Etched har levert sin første AI-klynge – verdsatt til 21 milliarder dollar

Etched har levert sin første komplette AI-klynge til Jane Street, og kunden har svart med å lede en ny investeringsrunde på 700 millioner dollar. Det er cirka 6,6 milliarder kroner. Samtidig blir Etched verdsatt til 21 milliarder dollar, omtrent 198 milliarder kroner.

Verdsettelsen er nesten absurd for et ungt brikkeselskap. For bare en måned siden hentet Etched 300 millioner dollar til en verdsettelse på 10,3 milliarder. Nå er verdien doblet. Men det viktigste i denne saken er ikke at investorer har flyttet et tall oppover i et regneark. Etched har fått den første racken ut av eget laboratorium og inn i datasenteret til en krevende kunde.

Det flytter selskapet fra løfter, prototyper og kundetesting til faktisk levering. Det er en milepæl for en mulig Nvidia-utfordrer. Samtidig mangler det fortsatt åpne, uavhengige ytelsestall som viser hvor godt systemet gjør det mot Nvidia og andre alternativer. En fungerende rack er bevis på levering. Den er ikke automatisk bevis på markedsledende ytelse.

Hva er Etched AI-klyngen hos Jane Street?

Etched har sendt sin første rack-baserte inference-klynge til Jane Street, og systemet kjører nå i handelsselskapets eget datasenter. I Etched sin kunngjøring 18. august sier Jane Street at selskapet har testet brikken, er fornøyd med de tidlige resultatene og trenger presisjonen til sine mest krevende arbeidslaster.

Jane Street er ikke en tilfeldig logo på en kundeliste. Det er et kvantitativt handelsselskap som sier at Etched gir presisjonen selskapet trenger til sine mest krevende arbeidslaster. At Jane Street både har testet maskinvaren, fått sin egen rack i datasenteret og ledet finansieringsrunden, er derfor et langt sterkere signal enn en vanlig ventureinvestering.

Det er likevel verdt å lese formuleringen nøye. Jane Street omtaler «tidlige resultater», men verken kunden eller Etched publiserer konkrete tall for throughput, latency, strømforbruk eller kostnad per token. Vi vet altså at systemet fungerer godt nok til at Jane Street ville installere det og lede den nye runden. Vi vet ikke hvor stort ytelsesfortrinnet er i en sammenlignbar produksjonstest.

TechCrunch skriver at runden er på 700 millioner dollar og verdsetter Etched til 21 milliarder dollar. Blant de øvrige investorene finner vi Kleiner Perkins, Sequoia Capital, Andreessen Horowitz, Tiger Global, Blackstone og flere av selskapets tidligere støttespillere.

Hvorfor er leveransen viktigere enn verdsettelsen?

Maskinvare er nådeløst. En programvaredemo kan fungere én gang på scenen og repareres etterpå. En AI-rack må produseres, fraktes, installeres, kjøles, kobles til resten av datasenteret og levere stabilt under reell belastning. Derfor betyr den første installasjonen mer for Etched enn enda en optimistisk presentasjon til investorer.

I juni opplyste selskapet at A0-brikkene var produsert på TSMCs N4P-prosess, at rack-systemene ble validert hos kunder og at det hadde kontrakter verdt over 1 milliard dollar – cirka 9,4 milliarder kroner. Etched lovet da at de første rackene skulle sendes i løpet av sommeren. Leveransen til Jane Street viser at selskapet i hvert fall har nådd den første delen av planen.

Det er en ganske stor overgang. I AI-bransjen finnes det ingen mangel på selskaper med fantastiske simuleringer, høye verdsettelser og en plan om å utfordre Nvidia. Flaskehalsen kommer når brikken skal produseres i volum og bli til et komplett system som en kunde faktisk tør å sette i produksjon. Etched er ikke ferdig med den reisen, men selskapet har passert en terskel mange oppstartsbedrifter for AI-brikker aldri kommer over.

Den forrige runden kom 23. juli: 300 millioner dollar, rundt 2,8 milliarder kroner, til en verdsettelse på 10,3 milliarder dollar. Mindre enn fire uker senere er verdsettelsen 21 milliarder. Den farten sier mye om hvor desperat kapitalmarkedet er etter troverdige alternativer i AI-infrastruktur. Den sier mindre om hva selskapet faktisk vil tjene de neste årene.

Hvordan prøver Etched å gjøre inference raskere?

Etched bygger komplette «frontier inference clusters» der brikker, minne, interconnect, strømforsyning, kjøling og programvare utvikles som ett system. Målet er å forbedre begge hoveddelene av inference: prefill, der modellen behandler prompten og konteksten, og decode, der svaret produseres token for token.

For prefill bruker Etched det selskapet kaller Low Voltage Inference, eller LVI. Regneblokkene skal kjøre med under halvparten av spenningen til mange andre AI-brikker. Lavere spenning reduserer strømforbruk og varmeutvikling, slik at flere beregninger kan utføres innenfor samme energi- og kjøleramme. Etched hevder at systemet kan kjøre sparsomme MoE-modeller med billioner av parametere på over 80 prosent av teoretisk maksimal regneytelse uten termisk struping.

Decode-delen møter en annen flaskehals. Her må brikkene hente modellvekter og mellomresultater raskt nok fra minnet mens svaret bygges. Etched sin Cluster Scale Memory, CSM, kombinerer HBM og SRAM med en egen høyhastighetsforbindelse. Tanken er at mange brikker skal kunne bruke et felles minneområde med svært lav forsinkelse, uten at kapasiteten og kostnaden løper helt løpsk.

Dette er en fornuftig systemtilnærming. Moderne AI-ytelse avgjøres ikke bare av hvor mange FLOPS én brikke har på papiret. Minnebåndbredde, kommunikasjon mellom brikkene, strøm, varme, programvare og faktisk utnyttelsesgrad avgjør hvor mange brukbare tokens kunden får ut av en rack. Det er også derfor Nvidia selger hele plattformer, ikke bare løse GPU-er.

Men de mest imponerende ytelsestallene kommer foreløpig fra Etched selv. Jane Street har bekreftet at de tidlige resultatene er gode nok for egne krevende arbeidslaster, men har ikke lagt fram testoppsett eller målinger. Før Etched publiserer sammenlignbare resultater fra produksjon, bør påstander om overlegen throughput, latency og strømeffektivitet behandles som leverandørpåstander.

Er Etched fortsatt låst til én bestemt AI-modell?

Nei, ikke etter selskapets nåværende beskrivelse. Den opprinnelige planen var å bygge en brikke som var spesialtilpasset én bestemt AI-modell. Det kunne gi høy ytelse på akkurat den modellen, men også en brutal risiko: En rask modellutvikling kunne gjøre hele maskinvareveddemålet utdatert.

Robert Wachen sier til TechCrunch at dette ikke lenger er produktet selskapet leverer. De nye systemene skal kunne kjøre alle frontier-modeller, i stedet for at én bestemt modell «etses» inn i brikken. Selskapet omtaler nå produktet som en komplett inference-klynge.

Det er en viktig endring, men de offentlige detaljene er fortsatt begrensede. Etched har forklart LVI og CSM på et overordnet nivå, men har ikke publisert en komplett arkitektur, full modellstøtte eller en åpen kompatibilitetsmatrise. «Alle frontier-modeller» er derfor en påstand som må fylles med konkrete leveranser over tid.

For kundene er programvarestøtten minst like viktig som selve silisiumet. De må kunne flytte modeller, rammeverk og produksjonslaster uten å skrive om halve stacken. Nvidia har brukt mange år på å bygge CUDA, biblioteker, verktøy og kompetanse rundt maskinvaren. Etched kan lage en svært rask rack og fortsatt tape dersom det blir for tungvint å bruke den.

Kan Etched bli en reell Nvidia-utfordrer?

Etched har nå tre ting som gjør selskapet vanskeligere å avfeie: fungerende silisium fra TSMC, kundekontrakter på over 1 milliard dollar og en levert rack hos en teknisk krevende kunde. Det er et langt mer solid utgangspunkt enn en benchmark fra en simulator og et pitchdeck med en rakett på siste side.

Samtidig er avstanden opp til Nvidia enorm. Etched må produsere langt flere systemer, få forsyningskjeden til å fungere, bygge programvarestøtte, dokumentere oppetid og vise at kostnaden per token faktisk er konkurransedyktig. Selskapet skriver selv at neste fase krever nye fabrikker, globale leverandørkjeder, programvare for hele maskinflåten og oppskalering mot gigawatt-nivå. Rackene bygger som kjent ikke seg selv.

Nvidia har dessuten råd til å svare. Selskapet utvikler brikker, nettverk, komplette rack-systemer og programvare i høyt tempo, og har et økosystem konkurrentene må bruke år på å kopiere. Jeg skrev nylig om hvordan Meta satser 200 milliarder dollar på AI-infrastruktur. Markedet Etched går inn i er enormt, men kundene forventer levering i en skala der selv små feil blir svært dyre.

Den viktigste testen framover blir derfor ikke neste finansieringsrunde. Følg med på hvor mange rack Etched faktisk leverer, hvilke modeller kundene kjører, hva ytelsen er under produksjonslast, og om strømforbruk og kostnad per token holder det selskapet lover. En verdsettelse på 21 milliarder dollar skaper oppmerksomhet. Repeterbare leveranser skaper et selskap.

Hva betyr dette for AI-markedet?

AI trenger flere troverdige maskinvareleverandører. Nvidia har bygget en fantastisk plattform, men et marked der nesten all avansert AI-infrastruktur må gjennom én leverandør gir kundene svakere forhandlingsmakt og gjør hele bransjen mer sårbar for leveranseproblemer. En fungerende utfordrer kan presse fram lavere kostnader, bedre energieffektivitet og raskere utvikling.

Etched angriper et område som blir stadig viktigere. Trening får mest oppmerksomhet, men inference er regningen som fortsetter å komme hver gang noen bruker modellen. Når AI-agenter jobber lenger, kontekstvinduene vokser og resonnement krever flere tokens, blir effektiv kjøring av ferdige modeller en stadig større del av kostnaden.

Derfor er Jane Street-leveransen verdt å følge. Den viser at Etched ikke bare har laget en brikke, men et system en avansert kunde har satt inn i eget datasenter. Det er ekte framgang. Men 198 milliarder kroner i verdsettelse er også en voldsom forskuttering av at den første racken kan bli til fabrikker, tusenvis av rack og stabil produksjon i gigawatt-skala.

Etched har levert beviset på at produktet finnes. Nå begynner den langt vanskeligere delen: å vise at det kan produseres, driftes og selges i stor skala. Det er der kampen mot Nvidia faktisk står.

Ofte stilte spørsmål