이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
AI 하드웨어 스타트업 Etched가 Jane Street 주도로 7억 달러를 추가 유치하며 기업가치 210억 달러를 기록했습니다. 회사는 Inference를 프롬프트 맥락을 처리하는 Prefill과 출력 토큰을 생성하는 Decode로 나누고, 각 단계에 맞춘 저전압 칩과 cluster-scale memory를 설계했습니다. 저전압 칩은 발열을 억제하면서 트랜지스터 집적도를 높이고, cluster-scale memory는 여러 칩이 공유 메모리를 낮은 지연 시간으로 사용하게 합니다. Jane Street는 칩을 직접 시험한 뒤 데이터센터에 자체 랙을 설치했지만, 기사에 구체적인 성능 수치 대신 초기 평가와 속도·비용 개선 목표가 제시됐습니다.
섹션별 상세
Etched는 Jane Street가 주도한 추가 투자에서 7억 달러를 유치했고 기업가치는 210억 달러로 올랐습니다. 기업가치는 12월 50억 달러, 7월 Series C 당시 103억 달러를 거쳐 한 달 만에 약 110억 달러 증가했습니다. Jane Street가 Etched의 AI 하드웨어를 직접 시험하고 구매한 점이 이번 투자와 연결됐습니다.
Etched의 시스템은 사용자가 프롬프트를 제출한 뒤 답변을 생성하는 Inference를 Prefill과 Decode 두 단계로 나눠 처리합니다. Prefill은 프롬프트와 맥락을 이해하는 계산 집약적 과정이고, Decode는 출력 토큰을 생성하는 메모리 집약적 과정입니다. Etched는 두 단계의 병목이 다르다는 점에 맞춰 각각 새로운 칩과 메모리·연결 기술을 처음부터 설계했습니다.
Etched가 만든 Prefill 칩은 낮은 전압으로 작동해 고성능 AI 칩에서 발생하는 일반적인 발열 문제를 줄이고 더 많은 트랜지스터를 집적합니다. 이에 따라 더 많은 토큰을 더 빠르게 처리하는 구조를 목표로 합니다. Decode 단계에는 여러 칩이 하나의 공유 메모리 풀을 매우 빠르고 낮은 지연 시간으로 사용하게 하는 cluster-scale memory와 새로운 연결 기술을 적용했습니다.
Etched는 초기부터 특정 모델 하나를 칩에 새겨 넣어 해당 모델만 실행한다는 인식을 받아왔지만, 현재 시스템은 모든 frontier model을 실행할 수 있다고 밝혔습니다. 회사의 시스템은 Nvidia가 AI factory라고 부르는 풀시스템과 마찬가지로 frontier inference clusters 형태로 제공됩니다. Etched는 이 범용 실행 방식과 Inference 특화 하드웨어를 통해 더 높은 속도와 낮은 비용을 달성하겠다는 입장입니다.
Jane Street는 칩을 시험한 뒤 초기 결과에 만족했으며 데이터센터에 자체 랙을 운영한다고 밝혔습니다. 투자사에는 Kleiner Perkins, Sequoia Capital, Andreessen Horowitz, Peter Thiel, Tiger Global, Bain Capital Ventures, Neo, Stripes, Primary, Positive Sum, Diffusion, Argo, Blackstone 등이 포함됐습니다. 다만 이번 기사에서 공개된 성능 수치는 구체적인 처리량이나 비용 절감률이 아니라 투자사의 초기 평가와 Etched의 목표 수준에 머뭅니다.
용어 해설
- 추론(Inference)
- — 사용자가 프롬프트를 제출한 뒤 AI 시스템이 답변을 생성하는 계산 과정입니다. 프롬프트의 맥락을 처리하는 prefill 단계와 출력 토큰을 순차적으로 생성하는 decode 단계로 나뉘며, 두 단계는 연산량과 메모리 요구가 서로 다릅니다.
- Prefill 단계(Prefill Phase)
- — Inference에서 입력 프롬프트와 그 맥락을 한꺼번에 처리하는 단계입니다. 수학 연산과 계산량이 크기 때문에 Etched는 낮은 전압에서 더 많은 트랜지스터를 집적하는 전용 칩으로 토큰 처리 속도를 높이려 합니다.
- Decode 단계(Decode Phase)
- — 모델이 사용자가 실제로 받는 출력 토큰을 생성하는 단계입니다. 메모리 접근이 핵심 병목이므로 Etched는 여러 칩이 하나의 메모리 풀을 공유하도록 구성한 cluster-scale memory와 연결 기술을 적용합니다.
- 클러스터 규모 메모리(Cluster-scale Memory)
- — 여러 칩이 빠른 연결을 통해 하나의 공유 메모리 풀을 사용하는 메모리 구조입니다. Decode 단계에서 칩 사이의 데이터 이동과 대기 시간을 줄여 대규모 Inference 시스템의 속도와 비용을 개선하려는 목적을 가집니다.
- 저전압 칩(Low-voltage Chip)
- — 낮은 전압으로 동작해 고성능 AI 칩에서 발생하는 열 문제를 줄이면서 더 많은 트랜지스터를 집적하도록 설계한 칩입니다. Etched는 이 구조를 Prefill 처리에 사용해 더 많은 토큰을 빠르게 계산하려 합니다.
기술
- frontier inference clusters
- AI factories
- Prefill chip
- cluster-scale memory
- frontier model
활용 사례
- 대규모 언어 모델 Inference
- 데이터센터용 AI 하드웨어
- 고성능 프롬프트 처리
- 출력 토큰 생성 workloads
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 19.수집 2026. 08. 19.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
