AI 算力需求爆发之下，通用 GPU 长期垄断市场，但通用架构带来的算力浪费、高昂推理成本，催生全新芯片赛道。2022 年成立的硅谷芯片企业 Etched 走出一条极具颠覆性的路线：放弃全场景兼容，只研发适配 Transformer 架构的专用 ASIC 芯片，依靠极致能效表现收获资本与客户双重认可，为全球 AI 芯片市场撕开一道全新裂缝。

一、极端取舍：放弃通用，将 Transformer 硬件化嵌入芯片

当下市场主流的英伟达 GPU 属于通用型计算芯片，可兼容 CNN、RNN、Transformer、图形渲染、并行计算等海量任务，广泛适配 AI 全链路开发，这也是英伟达构筑行业壁垒的根基。但通用性背后存在无法规避的损耗：运行大模型 Transformer 推理任务时，芯片大量晶体管闲置，算力、电力成本严重浪费，如同多功能车辆仅用于单一短途运输，资源消耗居高不下。

Etched 给出完全反向的解决方案，自研芯片 Sohu 是一款纯 Transformer 专用 ASIC，直接将 Transformer 注意力计算逻辑固化在硬件电路中，芯片仅支持 Transformer 前向推理，无法运行其他类型神经网络。这种取舍看似风险极高，却换来行业顶尖的运行效率：基于台积电 4nm 工艺流片的 Sohu，在 Llama 70B 推理场景中，8 片芯片组成的服务器集群可替代 160 张英伟达 H100，吞吐量达到 H100 的 20 倍，单位美元算力更是通用 GPU 的 140 倍。

芯片行业存在固定规律：通用性越强，覆盖市场越广，但单一场景效率越低；专用芯片能效拉满，却会绑定单一算法，一旦主流架构迭代，芯片将失去价值。Etched 敢于豪赌这条路线，核心判断是 Transformer 架构已稳定主导 AI 行业五年，语言、文生图、视频大模型均以此为底层，短期内不会出现颠覆性替代方案；同时全球大厂每年数十亿级的推理成本支出，让行业对降本增效专用算力存在刚性需求，10 亿美元量产前预售大单，正是市场对这条路线的直接验证。

二、豪华资本 + 硬核团队，为高风险芯片赛道兜底

芯片研发属于重投入、长周期赛道，大量初创企业困于资金、技术人才难以落地，而 Etched 集齐学术界、产业端、资本端顶级资源。投资方阵容堪称行业顶配：诺贝尔奖得主 Geoffrey Hinton、计算机视觉先驱李飞飞、OpenAI 联合创始人 Andrej Karpathy 等 AI 领域顶尖学者深度押注；台积电关联基金、量化巨头 Jane Street、风投教父 Peter Thiel 同步入局，累计融资总额达 8 亿美元，投后估值突破 50 亿美元。

团队底层实力是资本敢于重仓的核心底气：三位创始人均为 Thiel Fellowship 奖学金获得者，CEO 深耕低延迟高频计算领域，CTO 拥有谷歌 TPU 研发实习经历；公司集结 400 余名资深工程师，人才覆盖英伟达、谷歌 TPU、博通、台积电等产业链核心企业，完整覆盖芯片设计、流片、工程落地全流程。目前 Sohu 芯片已完成一次流片成功，在芯片行业，初创企业通常需要多轮迭代才能产出合格样片，一次流片落地大幅降低量产风险。

三、破解 ASIC 历史痛点：零代码迁移，直击英伟达 CUDA 软肋

英伟达长期稳固的护城河，不只是硬件性能，更是CUDA 软件生态。其他厂商芯片即便算力领先，开发者重构代码、迁移模型的高额成本，会阻碍商业化落地，这也是众多挑战者难以突围的关键。

传统 ASIC 芯片普遍配套独立软件栈，模型迁移需要大规模改写代码，使用门槛极高；而 Etched 实现重大突破，Sohu 可直接运行 PyTorch 导出的 Transformer 模型，开发者无需修改任何代码即可完成部署。这一优势源于 Transformer 生态高度标准化，模型格式、推理框架形成统一规范，专用芯片只需对接统一底层标准，就能规避软件迁移成本。

这一特性直接冲击英伟达核心优势：当客户能以更低成本、更高算力、零迁移门槛使用专用芯片，通用 GPU 附带的 “通用性溢价” 会快速缩水，英伟达依靠 CUDA 构建的壁垒首次遭遇来自第三方专用芯片的实质性挑战。

四、AI 芯片赛道三足鼎立，行业格局迎来洗牌窗口期

伴随 Etched 这类专用芯片企业崛起，全球 AI 芯片产业链清晰分化为三条长期共存的路线，市场份额将迎来重新分配：

  1. 通用 GPU 路线：英伟达、AMD 为主，优势是生态成熟、全场景兼容，适配算法快速迭代的模型训练环节；短板是推理场景能效低下、综合使用成本偏高。

  2. 云厂商自研 ASIC 路线：谷歌 TPU、AWS Trainium、Meta 自研芯片，深度绑定自有云业务，内部算力成本可控；局限是生态封闭，不对外大规模售卖裸芯片，技术外溢范围有限。

  3. 第三方专用 ASIC 路线：Etched、Cerebras、Groq 等企业，聚焦单一 AI 任务深度优化，对外向全行业客户供货，推理场景能效优势显著；短板是产品适配范围窄，算法架构迭代会带来经营风险。

业内普遍判断，三类路线不会互相替代，而是形成分工协作，但未来 2 至 3 年是市场格局定型的关键窗口期。推理算力需求占比持续攀升，具备极致降本能力的第三方专用芯片，将持续分流通用 GPU 的市场份额。

五、赛道终局思考：通用芯片时代逐步走向尾声

Etched 的商业化落地证明，AI 行业发展逻辑正在发生转变：行业早期算法快速迭代，需要通用 GPU 提供灵活算力支撑模型训练；如今 Transformer 架构稳定，大规模推理成为行业刚需，场景专用、极致能效的 ASIC 芯片迎来发展黄金期。

通用 GPU 不会彻底退出市场，但不再是全场景最优解，AI 芯片 “一刀切通用” 的发展阶段正在落幕。对于赛道参与者而言，单纯比拼峰值算力的时代已经过去，能否平衡硬件专用效率、软件易用性、商业化落地能力，才是决定企业长期竞争力的核心。Etched 以极致技术取舍走出差异化道路，也为全球 AI 芯片创业公司提供全新发展范本。