Nvidia’ya Meydan Okuyan Etched Gizlilikten Çıktı: 800 Milyon Dolar ve Çalışan Çip
etched, 30 Haziran 2026’da gizlilikten çıkarak çalışan bir inference-chip’i, 800 milyon dolarlık kümülatif fonlama ve 1 milyar doların üzerinde imzalanmış müşteri sözleşmesini duyurdu. 2022’de Gavin Uberti ve Rob Wachen tarafından kurulan şirket, TSMC N4P sürecinde first-pass silicon elde etti ve rack ölçeğinde DeepSeek, Qwen, Mamba ve Llama modellerini doğruluyor.
Ana Gelişme
Etched’in Sohu çipi, transformer mimarisine özel tasarlanmış bir ASIC. Genel amaçlı GPU’ların aksine attention mekanizmasını doğrudan silikona hardcode ediyor — bu, inference-only odaklı tasarım felsefesinin temelini oluşturuyor.
Doğrulanmış kilometre taşları:
- 800 milyon dolar kümülatif fonlama (Aralık 2025’te duyurulmamış 500 milyon dolarlık tur dahil; 5 milyar dolar post-money değerleme)
- 1 milyar dolar+ imzalanmış müşteri sözleşmeleri (müşteri kimlikleri açıklanmadı)
- 400+ çalışan, büyük bölümü NVIDIA, Broadcom ve Google TPU ekiplerinden
- İlk rack’ler 2026 yazında sevkiyat; 2027’de gigawatt ölçeğinde üretim hedefi
Yatırımcılar arasında Peter Thiel, Jane Street, Andrej Karpathy ve Geoffrey Hinton yer alıyor.
Neden Önemli?
nvidia GPU’larının inference pazarındaki hakimiyetine karşı, transformer-specific ASIC’ler maliyet ve enerji verimliliği açısından ciddi bir alternatif vaat ediyor. 1 milyar dolarlık forward contract’lar, üretim ölçeğine ulaşmadan önce bile pazar talebinin güçlü olduğunu gösteriyor.
Türk AI geliştiricileri ve startup’lar için inference maliyeti doğrudan ürün ekonomisini etkiliyor. Etched gibi specialized chip’lerin piyasaya girmesi, cloud inference fiyatlarını uzun vadede aşağı çekebilir.
Teknik Detaylar
Sohu mimarisi: Transformer attention’ı silikon seviyesinde optimize eden ASIC tasarımı. Rack ölçeğinde DeepSeek, Qwen, Mamba ve Llama doğrulaması tamamlandı.
Warning
Performans iddiaları (Llama 70B’de 500K token/saniye, 8 Sohu vs 160 H100 throughput) şirket tarafından raporlanmıştır; bağımsız MLPerf doğrulaması yoktur. Bu rakamlar marketing benchmark’ı olarak değerlendirilmeli.
Rekabet bağlamı: Sohu, jalapeno-chip (OpenAI/Broadcom ortaklığı) ve nvidia GPU’larıyla aynı inference ASIC yarışında. Her üç yaklaşım da farklı trade-off’lar sunuyor: genel amaçlı GPU esnekliği vs transformer-specific verimlilik.
TSMC N4P: First-pass silicon başarısı, üretim rampının teknik riskini önemli ölçüde azaltıyor.
Transformer-Specific ASIC Felsefesi
Etched’in temel tasarım felsefesi, “doğru işi yapan doğru donanım” prensibine dayanıyor. Nvidia GPU’ları hem training hem inference için tasarlanmış genel amaçlı paralel işlemciler; CUDA ekosistemi ve geniş model desteği güçlü avantajlar. Ancak inference-only workload’larda GPU’nun genel amaçlı mimarisi, watt başına verimlilik açısından israf olarak görülüyor.
Sohu çipi, transformer attention mekanizmasını — self-attention, multi-head attention, softmax hesaplamaları — doğrudan silikon seviyesinde hardcode ediyor. Bu yaklaşım, GPU’da yazılım katmanlarında çözülen işlemleri donanım seviyesine taşıyor. Sonuç olarak daha düşük latency, daha yüksek throughput ve önemli ölçüde daha düşük enerji tüketimi vaat ediliyor.
Trade-off açık: Sohu sadece transformer mimarisini destekliyor. Mamba, RWKV veya gelecekte ortaya çıkacak farklı mimariler için GPU esnekliği hâlâ gerekli. Etched’in DeepSeek, Qwen, Mamba ve Llama doğrulaması, desteklenen model yelpazesinin genişlediğini gösteriyor — ancak her yeni mimari için silikon güncellemesi gerekebilir.
Inference Chip Rekabet Haritası
2026 inference chip pazarında en az dört farklı strateji yarışıyor:
Nvidia GPU (H100/B200): Genel amaçlı hakimiyet, CUDA ekosistemi, training+inference dual-use. Dezavantaj: inference başına maliyet ve enerji.
Etched Sohu: Transformer-specific ASIC, inference-only, attention hardcoded. Avantaj: watt/token verimliliği. Dezavantaj: mimari esneklik.
OpenAI/Broadcom Jalapeño (jalapeno-chip): Hyperscaler-custom ASIC, OpenAI’nin kendi modellerine optimize. Kapalı ekosistem ama devasa iç talep.
Cerebras/Groq: Wafer-scale ve LPU mimarileri, farklı trade-off’larla inference hızlandırma.
Etched’in 1 milyar dolar+ forward contract’ları, pazarın sadece hyperscaler’lar için değil, bağımsız AI şirketleri ve enterprise’lar için de specialized inference donanımına talep olduğunu gösteriyor. Müşteri kimlikleri açıklanmadı — bu, hem büyük cloud provider’ları hem de AI-native startup’ları kapsayabileceği anlamına geliyor.
Fonlama ve Ekip Derinlemesine
800 milyon dolarlık kümülatif fonlama, inference chip startup’ları arasında en büyük turlardan biri. Aralık 2025’te duyurulmamış 500 milyon dolarlık tur (5 milyar dolar post-money değerleme), yatırımcıların Sohu’nun teknik riskini kabul ettiğini gösteriyor — first-pass silicon başarısı bu güvenin temelini oluşturdu.
Yatırımcı kadrosu dikkat çekici: Peter Thiel (Founders Fund), Jane Street (quantitative trading devi), Andrej Karpathy (eski Tesla AI direktörü, OpenAI kurucu ortağı), Geoffrey Hinton (AI pioneer). Bu isimler sadece finansal değil, teknik credibility sinyali veriyor.
400+ çalışanın büyük bölümünün NVIDIA, Broadcom ve Google TPU ekiplerinden gelmesi, şirketin “chip talent war”ında kazandığını gösteriyor. Inference ASIC tasarımı, GPU tasarımından farklı uzmanlık gerektiriyor; Etched’in ekip derinliği bu farkı kapatıyor.
Üretim ve Ölçekleme Yol Haritası
TSMC N4P sürecinde first-pass silicon, üretim rampının en riskli aşamasını geçtiğini gösteriyor. A0 tapeout sonrası ilk rack’lerin 2026 yazında sevkiyatı planlanıyor — bu, müşteri sözleşmelerinin kısa vadede fulfillment beklediğini düşündürüyor.
2027 gigawatt ölçeğinde üretim hedefi agresif. Karşılaştırma için: bir Nvidia H100 yaklaşık 700W TDP; gigawatt ölçeği on binlerce chip anlamına geliyor. TSMC kapasite tahsisi, Etched’in bu hedefe ulaşabilmesi için kritik — N4P sürecindeki first-pass başarısı, TSMC ile ilişkiyi güçlendiriyor.
Bağlam
semiconductor sektöründe inference chip yarışı 2026’nın en sıcak alanlarından biri. OpenAI’nin Broadcom ile geliştirdiği Jalapeño, Cerebras ve Groq gibi alternatiflerle birlikte Etched, GPU-dominant inference pazarını parçalamayı hedefliyor.
ai-processors wiki kapsamında, specialized ASIC’lerin genel GPU’lara karşı avantajı inference workload’larında belirgin: düşük latency, yüksek throughput ve daha düşük watt/token oranı. Dezavantajı ise sadece desteklenen model mimarileriyle sınırlı esneklik.
Karpathy ve Hinton gibi isimlerin yatırımcı kadrosunda olması, şirketin teknik ciddiyetine dair bir sinyal — ancak performans iddiaları bağımsız doğrulama bekliyor.
Türkiye’deki AI startup’ları ve geliştirici ekipleri için inference maliyeti doğrudan ürün ekonomisini belirliyor. Cloud GPU fiyatları yüksek kaldığı sürece, specialized inference chip’lerin piyasaya girmesi rekabetçi baskı oluşturacak. Ancak erken aşamada vendor lock-in, model uyumluluğu ve tedarik zinciri riskleri değerlendirilmeli.
Sonraki Adımlar
2026 yazındaki ilk rack sevkiyatları ve müşteri deployment’ları, şirketin marketing iddialarını sahada test edecek. 2027 gigawatt ölçeği hedefi agresif; TSMC kapasite tahsisi ve müşteri sözleşmelerinin gerçekleşmesi izlenecek.
Inference maliyetlerini düşüren her yeni donanım seçeneği, AI uygulama geliştiricileri için olumlu — ancak vendor lock-in ve model uyumluluğu değerlendirmeleri yapılmalı. MLPerf veya benzeri bağımsız benchmark sonuçları yayınlandığında, Etched’in marketing iddiaları ile gerçek dünya performansı arasındaki fark netleşecek. Cloud provider’ların Sohu rack’lerini offering olarak sunup sunmayacağı, inference pazarının yapısını belirleyecek kritik faktörlerden biri.
Kurumsal procurement ekipleri için öneri: specialized inference chip’leri değerlendirirken TCO (toplam sahip olma maliyeti) analizinde GPU baseline ile karşılaştırma yapın; model uyumluluk matrisini, tedarik zinciri güvenilirliğini ve vendor lock-in riskini ayrı ayrı skorlayın.