Etched, la startup qui développe du matériel sur mesure pour l’inférence IA, a levé un tour de Series C de 300 millions de dollars à une valorisation de 10,3 milliards de dollars, selon TechCrunch, qui a cité le cofondateur et directeur des opérations Robert Wachen. Le tour a été mené par Sequoia, avec la participation d’Andreessen Horowitz, SK Hynix, Jane Street, Diffusion Capital et d’investisseurs existants.

Ce financement compte au-delà du montant du chèque. C’est un autre signal que les investisseurs sont prêts à financer des alternatives à l’infrastructure IA centrée sur Nvidia si ces startups peuvent montrer du silicium fonctionnel, des tests précoces chez des clients et une voie plausible vers une baisse des coûts d’inférence. Dans le cas d’Etched, l’entreprise affirme avoir déjà fabriqué ses puces, tester des systèmes complets avec des clients et avoir enregistré 1 milliard de dollars de commandes. Ces affirmations opérationnelles proviennent toutefois de l’entreprise et n’ont pas été vérifiées indépendamment dans le matériau source.

Etched attire l’attention depuis sa création en 2022, car elle a adopté une approche inhabituellement tranchée : concevoir le matériel autour des charges de travail qui dominent le serving de modèles modernes, puis vendre des systèmes complets plutôt que des puces isolées. Cette idée était d’abord facile à écarter, alors que le marché convergait autour des GPU. Mais à mesure que les dépenses IA se déplacent de l’entraînement vers l’inférence en production, la proposition de la startup devient plus lisible pour les investisseurs et les acheteurs d’entreprise à la recherche de gains de coût et de latence.

Pourquoi la levée d’Etched se distingue maintenant

Selon TechCrunch, la nouvelle valorisation d’Etched est environ le double de la valorisation de 5 milliards de dollars qu’elle avait atteinte en décembre, lorsqu’elle avait levé 500 millions de dollars. TechCrunch a également rapporté que l’entreprise affirme qu’il s’agit de la valorisation la plus élevée jamais atteinte pour une Series C menée par Sequoia. Ce superlatif précis est une affirmation de l’entreprise relayée par la publication, et non une donnée de marché établie de manière indépendante.

Le timing est notable. Le financement de l’infrastructure IA s’est de plus en plus divisé en deux camps : des plateformes de calcul larges qui se font concurrence sur la flexibilité, et des systèmes spécialisés qui ciblent une part plus étroite, mais potentiellement énorme, de la demande. Etched appartient clairement au second camp. Son argument est que l’économie du serving de modèles à grande échelle est différente de celle de leur entraînement, et que le matériel d’inférence dédié peut surpasser des accélérateurs plus généralistes sur les charges de travail qui comptent le plus en production.

Cet argument trouve un écho parce que le goulot d’étranglement du déploiement de l’IA ne se limite plus à l’accès au calcul brut. Les développeurs et les entreprises se concentrent aussi sur la latence, la consommation d’énergie, la bande passante mémoire et le coût par token généré. Si une startup peut améliorer de manière significative ces métriques sans obliger les clients à réécrire toute leur pile, elle peut trouver de la demande même sur un marché dominé par Nvidia.

Le groupe d’investisseurs de l’entreprise aide aussi à expliquer l’attention. Au-delà de Sequoia et d’Andreessen Horowitz, TechCrunch indique qu’Etched est soutenue par SK Hynix et par des personnalités de premier plan comme Peter Thiel, Andrej Karpathy, Dylan Field et Amjad Masad. Pour une startup de puces, le soutien de SK Hynix est particulièrement pertinent, car la conception de la mémoire et des interconnexions est centrale pour les performances d’inférence, pas seulement le calcul brut.

L’affirmation produit : des puces sur mesure pour l’inférence sans GPU

Le message central d’Etched, tel que Wachen l’a décrit à TechCrunch, est que ses systèmes peuvent accélérer l’inférence sur des modèles IA sans dépendre des GPU. La startup affirme que son matériel peut exécuter « n’importe quel modèle IA », y compris les systèmes fondés sur les transformers, les conceptions Mixture of Experts comme DeepSeek et Qwen, et même des architectures non transformer comme Mamba.

Cette amplitude compte, car l’une des critiques courantes des puces IA spécifiques à une application est qu’elles peuvent être rendues obsolètes par les évolutions des modèles. Un système trop étroitement optimisé pour une architecture peut offrir des démonstrations impressionnantes mais vieillir mal si les développeurs passent à une autre famille de modèles. Etched cherche manifestement à contrer cette inquiétude en soutenant que son architecture est plus large que ne le pensent beaucoup de sceptiques.

TechCrunch rapporte qu’Etched décompose l’inférence en deux étapes : prefill et decode. Dans la description de l’entreprise, le prefill correspond au travail intensif en calcul consistant à traiter l’invite et son contexte, tandis que le decode est la phase de génération token par token, moins gourmande en calcul mais fortement dépendante de la mémoire. Etched affirme avoir conçu deux nouveaux composants de zéro pour répondre à ces étapes.

Pour le prefill, Wachen a indiqué à TechCrunch qu’Etched avait construit une puce fonctionnant à plus basse tension, ce qui, selon l’entreprise, réduit la chaleur et permet un empaquetage plus dense des transistors. Pour le decode, l’entreprise dit avoir créé ce qu’elle appelle une mémoire à l’échelle du cluster, ainsi qu’une technologie d’interconnexion permettant à de nombreuses puces de partager un pool de mémoire avec une faible latence. Le résultat promis est une inférence plus rapide à moindre coût.

Ce sont des affirmations importantes, mais elles restent rapportées par l’entreprise. Le matériau source n’inclut pas de benchmarks tiers, d’études de cas clients, d’analyse de démontage indépendante ni de comparaisons standardisées avec des systèmes Nvidia. Cela ne rend pas ces affirmations fausses ; cela signifie que les acheteurs et les développeurs devraient les considérer comme prometteuses mais encore préliminaires jusqu’à ce que des preuves plus larges apparaissent.

Progrès de fabrication et premiers signaux de déploiement

L’une des raisons pour lesquelles Etched obtient une valorisation premium est qu’elle semble être allée au-delà du simple concept. TechCrunch rapporte que la startup avait précédemment annoncé la fabrication réussie par TSMC de sa première série de silicium, et que ses premiers systèmes complets sont testés par des clients.

Cette distinction compte dans les semi-conducteurs. De nombreuses startups de puces IA lèvent des capitaux sur des idées d’architecture, mais beaucoup moins franchissent l’étape de la fabrication pour arriver à la validation système. Etched n’est plus non plus un petit projet de recherche. Selon TechCrunch, l’entreprise compte désormais 400 employés, exploite un centre de données de 2 mégawatts dans son siège principal et a ouvert une nouvelle installation de 80 000 pieds carrés et 10 MW à Milpitas.

Ces détails d’infrastructure suggèrent que l’entreprise se prépare non seulement à concevoir des puces, mais aussi à valider, faire fonctionner et potentiellement déployer des racks complets à une échelle significative. Pour les acheteurs d’IA d’entreprise, cela est pertinent, car les décisions d’achat de matériel dépendent de plus en plus de la disponibilité du système complet, de l’intégration logicielle et du support opérationnel, et pas seulement de la fiche technique de la puce.

Il existe toutefois un grand écart entre le fait d’avoir des systèmes précoces en test et celui de livrer à grande échelle. Wachen lui-même a reconnu, selon TechCrunch, que la montée en échelle de la fabrication et du déploiement restait difficile. Cette prudence est importante. Les startups matérielles peuvent paraître crédibles bien avant de prouver leur résilience de chaîne d’approvisionnement, leur fiabilité sur le terrain, leur maintenabilité et leur maturité logicielle sous charge client.

Preuves, benchmarks et ce qui reste à vérifier

Les points factuels les plus solides de cette histoire sont les conditions de financement rapportées par TechCrunch, les investisseurs nommés, dont Sequoia, Andreessen Horowitz, Jane Street, Diffusion Capital et SK Hynix, ainsi que le récit public d’Etched selon lequel elle disposerait d’un silicium opérationnel et de tests système chez des clients en cours.

Les signaux opérationnels les plus ambitieux nécessitent davantage d’examen. Les commandes annoncées à hauteur de 1 milliard de dollars sont une affirmation de l’entreprise relayée par TechCrunch. Les sources fournies ne précisent pas si ces commandes sont des bons de commande contraignants, des réservations, des lettres d’intention ou une autre forme de signal de demande. Cette distinction compte, car les entreprises d’infrastructure IA citent souvent des commandes en carnet ou de la demande réservée avant que les revenus ne soient reconnus ou que les livraisons ne commencent.

De même, les affirmations d’Etched selon lesquelles ses systèmes peuvent exécuter n’importe quel modèle IA et offrir de hautes vitesses à moindre coût n’ont pas été benchmarkées indépendamment dans les éléments fournis. L’article note que l’accès a été limité jusqu’ici, surtout via des démonstrations pour investisseurs et premiers clients. Wachen a également cité l’intérêt de personnalités liées à Anthropic et OpenAI, mais ces remarques doivent être lues comme des commentaires de dirigeant, non comme des validations officielles du produit par Anthropic ou OpenAI.

Le contexte plus large du marché rend toutefois la thèse d’Etched plus facile à comprendre. TechCrunch note que Google poursuivrait, selon des informations, un concept connexe avec une puce « Frozen v2 » pour Gemini. Même si les implémentations diffèrent, la logique sous-jacente est similaire : si l’inférence devient le principal poste de coût, le silicium personnalisé ciblant des schémas de serving spécifiques devient plus attrayant.

Ce que cela signifie pour les développeurs IA et les acheteurs d’entreprise

Pour les développeurs, la question pratique n’est pas de savoir si une puce d’inférence personnalisée paraît élégante. Il s’agit de savoir si elle peut s’intégrer dans de véritables pipelines de déploiement pour des LLM, DeepSeek, Qwen ou des systèmes fondés sur Mamba sans introduire assez de friction pour annuler les gains matériels. La compatibilité entre architectures de modèles, le support des frameworks de serving modernes et la fiabilité sous charges de travail mixtes compteront plus que les valorisations en une.

Pour les équipes IA d’entreprise, l’ascension d’Etched rappelle une fois de plus que la pile d’infrastructure s’ouvre sous la couche applicative. Nvidia reste la référence par défaut, mais les entreprises qui servent de grands volumes d’inférence pourraient, à terme, disposer de davantage d’options entre systèmes conçus à cet effet, racks optimisés pour la mémoire et plateformes verticalement intégrées. Si Etched peut valider en production ses affirmations sur l’inférence à basse tension et la mémoire à l’échelle du cluster, elle pourrait faire pression sur les acteurs établis sur l’économie du coût par token et du temps de réponse.

Le défi est le risque d’approvisionnement. Les entreprises n’achètent pas seulement de la performance. Elles achètent une assurance d’approvisionnement, des outils logiciels, une couverture de support, une revue de sécurité et la crédibilité de la feuille de route. Une startup peut obtenir un intérêt pilote avec une démonstration de rack convaincante, mais l’adoption large ne suit généralement qu’après l’accumulation de preuves de déploiement reproductibles.

Pour le marché des puces IA, cette levée renforce un déplacement de « quelqu’un peut-il défier les GPU ? » vers « quelles charges de travail IA sont désormais assez importantes pour justifier du silicium sur mesure ? ». L’inférence est la candidate la plus évidente, surtout à mesure que l’usage des modèles augmente et que les acheteurs cherchent des alternatives aux accélérateurs généralistes coûteux.

Ce qu’il faut surveiller ensuite

Les prochains signaux à suivre sont simples. D’abord, savoir si Etched publie des benchmarks indépendants face à des systèmes d’inférence basés sur Nvidia, dans des conditions clairement décrites. Ensuite, voir si des clients nommés émergent avec des détails de déploiement en production plutôt que des références à des tests privés. Enfin, déterminer si l’entreprise clarifie la nature de son carnet de commandes annoncé de 1 milliard de dollars.

Il sera également utile de suivre la manière dont Etched prend en charge la diversité des modèles au fil du temps. Les affirmations de prise en charge large des systèmes transformer, des modèles Mixture of Experts comme DeepSeek et Qwen, et des approches à espace d’état comme Mamba sont stratégiquement importantes. Elles devront tenir à mesure que les logiciels de serving et les architectures de modèles évoluent.

Enfin, le rythme de fabrication et de livraison de l’entreprise pourrait compter davantage que n’importe quel jalon de financement. Une installation de 10 MW et des systèmes fonctionnels sont significatifs, mais le véritable test est de savoir si Etched peut passer d’un accès anticipé à des déploiements reproductibles et accompagnés sans perdre les avantages de coût qui justifient sa conception.

Perspective de Creati.ai

Le dernier tour d’Etched est moins un verdict sur une startup unique qu’un signe que l’inférence est devenue le champ de bataille le plus brûlant de l’infrastructure IA. L’entraînement conserve son prestige, mais l’économie de la production détermine les budgets. Toute entreprise capable de réduire la latence et le coût du serving de modèles populaires dispose d’une vraie ouverture, même sur un marché façonné par Nvidia.

La prudence, c’est que les récits matériels dépassent souvent les preuves sur le terrain. Etched semble avoir franchi plusieurs seuils difficiles, notamment la fabrication et les tests système, ce qui la rend plus crédible que beaucoup d’autres espoirs des puces IA. Mais tant que des benchmarks indépendants et des déploiements clients ne seront pas publics, la valorisation doit être lue avant tout comme un vote de confiance des investisseurs dans une thèse : une infrastructure IA d’entreprise spécialisée pour les agents IA et le serving de modèles peut devenir une grande activité si elle s’avère plus facile à adopter que ne le pensent ses sceptiques.