Etched 為何不和 NVIDIA 搶「最強 GPU」：推論晶片的維度轉移

事件

2026 年 7 月，成立不到 4 年的 AI 晶片新創 Etched 對外宣布：已累計募資 8 億美元、投後估值 50 億美元，簽下超過 10 億美元的客戶合約。投資陣容包括 Peter Thiel、Geoffrey Hinton、李飛飛等科技界重量級人物，以及量化交易巨頭 Jane Street。

表面上這又是一家「想挑戰 NVIDIA 的 AI 晶片公司」，但深入看，Etched 的策略徹底不同。

Etched 的選擇：不在「GPU 誰最快」的賽道上

Etched 瞄準的不是訓練階段，而是已訓練模型的「推論」階段——企業已經有了訓練好的大語言模型，現在要快速、穩定、便宜地回應用戶查詢。這是一個和 GPU 通用性能完全不同的應用場景。

更關鍵的是，Etched 的競爭策略是：不賣單顆晶片，賣整套推論系統。晶片、記憶體、散熱、機櫃、量產體系一整套自己搞。

這個選擇背後的邏輯是什麼？

### 維度轉移的三層意涵

第一層：承認「單顆性能」維度已輸

NVIDIA 的 H100、H200 在單位計算性能上已經遙遙領先，而且有 CUDA 生態的網路效應加持。Etched 要在這個維度上追上，需要 10-20 年的堆砌與生態建設。這是一場必敗之戰。

Etched 的聰明之處在於：承認這個失敗、轉向新的維度。

第二層：新維度是「整體系統成本 + 適配度」

推論階段和訓練階段的需求完全不同：

• **訓練階段**：需要通用的、高並行度的計算，對「單顆晶片性能」敏感，對「功耗效率」不那麼敏感。NVIDIA GPU 在這裡統治。
• **推論階段**：需要「低延遲」（user 問 query、要快速得到回應）、「高吞吐量」（同時處理數百萬個查詢）、「低成本」（每次推論的 inference cost 必須往下壓）。

在推論場景下，「單顆晶片性能」並不是最關鍵指標。反而是：

• 晶片的記憶體頻寬（memory bandwidth）——推論大量讀寫權重
• 散熱系統設計——推論持續、穩定，散熱一崩就全崩
• 整個系統的功耗效率（performance per watt）——推論 24/7 運轉，電費壓垮成本
• 資料中心層級的架構（如何把數千顆晶片連起來、做到無損通訊）

Etched 在這些維度上，因為從系統層級開始設計，反而可能比 NVIDIA 做得更優化。

第三層：垂直整合變成護城河

NVIDIA 的護城河是「通用 GPU + 生態」。Etched 的護城河不是通用——反而是「為推論場景極度特化、硬體到軟體無縫集成」。

一旦客戶買入了 Etched 的整套系統，遷移成本變得非常高。不是換一張卡那麼簡單，而是要重新架構整個推論管道。

蘭徹斯特法則的映照

1920 年代，英國工程師 Frederick Lanchester 提出的「蘭徹斯特法則」指出： - 在「對稱競爭」中（雙方用同樣武器），兵力多的一方勝率呈平方關係 - 但在「非對稱競爭」中（各自用不同武器），可以用較弱的力量贏得戰爭

Etched 就是在打「非對稱競爭」：不和 NVIDIA 比「通用 GPU 誰更強」，而是比「推論系統的完整度」。

為什麼這家新創能拿到 10 億美元訂單？

因為企業已經開始感受到痛點：