你能想象嗎？

一塊AI芯片，做到接近一臺iPad的大小。

這不是概念設計，而是一家正在沖刺上市的AI芯片公司，給出的答案就在不久前，Cerebras披露了招股書，這家公司開始正式走向臺前。

從數據看，它的增長幾乎是“跳躍式”的。

2022年營收只有2460萬美元，到2025年已經達到5.10億美元，三年增長超過19倍。

更關鍵的是，盈利也在同步發生變化。2024年還虧損4.82億美元，到2025年已經轉正，實現2.38億美元凈利潤。

今年以來，Cerebras更是連續拿下兩個關鍵客戶。一邊是OpenAI，簽下超過百億美元級別的算力協議；另一邊是亞馬遜，開始在云側引入其芯片做推理加速。

這意味著，它開始逐漸進入主流算力體系。

資本市場的預期也在抬高。據外媒報道，Cerebras計劃募資超過30億美元，對應估值至少350億美元。

所以問題來了，一家把芯片做到“iPad大小”的公司，到底在解決什么問題？

今天，我們就來聊聊Cerebras。

/ 01 / GPU，不是AI計算的答案

先來說說Cerebras為什么會存在。很多人可能不知道，過去40年，計算行業始終在印證一個鐵律：

新的計算需求，終將催生新的計算架構。

PC時代是 x86，移動時代是 ARM，圖形時代是 GPU。每當新的計算范式出現，行業最初總是試圖用舊架構“湊合”，但當技術演進到一定階段，就會不可避免地發現——舊架構已達到極限，必須重構底層系統。

現在，這件事正在AI 身上重演。

AI 的計算方式，和過去完全不同。簡單來說，過去的計算，大多是“局部、獨立”的，比如圖形渲染，每個像素可以各算各的，互不影響。

但AI 模型不一樣，它本質上是一個高度耦合的計算網絡。在這個網絡中，數據、參數和計算過程之間需要進行極其頻繁的信息交換。

這就導致了一個根本性的轉變：AI本質上是一個“通信密集型”的計算問題，而不僅僅是一個單純的“算力”問題。

這也是GPU 開始遇到瓶頸的根本原因。

GPU 的優勢在于并行計算，但前提是“任務彼此獨立”。而在 AI 里，每一步計算都依賴前一步結果，大量時間花在“等數據”。

這種架構上的不匹配，在AI模型的訓練和推理階段暴露無遺。

在訓練階段，單卡不夠強，只能把模型拆開，分布到上千張GPU上。但一旦拆開，就必須頻繁通信，效率迅速下降，同時系統復雜度和成本飆升。

簡單說就是，單卡不夠，多卡低效。

到了推理階段，問題就更加直觀了。

模型在生成每一個詞（Token）時，都需要完整地運行一遍整個模型。但由于模型體積過于龐大，無法完整加載到芯片內部的緩存中，計算單元只能不斷地從外部內存中搬運數據。

問題在于，這個“搬數據”的過程，遠比“算數據”慢。目前，高端GPU普遍采用了HBM（高帶寬內存）技術，但HBM的特點是“容量大而速度相對較慢”。

Cerebras創始人Andrew Feldman曾提供過一組直觀的數據：以一個相對較小的70億參數（7B）模型為例，假設每個權重占用16位（16-bit），那么生成一個詞，就需要從內存中搬運約140GB的數據。

而為了生成下一個詞，系統必須再次搬運這140GB的數據，如此周而復始。這種計算模式對內存帶寬的消耗是極其驚人的。

結果就是，在某些場景下，GPU的實際利用率甚至可能跌至5%以下。這種高成本、高延遲的破架構，怎么可能撐得起未來那些要求毫秒級響應的實時AI應用？

/ 02 / 一塊接近iPad大小的芯片

對于這些問題，Cerebras給出的解法，不僅很直接，也很極端：

把芯片做到足夠大，大到可以把“算力、內存、帶寬”都放進同一塊硅片里。

就這樣，Cererbas打造了全球首創且唯一的商業化晶圓級處理器——晶圓級引擎（WSE），并聲稱其第三代AI芯片WSE-3是“史上大批量推向市場的最大、最快AI芯片”。

與GPU相比，WSE-3的最大特點就是，大。

WSE-3的面積是4.6萬平方毫米，接近一塊iPad屏幕；而H100只有814平方毫米，兩者相差整整57倍。

用Feldman自己的比喻來說：

“想象一個玻璃杯就是內存，里面裝的可樂是數據，而你的嘴巴代表算力。你能喝到可樂的速度，完全取決于吸管的粗細。英偉達GPU的根本問題，就在于這根吸管太細了。而我們的破局之道是——直接把吸管扔掉，端起杯子往嘴里倒。

這瘋狂的尺寸，直接砸出了三個顛覆性的結果：

第一，計算被暴力“集中”了。

WSE-3喪心病狂地塞進了90萬個計算核心，是H100的52倍！更恐怖的是，這90萬個核心全在一塊硅片上，緊緊挨著，壓根不需要跨芯片通信。

第二，是內存被“拉近”了。

傳統GPU依賴HBM（本質是DRAM），容量大，但訪問慢；SRAM速度極快，但容量小。

Cerebras的做法，是直接把芯片做大到可以放下足夠多的SRAM——WSE-3集成了44GB片上SRAM，而H100只有約0.05GB，相差880倍。

這意味著，大模型的參數可以直接“貼臉”放在計算單元旁邊，再也不用來回倒騰了。

第三，也是最關鍵的，是帶寬問題被“消掉”了。

WSE-3的片上內存帶寬達到21 PB/s，而H100大約是0.003 PB/s，相差7000倍；片上互連帶寬也高出3700倍以上。

在GPU體系里，大量時間花在“搬數據”上。而在WSE里，數據基本不需要離開芯片。

總結起來，其實Cerebras就做了一件事：讓數據不再流動，讓計算圍繞數據發生。

/ 04 / 誰在為這個瘋狂的故事買單？

技術再牛，賣不出去也是白搭。Cerebras面臨的現實拷問是：誰來掏錢？

答案是，中東土豪。

2022到2025年，公司收入從2460萬美元一路增長到5.1億美元，三年翻了超過20倍；凈利潤也在2025年首次轉正，達到2.38億美元。

但這錢，幾乎全是中東老鐵砸的。

2024年，阿布扎比的G42貢獻了85%的營收；2025年，阿聯酋人工智能大學（MBZUAI）和G42聯手包攬了87%的收入。

這家公司賺的錢，幾乎都來自中東。

換句話說，Cerebras的命脈，全捏在兩個中東大客戶手里。 這種走鋼絲般的營收結構，自然成了IPO時投資人最忌憚的定時炸彈。

為了自救，Cerebras開始瘋狂拉客。真正的轉折點，來自OpenAI。

2026年1月，Cerebras拿下了史詩級大單：2026到2028年，為OpenAI提供高達750兆瓦的算力，總金額超過100億美元！

不僅如此，OpenAI還倒貼10億美元（約合人民幣68億元），幫Cerebras建數據中心。

這背后的水很深。OpenAI的掌門人Sam Altman，本身就是Cerebras的早期投資人，而且早在2017年，OpenAI就已經盯上了Cerebras的技術。

巨頭入場，風向徹底變了。

2026年3月，AWS（亞馬遜云）也坐不住了，成為首家吃螃蟹的超大規模云廠商。

AWS的玩法很雞賊：在推理任務里，用自家的Trainium芯片搞定“理解輸入”，然后把“生成輸出”這種臟活累活扔給Cerebras的CS-3芯片。兩者高速互聯，雙劍合璧。

據說，這套組合拳的速度，是現有方案的5倍以上！

/ 05/ 決戰英偉達，護城河到底在哪？

只要在這個圈子里混，就繞不開那個終極靈魂拷問：

你憑什么干掉英偉達的護城河？

所有整個AI算力行業都相信一個故事：CUDA生態，就是英偉達堅不可摧的護城河。

黃仁勛在GTC 2026上也是這么放話的：“CUDA搞了20年，早就長在每一朵云、每一臺電腦里了。我們的護城河，是整個軟件生態！”

但在挑戰者Feldman眼里，CUDA的神話，被嚴重夸大了。

原因是，CUDA在訓練側確實有價值，但在推理側，幾乎不存在鎖定。

現在的AI開發，早就被PyTorch統領了，應用層和底層硬件已經脫鉤。只要編譯器給力，模型在不同硬件之間橫跳，根本不是難事。

“從NVIDIA切到Cerebras，再切到別人家，這件事情在推理端并不難。”

相比虛無縹緲的CUDA生態，Feldman看得很透：英偉達真正的護城河，是它那令人絕望的市場份額。

比起CUDA建立的生態，Feldman認為英偉達真正的護城河在市場份額。

市場份額本身，就是最無解的護城河。

他舉了Intel的例子，即便連續犯錯，依然能長期占據70%+的市場份額，AMD花了十年，也只拿到20%多。

這意味著，一旦成為默認選項，后來者即使更好，也需要極長時間才能撬動。

放在今天的英偉達身上，這個優勢更明顯：所有人都在它的體系里學習AI、構建AI，它就是采購的起點�，F在的英偉達就是那個“默認起點”，所有人都在它的體系里學AI、做AI。

但Feldman并不絕望。他預測，五年后，英偉達接近100%的壟斷份額，可能會跌到50%–60%。

理由很簡單：訓練市場依然是英偉達的天下，但真正龐大的推理市場正在井噴，而這個市場，對新架構極其渴望！

同時，Feldman也相信另一個暴論：

即使在未來，芯片公司的價值，也將徹底碾壓模型公司！

他的邏輯來自一個很經典的比喻，短期市場是“投票機”，長期是“稱重機”。

模型公司的優勢周期很短，可能只有幾個月，領先與被超越在不斷切換，很難沉淀長期壁壘。

而芯片不同，它的壁壘在物理層，制造、工藝、供應鏈、工程能力，這些東西一旦建立，很難被快速復制。

過去幾十年，真正長期偉大的公司，大多來自這一層。

       原文標題 : 全球最大芯片要上市了！先后拿下OpenAI、亞馬遜，Cerebras賭對了什么？