YOHO AI

标签： Nvidia

  • Prime Intellect 融了 13 亿美元：企业不想再给大模型厂商”交租”了

    Prime Intellect 创始人团队
    Prime Intellect 把训练 AI 智能体的全套家当打包成”全栈”服务（图源：TechCrunch）

    一家 2024 年才成立的公司，靠帮企业自己训练 AI 智能体，融到了 1.3 亿美元 A 轮，估值直接站上 10 亿美元。投资方名单读起来像一张 AI 圈名人堂——英伟达、英特尔、戴尔的战投都在，还有 Perplexity、Box、Harvey、Cognition 这些公司的创始人以个人身份下注。这轮由 Radical Ventures 领投，光看阵容就知道，芯片和云厂商都想在”谁来训练明天的模型”这件事上占个座。

    一家成立两年的公司，凭什么值 10 亿

    Prime Intellect 做的事说白了就是一句话：别再从 OpenAI 或 Anthropic 那里按 token 租智能了，自己造一个更适合业务的。它把训练 AI 智能体需要的家当打包成一套”全栈”——算力、强化学习框架、评估工具，客户像逛市场一样按需取用，不会被绑死在一套方案上。

    “不应该只有旧金山玻璃大厦里的少数极客才拥有训练 AI 模型的能力，每一家企业、每一个国家都应该拥有这种能力。”——Prime Intellect CEO Vincent Weisser

    为什么这件事忽然有了土壤？几年前，自己训模型还是只有巨头玩得起的游戏。但现在强化学习这套打法成熟了，模型可以在具体任务上反复试错、被奖励、被修正，企业慢慢能当自己的”AI 实验室”。真正的难点在于底层基建太复杂，大多数公司根本凑不齐这套零件——Prime Intellect 就卡在了这个缝里。

    企业为什么不想再”租”智能了

    吸引力来自实打实的结果。金融公司 Ramp 用它做了一个在表格里找答案的 Agent，官方说法是准确率高过前沿模型，速度更快，成本只有零头。更关键的是心态变化：企业越来越不愿意把专有数据喂给 OpenAI 和 Anthropic，也怕哪天模型像上个月 Anthropic 的 Fable 那样说关就关。

    • 把敏感业务数据留在自己手里，而不是交给第三方大模型厂商；
    • 不用担心模型被突然下线，业务连续性更有保障；
    • 在垂直任务上，自训的小模型成本可能远低于调用前沿 API。

    Radical Ventures 的合伙人 David Katz 说得更直白：大家开始琢磨”怎么把企业自己的智能掌握在手里，别冒那些风险”。目前年化收入已经冲到 1 亿美元，Ramp、Zapier 都是付费客户。

    钱正流向训练场，而不是模型

    这轮融资背后藏着一个正在成形的判断——资本正在涌向”训练场”，而不是模型本身。就在五天前，做 Agent 安全训练环境的 Bespoke Labs 也拿了 4000 万美元。两笔加起来的信号很清楚：企业想要的不再是又一份订阅，而是 Agent 这个东西的所有权。英伟达和英特尔同时开出支票，说明连芯片厂也信了这套逻辑——它们不在乎模型最后归谁，只要训练跑在自己的硅上就行。接下来一年要回答的问题是，Prime Intellect 能不能在 OpenAI 和 Anthropic 自己猛攻企业市场时，守住这 1 亿美元的增速。

  • AI芯片又一笔10亿美元：SambaNova估值冲到110亿，摩根大通把算力搬回自家机房

    SambaNova 这家公司，你可能没怎么听过，但在 AI 芯片这条赛道上，它刚干了一件挺有象征意义的事。7 月初，这家 2017 年成立的帕罗奥图创业公司宣布完成 10 亿美元 F 轮融资的第一笔交割，投后估值来到 110 亿美元。领投方是老牌成长基金 General Atlantic，贝莱德、卡塔尔投资局、Intel Capital 等一众机构跟投。

    有意思的是，这笔钱距离它上一次融资只隔了不到五个月。今年 2 月它才拿下 3.5 亿美元 E 轮，同时发布了第五代芯片 SN50。换句话说，资本市场的钱还在疯狂往 AI 基础设施里灌。

    SambaNova 的 CEO Rodrigo Liang 说了一句很直白的话：摩根大通这种级别的银行开始自己搭私有、安全的算力底座来跑推理，这个信号会传到银行业之外。

    它到底造的是什么芯片

    SambaNova 走的是和英伟达不一样的路子。它的芯片不是要取代英伟达，而是贴着英伟达一起用。公司主打”高端推理”——把今天动辄几万亿参数的前沿大模型，塞进一个机柜里跑，而且跑得飞快。Liang 对外说过，SN50 跑推理的解码部分比竞品快五到十倍。

    SambaNova AI 芯片
    SambaNova 的 AI 推理芯片（图源：TechCrunch）

    今年 2 月发布的 SN50 基于数据流架构，计算能力是上一代 SN40 的 5 倍，网络带宽是 4 倍，预计 2026 年下半年开始向客户发货，软银是它的第一个部署伙伴。

    三类客户，和一个 IPO 悬念

    Liang 把客户分成三块：一是主权云，各国政府出钱扶植本地私有云；二是新云（neocloud）；三是自建自用的大企业。除了摩根大通，沙特阿美、英特尔以及一些日本企业也在客户名单上。

    • SambaNova 成立以来累计融资规模已相当可观，本轮后现金储备进一步增厚
    • 资金一大用途是锁供应链——在汹涌的需求面前先把产能和物料攥在手里
    • 与英特尔的关系也在加深，双方从投资到联合开发产品一起推向市场

    至于公司未来，Liang 话讲得很活。被问到连续融资是不是意味着铁了心独立，他说”一直有人来找我们”，这扇门在动态的 AI 市场里还开着，但增长势头更可能把公司推向”某天上市”。据 CNBC 报道，他甚至提到了 2027 年 IPO 的可能性，大概率选美国。

    AI 基础设施建设的热度，从这 10 亿美元里就能看出来。当大行都不愿意把最敏感的模型推理完全交给云厂商，像 SambaNova 这样专做”把大模型安全跑在自己地盘上”的芯片公司，就有了存在的理由。

  • Reflection 签 10 亿美元算力大单：开源模型商的弹药库焦虑

    Reflection 与 Nebius 10 亿美元算力协议
    算力正在变成 AI 公司的战略物资（图源：TechCrunch）

    开源模型公司 Reflection AI 最近像在囤弹药一样，连续签下大笔算力合同。7 月 14 日，这家估值 250 亿美元的美国初创公司宣布，和欧洲 AI 基础设施厂商 Nebius 签下一份价值 10 亿美元的算力协议。

    拿到的是英伟达最新的芯片

    Nebius 的前身是俄罗斯科技巨头 Yandex 的国际业务，这次它会把英伟达最新一代芯片的使用权交给 Reflection。有意思的是，这已经是 Reflection 几周里第二笔大型算力交易了——上一份是和 SpaceX 拿计算资源。两家公司都在抢同一件东西：训练和部署模型所需要的算力。

    当特朗普政府上个月施压 Anthropic 和 OpenAI 限制最强模型，业界开始担心模型访问权限可能被”一夜收回”。加上中国开源模型越来越能打，主流市场对开源 AI 的兴趣被彻底点燃。

    为什么开源模型商比谁都怕算力断供

    Reflection 由两位前 Google DeepMind 研究员在 2024 年创立，已经从英伟达、红杉、Lightspeed 手里融了近 26 亿美元。它的处境正好戳中当下最热的争论：闭源旗舰模型到底值不值那个价？当数据留存顾虑和政府干预一起涌上来，能自己掌控权重、不受制于单一厂商的开源路线，突然成了香饽饽。

    Nebius 才是幕后那个大赢家

    • 拿到英伟达 20 亿美元投资后，Nebius 转头就和 Meta 签了最高 270 亿美元、为期五年的基础设施协议。
    • 去年它跟微软也签了最高 194 亿美元的多年的协议。
    • 从 Yandex 拆分出来后，Nebius 几乎成了各大 AI 实验室的”算力二道贩子”。

    算力正在变成一种战略物资，谁先把芯片和机房锁死，谁就握住了下一代模型的命门。Reflection 连签两单，表面上是为了训练和部署，底下其实是整个行业对”算力稀缺”的集体焦虑。

  • 巴黎AI语音公司Gradium拿下英伟达1亿美元，要抢ElevenLabs的活

    AI语音技术概念图
    实时语音AI正在成为人机交互的新入口（图源：TechCrunch / Getty Images）

    你跟AI语音助手说话时，最别扭的瞬间是什么？多半是那种尴尬的停顿——你明明把话说完了，它还在”思考”，过了半秒才接上一句。巴黎一家叫 Gradium 的初创公司，盯上的就是这块短板：让机器说话别再卡顿，像真人一样即问即答。

    从开源实验室里长出来的公司

    Gradium 2025年12月才从隐身状态走出来，它本身是从法国 AI 实验室 Kyutai 分拆出来的。Kyutai 由法国电信大亨 Xavier Niel 支持，走开源路线。Gradium 的联合创始人 Neil Zeghidour 是个老面孔，先后待过 Google Brain、DeepMind 和 Facebook，是生成式音频领域的核心研究者之一。

    “语音AI正在到达一个拐点。” Zeghidour 在融资声明里这么判断——他认为语音会成为人和智能系统之间的主要界面。

    英伟达为什么愿意入局

    7月8日，Gradium 宣布把种子轮追加到 1 亿美元，新加入的投资者里出现了英伟达。它最初在2025年12月就拿了 7000 万美元，投资方名单相当豪华：FirstMark Capital、Eurazeo、DST Global Partners，还有 Eric Schmidt 和 Xavier Niel 个人。芯片巨头亲自下场投语音模型，释放的信号很明确：语音已经被视作 AI 基础设施的关键一环，而不只是应用层的点缀。

    它到底做了什么

    Gradium 做的是一个超低延迟的实时语音栈，核心目标是让 AI 声音几乎即时响应。具体拆开来看，几块能力都挺实在：

    • 新一代实时文本转语音，读缩写、邮箱、电话号码这类内容更准，也更自然；
    • 实时语音识别带”语义轮次检测”——能判断你是真的说完了，还是只是停下来喘口气，而不是靠静音就草草打断；
    • Gradium Translate 超低延迟的语音到语音翻译，还有端侧模型 Phonon，以及开源框架 GradBot，几行代码就能搭出能用的语音 agent。

    去湾区抢人，也抢客户

    这笔钱另一大用途，是在旧金山湾区开办公室。巴黎固然是欧洲 AI 重镇，但 Gradium 直言就是要离 Anthropic、Google、Meta、OpenAI 更近，方便挖人和贴近大客户。竞争当然激烈：做语音的 ElevenLabs 今年2月估值已经到 110 亿美元，Google 的 Gemini 也是语音老手。不过 Gradium 说自己上线几周就有了收入，还拿下了雷诺这样的企业客户。

  • 首笔推理芯片抵押贷落地：4亿美元押注AI算力的下一站

    算力生意的下半场

    训练一个大模型要烧掉天文数字的算力，但模型训好之后真正天天在跑的，是”推理”——也就是你每次提问、它给答案的那一下。最近一笔 4 亿美元的融资，把赌注压在了这块过去被忽视的市场上。

    AI 推理云创业公司 General Compute 拿到了 Upper90 的 4 亿美元贷款。有意思的是，这很可能是第一笔拿”推理专用芯片”做抵押的买卖。所谓推理芯片，专门用来高效跑已经训好的模型，不像训练芯片那么贵、那么吃水和电。

    General Compute 推理芯片
    General Compute 的推理芯片主打低功耗、免水冷（图源：TechCrunch）

    General Compute 的 SN50 芯片来自英特尔支持的 SambaNova，主打省电、不用昂贵的水冷，所以能比 GPU 更快铺进各种数据中心。公司声称推理速度能到 GPU 云的 16 倍。问题只有一个：作为一家新公司，怎么搞到足够多的芯片。

    “我们当年第一批给英伟达 GPU 融资时，市场还很低效，早进场的人能拿到风险补偿。”Upper90 的 Billy Libby 说。

    从 GPU 转向推理层

    这就轮到 Upper90 出场了。它的老板 Billy Libby 是个前高盛量化交易员，2021 年就曾给能源型数据中心创业公司 Crusoe 做 GPU 采购融资——他自称那是第一笔拿高端芯片做抵押的贷款。当时传统银行躲得远远的，怕芯片贬值太快；等 CoreWeave 把这种”芯片抵押”做成生意、还顺手搞出个轰动 IPO，大家才反应过来。

    现在 GPU 行情大家都摸透了，甚至有点买过头，Upper90 就把目光转向了 General Compute 这样的推理层公司。这个转向背后有个判断：不是谁都需要超级计算机，但谁都需要推理。开源模型越来越能打——月之暗面刚发的 Kimi K3 在编程基准上已经逼近 Anthropic 和 OpenAI 的旗舰——跑这些开源模型，便宜的推理芯片就够了。Groq、Cerebras 这类芯片公司也因此被收购方和公开市场盯上。

    General Compute 押注英伟达体系之外的芯片，逻辑和 TensorWave 绑定 AMD 类似：当替代方案越来越多，不被英伟达锁死的计算提供商，反而可能在成本上占优。

    “有一批芯片正在起量，总拥有成本惊人地好，速度也比英伟达快，但买家不多。”CEO Finn Puklowski 说，”和 Upper90 合作，不是’一个酷公司拿到钱买算力’这么简单，这是资本第一次组织起来，去敲碎英伟达的垄断。”

    对普通人来说，这事儿离得有点远。但它决定了你以后用 AI 是贵还是便宜：当推理产能不再被一家芯片厂卡脖子，模型跑起来的成本才会真正降下来。

    一句话看清这笔融资

    • General Compute 获 Upper90 的 4 亿美元贷款，或为首笔以推理芯片为抵押的融资
    • SN50 芯片（SambaNova）主打低功耗、免水冷，推理速度号称 GPU 云 16 倍
    • 资本从 GPU 转向推理层：开源模型崛起让低成本推理需求激增，英伟达之外的芯片有了空间
    📎 原文来源：Why the first GPU financiers are turning to inference chips in a $400 million deal（TechCrunch / Tim Fernholz，2026-07-17）
  • 英伟达开源机器人技能库 ASPIRE：机器人开始像程序员一样，边改 bug 边攒本事

    英伟达开源机器人技能库 ASPIRE：机器人开始像程序员一样，边改 bug 边攒本事

    以前训练机器人，靠的是海量数据反复喂、靠梯度下降一点点更新权重，练完就是一堆定死的浮点数。英伟达刚开源的 ASPIRE 把这套逻辑掀了——它让机器人像程序员改 bug 一样，边干边试错、边试错边把经验攒下来。负责具身智能的 Jim Fan 直接放话：这是训练范式的一次彻底改写。

    机器人持续学习与技能库概念图
    ASPIRE 让机器人把每次操作经验沉淀成可复用的技能库

    ASPIRE 全称是 Agentic Skill Programming through Iterative Robot Exploration，说白了就是物理世界里的机器人版 Coding Agent。背后调用的 GPT 或 Claude 不再直接输出机械动作，而是写出一段可调试、可复现的控制代码；机器人执行时，把感知图像、导航、抓取、碰撞报错、运动轨迹全程记下来。

    任务失败了，AI 就回放这段多模态轨迹，像研究员一样判断哪一步出了问题，改代码、再跑一遍；一旦跑通，就把这套解决办法提炼成标准化的 Skill，存进一个越攒越厚的技能库，下次遇到同类场景直接调用，不用从零再试。

    三个变化，把老路子整个翻了过来

    Jim Fan 把这次转变拆成三条，新旧对比很清楚。训练，从梯度下降变成了不断打磨技能；练出来的东西，不再是一份网络权重文件，而是一座持续扩容的感知运动技能库；至于分布式训练，则变成一群 Agent 各自练不同的技能，再把经验汇总进同一个库里。

    这么做的直接好处，是把机器人开发的数据门槛砍了下来。技能库里已经涵盖抓取、移动、操作这些常见任务的预训练模型，开发者拿来组合、微调就行，不再需要动辄百万级的训练数据从头练。

    对国内厂商是把双刃剑

    开源当然降低了研发门槛，谁都能站在英伟达的肩膀上往前走。但硬币的另一面是，一旦大家都用它的技能库、它的标准，机器人的核心能力就等于被英伟达定义了。这跟当年 CUDA 的路数如出一辙——先把地基铺好、免费给你用，等你离不开了，话语权也就攥在人家手里。

    值得留意的几点：

    • 训练目标从更新权重，变成不断打磨和复用单条技能
    • 技能支持跨机型迁移，能大幅省下仿真复现和重训的成本
    • 为人形、工业机器人的通用自主学习提供了一套开源底座

    从大模型卷参数，到智能体卷能不能真把活干成，再到现在机器人开始攒技能，AI 的竞争重心正一步步从静态的权重，挪向动态的、能持续成长的能力。ASPIRE 未必是终点，但它至少给出了一个方向：让机器人像人一样，把每次踩过的坑都变成下次的本事。

  • OpenAI 首颗自研芯片 Jalapeño 出炉，不再只靠英伟达

    OpenAI 首颗自研芯片 Jalapeño 出炉，不再只靠英伟达

    OpenAI 首颗自研推理芯片 Jalapeño
    OpenAI 与博通联合发布首颗自研推理芯片 Jalapeño（图源：TechCrunch）

    OpenAI 一直被看作做模型的，6 月 24 日这天它跨过了那条线——和博通联合发布了一颗叫 Jalapeño（墨西哥辣椒）的芯片，这是 OpenAI 第一颗自己定制的 AI 处理器。合作去年 10 月就官宣了，但真把芯片摆到台前，还是头一回。

    专门为跑模型而生

    Jalapeño 的定位很明确：它是推理芯片，不是训练芯片。说人话就是，它负责把已经训练好的模型跑起来、响应用户指令，而不是从零去炼模型。OpenAI 在公告里特别强调，它在跑实时 coding 模型（比如 Codex）时运营成本很低。像预训练这种更吃算力的重活，短期内还得靠英伟达的 GPU，但光是把推理这一块的成本往下压，对 OpenAI 的账本就已经意义不小。

    我们不只是做前沿模型、在模型上搭产品，我们连底下的基础设施都自己设计了——芯片架构、内存系统、网络、调度、部署，全在一层一层地把同一件事优化到极致。

    AI 参与设计了自己的硬件

    最让我觉得绕的一个细节是：OpenAI 自己的 AI 模型，参与了这颗芯片的设计过程。从架构设计到把版图数据交给晶圆厂（tape-out），整段只用了大约九个月。OpenAI 自己说，这可能是高性能半导体领域有史以来最快的 ASIC 开发周期。硬件负责人 Richard Ho 来头也不小，在谷歌待了快九年，是 Cloud TPU 项目的核心工程师。

    为什么非得自己造？说白了是想少依赖英伟达的 GPU。这条路上谷歌有 TPU、亚马逊有 Trainium，都是同一个思路——用专门加速机器学习的硅，把特定工作负载跑得更快更省。OpenAI 总裁 Greg Brockman 的话很直白：我们太懂这个工作负载了，就去找那些没被伺候好的环节，想办法加速它。

    全栈公司的必然一步

    把视角拉高一点看，造芯是 OpenAI 从模型公司往全栈基础设施公司走的自然一步。模型、产品、数据中心、再到芯片，每一层它都想攥在自己手里。据外界披露，微软还承诺包销了 Jalapeño 首期大约 40% 的产能。芯片计划先以工程样片在实验室跑通 GPT-5.3-Codex-Spark 这类模型，后续再放到吉瓦级别的数据中心里规模部署。

    • Jalapeño 是 OpenAI 首颗自研推理芯片，由博通代工实现、台积电 3nm 制造
    • AI 模型参与芯片设计，九个月走完从设计到流片
    • 目标不是取代英伟达，而是把最贵的推理成本压下来

    这不是要和英伟达掀桌子，而是 OpenAI 想把自己最贵、也最日常的那块成本，从别人手里拿回来一部分。当一家公司的模型每天被几亿人调用，每一分钱的推理开销乘上去都是天文数字——自己造芯，只是时间问题。

  • Etched走出隐身：50亿美元估值、10亿美元订单，专打AI推理芯片

    一家芯片公司从隐身模式里走了出来

    Etched这家公司以前低调得很，但最近它直接把成绩单摊在了桌上：芯片已经由台积电成功制造出来，累计拿下了10亿美元的系统订单，整体估值也到了50亿美元。它的方向很专注——做Transformer推理专用的芯片和整机系统，专门帮前沿模型更快、更便宜地跑推理。

    所谓推理，就是用户输入问题后模型真正生成答案的那一步。对今天的AI公司来说，这一步既是用户体验的瓶颈，也是最大的成本中心。谁能把推理成本压下去，谁就能让大模型服务更便宜、响应更快。Etched赌的正是这一点。

    Etched已签10亿美元客户订单，累计融资8亿美元，最新一轮由Stripes领投，投后估值50亿美元。

    这家公司2022年成立，创始人Gavin Uberti和Robert Wachen都是哈佛辍学生，后来拿了Peter Thiel的Thiel Fellowship。其实他们早在2024年就跟TechCrunch聊过芯片计划。那时候他们已经从Primary Venture Partners等投资人手里拿到超过1.25亿美元。不过据他们在Patrick O’Shaughnessy的播客里回忆，2023年最初融资时非常艰难，他们拿着30页备忘录讲“AI未来需要专用芯片，而不是通用GPU”，结果几乎每个大投资人都拒绝了。

    投资人名单豪华，但市场考验才刚开始

    现在融资环境完全是另一个世界。Etched披露的累计融资额是8亿美元，其中去年12月那轮未公开的融资由Stripes领投，金额约5亿美元，估值50亿美元。参与方包括VentureTech Alliance、Jane Street、Hudson River Trading、Two Sigma、Ribbit Capital，以及Andrej Karpathy、Geoffrey Hinton、Fei-Fei Li、Arthur Mensch、Scott Wu等AI界名人。Peter Thiel和Stanley Druckenmiller也在股东名单里。

    不过融资热归融资热，芯片能不能真正兑现性能，还需要独立测试。Etched目前在做的是“前沿推理集群”——把芯片、定制机柜和软件打包成一套系统。它说自己比Nvidia的GPU更快、更省电、更便宜，但这些数字来自公司自己，真实世界表现还得等客户大规模部署后才能验证。

    AI推理芯片概念图
    专用AI推理芯片正试图从通用GPU手中抢走推理市场。

    在这个赛道里，Etched不是孤例。Cerebras今年率先IPO，Groq刚刚完成6.5亿美元融资，亚马逊、Google、微软都在做自己的AI芯片，OpenAI也推出了和Broadcom合作的首款定制芯片。推理芯片的竞赛正在升温，每家公司都在赌自己的路线。

    对AI行业来说，推理芯片的稀缺性正在被放大。训练一度是最大难题，但现在越来越多公司发现，真正烧钱的其实是服务用户时的推理。Etched的崛起说明，资本市场已经把这个环节视为下一个主战场。至于它能不能撼动Nvidia，还要看第一批客户订单交付后的实际表现。

  • 巴黎一家语音AI公司，拿了英伟达的钱，还要跑去湾区抢人

    AI语音这条赛道，最近又冒出一笔不小的融资。巴黎初创公司Gradium这周宣布，把原本关掉的种子轮重新打开，新拉进来英伟达等投资人，整轮累计融到1亿美元。

    钱要花在刀刃上

    Gradium自己说，这笔钱主要用来在旧金山湾区开个办公室、就近抢人——原话挺直白，叫”把自己摆在全世界最领先AI生态圈的正中心”。这话挺有意思：巴黎明明是欧洲AI的重镇，可真要拼人才，还是得贴着Anthropic、Google、Meta、OpenAI这几家巨头才踏实。

    从实验室里长出来的公司

    Gradium并不是凭空冒出来的。它去年12月才结束隐身状态，最初那7000万美元，投资方名单就相当豪华：FirstMark Capital、Eurazeo、DST Global Partners，还有Eric Schmidt和法国电信大亨Xavier Niel。再往前，它是从法国AI实验室Kyutai分拆出来的——两家公司的联合创始人Neil Zeghidour，早年在Google Brain、DeepMind、Facebook都待过。

    AI语音技术与神经网络融合概念图
    Gradium主打超低延迟的AI语音模型，背后站着英伟达

    他们做的事，说白了就是”让AI说话不卡顿”。Gradium做的语音模型主打超低延迟，声音几乎秒回，没有那种在AI对话里经常冒出来的、让人尴尬的停顿。听着简单，可对语音代理来说，这几毫秒的差距，往往就是”像真人”和”露馅了”的分界线。

    对手可不弱

    这条赛道早就挤满人了。光是ElevenLabs，今年2月就靠着红杉的5亿美元把估值冲到110亿；更别提Google Gemini这种自带语音基因的巨头。不过Gradium好像还真撕开了口子——从去年12月发布到现在，它已经拿下包括雷诺在内的几个大客户。

    1亿美元对一家还叫”种子轮”的公司来说不算小，但在语音AI这场仗里，能不能靠低延迟真正站稳，才刚开场。

  • 英伟达多了个真对手，Etched 芯片拿到 10 亿美元订单

    英伟达在 AI 推理芯片领域多了一个值得认真对待的对手。一家叫 Etched 的创业公司今天披露了最新进展：台积电今年早些时候已经成功造出了他们的芯片，而现在这款产品的合同订单已经堆到了 10 亿美元。

    Etched 给这套东西起了个名字叫”前沿推理集群”（frontier inference clusters），本质上是把自研芯片、定制机架和配套软件打包在一起卖。说法很直白：帮大模型公司跑推理，速度更快、成本更低、功耗更省。推理听起来不如训练那么性感，但它现在是 AI 公司最大的成本中心和瓶颈——这也是为什么投资人愿意为任何声称能解决这个问题的团队买单。

    从月月熬到估值 50 亿，两年走了完全不同的路

    Etched 成立于 2022 年，累计融资到现在是 8 亿美元。最近的一笔是去年 12 月关账的 5 亿美元，投后估值 50 亿美元。这轮由 VentureTech Alliance、Stripes 领投，跟投的名单读起来像量化交易圈的名人录：Jane Street、Hudson River Trading、Two Sigma、Ribbit Capital。

    天使轮更夸张。Andrej Karpathy、Geoffrey Hinton、Fei-Fei Li、Arthur Mensch、Scott Wu 都在里面，还有亿万富翁 Stanley Druckenmiller 和 Peter Thiel。一个做 AI 芯片的创业公司，天使投资人里既有图灵奖得主也有对冲基金大佬，这个组合不太常见。

    Etched AI 芯片概念图
    Etched AI 推理芯片，专为大模型推理设计的 ASIC

    2023 年差点死掉，现在满地都是钱

    创始人 Gavin Uberti（CEO）和 Robert Wachen（总裁）都是从哈佛辍学后入选 Thiel Fellowship 的。他们在 2024 年就已经在跟 TechCrunch 聊他们的芯片计划了，但回头看，真正的转折点在 2023 年。

    Uberti 后来在 Patrick O’Shaughnessy 的播客里说，2023 年他们到处见投资人，试图讲清楚”AI 最终会需要专用芯片，而不只是通用 GPU”这个故事，结果每一个大机构都 pass 了。公司当时按月烧钱，随时可能断粮。

    从”每个月都在担心能不能发工资”到”估值 50 亿美元、订单 10 亿美元”，中间隔了不到三年。AI 基础设施的投资热度把这家曾经无人问津的创业公司推到了一个完全不同的轨道上。

    对手不止英伟达，大家都想做自己的芯片

    Etched 现在面对的竞争格局相当拥挤。Cerebras 今年打了 AI 芯片赛道第一个 IPO，Groq 刚融了 6.5 亿美元。 hyperscaler 们也在自己搞：亚马逊的 Trainium、Google 的 TPU、微软的 Maia 都在路上。就连 OpenAI 也刚刚发布了和博通联合定制的第一款芯片。

    Etched 的赌注是：通用 GPU（也就是英伟达的 H100/B200 这些）在推理工作负载上不够高效，专用 ASIC 才是未来。这个论点不是只有他们在讲，但对于一家曾经连融资都困难的创业公司来说，现在能拿到 10 亿美元订单，说明至少有一些大客户认同这个判断。

    Etched 还没有公布具体是哪些客户下了这 10 亿美元的订单。如果后续有披露，这件事的可信度会更高一些。眼下，这家公司从”没人要”到”估值 50 亿”，本身就是这轮 AI 基础设施热潮里一个挺极端的样本。