径

Etched并非只提供独立芯片，而是尝试从芯片、内存、互连和机架系统多个层面重新设计推理基础设施。

公司推出的集群级内存是一种结合SRAM与HBM的混合内存架构。其基本思路是通过自研低时延、高带宽互连，让多颗芯片共享更大的内存池，在保持存储容量和吞吐能力的同时，降低跨芯片访问时延。

以HBM为主的AI芯片拥有较大的内存容量和较高带宽，但解码阶段仍可能受到内存系统和互连限制；完全依赖SRAM的方案时延较低，却会牺牲存储容量和单位面积算力。Etched试图通过SRAM与HBM混合设计，在容量、吞吐量和时延之间取得平衡。

Etched称，其部分跨芯片内存访问操作时延约为700纳秒，相比其测算的英伟达Blackwell系统约4000纳秒降低约82.5%。不过，这些数据主要来自公司自身披露，尚缺乏统一条件下的独立第三方测试，实际表现仍需结合模型类型、集群配置和软件栈判断。

Jane Street成为Etched的首位客户，体现了这一技术路线的场景针对性。量化交易业务对响应时延和系统稳定性高度敏感，如果Etched能够在实际负载中兑现低时延优势，将为其拓展实时推理市场提供重要验证。但金融计算与通用云端AI服务并不完全相同，公司还需证明其技术可以复制到更多客户和场景。

全球推理芯片市场形成多路线竞争

随着推理需求增长，全球市场已经形成晶圆级芯片、推理专用处理器、定制ASIC和通用加速器等多种路线并行的竞争格局。

Cerebras以230亿美元估值领跑，其设计的芯片有餐盘般大小，采用“晶圆级”设计，号称比英伟达H系列快20倍。

Groq由前谷歌TPU工程师创立，专攻推理芯片，计划2025年新建十余座数据中心。值得注意的是，英伟达去年12月砸了170亿美元从Groq手里买下技术授权并挖走核心团队，足见其对推理赛道竞争者的重视程度。

Tenstorrent则同时推进AI加速器、RISC-V处理器和IP授权业务，探索更加开放的计算生态。

【图表：AI芯片初创公司估值对比（2026年）】

不同推理场景的需求差异明显。量化交易和实时交互强调低时延，云端大模型服务关注吞吐量与每Token成本，边缘设备更加看重功耗和部署成本。这种需求分化为Etched等初创企业提供了切入空间，也意味着单一架构很难覆盖全部市场。

中国推理芯片竞逐加速

随着大模型由开发训练走向产业应用，国内算力需求正进一步向推理侧扩散。根据灼识咨询统计，中国AI推理芯片相关产品及服务市场规模由2020年的113亿元增长至2024年的1626亿元，预计2029年达到1.383万亿元。其中，NPU驱动的细分市场由2020年的5亿元增长至2024年的260亿元，预计2029年达到3954亿元。

【图表：中国AI推理芯片市场规模趋势（2020-2029年）】

需要注意的是，这一统计口径不只包含芯片销售，还可能涵盖服务器、算力服务和相关解决方案，因此不能直接等同于推理芯片本身的市场规模。

目前，国内AI算力芯片形成多种技术路线。华为昇腾、寒武纪、阿里平头哥和百度昆仑芯等主要采用面向AI计算的专用加速架构；摩尔线程、沐曦、壁仞等重点布局通用GPU或GPGPU；海光信息以DCU为核心，燧原科技则采用自主GCU架构。随着训练与推理需求交叉，各类技术路线的边界也在逐渐模糊。

华为在训练和推理领域均有布局，昇腾950PR则重点面向推理及预填充负载。2026年，华为推出搭载该芯片的Atlas 350 AI加速卡。寒武纪的产品覆盖云端训练与推理。2026年，公司完成DeepSeek-V4的“Day 0”适配，即在模型发布首日推出适配方案，并通过NeuWare软件平台、vLLM推理框架及Torch-MLU-Ops融合算子库优化关键计算模块。

对于推理芯片而言，硬件峰值算力只是基础，算子性能、框架兼容性和模型部署效率，同样决定产品能否从“可以运行”走向“高效运行”。

大型云服务商也在推进自研芯片。阿里平头哥已推出含光800推理芯片，百度昆仑芯持续迭代面向训练和推理的AI加速产品，腾讯也曾推出紫霄系列AI芯片。

TrendForce预计，2026年中国高端AI芯片市场中，国产解决方案占比可能接近90%。不过，该数据属于预测，实际份额仍会受到产品供应、客户采购和进口芯片供应变化等因素影响。

Etched的发展路径表明，围绕推荐系统、短视频、电商广告和实时交互等场景开展软硬件协同优化，可能比单纯追求通用性能更容易形成差异。推理成本成为大模型商业化的重要变量，也为ASIC、NPU及其他专用架构带来新的市场窗口。

从高估值走向规模化，竞争迈入系统能力阶段

Etched估值升至210亿美元，是AI芯片竞争从训练进一步向推理扩散的缩影。不过，公司公布的约700纳秒访问时延主要来自自身测试，尚缺少独立第三方在统一环境下的验证。机架级系统的真实性能还会受到芯片良率、互连、散热、内存和软件调度等因素影响。

量产交付也是高估值能否兑现的关键。Etched已向Jane Street交付首套机架，并获得超过10亿美元客户合同，但客户合同不一定全部在短期内转化为收入。从首套系统交付走向稳定量产，仍需经历客户验证和产能爬坡。

英伟达的优势也不仅来自GPU硬件，还包括CUDA、编译器、算子库、通信系统和开发者生态。Etched若要拓展更多客户，需要降低模型迁移和部署成本，并持续适配快速变化的模型架构。专用ASIC能够提高目标负载下的性能和能效，但如果模型架构或内存访问模式发生显著变化，其适应能力可能不及通用GPU。

供应链同样是重要变量。Etched依赖外部晶圆代工、先进封装和高带宽存储供应，其扩产会受到产能、良率、交付周期和成本变化影响。Jane Street兼具投资者和首位客户身份，有助于产品快速验证，但也可能使早期收入集中于少数客户。

从全球范围看，推理芯片正在由单纯的硬件性能竞争进入系统能力竞争阶段。竞争已经延伸至集群互连、软件工具链、模型适配、供应链保障和场景落地。GPU、ASIC、NPU、GPGPU、DCU和GCU等路线将在不同场景中长期并存。最终胜出的不一定是峰值算力最高的产品，而是能够在实际业务中持续降低推理成本、稳定完成规模化交付并建立软件生态的平台。