Etched atteint une valorisation de 5 milliards de dollars avec 1 milliard de dollars de commandes de puces IA
La course pour détrôner la domination de Nvidia dans le domaine du matériel d'IA a atteint son paroxysme alors que la startup Etched sort de l'ombre avec un élan massif. Affichant une valorisation de 5 milliards de dollars et 1 milliard de dollars de commandes contractuelles enregistrées, l'entreprise se positionne comme un spécialiste dans le domaine à enjeux élevés de l'inférence d'IA.
Résoudre le goulot d'étranglement de l'inférence
Alors qu'une grande partie de l'industrie s'est concentrée sur l'entraînement de modèles massifs, Etched cible la prochaine frontière critique : l'inférence. L'inférence — le processus de génération d'une réponse après qu'un utilisateur a soumis une requête — est devenue le principal centre de coûts et le goulot d'étranglement technique pour les entreprises d'IA qui passent à l'échelle pour des millions d'utilisateurs.
La solution d'Etched repose sur des « clusters d'inférence de pointe » (frontier inference clusters). Il ne s'agit pas seulement de puces autonomes, mais de systèmes intégrés comprenant des baies matérielles conçues sur mesure et des logiciels spécialisés. En s'éloignant des GPU à usage général pour se tourner vers une architecture hautement spécialisée, Etched affirme que ces clusters peuvent exécuter des modèles de pointe plus rapidement, à moindre coût et avec une efficacité énergétique nettement supérieure à celle des leaders actuels du marché.
Injection massive de capitaux et soutien de haut vol
La transition de la startup, passant d'une entreprise en difficulté à un poids lourd du silicium, est rien de moins que spectaculaire. Fondée en 2022 par Gavin Uberti et Robert Wachen, deux anciens de Harvard et boursiers Thiel Fellows, Etched aurait fonctionné au mois le mois en 2023 après avoir été rejetée par presque tous les investisseurs majeurs.
Ce récit a totalement changé. L'entreprise a récemment clôturé un tour de table non annoncé de 500 millions de dollars en décembre, portant son capital total levé à 800 millions de dollars. Cette dernière tranche, menée par Stripes, a propulsé la société à une valorisation post-monétaire de 5 milliards de dollars. La liste des investisseurs est un véritable « who's who » de la finance et de l'IA, comprenant Jane Street, Hudson River Trading, Two Sigma et Peter Thiel. Le plus révélateur est peut-être l'investissement providentiel de sommités de l'IA telles que Geoffrey Hinton, Andrej Karpathy et Fei-Fei Li.
L'évolution du paysage du silicium pour l'IA
L'ascension d'Etched se produit à un moment charnière de l'industrie des semi-conducteurs. L'ère des GPU à usage général « universels » subit une pression intense de deux côtés : les startups spécialisées et les hyperscalers. Alors qu'Etched est en concurrence avec des entreprises comme Cerebras et Groq, les géants de la technologie tels qu'Amazon, Google et Microsoft développent agressivement leurs propres puces pour réduire leur dépendance à l'égard de Nvidia. Même OpenAI est entré dans la danse en annonçant une puce personnalisée développée avec Broadcom.
Le succès d'Etched signale un changement fondamental dans l'économie de l'IA : la transition d'un marché centré sur l'entraînement vers un marché centré sur l'inférence. À mesure que le déploiement des modèles s'intensifie, la demande de matériel spécialisé, efficace et rentable deviendra probablement le champ de bataille le plus important de la tech.
Points clés
- Élan commercial : Etched a décroché 1 milliard de dollars de commandes contractuelles pour ses « clusters d'inférence de pointe » suite à une fabrication réussie par TSMC.
- Valorisation à enjeux élevés : Un récent tour de table de 500 millions de dollars a placé la startup à une valorisation post-monétaire de 5 milliards de dollars, soutenue par des sociétés de capital-risque de premier plan et des légendes de l'IA.
- Orientation stratégique : Contrairement aux fabricants de GPU à usage général, Etched est conçu spécifiquement pour optimiser l'inférence, répondant ainsi au principal goulot d'étranglement lié aux coûts et à l'énergie pour le passage à l'échelle des modèles d'IA.