矽谷新創 Etched 於 6 月 30 日結束隱身模式，身上有 2 個重要的標籤，一個是輝達（NVIDIA）的競爭對手；另一個則是獲得台積電策略夥伴的投資，讓 Etched 的含金量又多了一些。
結束隱身模式的 Etched 順帶公開了募資金額，已累積超過 8 億美元，投後估值高達 50 億美元。且脫離了空口說白話的早期階段，簽下了累計金額超過 10 億美元的訂單。
攤開 Etched 的投資人名單，除了包含 PayPal 共同創辦人 Peter Thiel、GitHub 前執行長 Thomas Dohmke，以及 AI 教父 Geoffrey Hinton、OpenAI 前研究員 Andrej Karpathy 等重量級人物之外，更包含了Jane Street、Hudson River Trading、Two Sigma、Ribbit Capital 以及VentureTech Alliance。
最值得注意的就是最後這一家 VentureTech Alliance。其所管理的基金，絕大部分的資金都來自台積電。舉例來說，Fund II 和 Fund III，台積電持股比例約為 98%。
VentureTech Alliance 是誰？為什麼有台積電的戰略夥伴之稱？
總部位於矽谷、成立已超過 20 年的 VTA，常被視為台積電佈局全球頂尖半導體與深科技新創的球探。
追蹤 VTA 的投資紀錄，幾乎可見近 20 年全球半導體技術演進的重要軌跡。從早期精準押寶的伺服器與網通晶片新星，如後來被 Marvell 收購的 Aquantia，到近年成功掛牌上市的 AI 連接晶片大廠 Astera Labs。
而在邊緣運算與實體 AI 的佈局上，VTA 的投組包含了主攻邊緣端 AI 機器視覺晶片的 SiMa.ai、前 Apple 核心工程師創辦的機器人視覺新創 Lyte AI，以及開發超低功耗類比記憶體內運算晶片的 EnCharge AI。顯示了 VTA 在押注雲端大算力的同時，也正大舉為「去中心化、本地端運行」的實體 AI 時代預留門票。
面對資料中心（漸進式的）「光進銅退」趨勢，VTA 更投資了 Ayar Labs 與 Avicena，兩者皆是新世代光互連技術的先驅，前者專精於雷射式矽光子，後者則利用全新的 MicroLED 光互連架構，旨在利用「光」代替「電」解決晶片間的傳輸擁堵。
在晶片網絡架構重塑的部分，則投注包含由前博通、Google 團隊創立的 AI 資料中心高速網路晶片新創 Enfabrica，以及剛在 2026 年 3 月完成 2 億美元 A 輪募資的 Eridu AI。這類新創旨在重新設計 AI 叢集的網絡交換晶片，確保台積電先進封裝與製程打造的高階晶片，在組成大規模叢集時的跨節點通訊不會成為瓶頸。
從邊緣運算、矽光子到網絡重塑，VTA 的佈局無一不是在為台積電的先進製程與封裝生態系鋪路。
隨著早期基金 Fund II、Fund III 於 2025 年正式完成清算，VTA 的投資重心也逐漸轉移至2021年成立，台積電持股 99.9% 的新基金 Emerging Fund。
雖說如此，VentureTech Alliance 一貫強調其投資行為完全獨立，所以更精準來說是「名義上獨立操作、實質資金與人脈高度綁定台積電」。
從哈佛輟學生到成為半導體獨角獸
回到開頭的 Etched。對 Etched 而言，獲得 VTA 的投資，不只是取得資金，更代表有機會建立與全球最先進晶圓代工廠的合作關係。在先進製程產能持續供不應求的今天，這樣的戰略合作，往往比資金本身更具價值。
根據《TechCrunch》報導，Etched 先前已導入台積電 4 奈米製程，完成首批晶片流片（Tape-Out），目前正與客戶共同測試這款首發產品。
成立約 4 年的 Etched，由兩位年僅 25 歲上下、從哈佛大學休學的提爾獎學金成員（Thiel Fellowship，由 PayPal 共同創辦人 Peter Thiel 鼓勵天才學生休學去創業的計畫）Gavin Uberti 與 Robert Wachen 共同創辦。
Etched 的兩位創辦人在 Patrick O’Shaughnessy 的播客節目《Invest Like the Best》中曾透露，2023 年時，即便他們寫了一份長達 30 頁的報告書，極力論證 AI 最終將需要專用晶片、而非僅僅是通用型 GPU，卻被當時接觸的每一家大型投資機構拒絕。咬牙苦撐到了 2024 年，才進入投資人的雷達範圍。相比之下，如今的募資環境已截然不同。
而要了解 Etched 這個半導體產業的獨角獸新星，首先必須理解 Transformer 模型。這個模型是現今所有大型語言模型的起點，走入大眾世界的關鍵是 2017 年一篇論文〈Attention is All You Need〉。
在 Transformer 出現之前，AI 閱讀文字必須像人一樣依照順序，一個字、一個字往下讀，不僅速度慢，也很難記住長篇幅的上下文。
Transformer 帶來了兩項革命性突破。首先是「注意力機制」，讓模型不必依序閱讀，而是能同時觀察整段內容，自動判斷不同詞彙之間的重要關聯。例如看到「蘋果」時，會依後面接的是「iPhone」還是「很好吃」，判斷它指的是科技公司還是水果。
第二是「平行運算能力」，讓模型不再需要逐字處理，而是能同時處理大量資訊，大幅提升訓練與推論效率。這也讓 Transformer 成為 ChatGPT、Claude、Gemini 等大型語言模型共同採用的核心架構。
也正是因為看準了 Transformer 架構將持續主宰未來 AI 的發展，Etched 拋棄傳統通用型晶片的路線，研發一款專門為 Transformer 量身打造的 ASIC 晶片：Sohu 處理器。
如果說目前主流 AI 伺服器所使用的 GPU（如 NVIDIA 的晶片）是一把什麼都能做的「萬能瑞士刀」，那麼 Sohu 更像是一把專門為單一任務打造的工具。
一般 GPU 必須兼顧圖形渲染、科學運算、各類 AI 模型訓練等不同工作，因此晶片內部包含大量支援不同運算情境的硬體設計，就算在資料中心使用的 GPU，主力也會是通用運算。
Etched 則反其道而行，移除所有與 Transformer 無關的硬體模組，並大幅簡化軟體層，把晶片面積、功耗與頻寬幾乎全部留給 Transformer 的推論運算。
反映在實際效能上，Etched 聲稱一台搭載 8 顆 Sohu 的伺服器，在執行 Llama 70B 模型時每秒可產出逾 50 萬個 token，約為同等規模 8 張 H100 伺服器（約 2.3 萬 token）的 20 倍，對大型 AI 業者而言意味著更高的吞吐、更低的單位推論成本，以及顯著更省的電力。
用更簡單的暴力數學來算，一台 Sohu 伺服器「理論上」可取代 160 張 H100，大幅壓縮資料中心的建置與營運開銷。
代價則是徹底的取捨：Sohu 無法訓練模型，也跑不動任何非 Transformer 架構。
不過，這些數字都是由 Etched 自行公布，尚未經第三方獨立驗證。
Etched 鎖定 AI 模型的「推論市場」，放棄通用晶片的一場豪賭
Etched 的存在並非特例，過去幾年，AI 晶片市場主要圍繞模型訓練展開，而隨著大型語言模型逐漸成熟，產業競爭開始轉向「推論市場」。當數以億計的使用者每天向 AI 發出請求時，如何以更低成本、更快速度完成推論，已成為雲端服務商與 AI 公司最重要的課題。
也就是說，真正決定 AI 成本與效率的，不再是模型訓練，而是模型推論，是 AI 實際產生回答的過程。
因此，Etched 的 Sohu 從一開始便不是一顆通用晶片，而是一套整合晶片、機架與軟體的「Frontier Inference Cluster（前沿推論叢集） 」，一套專門為大規模推論所打造的系統。
這樣的策略同時也是一場豪賭，Etched 的執行長 Gavin Uberti 在 2024 年受訪時更曾坦言 :「如果 Transformer 消失，我們公司就會完蛋」。
