إيتشد تشحن أول رف استدلال مع ارتفاع تقييمها إلى 21 مليار دولار

هل بدأت شركة إيتشد (Etched) في شحن أجهزة الاستدلال الخاصة بالذكاء الاصطناعي؟ تقول الشركة الناشئة إنها سلمت أول رف لشركة Jane Street بينما جمعت 700 مليون دولار بناءً على تقييم بلغ 21 مليار دولار. مع توسع أحمال عمل الاستدلال، يمكن أن تصبح عرض نطاق الذاكرة، وزمن وصول الترابط، وتوصيل الطاقة، واستخدام الحساب المستمر بنفس أهمية الإنتاجية الحسابية القصوى. صُممت وحدات معالجة الرسومات التقليدية (GPUs) للتعامل مع أحمال العمل المتوازية للغاية. ومع ذلك، فإن التوليد التراجعي الذاتي ينقل مراراً وتكراراً أوزان النماذج، وبيانات ذاكرة التخزين المؤقت KV، والوسائط المؤقتة عبر التسلسل الهرمي للذاكرة، مع أنماط وصول تختلف حسب هندسة النموذج وتكوين التخديم.

لماذا يكتسب أول رف من إيتشد أهمية بالغة لاقتصاديات استدلال الذكاء الاصطناعي؟

لمحة سريعة

• أتمت إيتشد جولة تمويلية بقيمة 700 مليون دولار بقيادة Jane Street، مما ضاعف تقييمها الدفتري إلى 21 مليار دولار في غضون شهر واحد.
• شحنت الشركة أول رف استدلال إلى Jane Street، مما يمثل محطة رئيسية مع بدء عملاق التداول الكمي في نشر الأجهزة ضمن أحمال عمله.
• حصدت إيتشد عقود عملاء تتجاوز قيمتها مليار دولار عبر شركات الذكاء الاصطناعي العامة والخاصة، مما يوفر مؤشراً مبكراً على الطلب من العملاء.

أدى النمو السريع للذكاء الاصطناعي التوليدي إلى زيادة الطلب على البنية التحتية للحوسبة عالية الأداء. خلال عصر التدريب الأولي، كانت وحدات معالجة الرسومات القياسية فعالة للغاية لأن تدريب النماذج اعتمد على حسابات الانتشار العكسي المستمرة. وغالباً ما تستطيع أحمال عمل التدريب إظهار توازي حسابي أكبر مقارنة بفك التشفير التراجعي الذاتي، مما يجعل وحدات معالجة الرسومات مناسبة بشكل خاص لحسابات المصفوفات واسعة النطاق.

ومع ذلك، ومع انتقال التطبيقات إلى عصر الاستدلال، تغيرت المتطلبات الهندسية. فخلافاً للتدريب، لا يعمل الاستدلال على تحديث أوزان النموذج بشكل متكرر؛ بل يعتمد أداء التخديم بشكل كبير على نقل ومعالجة حالة النموذج بكفاءة في ظل قيود زمن وصول وإنتاجية معينة. وبناءً على خصائص حمل العمل، يمكن لعرض نطاق الذاكرة وزمن وصول الترابط ترك الموارد الحسابية مستغلة بأقل من طعتها حتى عندما تكون الإنتاجية الحسابية القصوى عالية. وترى إيتشد أن إنتاجية الاستدلال المستمرة على مسرعات الذكاء الاصطناعي الحالية يمكن أن تظل أقل بكثير من عمليات الفلوبس (FLOPs) القصوى نظراً لأن القيود الحرارية والخاصة بالذاكرة والترابط تحد من معدل الاستفادة.

تساعد هذه القيود في تفسير سبب جذب الأجهزة المتخصصة للاستدلال حجماً أكبر من الاستثمارات. تسعى إيتشد وراء نظام استدلال مصمم بشكل مشترك يغطي السيليكون والرفوف والذاكرة والترابط والبرمجيات والتصنيع. ورغم أن الشركة كانت مرتبطة في الأصل بتصميم سيليكون مخصص لتقنية Transformer، إلا أن أنظمتها الحالية مصممة لدعم نطاق أوسع من بنيات النماذج المتطورة، بما في ذلك نماذج مزيج الخبراء (MoE) ووفقاً لمسؤولي الشركة، البنيات التي لا تعتمد على Transformer مثل Mamba. ومن خلال التصميم المشترك لمجموعة التنفيذ بأكملها، تهدف الأجهزة المخصصة إلى تقليل الحمل الزائد للتنفيذ. والمقايضة واضحة: الأجهزة المخصصة تكون عموماً أقل مرونة من منصات وحدات معالجة الرسومات ذات الغرض العام لأحمال العمل الواقعة خارج نطاق الاستدلال المستهدف. يوفر نشر Jane Street إشارة مبكرة على ثقة العملاء في بنية إيتشد، على الرغم من أن البيانات العامة لا تثبت بعد أداءها على نطاق الإنتاج أو ميزة تكلفتها مقارنة بأنظمة وحدات معالجة الرسومات الرائدة، كما هو مُناقش في تقرير TechCrunch حول الجولة التمويلية.

آليات التشغيل الداخلية: الاستدلال منخفض الجهد وذاكرة نطاق الكتلة

على مستوى الرف، يمكن للأنظمة الفرعية للذاكرة وترابطات التوسعة تقييد السرعة التي تنتقل بها حالة النموذج بين الذاكرة والموارد الحسابية. عندما ينفذ التطبيق استدعاء استدلال، يجب على المعالج قراءة البيانات من الذاكرة، وإكمال العملية، وكتابة المخرجات مرة أخرى. وفي التكوينات القياسية، يمكن أن تفرض عمليات النقل هذه ضغوطاً على زمن الوصول وعرض النطاق عبر التسلسل الهرمي للذاكرة وترابط التوسعة.

ولمعالجة اختناقات الاستدلال هذه، تجمع إيتشد بين نهجين معماريين متكاملين لأحمال العمل ذات الإنتاجية العالية وزمن الوصول المنخفض:

الاستدلال منخفض الجهد (LVI) وذاكرة نطاق الكتلة (CSM)

• الاستدلال منخفض الجهد (LVI): تضع إيتشد تقنية الاستدلال منخفض الجهد في المقام الأول حول الاستدلال عالي الإنتاجية وتصفه في سياق أحمال العمل الكثيفة التمهيد (Prefill-heavy). وتوضح الشركة أن كتل العمليات الحسابية ذات الجهد الأقل تتيح كثافة حسابية أعلى بشكل ملحوظ ضمن نطاق الطاقة والحرارة المتاح، مع تقليل التعرض للقيود الحرارية وقيود الطاقة.
• ذاكرة نطاق الكتلة (CSM): تستهدف هذه الذاكرة الوصول إلى الذاكرة بزمن وصول منخفض وهي مصممة لمعالجة اختناقات فك التشفير. وترى إيتشد أن أنظمة الذكاء الاصطناعي الحالية القائمة على تقنية HBM تعاني لتحقيق زمن وصول لفك التشفير بمستوى ذاكرة SRAM بسبب اختناقات النظام الفرعي للذاكرة والترابط. تعالج ذاكرة نطاق الكتلة هذا الأمر عن طريق ربط شرائح متعددة عبر ترابط مخصص عالي عرض النطاق، مما يخلق مساحة ذاكرة مشتركة ومنخفضة زمن الوصول عبر نطاق التوسعة.

يمكن تمثيل تخطيط مبسط بناءً على وصف إيتشد لأحمال عمل التمهيد وفك التشفير على النحو التالي:

[أحمال العمل ذات الإنتاجية العالية وكثافة التمهيد]
                     │
                     ▼
       [الاستدلال منخفض الجهد — LVI]


[أحمال العمل منخفضة زمن الوصول وكثافة فك التشفير]
                     │
                     ▼
       [ذاكرة نطاق الكتلة — CSM]

من خلال التصميم المشترك للحوسبة والذاكرة والترابط، تهدف إيتشد إلى تحسين استغلال الاستدلال المستمر. ومعاً، تستهدف هذه النهج قيود الحوسبة والذاكرة والترابط المختلفة عبر أحمال عمل الاستدلال.

الدوائر المتكاملة المخصصة (ASICs) مقابل وحدات معالجة الرسومات العامة (GPUs): تقييم مقايضة التخصص

مع انتقل بيئات الحوسبة الحديثة نحو منصات أجهزة بديلة، يجب على المطورين إعادة تقييم كيفية إدارة مجموعات التنفيذ وأحمال العمل الحسابية. يمثل الانتقال من وحدات معالجة الرسومات العامة إلى الدوائر المتكاملة الخاصة بالتطبيقات (ASICs) خياراً استراتيجياً أساسياً. ويتعين على فرق الهندسة الموازنة بين مزايا الكفاءة المحتملة للأجهزة المخصصة وبين المخاطر النظامية للارتباط ببرمجيات معينة والحدود المعمارية الصارمة.

التقييم المعماري: الدوائر المتكاملة المخصصة مقابل وحدات معالجة الرسومات العامة

يتطلب تطوير دوائر متكاملة مخصصة موارد هندسية ضخمة مقدماً، و اتفاقيات تصنيع طويلة الأجل، وملف تعريف مستقر وقابل للتنبؤ لأحمال العمل. يمكن لهذا النهج تحسين الأداء لكل رمز وكفاءة التكلفة عندما تتوافق خصائص حمل العمل بشكل وثيق مع الأجهزة، لكنه يحد من قدرة المنصة على التكيف إذا خضعت بنيات الشبكات العصبية الأساسية لتحول جذري مفاجئ. وعلى العكس من ذلك، تستفيد وحدات معالجة الرسومات من نظام برمجي ناضج وتوفر عموماً مرونة أكبر عندما تتطور بنيات النماذج، على الرغم من أن الدوائر المتكاملة المخصصة لأحمال عمل معينة قد توفر كفاءة أقوى عندما يتطابق حمل العمل بدقة مع بنيتها.

يوضح الجدول أدناه المقايضات الأساسية بين دوائر الاستدلال المخصصة ووحدات معالجة الرسومات العامة:

يعد تقييم مقايضات الأجهزة هذه أمراً بالغ الأهمية بينما تقوم المؤسسات بتوسيع نطاق مجموعات نشرها النشطة. وفي حين تظل وحدات معالجة الرسومات العامة هي الخيار الافتراضي للبحث القياسي وتجارب النماذج المتعددة، فإن الدوائر المتكاملة المخصصة تصبح جذابة بشكل متزايد لأحمال عمل الإنتاج عالية الحجم والمعرفة جيداً والتي يكون فيها تقليل زمن الوصول هو الهدف التشغيلي الأساسي.

قوائم التحقق للتكامل: كيف تستعد الفرق الهندسية للتصميم المشترك بين الأجهزة والبرمجيات

للحفاظ على استقرار التنفيذ والأداء القابل للتنبؤ مع تبني مراكز البيانات لأجهزة الاستدلال المتخصصة، يجب على فرق الهندسة والمنتجات اعتماد سير عمل قوي للتصميم المشترك.

قائمة تحقق تنفيذ المطور

• تحديد متطلبات الذاكرة لنموذج وذاكرة التخزين المؤقت KV: قياس أوزان النموذج، ونمو ذاكرة التخزين المؤقت KV، وذاكرة التنشيط، وحساسية حجم الدفعة تحت حركة مرور الإنتاج.
• تقييم توافق هندسة النموذج: التحقق من أن شبكاتك العصبية الإنتاجية تتوافق مع المشغلات الرياضية على مستوى الأجهزة المدعومة من الدائرة المتكاملة.
• قياس زمن وصول التنفيذ الأساسي: تتبع مراحل التمهيد وفك التشفير بشكل منفصل تحت توزيعات دفعات واقعية لتحديد الاختناقات المحتملة في خط الأنابيب.

قائمة تحقق المنتج والاستراتيجية

• تقييم استقرار حمل العمل قبل تخصص الأجهزة: تحديد مدى تكرار تغير بنيات نماذج الإنتاج قبل الالتزام بأجهزة أكثر تخصصاً.
• تدقيق اقتصاديات الاستدلال: قياس الإنتاجية لكل دولار ولكل واط لتبرير تكاليف التبديل لتبني حزم الأجهزة المتخصصة.
• التحقق من قابلية توسع النظام: التأكد من أن خطط نشر الأجهزة لديك تأخذ في الاعتبار أوقات تسليم المواد الخام القيود المفروضة على سلاسل التوريد المتقدمة.

من خلال إنشاء هذه الإرشادات المنظمة، يمكن لفرق التطوير نقل تطبيقاتها إلى عمليات نشر استدلال أكثر موثوقية وكفاءة مع الحفاظ على استمرارية العمليات.

أبرز النقاط لفرق الهندسة

تمنح شحنة الرف الأول لشركة إيتشد شيئاً افتقده تقييمها البالغ 21 مليار دولار سابقاً: نشر حقيقي لعميل. إن التبني المبكر من قبل Jane Street وأكثر من مليار دولار في العقود المبلغ عنها يعزز حجة الطلب، لكن العقود والاختبارات المبكرة لا تعادل اقتصاديات مثبتة واسعة النطاق.

الرهان التقني أوسع من مجرد شريحة واحدة. تعمل إيتشد على التصميم المشترك للسيليكون، والذاكرة، والترابط، والرفوف، والبرمجيات حول أحمال عمل الاستدلال، باستخدام LVI للتشغيل عالي الإنتاجية وCSM للوصول إلى الذاكرة بزمن وصول منخفض. بالنسبة للمشترين، السؤال الرئيسي هو ما إذا كانت مكاسب الكفاءة هذه قادرة على تفوق المرونة، ونضج النظام البيئي، ومצאفة سلسلة التوريد، ومسار الترقية الذي توفره وحدات معالجة الرسومات العامة.

المراجع

1. Etched. From Zero to One: Shipped First Customer Delivery. https://www.etched.com/progress/from-zero-to-one

2. رويترز. AI chip startup Etched valued at $21 billion in latest funding round. https://www.reuters.com/technology/ai-chip-startup-etched-valued-21-billion-latest-funding-round-2026-08-18/

3. TechCrunch. Etched’s valuation doubles to $21B in a month. https://techcrunch.com/2026/08/18/etcheds-valuation-doubles-to-21b-in-a-month/

4. TechCrunch. AI chip startup Etched defies skeptics, hits $10.3B valuation from big-name investors. https://techcrunch.com/2026/07/23/ai-chip-startup-etched-defies-skeptics-hits-10-3b-valuation-from-big-name-investors/