Etched, das Startup, das kundenspezifische Hardware für AI-Inferenz entwickelt, hat laut TechCrunch, das sich auf den Mitgründer und COO Robert Wachen berief, eine Series-C-Runde über 300 Millionen US-Dollar bei einer Bewertung von 10,3 Milliarden US-Dollar abgeschlossen. Die Runde wurde von Sequoia angeführt, mit Beteiligung von Andreessen Horowitz, SK Hynix, Jane Street, Diffusion Capital und bestehenden Investoren.

Die Finanzierung ist nicht nur wegen ihrer Größe bedeutsam. Sie ist ein weiteres Signal dafür, dass Investoren bereit sind, Alternativen zur von Nvidia dominierten AI-Infrastruktur zu finanzieren, wenn diese Startups funktionierende Siliziumchips, frühe Kundentests und einen plausiblen Weg zu niedrigeren Inferenzkosten vorweisen können. Im Fall von Etched sagt das Unternehmen, es habe seine Chips bereits gefertigt, teste komplette Systeme mit Kunden und habe Aufträge im Wert von 1 Milliarde US-Dollar verbucht. Diese betrieblichen Angaben stammen jedoch vom Unternehmen selbst und wurden im Quellenmaterial nicht unabhängig verifiziert.

Etched zieht seit der Gründung im Jahr 2022 Aufmerksamkeit auf sich, weil das Unternehmen einen ungewöhnlich klaren Standpunkt einnahm: Hardware um die Workloads herum zu entwerfen, die das moderne Modell-Serving dominieren, und dann komplette Systeme statt einzelner Chips zu verkaufen. Diese Idee ließ sich zunächst leicht abtun, als sich der Markt um GPUs konsolidierte. Doch da sich die AI-Ausgaben von Training hin zu produktiver Inferenz verschieben, wird das Angebot des Startups für Investoren und Unternehmenskunden, die Kosten- und Latenzverbesserungen suchen, verständlicher.

Warum sich Etcheds Finanzierungsrunde jetzt abhebt

Laut TechCrunch liegt die neue Bewertung von Etched etwa doppelt so hoch wie die 5-Milliarden-US-Dollar-Bewertung, die das Unternehmen im Dezember erreichte, als es 500 Millionen US-Dollar einsammelte. TechCrunch berichtete außerdem, das Unternehmen sage, dies sei die höchste Bewertung, die es je für eine von Sequoia geführte Series C gegeben habe. Diese spezifische Superlative ist eine vom Unternehmen stammende Aussage, die von der Publikation weitergegeben wurde, kein unabhängig erstellter Marktdatensatz.

Der Zeitpunkt ist bemerkenswert. Die Finanzierung der AI-Infrastruktur hat sich zunehmend in zwei Lager aufgeteilt: breite Compute-Plattformen, die über Flexibilität konkurrieren, und spezialisierte Systeme, die auf einen engeren, aber potenziell riesigen Nachfragesegмент abzielen. Etched gehört eindeutig zum zweiten Lager. Das Unternehmen argumentiert, dass die Ökonomie des Betriebs von Modellen in großem Maßstab sich von der Ökonomie ihres Trainings unterscheidet und dass dedizierte Inferenz-Hardware bei den in der Produktion wichtigsten Workloads allgemeiner beschleunigenden Hardware überlegen sein kann.

Dieses Argument findet Gehör, weil der Engpass bei der Bereitstellung von AI nicht mehr nur der Zugang zu Roh-Compute ist. Entwickler und Unternehmen achten auch auf Latenz, Stromverbrauch, Speicherbandbreite und Kosten pro generiertem Token. Wenn ein Startup diese Kennzahlen deutlich verbessern kann, ohne Kunden zu zwingen, ihren gesamten Stack neu zu schreiben, kann es selbst in einem von Nvidia dominierten Markt Nachfrage finden.

Auch die Liste der Investoren erklärt die Aufmerksamkeit. Neben Sequoia und Andreessen Horowitz, so TechCrunch, hat Etched Unterstützung von SK Hynix und prominenten Einzelpersonen wie Peter Thiel, Andrej Karpathy, Dylan Field und Amjad Masad. Für ein Chip-Startup ist die Unterstützung von SK Hynix besonders relevant, weil Speicher- und Interconnect-Design für die Inferenzleistung zentral sind, nicht nur die reine Rechenleistung.

Das Produktversprechen: kundenspezifische Chips für Inferenz ohne GPUs

Etcheds Kernbotschaft, wie Wachen sie gegenüber TechCrunch beschrieb, ist, dass seine Systeme die Inferenz auf AI-Modellen beschleunigen können, ohne auf GPUs angewiesen zu sein. Das Startup sagt, seine Hardware könne „jedes AI-Modell“ ausführen, einschließlich transformerbasierter Systeme, Mixture-of-Experts-Designs wie DeepSeek und Qwen sowie sogar Nicht-Transformer-Architekturen wie Mamba.

Diese Breite ist wichtig, weil einer der häufigen Einwände gegen anwendungsspezifische AI-Chips ist, dass sie durch Modellwechsel ins Abseits geraten können. Ein System, das zu eng auf eine Architektur optimiert ist, kann beeindruckende Demos liefern, aber an Wert verlieren, wenn Entwickler zu einer anderen Modellfamilie wechseln. Etched versucht erkennbar, dieses Bedenken zu entkräften, indem es argumentiert, seine Architektur sei breiter, als viele Skeptiker annehmen.

TechCrunch berichtet, dass Etched die Inferenz in zwei Phasen unterteilt: Prefill und Decode. In der Beschreibung des Unternehmens ist Prefill die rechenintensive Arbeit, den Prompt und seinen Kontext zu verarbeiten, während Decode die tokenweise Generierungsphase ist, die weniger rechenintensiv, aber stark vom Speicher abhängt. Etched sagt, es habe zwei neue Komponenten von Grund auf entwickelt, um diese Phasen zu adressieren.

Für Prefill teilte Wachen TechCrunch mit, dass Etched einen Chip gebaut habe, der mit niedrigerer Spannung arbeitet, was nach Unternehmensangaben die Wärme reduziert und eine dichtere Transistorpackung ermöglicht. Für Decode sagt das Unternehmen, es habe etwas entwickelt, das es Cluster-Scale Memory nennt, zusammen mit Interconnect-Technologie, die es vielen Chips erlaubt, einen gemeinsamen Speicherpool mit geringer Latenz zu nutzen. Das versprochene Ergebnis ist schnellere Inferenz bei niedrigeren Kosten.

Das sind wichtige Behauptungen, doch sie stammen weiterhin vom Unternehmen selbst. Das Quellenmaterial enthält keine Drittanbieter-Benchmarks, keine Fallstudien von Kunden, keine unabhängige Teardown-Analyse und keine standardisierten Vergleiche mit Nvidia-Systemen. Das macht die Aussagen nicht falsch; es bedeutet, dass Käufer und Entwickler sie als vielversprechend, aber noch vorläufig betrachten sollten, bis breitere Belege vorliegen.

Fortschritte in der Fertigung und erste Signale für den Einsatz

Ein Grund, warum Etched eine hohe Bewertung erzielt, ist, dass das Unternehmen offenbar über reine Präsentationsfolien hinausgekommen ist. TechCrunch berichtet, das Startup habe zuvor die erfolgreiche Fertigung seiner ersten Siliziumcharge durch TSMC angekündigt, und die ersten vollständigen Systeme würden bereits von Kunden getestet.

Dieser Unterschied ist in der Halbleiterbranche wichtig. Viele AI-Chip-Startups ziehen Kapital aufgrund von Architekturideen an, aber deutlich weniger schaffen den Sprung durch Fertigung und in die Systemvalidierung. Etched ist auch kein kleines Forschungsprojekt mehr. Laut TechCrunch beschäftigt das Unternehmen inzwischen 400 Mitarbeiter, betreibt in seinem Hauptbüro ein 2-Megawatt-Rechenzentrum und hat in Milpitas eine neue 80.000 Quadratfuß große Anlage mit 10 MW eröffnet.

Diese Infrastrukturdetails deuten darauf hin, dass das Unternehmen nicht nur Chips entwerfen, sondern komplette Racks in bedeutendem Umfang validieren, betreiben und möglicherweise ausrollen will. Für Käufer von Enterprise AI ist das relevant, weil Hardware-Beschaffungsentscheidungen zunehmend von der Bereitschaft kompletter Systeme, der Softwareintegration und dem operativen Support abhängen und nicht nur vom Chip-Datenblatt.

Dennoch gibt es eine große Lücke zwischen ersten Systemtests und dem Betrieb in großem Maßstab. Wachen selbst räumte laut TechCrunch ein, dass Skalierung von Fertigung und Bereitstellung schwierig bleibt. Diese Vorsicht ist wichtig. Hardware-Startups können lange glaubwürdig wirken, bevor sie Belastbarkeit der Lieferkette, Zuverlässigkeit im Feld, Wartbarkeit und Software-Reife unter Kundenlast beweisen.

Belege, Benchmarks und was unbestätigt bleibt

Die stärksten Fakten in dieser Geschichte sind die von TechCrunch berichteten Finanzierungsbedingungen, die genannten Investoren einschließlich Sequoia, Andreessen Horowitz, Jane Street, Diffusion Capital und SK Hynix sowie Etcheds öffentliche Darstellung, dass funktionierendes Silizium vorhanden sei und Kundentests der Systeme liefen.

Die ehrgeizigeren Betriebssignale erfordern mehr Prüfung. Die gemeldeten Aufträge im Wert von 1 Milliarde US-Dollar sind eine vom Unternehmen stammende Aussage, die TechCrunch weitergegeben hat. Die bereitgestellten Quellen definieren nicht, ob es sich dabei um verbindliche Bestellungen, Reservierungen, Absichtserklärungen oder eine andere Form eines Nachfragesignals handelt. Diese Unterscheidung ist wichtig, weil AI-Infrastrukturunternehmen häufig Auftragsbestände oder verbuchte Nachfrage nennen, bevor Umsatz erfasst wird oder Auslieferungen beginnen.

Ebenso wurden Etcheds Behauptungen, seine Systeme könnten jedes AI-Modell ausführen und bei niedrigeren Kosten hohe Geschwindigkeiten liefern, in den bereitgestellten Materialien nicht unabhängig benchmarked. Der Artikel erwähnt bislang nur begrenzten Zugang, hauptsächlich über Demo-Vorführungen für Investoren und frühe Kunden. Wachen verwies außerdem auf Interesse von Figuren aus dem Umfeld von Anthropic und OpenAI, doch diese Bemerkungen sollten als Führungskommentar gelesen werden, nicht als formelle Produktbefürwortung durch Anthropic oder OpenAI.

Der breitere Marktkontext macht Etcheds These allerdings verständlicher. TechCrunch merkt an, dass Google Berichten zufolge mit einem „Frozen v2“-Chip für Gemini ein verwandtes Konzept verfolgt. Selbst wenn sich die Implementierungen unterscheiden, ist die zugrunde liegende Logik ähnlich: Wenn Inferenz zum wichtigsten Kostenfaktor wird, wird maßgeschneiderte Siliziumhardware für bestimmte Serving-Muster attraktiver.

Was das für AI-Builder und Unternehmenskäufer bedeutet

Für Entwickler ist die praktische Frage nicht, ob ein kundenspezifischer Inferenzchip elegant klingt. Entscheidend ist, ob er sich in echte Deployment-Pipelines für LLMs, DeepSeek-, Qwen- oder Mamba-basierte Systeme einfügen lässt, ohne so viel Reibung zu verursachen, dass die Hardwarevorteile verloren gehen. Kompatibilität über Modellarchitekturen hinweg, Unterstützung moderner Serving-Frameworks und Zuverlässigkeit unter gemischten Workloads werden wichtiger sein als Schlagzeilenbewertungen.

Für Enterprise-AI-Teams ist Etcheds Aufstieg eine weitere Erinnerung daran, dass sich der Infrastruktur-Stack unterhalb der Anwendungsebene öffnet. Nvidia bleibt der Standard, aber Unternehmen mit hohem Inferenzvolumen könnten irgendwann mehr Optionen zwischen speziell entwickelten Systemen, speicheroptimierten Racks und vertikal integrierten Plattformen haben. Wenn Etched seine Behauptungen zu Inferenz mit niedriger Spannung und Cluster-Scale Memory in der Produktion validieren kann, könnte das Unternehmen die etablierten Anbieter bei den Kosten pro Token und den Reaktionszeit-Ökonomien unter Druck setzen.

Die Herausforderung ist das Beschaffungsrisiko. Unternehmen kaufen nicht nur Leistung. Sie kaufen Lieferzusicherung, Software-Werkzeuge, Support-Abdeckung, Sicherheitsprüfung und Glaubwürdigkeit der Roadmap. Ein Startup kann mit einer überzeugenden Rack-Demo Pilotinteresse gewinnen, aber breite Einführung folgt meist erst, wenn sich wiederholbare Einsatznachweise ansammeln.

Für den AI-Chip-Markt bekräftigt die Finanzierungsrunde einen Wandel von „Kann irgendjemand GPUs herausfordern?“ hin zu „Welche AI-Workloads sind inzwischen groß genug, um kundenspezifisches Silizium zu rechtfertigen?“ Inferenz ist der naheliegendste Kandidat, besonders da die Nutzung von Modellen wächst und Käufer nach Alternativen zu teuren universellen Beschleunigern suchen.

Worauf als Nächstes zu achten ist

Die nächsten zu beobachtenden Signale sind klar. Erstens, ob Etched unabhängige Benchmarks gegen Nvidia-basierte Inferenzsysteme unter klar beschriebenen Bedingungen veröffentlicht. Zweitens, ob namentlich genannte Kunden mit Angaben zur Produktionseinführung statt nur zu privaten Tests auftauchen. Drittens, ob das Unternehmen die Art seines gemeldeten Auftragsbestands von 1 Milliarde US-Dollar präzisiert.

Ebenso lohnt es sich zu verfolgen, wie Etched die Modellvielfalt im Laufe der Zeit unterstützt. Aussagen zur breiten Unterstützung von Transformer-Systemen, Mixture-of-Experts-Modellen wie DeepSeek und Qwen sowie State-Space-Ansätzen wie Mamba sind strategisch wichtig. Sie müssen sich bewähren, während sich Serving-Software und Modellarchitekturen weiterentwickeln.

Schließlich könnte der Fertigungs- und Auslieferungsrhythmus des Unternehmens wichtiger sein als jeder Finanzierungsmeilenstein. Eine 10-MW-Anlage und funktionierende Systeme sind bedeutsam, aber der eigentliche Test ist, ob Etched von frühem Zugang zu wiederholbaren, unterstützten Bereitstellungen übergehen kann, ohne die Kostenvorteile zu verlieren, die sein Design rechtfertigen.

Creati.ai-Perspektive

Etcheds jüngste Runde ist weniger ein Urteil über ein einzelnes Startup als vielmehr ein Zeichen dafür, dass Inferenz zum heißesten Schlachtfeld in der AI-Infrastruktur geworden ist. Training bringt weiterhin Prestige, aber die Produktionsökonomie bestimmt die Budgets. Jedes Unternehmen, das die Latenz und die Kosten beim Serving populärer Modelle senken kann, hat eine echte Chance, selbst in einem von Nvidia geprägten Markt.

Die Vorsicht ist, dass Hardware-Geschichten die Feldbelege oft überholen. Etched scheint mehrere harte Hürden genommen zu haben, darunter Fertigung und Systemtests, was das Unternehmen glaubwürdiger macht als viele andere Hoffnungsträger im AI-Chip-Bereich. Doch bis unabhängige Benchmarks und Kundeneinsätze öffentlich sind, sollte die Bewertung am besten als Ausdruck des Anlegervertrauens in eine These gelesen werden: dass spezialisierte Enterprise-AI-Infrastruktur für AI-Agenten und Modell-Serving ein großes Geschäft werden kann, wenn sie sich einfacher einführen lässt, als ihre Skeptiker erwarten.