شركة Etched الناشئة لرقائق الذكاء الاصطناعي تصل إلى تقييم 10.3 مليار دولار: لماذا يهم ذلك لمستقبل البنية التحتية للذكاء الاصطناعي؟ - منصة تعلّم

ملخص المقال

مقدمة: لماذا أصبحت Etched حديث قطاع الذكاء الاصطناعي؟ في وقت يتركز فيه معظم الحديث حول الذكاء الاصطناعي على النماذج مثل ChatGPT وClaude وGemini، هناك طبقة أقل ظهورًا لكنها شديدة الأهمية: العتاد الذي يشغّل هذه النماذج. وهنا برز اسم Etched ، شركة ناشئة متخصصة في رقائق الذكاء الاصطناعي، بعد أن وصلت إلى تقييم 10.3 مليار دولار عقب جولة تمويل Series C بقيمة 300 مليون دولار، بحسب TechCrunch . كما أشارت تقارير أخرى إلى أن الجولة تُعد من أعلى جولات Series C التي قادتها Sequoia، مع اهتمام واضح من مستثمرين كبار بأسواق الشرائح والبنية التحتية للذكاء الاصطناعي، وفق MLQ.ai و Mezha . اللافت ليس فقط حجم التقييم، بل الفكرة نفسها: Etched تراهن على أن مستقبل الذكاء الاصطناعي لن يعتمد دائمًا على وحدات GPU العامة، بل على شرائح متخصصة جدًا لمرحلة الاستدلال inference، أي تشغيل النماذج بعد تدريبها. هذا الرهان يضعها في مواجهة غير مباشرة مع هيمنة Nvidia، ويفتح نقاشًا أوسع حول من سيملك البنية التحتية الحقيقية للذكاء الاصطناعي خلال السنوات القادمة. ما الذي تبنيه Etched فعلًا؟ ولماذا يختلف عن GPU التقليدي؟ لفهم قصة Etched، نحتاج أولًا إلى التمييز بين مرحلتين في الذكاء الاصطناعي: التدريب و الاستدلال . التدريب هو المرحلة المكلفة جدًا التي يتعلم فيها النموذج من كميات هائلة من البيانات. أما الاستدلال فهو المرحلة التي يستخدم فيها النموذج لاحقًا للإجابة عن أسئلة المستخدمين أو توليد النصوص والصور أو تحليل البيانات. معظم السوق اليوم يعتمد على وحدات GPU لأنها مرنة ويمكن استخدامها في مهام متعددة. لكن هذه المرونة تأتي بتكلفة عالية في السعر والطاقة والتوافر. Etched تحاول بناء شرائح متخصصة للاستدلال فقط، ما يعني نظريًا سرعة أعلى وكفاءة أفضل وتكلفة أقل لبعض أعباء العمل، خاصة عندما تكون النماذج ضخمة ويجري تشغيلها على نطاق واسع. هذا التوجه ظهر بوضوح في التغطيات الأخيرة، حيث وصفت بعض المصادر الشركة بأنها تعمل على معالجات استدلال متخصصة قد تقلل الاعتماد على GPU في حالات استخدام معينة، مثلما ورد في BitcoinWorld و Sem

وسوم المقال

• ai-chips
• ai-infrastructure
• inference
• startups
• nvidia