Etched ส่งมอบแร็คประมวลผลอินเทอร์เรนซ์ชุดแรกแล้ว พร้อมมูลค่าบริษัทพุ่งแตะ 2.1 หมื่นล้านดอลลาร์

Etched เริ่มจัดส่งฮาร์ดแวร์ประมวลผลอินเทอร์เรนซ์ AI แล้วหรือยัง? ทางสตาร์ทอัพรายนี้ระบุว่าได้ส่งมอบแร็คชุดแรกให้กับ Jane Street พร้อมกับระดมทุนได้ 700 ล้านดอลลาร์ ส่งผลให้มูลค่าบริษัทตามการประเมินพุ่งขึ้นเป็น 2.1 หมื่นล้านดอลลาร์ เมื่อเวิร์กโหลดการประมวลผลอินเทอร์เรนซ์มีขนาดใหญ่ขึ้น แบนด์วิดท์หน่วยความจำ ความหน่วงของการเชื่อมต่อ (Interconnect Latency) การจ่ายพลังงาน และอัตราการใช้การประมวลผลอย่างต่อเนื่อง จึงกลายเป็นปัจจัยที่มีความสำคัญไม่แพ้ความสามารถในการคำนวณสูงสุด (Peak Arithmetic Throughput) หน่วยประมวลผลกราฟิก (GPU) แบบดั้งเดิมถูกออกแบบมาเพื่อรองรับเวิร์กโหลดที่มีการประมวลผลแบบขนานสูง อย่างไรก็ตาม กระบวนการสร้างข้อความแบบ autoregressive จะมีการย้ายน้ำหนักของโมเดล ข้อมูล KV-cache และสถานะชั่วคราวผ่านลำดับชั้นของหน่วยความจำซ้ำๆ โดยรูปแบบการเข้าถึงจะแตกต่างกันไปตามสถาปัตยกรรมของโมเดลและการกำหนดค่าการให้บริการ

เหตุผลที่แร็คชุดแรกของ Etched มีความสำคัญต่อความคุ้มค่าทางเศรษฐศาสตร์ของการประมวลผลอินเทอร์เรนซ์ AI

สรุปสาระสำคัญ

Etched ปิดรอบการระดมทุนมูลค่า 700 ล้านดอลลาร์ นำโดย Jane Street ซึ่งช่วยเพิ่มมูลค่าบริษัทบนกระดาษเป็นสองเท่าสู่ระดับ 2.1 หมื่นล้านดอลลาร์ภายในเวลาเพียงหนึ่งเดือน
บริษัทได้ส่งมอบแร็คประมวลผลอินเทอร์เรนซ์ชุดแรกให้กับ Jane Street นับเป็นหมุดหมายสำคัญในขณะที่ยักษ์ใหญ่ด้านการลงทุนเชิงปริมาณ (Quantitative Trading) เริ่มนำฮาร์ดแวร์ดังกล่าวไปปรับใช้กับเวิร์กโหลดของตน
Etched คว้าสัญญาจากลูกค้าทั้งในกลุ่มบริษัท AI ภาคเอกชนและภาครัฐรวมมูลค่ากว่า 1 พันล้านดอลลาร์ ซึ่งถือเป็นสัญญาณบ่งชี้ความต้องการของลูกค้าในช่วงเริ่มต้น

การเติบโตอย่างรวดเร็วของ Generative AI ได้ผลักดันความต้องการโครงสร้างพื้นฐานด้านการประมวลผลประสิทธิภาพสูงให้สูงขึ้น ในยุคของการฝึกฝนโมเดล (Training Era) ในช่วงแรก หน่วยประมวลผลกราฟิกมาตรฐานมีประสิทธิภาพสูงมากเนื่องจากการฝึกฝนโมเดลอาศัยการคำนวณแบบย้อนกลับ (Backpropagation) อย่างต่อเนื่อง เวิร์กโหลดในขั้นตอนการฝึกฝนนั้นมักเอื้อต่อการประมวลผลแบบขนานมากกว่าขั้นตอนการถอดรหัสแบบ autoregressive ทำให้ GPU เหมาะกับการคำนวณเมทริกซ์ขนาดใหญ่เป็นพิเศษ

อย่างไรก็ตาม เมื่อแอปพลิเคชันก้าวเข้าสู่ยุคของการประมวลผลอินเทอร์เรนซ์ ข้อกำหนดทางวิศวกรรมก็ได้เปลี่ยนแปลงไป แตกต่างจากการฝึกฝนตรงที่การประมวลผลอินเทอร์เรนซ์ไม่ได้อัปเดตน้ำหนักของโมเดลซ้ำๆ แต่ประสิทธิภาพการให้บริการจะขึ้นอยู่กับการเคลื่อนย้ายและการประมวลผลสถานะของโมเดลภายใต้ข้อจำกัดด้านความหน่วง (Latency) และปริมาณงาน (Throughput) เป็นหลัก ขึ้นอยู่กับลักษณะของเวิร์กโหลด แบนด์วิดท์หน่วยความจำและความหน่วงของการเชื่อมต่ออาจทำให้ทรัพยากรการประมวลผลถูกใช้งานไม่เต็มประสิทธิภาพ แม้ว่าความสามารถในการคำนวณสูงสุดจะอยู่ในระดับสูงก็ตาม Etched ให้ความเห็นว่า ปริมาณงานอินเทอร์เรนซ์ที่ประมวลผลได้อย่างต่อเนื่องบนตัวเร่งความเร็ว AI ที่มีอยู่เดิมนั้น อาจยังคงต่ำกว่าค่า Peak FLOPs ค่อนข้างมาก เนื่องจากข้อจำกัดด้านความร้อน หน่วยความจำ และการเชื่อมต่อที่เป็นตัวจำกัดอัตราการใช้งาน

คลัสเตอร์อินเทอร์เรนซ์ยุคใหม่ที่ออกแบบมาเพื่อให้การประมวลผลอินเทอร์เรนซ์ AI ขนาดใหญ่รวดเร็วและคุ้มค่ายิ่งขึ้น

ข้อจำกัดเหล่านี้ช่วยอธิบายว่าเหตุใดฮาร์ดแวร์ประมวลผลอินเทอร์เรนซ์เฉพาะทางจึงดึงดูดเม็ดเงินลงทุน โดย Etched กำลังพัฒนาฮาร์ดแวร์ระบบอินเทอร์เรนซ์ที่ออกแบบร่วมกันในทุกมิติ (Vertically Co-designed) ครอบคลุมทั้งชิปซิลิคอน แร็ค หน่วยความจำ ระบบเชื่อมต่อ ซอฟต์แวร์ และกระบวนการผลิต แม้ว่าในตอนแรกบริษัทจะเป็นที่รู้จักจากดีไซน์ชิปที่ออกแบบมาเพื่อ Transformer โดยเฉพาะ แต่ระบบในปัจจุบันถูกออกแบบมาเพื่อรองรับสถาปัตยกรรมโมเดลล้ำสมัยที่หลากหลายยิ่งขึ้น ซึ่งรวมถึงโมเดลแบบ Mixture-of-Experts (MoE) และตามข้อมูลจากผู้บริหารของบริษัท ยังรวมถึงสถาปัตยกรรมอื่นๆ ที่ไม่ใช่ Transformer เช่น Mamba ด้วย ผ่านการออกแบบสถาปัตยกรรมการทำงานทั้งหมดร่วมกัน ฮาร์ดแวร์เฉพาะทางนี้จึงมุ่งหวังที่จะลดภาระส่วนเกินในการประมวลผล (Execution Overhead) ข้อแลกเปลี่ยนที่เกิดขึ้นนั้นชัดเจนคือ ฮาร์ดแวร์เฉพาะทางนี้โดยทั่วไปจะมีความยืดหยุ่นน้อยกว่าแพลตฟอร์ม GPU อเนกประสงค์สำหรับเวิร์กโหลดที่อยู่นอกเหนือขอบเขตการประมวลผลอินเทอร์เรนซ์ที่มุ่งเป้าไว้ การนำไปใช้งานจริงของ Jane Street ถือเป็นสัญญาณบ่งชี้ในระยะเริ่มต้นถึงความเชื่อมั่นของลูกค้าที่มีต่อสถาปัตยกรรมของ Etched แม้ว่าข้อมูลสาธารณะจะยังไม่ได้ระบุถึงประสิทธิภาพในระดับการผลิตจริงหรือความได้เปรียบด้านต้นทุนเมื่อเทียบกับระบบ GPU ชั้นนำ ตามที่มีการอภิปรายไว้ใน รายงานของ TechCrunch เกี่ยวกับการระดมทุนรอบดังกล่าว

กลไกเบื้องหลัง: การประมวลผลอินเทอร์เรนซ์ด้วยแรงดันไฟฟ้าต่ำและหน่วยความจำระดับคลัสเตอร์

ในระดับแร็ค ระบบย่อยของหน่วยความจำและการเชื่อมต่อเพื่อขยายขนาด (Scale-up Interconnects) อาจเป็นตัวจำกัดความเร็วในการเคลื่อนย้ายสถานะของโมเดลระหว่างหน่วยความจำและทรัพยากรการประมวลผล เมื่อแอปพลิเคชันรันคำสั่งประมวลผลอินเทอร์เรนซ์ ตัวประมวลผลจะต้องอ่านข้อมูลจากหน่วยความจำ ดำเนินการประมวลผลให้เสร็จสิ้น และเขียนผลลัพธ์กลับลงไป ในการกำหนดค่ามาตรฐาน การถ่ายโอนข้อมูลเหล่านี้อาจสร้างความล่าช้าและกดดันแบนด์วิดท์ทั่วทั้งลำดับชั้นของหน่วยความจำและการเชื่อมต่อเพื่อขยายขนาด

เพื่อแก้ไขปัญหาคอขวดในการประมวลผลอินเทอร์เรนซ์เหล่านี้ Etched ได้ผสานรวมแนวทางสถาปัตยกรรมสองแนวทางที่เสริมซึ่งกันและกันสำหรับเวิร์กโหลดที่มีปริมาณงานสูงและความหน่วงต่ำ:

การประมวลผลอินเทอร์เรนซ์ด้วยแรงดันไฟฟ้าต่ำ (LVI) และหน่วยความจำระดับคลัสเตอร์ (CSM)

Low Voltage Inference (LVI): Etched วางตำแหน่ง LVI ไว้สำหรับการประมวลผลอินเทอร์เรนซ์ที่มีปริมาณงานสูงเป็นหลัก และอธิบายไว้ในบริบทของเวิร์กโหลดที่มีขั้นตอนพรีฟิลหนาแน่น Etched ระบุว่าบล็อกการคำนวณที่ใช้แรงดันไฟฟ้าต่ำกว่าช่วยให้มีความหนาแน่นของการประมวลผลสูงขึ้นอย่างมากภายในขอบเขตพลังงานและความร้อนที่มีอยู่ พร้อมทั้งลดผลกระทบจากข้อจำกัดด้านพลังงานและความร้อน
Cluster Scale Memory (CSM): CSM มุ่งเน้นไปที่การเข้าถึงหน่วยความจำที่มีความหน่วงต่ำ และถูกออกแบบมาเพื่อแก้ปัญหาคอขวดในขั้นตอนการถอดรหัส (Decode) Etched ให้เหตุผลว่าระบบ AI ที่ใช้ HBM ในปัจจุบันประสบปัญหาในการบรรลุความหน่วงในการถอดรหัสเทียบเท่าระดับ SRAM เนื่องจากปัญหาคอขวดของระบบย่อยหน่วยความจำและการเชื่อมต่อ CSM แก้ไขปัญหานี้โดยการเชื่อมต่อชิปหลายตัวเข้าด้วยกันผ่านระบบเชื่อมต่อแบนด์วิดท์สูงที่เป็นกรรมสิทธิ์ สร้างเป็นพูลหน่วยความจำส่วนกลางที่มีความหน่วงต่ำทั่วทั้งโดเมนการขยายขนาด

แผนผังอย่างง่ายที่อ้างอิงจากคำอธิบายของ Etched เกี่ยวกับเวิร์กโหลดในขั้นตอนพรีฟิลและการถอดรหัส สามารถแสดงได้ดังนี้:

[เวิร์กโหลดปริมาณงานสูง / พรีฟิลหนาแน่น]
                     │
                     ▼
       [การประมวลผลอินเทอร์เรนซ์ด้วยแรงดันไฟฟ้าต่ำ — LVI]


[เวิร์กโหลดความหน่วงต่ำ / ถอดรหัสหนาแน่น]
                     │
                     ▼
       [หน่วยความจำระดับคลัสเตอร์ — CSM]

ผ่านการออกแบบการประมวลผล หน่วยความจำ และระบบเชื่อมต่อร่วมกัน Etched จึงมุ่งมั่นที่จะปรับปรุงอัตราการใช้งานการประมวลผลอินเทอร์เรนซ์อย่างต่อเนื่อง แนวทางเหล่านี้ทำงานร่วมกันเพื่อมุ่งเป้าไปที่ข้อจำกัดด้านการประมวลผล หน่วยความจำ และการเชื่อมต่อที่แตกต่างกันในแต่ละเวิร์กโหลดอินเทอร์เรนซ์

สถาปัตยกรรมเมนบอร์ดและเลย์เอาต์เวเฟอร์ซิลิคอนที่ออกแบบมาเพื่อการประมวลผลโครงข่ายประสาทเทียมแบบเร่งความเร็ว

ASIC เฉพาะทางเทียบกับ GPU อเนกประสงค์: การประเมินข้อแลกเปลี่ยนด้านความเฉพาะทาง

ในขณะที่สภาพแวดล้อมการประมวลผลสมัยใหม่เคลื่อนไปสู่แพลตฟอร์มฮาร์ดแวร์ทางเลือก นักพัฒนาจึงต้องประเมินใหม่ถึงวิธีการจัดการสถาปัตยกรรมการทำงานและเวิร์กโหลดการประมวลผล การเปลี่ยนผ่านจาก GPU อเนกประสงค์ไปสู่วงจรรวมเฉพาะทางสำหรับแอปพลิเคชัน (ASIC) ถือเป็นการตัดสินใจเชิงกลยุทธ์ขั้นพื้นฐาน ทีมวิศวกรต้องชั่งน้ำหนักระหว่างความได้เปรียบด้านประสิทธิภาพที่อาจเกิดขึ้นจากฮาร์ดแวร์เฉพาะทาง กับความเสี่ยงเชิงระบบของการถูกผูกติดกับซอฟต์แวร์ (Software Lock-in) และขอบเขตสถาปัตยกรรมที่ยืดหยุ่นน้อยกว่า

การประเมินสถาปัตยกรรม: ASIC เฉพาะทางเทียบกับ GPU อเนกประสงค์

การพัฒนา ASIC ต้องใช้ทรัพยากรวิศวกรรมล่วงหน้าจำนวนมาก ข้อตกลงการผลิตระยะยาว และโปรไฟล์เวิร์กโหลดที่มีเสถียรภาพและคาดการณ์ได้ แนวทางนี้สามารถปรับปรุงประสิทธิภาพต่อโทเค็นและความคุ้มค่าด้านต้นทุนเมื่อลักษณะของเวิร์กโหลดสอดคล้องกับตัวฮาร์ดแวร์อย่างใกล้ชิด แต่จะจำกัดความสามารถของแพลตฟอร์มในการปรับตัวหากสถาปัตยกรรมโครงข่ายประสาทเทียมเบื้องหลังเกิดการเปลี่ยนแปลงครั้งใหญ่ ในทางกลับกัน GPU ได้รับประโยชน์จากระบบนิเวศซอฟต์แวร์ที่เติบโตเต็มที่และมักจะมอบความยืดหยุ่นที่มากกว่าเมื่อสถาปัตยกรรมของโมเดลพัฒนาไป แม้ว่า ASIC เฉพาะตามเวิร์กโหลดอาจให้ประสิทธิภาพที่สูงกว่าเมื่อเวิร์กโหลดตรงกับสถาปัตยกรรมของตนอย่างลงตัวก็ตาม

ตารางด้านล่างแสดงถึงข้อแลกเปลี่ยนหลักระหว่าง ASIC เฉพาะทางและ GPU อเนกประสงค์:

มิติการประเมิน	ASIC เฉพาะทาง	GPU อเนกประสงค์
ความยืดหยุ่นของเวิร์กโหลด	ต่ำกว่า	สูงกว่า
ระบบนิเวศซอฟต์แวร์	มีความเฉพาะทางมากกว่า	เติบโตเต็มที่ (เช่น CUDA)
การปรับแต่งอินเทอร์เรนซ์ให้เหมาะสม	มีศักยภาพสูง	กว้าง/ทั่วไป
ความเสี่ยงจากการกระจุกตัวของการใช้งาน	พึ่งพาวิร์กโหลด/ผู้จัดจำหน่ายสูงกว่า	ระบบนิเวศกว้างกว่าแต่ยังคงพึ่งพาผู้จัดจำหน่าย
ความคุ้มค่าตามขนาด	ขึ้นอยู่กับความเหมาะสมของเวิร์กโหลดและการใช้งาน	เป็นที่ยอมรับและมั่นคง
ความยืดหยุ่นในการอัปเกรด	ต่ำกว่า	สูงกว่า

การประเมินข้อแลกเปลี่ยนด้านฮาร์ดแวร์เหล่านี้ถือเป็นสิ่งสำคัญในขณะที่องค์กรต่างๆ ขยายขนาดคลัสเตอร์การใช้งานจริง ในขณะที่ GPU อเนกประสงค์ยังคงเป็นตัวเลือกหลักสำหรับการวิจัยมาตรฐานและการทดลองใช้โมเดลที่หลากหลาย แต่ ASIC เฉพาะทางกำลังกลายเป็นตัวเลือกที่น่าสนใจมากขึ้นสำหรับเวิร์กโหลดการผลิตที่มีปริมาณมากและมีความชัดเจน ซึ่งการลดความหน่วงคือเป้าหมายการดำเนินงานหลัก

รายการตรวจสอบการบูรณาการ: วิธีการที่ทีมวิศวกรเตรียมความพร้อมสำหรับการออกแบบฮาร์ดแวร์และซอฟต์แวร์ร่วมกัน

เพื่อรักษาเสถียรภาพในการทำงานและประสิทธิภาพที่คาดการณ์ได้ในขณะที่ศูนย์ข้อมูลนำฮาร์ดแวร์ประมวลผลอินเทอร์เรนซ์เฉพาะทางมาปรับใช้ ทีมวิศวกรและผลิตภัณฑ์จำเป็นต้องนำเวิร์กโฟลว์การออกแบบร่วมกันที่มีประสิทธิภาพมาใช้

รายการตรวจสอบการใช้งานสำหรับนักพัฒนา

โปรไฟล์โมเดลและความต้องการหน่วยความจำ KV-Cache: วัดน้ำหนักของโมเดล การเติบโตของ KV-cache หน่วยความจำสำหรับการเปิดใช้งาน (Activation Memory) และความไวต่อขนาดแบตช์ภายใต้ปริมาณการใช้งานจริง
ประเมินความเข้ากันได้ของสถาปัตยกรรมโมเดล: ตรวจสอบว่าโครงข่ายประสาทเทียมในการผลิตของคุณสอดคล้องกับตัวดำเนินการทางคณิตศาสตร์ระดับฮาร์ดแวร์ที่ ASIC รองรับ
ประเมินความหน่วงของการประมวลผลหลัก (Benchmark): แยกโปรไฟล์ขั้นตอนพรีฟิลและถอดรหัสภายใต้การกระจายตัวของแบตช์ที่สมจริง เพื่อระบุคอขวดของไปป์ไลน์ที่อาจเกิดขึ้น

รายการตรวจสอบสำหรับผลิตภัณฑ์และกลยุทธ์

ประเมินความเสถียรของเวิร์กโหลดก่อนเลือกใช้ฮาร์ดแวร์เฉพาะทาง: กำหนดความถี่ในการเปลี่ยนแปลงสถาปัตยกรรมโมเดลสำหรับการผลิต ก่อนที่จะตัดสินใจลงทุนในฮาร์ดแวร์ที่มีความเฉพาะทางสูงขึ้น
ตรวจสอบความคุ้มค่าทางเศรษฐศาสตร์ของการประมวลผลอินเทอร์เรนซ์: ประเมินปริมาณงานต่อดอลลาร์และต่อวัตต์เพื่อหาเหตุผลสนับสนุนต้นทุนในการเปลี่ยนผ่านไปสู่สถาปัตยกรรมฮาร์ดแวร์เฉพาะทาง
ตรวจสอบความสามารถในการขยายขนาดของระบบ: ตรวจสอบให้แน่ใจว่าแผนการปรับ ใช้งานฮาร์ดแวร์ของคุณคำนึงถึงระยะเวลารอคอยวัตถุดิบ (Lead Times) และข้อจำกัดด้านอุปทานบรรจุภัณฑ์ขั้นสูง

การกำหนดแนวทางที่มีโครงสร้างเหล่านี้จะช่วยให้ทีมพัฒนาสามารถเปลี่ยนผ่านแอปพลิเคชันไปสู่การประมวลผลอินเทอร์เรนซ์ที่มีความเสถียรและมีประสิทธิภาพมากขึ้น พร้อมทั้งรักษากิจกรรมการดำเนินงานให้ต่อเนื่อง

คำถามที่พบบ่อย (FAQ)

ASIC เฉพาะทางสำหรับการประมวลผลอินเทอร์เรนซ์จะทำงานได้ดีกว่า GPU อเนกประสงค์เมื่อใด

ตัวเร่งความเร็วเฉพาะทางสามารถปรับปรุงประสิทธิภาพให้ดีขึ้นได้เมื่อสถาปัตยกรรมของมันสอดคล้องกับเวิร์กโหลดที่มีเสถียรภาพอย่างใกล้ชิด ในขณะที่ GPU ยังคงมีข้อได้เปรียบในด้านความสามารถในการโปรแกรม ความสมบูรณ์ของระบบนิเวศซอฟต์แวร์ และการรองรับเวิร์กโหลดหรือสถาปัตยกรรมโมเดลที่มีการเปลี่ยนแปลงบ่อยครั้ง

เทคโนโลยี Low Voltage Inference และ Cluster Scale Memory แก้ไขปัญหาคอขวดในขั้นตอนพรีฟิลและการถอดรหัสอย่างไร

การประมวลผลอินเทอร์เรนซ์ด้วยแรงดันไฟฟ้าต่ำ (Low Voltage Inference) จะประมวลผลขั้นตอนพรีฟิลที่แรงดันไฟฟ้าต่ำลง ซึ่งช่วยเพิ่มความหนาแน่นของการประมวลผลให้อยู่ในขีดจำกัดความร้อนมาตรฐาน ในขณะที่หน่วยความจำระดับคลัสเตอร์ (Cluster Scale Memory) จะแก้ปัญหาคอขวดในขั้นตอนการถอดรหัสด้วยการเชื่อมต่อชิปหลายตัวผ่านระบบเชื่อมต่อแบนด์วิดท์สูง สร้างเป็นพูลหน่วยความจำส่วนกลางที่มีความหน่วงต่ำ ซึ่งช่วยเพิ่มประสิทธิภาพการเข้าถึงหน่วยความจำในระหว่างการสร้างโทเค็น

ความเสี่ยงทางธุรกิจที่ใหญ่ที่สุดในการนำฮาร์ดแวร์ประมวลผลอินเทอร์เรนซ์เฉพาะทางมาใช้งานคืออะไร

ระบบเฉพาะทางสามารถช่วยเพิ่มความคุ้มค่าทางเศรษฐศาสตร์ได้เมื่อเวิร์กโหลดเข้ากันได้กับสถาปัตยกรรม แต่ผู้ซื้อจะต้องแบกรับความเสี่ยงเรื่องการพึ่งพาผู้จัดจำหน่ายรายเดียว (Vendor Concentration) ความสามารถในการพกพาของซอฟต์แวร์ ห่วงโซ่อุปทาน และการวิวัฒนาการของเวิร์กโหลด โดย GPU ยังคงมีความได้เปรียบในเรื่องความสมบูรณ์ของระบบนิเวศและความยืดหยุ่นในการโปรแกรมที่กว้างขวางกว่า

ประเด็นสำคัญสำหรับทีมวิศวกร

การส่งมอบแร็คชุดแรกของ Etched มอบสิ่งที่มูลค่าบริษัทระดับ 2.1 หมื่นล้านดอลลาร์เคยขาดหายไป นั่นคือการใช้งานจริงจากลูกค้า การนำไปใช้งานในระยะเริ่มต้นของ Jane Street และสัญญาที่มีรายงานว่ามีมูลค่ากว่า 1 พันล้านดอลลาร์ช่วยเสริมความแข็งแกร่งให้กับข้อพิสูจน์ด้านความต้องการของตลาด แต่สัญญาและการทดสอบในระยะเริ่มต้นนั้นยังเทียบไม่ได้กับการพิสูจน์ความคุ้มค่าทางเศรษฐศาสตร์ในสเกลใหญ่

การเดิมพันทางเทคโนโลยีนี้มีขอบเขตกว้างกว่าแค่ชิปเดี่ยว โดย Etched กำลังออกแบบซิลิคอน หน่วยความจำ ระบบเชื่อมต่อ แร็ค และซอฟต์แวร์เพื่อรองรับเวิร์กโหลดอินเทอร์เรนซ์ร่วมกัน โดยใช้ LVI สำหรับการทำงานที่มีปริมาณงานสูงและ CSM สำหรับการเข้าถึงหน่วยความจำที่มีความหน่วงต่ำ สำหรับผู้ซื้อแล้ว คำถามสำคัญคือผล 3กำไรด้านประสิทธิภาพเหล่านี้จะสามารถชดเชยความยืดหยุ่น ความสมบูรณ์ของระบบนิเวศ ความยืดหยุ่นของห่วงโซ่อุปทาน และเส้นทางการอัปเกรดที่ GPU อเนกประสงค์มีให้ได้หรือไม่

ข้อมูลอ้างอิง

Etched. From Zero to One: Shipped First Customer Delivery. https://www.etched.com/progress/from-zero-to-one
Reuters. 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/
TechCrunch. Etched’s valuation doubles to $21B in a month. https://techcrunch.com/2026/08/18/etcheds-valuation-doubles-to-21b-in-a-month/
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/