es.wedoany.com Noticia: La startup estadounidense de chips de IA, Etched, anunció que su chip acelerador de inferencia ha completado la fabricación en el paso A0 y ha construido los primeros sistemas de inferencia a nivel de rack. La empresa también reveló que ha obtenido contratos de clientes por más de mil millones de dólares y una financiación acumulada de 800 millones de dólares, con planes de enviar los primeros productos de rack en el verano de 2026.
El punto clave del anuncio de Etched no es solo el "éxito en la fabricación del chip", sino la transición de un chip de IA individual a un sistema de inferencia a nivel de rack. La empresa indicó que su oblea de silicio A0 ya ha sido fabricada por TSMC en Taiwán, China, utilizando el proceso N4P, y actualmente está verificando los primeros productos de rack con los clientes. Para las empresas de chips de inferencia de IA, la fabricación A0 significa que el chip ha vuelto físicamente por primera vez y ha entrado en las fases de bring-up, verificación y depuración; la construcción del primer rack demuestra además que la empresa ha integrado el chip, la placa, la disipación de calor, la fuente de alimentación, la interconexión, el software y la integración del sistema en un mismo producto para pruebas. La competencia en el mercado de inferencia de IA ya no se basa solo en la potencia máxima de un solo chip; los clientes se preocupan más por el rendimiento, la latencia, el consumo de energía y la capacidad de operación continua de todo el rack bajo cargas de trabajo de modelos reales.
Etched se dirige a clústeres de inferencia de modelos de vanguardia. La empresa afirma que su sistema está diseñado para modelos de expertos mixtos con billones de parámetros, contextos largos y cargas de trabajo de agentes inteligentes, y puede ejecutar modelos como DeepSeek, Qwen, Mamba y Llama. La presión de costos en la infraestructura de IA actual se concentra cada vez más en la inferencia, especialmente con el aumento de aplicaciones de agentes inteligentes, conversaciones de múltiples rondas, generación de código, procesamiento de documentos largos y llamadas empresariales a gran escala, lo que obliga a los proveedores de modelos a generar continuamente grandes cantidades de tokens. Aunque la fase de entrenamiento es costosa, la fase de inferencia acumula costos de manera constante a medida que crecen la base de usuarios y la frecuencia de las llamadas. Etched elige centrarse en sistemas de inferencia precisamente para abordar estos escenarios de alta frecuencia, largo plazo y consumo continuo de potencia computacional.
La inferencia de bajo voltaje es uno de los diseños clave revelados esta vez. Etched señaló que los chips de IA tradicionales, al mejorar la utilización de FLOPs, a menudo experimentan un aumento en el consumo de energía y estrangulamiento térmico, lo que reduce el rendimiento de inferencia sostenida por debajo de la potencia máxima. Para solucionar esto, la empresa diseñó una nueva arquitectura que permite que los módulos de cálculo matemático del chip funcionen a menos de la mitad del voltaje de la mayoría de los chips de IA, aumentando así la densidad de FLOPs y permitiendo que modelos MoE dispersos con billones de parámetros mantengan más del 80% del rendimiento máximo de FLOPs sin estrangulamiento térmico. El bajo voltaje no es solo una técnica de circuito simple; requiere la cooperación de transistores, matrices matemáticas, redes de alimentación, arquitectura VRM, empaquetado, disipación de calor con placas frías, algoritmos de programación y la pila de software para mantener la estabilidad a nivel de rack.
Otra dirección central es la memoria a nivel de clúster. Etched cree que los chips de IA que usan HBM tienen dificultades para alcanzar la baja latencia de SRAM en la velocidad de decodificación, mientras que los chips que dependen solo de SRAM sacrifican la densidad de FLOPs y la capacidad de memoria. Para equilibrar capacidad, rendimiento y velocidad de interacción, la empresa adopta un diseño híbrido de HBM y SRAM, y mediante una interconexión patentada de baja latencia y alto ancho de banda, forma un grupo de memoria compartida de baja latencia dentro del dominio escalado. Este diseño sirve principalmente para la decodificación de modelos grandes y el enrutamiento MoE: cuando los tokens fluyen entre diferentes expertos, los datos deben atravesar con frecuencia los niveles de memoria y las redes de interconexión, y la latencia de acceso a la memoria ralentiza directamente la velocidad de generación. HBM proporciona capacidad, SRAM proporciona baja latencia, y la combinación permite que el sistema maneje simultáneamente tareas de alto rendimiento y baja latencia.
En cuanto al progreso comercial, Etched ya ha firmado contratos con clientes por más de mil millones de dólares y ha revelado una financiación acumulada de 800 millones de dólares, incluida una ronda de 500 millones de dólares completada en diciembre de 2025, con una valoración posterior a la inversión de aproximadamente 5 mil millones de dólares. Los inversores de la empresa incluyen instituciones y personas como VentureTech Alliance, Peter Thiel, Jane Street, Hudson River Trading, Jump Trading, Two Sigma, Stripes, Ribbit Capital, Radical Ventures y Primary VC. Para una startup de chips de IA, los pedidos y la financiación no equivalen directamente a la capacidad de entrega a gran escala, pero demuestran la demanda del mercado de hardware de aceleración de inferencia y proporcionan la base financiera para la producción posterior, la verificación, la cadena de suministro y el despliegue de clientes.
Etched también está avanzando en la integración vertical. La empresa afirma haber establecido una fábrica en Taiwán, China, y está construyendo un centro de datos, instalaciones de prueba y un laboratorio de prototipos NPI en su sede de San José, EE. UU., acercando el diseño, la verificación y la producción temprana al ciclo de ingeniería. Desde la fabricación hasta la entrega en masa de un chip de IA, aún quedan pasos como la verificación a nivel de placa, la depuración del sistema, la verificación de disipación de calor, la adaptación de software, las pruebas de fiabilidad, la verificación de cargas de trabajo de clientes y la rampa de la cadena de suministro. Especialmente para los sistemas de inferencia a nivel de rack, no solo el chip debe cumplir con el rendimiento, sino que también la fuente de alimentación, la refrigeración líquida, la interconexión, las herramientas de operación y mantenimiento y la pila de software deben madurar simultáneamente. Al fijar el "primer envío de racks" para el verano de 2026, Etched indica que su producto ha entrado en la fase de transición de la verificación técnica a las pruebas con clientes y la realización de la producción.
El verdadero punto destacado de este evento es que las startups de chips de IA están intentando evitar la ruta de las GPU genéricas, utilizando sistemas de inferencia especializados para servir aplicaciones de modelos grandes. El ecosistema de GPU de Nvidia en EE. UU. sigue cubriendo entrenamiento, inferencia, marcos de software y herramientas para desarrolladores, mientras que Etched diseña conjuntamente el chip, el rack, el software y los métodos de fabricación, con el objetivo de lograr una mayor eficiencia en cargas de trabajo de inferencia específicas. Si la inferencia de bajo voltaje, la caché híbrida HBM+SRAM y la verificación del sistema a nivel de rack se implementan con éxito, Etched no solo proporcionará un chip de IA, sino una infraestructura de inferencia completa para proveedores de servicios en la nube, empresas de modelos de IA y clientes a hiperescala. Una vez que los primeros productos de rack se envíen, el rendimiento, la latencia, el consumo de energía, la estabilidad y el costo total de propiedad que los clientes obtengan en la práctica determinarán directamente si esta tecnología puede pasar de los compromisos de pedidos a compras continuas.
