尺度定律的启示：百度硅谷AI实验室的狂想与算力危机

在二零一四年前后，全球人工智能产业正处于一场剧变的前夜。彼时，深度学习的先驱吴恩达（Andrew Ng：全球著名人工智能学者，曾主导 Google Brain 项目）宣布离开斯坦福大学的人工智能实验室，正式加入中国互联网巨头百度。这一变动在当时的科技界引发了巨大的震动。受到此前谷歌大脑（Google Brain）项目的深刻启发，百度决定在硅谷建立一个规模宏大的AI实验室，并为此慷慨地投入了整整三亿美元。这个实验室的核心使命，就是探索如何让深度学习在商业世界中发挥出真正的、物理层面的应用价值。在那个阶段，深度学习最直接的落地场景主要集中在计算机视觉、自动驾驶、机器人研发以及语音识别等物理世界交互领域。

对于当时刚刚兴起的AI浪潮，许多从传统半导体行业转型而来的工程师们感到无比兴奋。例如曾在英伟达（Nvidia）长期负责统一计算设备架构（CUDA: Compute Unified Device Architecture，由英伟达推出的通用并行计算架构）软件架构设计的格雷格·迪亚莫斯（Greg Diamos）。在英伟达工作期间，格雷格就一直在思考一个极具前瞻性的问题：是否应该将整个CUDA的开发路线图彻底转向并服务于深度学习？因为在那时，人工智能终于开始在实际任务中展示出令人震惊的效果。最初，这种突破是在计算机视觉和图像识别任务上被证明的；然而，当吴恩达加入百度并重塑实验室的方向后，整个团队开始重新思考商业化落地的突破口。吴恩达的观点非常务实，他认为团队应该做一些真正具有产品影响力、能让数以亿计的普通人真正使用起来的技术。相比于图像搜索，语音输入的潜在用户规模要庞大得多，因此百度的硅谷AI实验室最终选择将语音识别作为突破口。

正是在这一战略指引下，百度硅谷AI实验室迅速汇聚了一批当时全球最顶尖的AI研究人员，格雷格·迪亚莫斯便是其中之一。值得一提的是，在那个时期，如今被奉为行业标准的CUDA在英伟达内部其实还是一个无人问津的边缘项目，甚至在外界看来，CUDA基本上就像是一个缺乏实用价值的笑话，几乎没有开发者愿意在其上耗费精力。然而，百度的AI实验室成立后不久，便用实际行动打破了外界的质疑。他们发表了一篇在AI历史上具有里程碑意义的知名论文——《Deep Speech》（深层语音系统：一种端到端的深度学习语音识别框架）。这套系统允许用户在搜索引擎中点击麦克风图标，直接通过语音进行搜索，极大地优化了人机交互体验。在此基础上，百度的团队还成功训练出了世界上最初的几个深度的神经网络。

随着语音识别技术的突破，百度实验室下一步的自然计划便是向大语言模型（Language Model）发起挑战。当时，百度团队中有一位留着一头疯狂卷发的年轻研究员，他的名字叫达里奥·阿莫代（Dario Amodei，后来成为大模型独角兽 Anthropic 的创始人）。达里奥与格雷格等人紧密合作，共同研究语言模型的底层原理，并疯狂地尝试如何扩大这些模型的规模。为了支撑这一极具野心的尝试，百度构建了在当时堪称全球最大的、专门用于深度学习的CUDA计算集群。在这个规模空前的集群上，他们训练出了一个拥有三亿参数的语言模型，虽然这一数字在今天看来微不足道，但在当年却是一个不折不扣的庞然大物，仅仅训练这一个模型就需要耗费整整三个月的时间。

在这个漫长而昂贵的训练过程中，百度团队敏锐地发现了一个近乎物理定律般精确的科学规律：语言模型的性能与模型的参数规模、训练数据的总量以及底层计算算力的强弱之间存在着紧密的耦合关系。具体而言，模型越大、喂给它的数据越多、为其提供的算力越强，模型在理解和生成语言时就越聪明。最令人感到振奋的是，这种智能的提升在数学上是完全可以预测的，并且呈现出清晰的线性关系趋势。这便是后来在AI界声名赫赫的规模定律（Scaling Law: 描述模型性能随算力、数据、参数量呈幂律级提升的经验公式）。

在几年后，百度团队将这一经过严密实证的规律整理成论文发表，题为《Deep Learning Scaling is Predictable, Empirically》（深度学习规模的可预测性经验研究）。后来，达里奥·阿莫代在离开百度后将这一核心发现带到了刚刚成立不久的OpenAI，并将其确立为后续开发GPT系列模型的最底层逻辑。当研究人员第一次看到这条规律时，几乎所有人都产生了一种强烈的震撼感，因为智能这一看似虚无缥缈的人类特质，在这一刻竟然被证明是有清晰的物理路径可达的。

在此之前，整整一代计算机科学从业者接受的教育都是：计算机科学的每一个微小进步都极其艰难，在语音、自然语言处理和计算机视觉等被视为“圣杯”的领域，提升零点几个百分点的准确率都需要无数科学家的前赴后继。然而，Scaling Law 的出现告诉大家，通往真正智能的道路其实异常简单粗暴——你只需要源源不断地提供更多的参数、更多的数据，以及更加恐怖的算力。然而，理想的丰满很快被现实的物理限制敲醒。如果 Scaling Law 是绝对正确的，那么为了训练出未来真正能够改变世界、具备通用智能的模型，所需要的算力将呈现指数级增长。这种对算力的贪婪渴求，是当时现有的、由传统通用GPU（Graphics Processing Unit：图形处理器）所组成的计算集群无论如何也无法满足的。百度的AI研究员们在兴奋之余，不得不面对一个严酷的现实：他们需要一种全新的硬件，一种彻底颠覆现有计算机体系结构的算力方案。

白板前的五人盟约：颠覆传统的晶圆级集成狂想

正当百度硅谷AI实验室在算力瓶颈面前举步维艰的同一年，在硅谷的另一端，五位资深的芯片工程师做出了一个改变他们人生轨迹的决定：集体离开AMD（Advanced Micro Devices：超威半导体公司）。在此之前，这五位工程师在一个名为 SeaMicro 的微服务器初创公司共事多年。SeaMicro 曾因在超低功耗服务器领域的创新而声名鹊起，并在二零一二年被AMD以三.三四亿美元的价格收归麾下。这五位决定再次踏上创业征程的联创分别是：安德鲁·费尔德曼（Andrew Feldman）、加里·劳特巴赫（Gary Lauterbach）、迈克尔·詹姆斯（Michael James）、肖恩·利（Sean Lie）以及让-菲利普·弗里克（J-P Fricker）。其中，安德鲁和加里是 SeaMicro 的联合创始人，安德鲁担任CEO，加里则担任首席架构师。

当这五个人重新聚在硅谷的一间简陋办公室里时，他们在白板上写下了内心最深处的愿望。他们并不想做一家平庸的、只为了短期财务套现而存在的小公司，他们的野心是让自己的名字有朝一日能够出现在硅谷计算机历史博物馆的展览墙上。为了实现这个近乎狂妄的目标，从公司成立的第一天起，Cerebras 的定位就极其明确且纯粹：他们要造出一种完全为人工智能、为深度学习量身定制的全新硬件。

在二零一五年那个时间节点，做出这样的战略判断需要极其惊人的远见。Cerebras 的联合创始人加里、肖恩等人敏锐地洞察到，AI的崛起将彻底颠覆现有的计算负载特征。这意味着，AI软件对底层芯片、对处理器和内存提出的物理要求，与过去几十年里以图形渲染或通用计算为导向的传统架构有着本质的不同。在传统的计算机架构中，最初的AI训练任务主要是依靠CPU（Central Processing Unit：中央处理器）与GPU进行搭配来完成的。在这种模式下，CPU扮演着总指挥的角色，负责调度复杂的任务逻辑和输入输出；而GPU则像是一座庞大的制造工厂，内部密密麻麻地分布着成千上万个微小的计算工位，非常适合进行大规模的并行矩阵计算。

然而，真实的AI模型训练绝非一次简单的矩阵乘法。在神经网络的运行过程中，无数的参数（Weights）、梯度（Gradients）以及激活值（Activations）需要在显存（VRAM）、芯片内部缓存、计算单元以及不同的GPU卡之间进行高频、海量的来回移动和倒腾。一旦AI模型的物理尺寸大到单张显卡无法容纳的程度，工程师就不得不将模型切割成不同的碎片，分发到多张显卡上，再通过复杂的分布式软件框架让它们互相协同。

Cerebras 团队很快看清了问题的本质：在多芯片集群中，真正拖慢整个计算系统效率的，往往不是单个芯片的计算速度，而是数据在不同芯片、不同内存模块以及不同服务器机箱之间通过铜线或光纤进行长距离移动时所产生的巨大延迟与功耗。传统的芯片行业解决这一问题的主流思路，是想方设法用更快的网络接口和互联协议把成百上千个小GPU拼凑成一个庞大的集群，再投入海量的工程精力去解决它们之间由于通信堵塞产生的各种软件Bug。

相比之下，Cerebras 团队决定采取一个极其激进且在当时看来完全是“自杀式”的物理路线：他们不再把晶圆切割成数百个小芯片再用电线连起来，而是决定将整张大晶圆（Wafer）完整地保留下来，把数以十万计的计算单元、高带宽内存以及彼此相连的路由网络全部直接制作在这一整片连续的硅晶圆上。这便是所谓的晶圆级引擎（Wafer-Scale Engine, 简称 WSE）。

为了理解这个想法有多么疯狂，我们需要对比一下传统的半导体制造流程。在标准的半导体工艺中，台积电等代工厂会在一张直径为十二英寸（大约三十厘米）的圆形硅晶圆上，通过光刻技术同时印制出几百个指甲盖大小的独立芯片（Die）。随后，机器会将这片晶圆切开，筛选出合格的芯片单独进行封装。而 Cerebras 则是要把整张圆形晶圆上最大的可用矩形区域一次性制作成一颗巨大的AI处理器。这颗处理器的物理面积达到了惊人的四万多平方毫米，是当时世界上最大GPU面积的五十八倍之多。

通过这种“把所有东西放在一个餐盘里”的设计，原本需要在不同GPU、不同服务器甚至不同网络交换机之间进行长距离传输的数据，现在可以全部在晶圆内部的微米级硅通道中高速流动。在传统的GPU架构中，为了追求大容量，高带宽内存（High Bandwidth Memory: 一种通过硅通孔技术堆叠的超高速内存）是作为独立的物理芯片放置在计算芯片旁边的。即便它们距离很近，数据在两者之间传输时依然要受到物理引脚和内存带宽的严重限制。而 Cerebras 由于将内存与计算核心直接集成在同一片硅基板上，使其拥有的片上内存带宽达到了传统GPU的数千倍。

二零一六年三月，Cerebras 宣告正式成立。凭借这个极具科幻色彩的晶圆级计算愿景，他们迅速吸引了硅谷顶级风险投资机构的目光。著名风险投资机构 Benchmark 领投了其A轮融资，总计两千七百万美元。今天回头来看，我们不得不感叹 Andrew Feldman 及其创始团队在当时的远见。在二零一五年底他们决定押注这一方向时，如今统治AI世界的 Transformer 架构甚至都还没有诞生，基于大模型的AI产业更是遥不可及。但正是这种对底层物理规律的坚守，让他们在不可能的时间节点，走上了一条挑战英伟达霸主地位的征途。

四周的科学尽调：技术风险的理性拆解

在二零一六年初，当 Cerebras 决定在晶圆级计算这条道路上孤注一掷时，百度AI实验室的投资人周楠正在寻找一条能够打破英伟达垄断的AI算力方案。当时，实验室的研究员们已经非常明确地预测到，未来五到十年内，神经网络模型的参数规模将会迎来爆发式增长，超越五亿甚至达到千亿级别。为了支撑这种规模的计算，传统的通用GPU架构已经难以为继。

然而，在当时的市场上，英伟达的通用GPU仍然是绝对的统治者。虽然英特尔收购了 Nervana，谷歌也推出了专门针对矩阵计算的ASIC芯片TPU，英国的 Graphcore 提出了IPU的概念，以及 Groq、Habana 等一众初创公司纷纷成立，但大多数团队的策略都大同小异——他们都试图通过微调芯片架构，做出一款比英伟达更好、更快的“传统尺寸”GPU。在这其中，Cerebras 拿出的晶圆级引擎方案，无疑是所有路线中最为激进、也最让人难以置信的。

面对如此疯狂的构想，周楠和她的技术尽调团队没有轻易否定，而是决定开启一场长达四周、完全由科学和数据驱动的深度尽职调查。他们将 Cerebras 面临的巨大商业和工程风险，拆解成了五个可以被逐一验证和度量的具体技术问题：

• 良率控制（Yield Rate）：在半导体制造中，晶圆上的物理 defect（缺陷）是不可避免的。在常规制造中，一个缺陷只会导致一个指甲盖大小的独立芯片报废；但如果整张晶圆就是一颗单一的芯片，那么任何一个微小的尘埃或制造缺陷是否都会导致整张价值数十万美元的晶圆直接报废？
• 首次流片（Tapeout）风险：在芯片行业，流片意味着将设计图纸交给代工厂进行试生产。对于晶圆级芯片而言，流片的成本是天文数字，一旦遭遇设计失败，不仅会损失数千万美元，更会耽误数月的宝贵时间，这对于初创公司而言是致命的。
• 物理容错（Fault Tolerance）：如果晶圆上某些区域在制造或运行中不可避免地坏掉，底层的硬件系统和上层的软件编译器能否自动识别这些故障区域，并在不中断计算的情况下安全地绕过它们？
• 编译映射（Compiler Mapping）：真实的、复杂的深度学习计算图（Computational Graph），能否被编译器高效地切分并精确映射到这样一张拥有数十万个微型核心的巨型物理晶圆网络上？
• 软件兼容性（Software Compatibility）：新硬件能否直接无缝接入谷歌 TensorFlow 或百度 PaddlePaddle 等现有的主流深度学习框架，还是必须强迫开发者用全新的底层语言从零重写所有算法代码？

在尽调过程中，格雷格·迪亚莫斯与 Cerebras 团队的一次面对面交流成为了关键的转折点。格雷格在 Scaling Law 发现后，已经面过了二十多家做AI芯片的初创公司，对于各种PPT上的宏伟蓝图早已产生了审美疲劳。然而，当他来到 Cerebras 的办公室时，CEO 安德鲁·费尔德曼直接拿出一本写满实验数据的笔记本，向他详细拆解了如何解决超大规模处理器集成的思路。

紧接着，Cerebras 团队叫来了一群负责热力学与散热设计的工程师，现场搬出了一大块沉甸甸的、专门为这颗晶圆级芯片定制的铜质金属热交换器。他们计划将这个热交换器直接贴在芯片的本体上，通过液冷循环为这个发热怪兽降温。看着这个物理尺寸超乎想象的散热系统，格雷格敏锐地意识到：这群人根本不是在做普通的芯片，他们真的在尝试把一整片晶圆做成一颗处理器，而且他们已经拿出了物理实体和可行的散热工程方案。

与此同时，周楠的技术团队将 Cerebras 提供的编译器模拟器接入了百度自研的三亿参数语言模型。在模拟器上跑完测试后，团队得到了非常令人惊喜的性能预测数据。虽然当时 Cerebras 在实验室里只有一张无法进行实际计算的硅晶圆模型和一套纯软件模拟器，但四周的深度尽调让周楠得出了明确的结论：在物理和工程层面上，Cerebras 的架构不仅完全成立，而且极有可能是未来突破 Scaling Law 算力瓶颈的唯一解。只要能够获得足够的资金支持去解决制造阶段的工程难题，这个激进的赌注就非常值得押下去。最终，百度决定作为领投方之一，参与了 Cerebras 的C轮融资。

击碎“七十年物理铁律”：良率控制与微核心容错设计

在半导体物理学的历史中，晶圆级集成（Wafer-Scale Integration）曾被称为“芯片设计师的圣杯”，同时也是无数先驱的折戟之地。早在二十世纪八十年代，传奇超级计算机设计师吉恩·阿姆达尔（Gene Amdahl）创立的 Trilogy Systems 就曾尝试挑战这一方向，但最终因为无法解决良率与散热问题而宣告破产，这也让整个半导体行业在此后的几十年里对晶圆级计算避之不及。

Cerebras 之所以能击碎这道“七十年的物理铁律”，关键在于他们利用现代微纳制造工艺，在设计上实现了极具创新性的双重容错机制。我们可以通过一组具体的数据来算一笔账：在台积电（TSMC）成熟的5纳米（nm）制造工艺下，晶圆表面每平方毫米平均会出现大约零.零零一个物理缺陷。对于普通的芯片而言，这个缺陷率已经非常低。但对于 Cerebras 物理面积高达四万六千二百二十五平方毫米的 WSE-3 芯片而言，这意味着整片晶圆上不可避免地会分布着大约四十六个物理缺陷。如果没有精妙的容错设计，这四十六个缺陷中的任何一个，都足以让整片价值连城的晶圆在通电的瞬间沦为废铁。

Cerebras 的第一项关键创新，是把计算核心做到极致的微小。在传统的GPU架构中，为了保证单个核心的计算能力，核心的设计通常非常大而复杂。以英伟达的 H100 GPU 为例，其单个流式多处理器（SM）核心的物理面积大约是六平方毫米。一旦制造缺陷恰好落在这个核心上，这整整六平方毫米的计算单元就必须被物理屏蔽。而 Cerebras 反其道而行之，他们将 WSE 芯片上的每一个计算核心（Core）精简到了极致，其物理面积仅为零.零五平方毫米，大约只有 H100 核心面积的百分之一。这意味即便同样的缺陷降临，在英伟达的芯片上会损失一整个大核心，而在 Cerebras 的晶圆上却仅仅会损失一个微不足道的极小核心。仅仅是这一项“微核心”的设计，就将芯片在物理层面的容错能力提升了上百倍。

Cerebras 的第二项创新是冗余核心部署与动态片上网络路由。在整片晶圆的电路设计中，Cerebras 额外设计并部署了大约百分之一到百分之一点五的备用计算核心。在芯片正常出厂前，这些备用核心处于闲置和关闭状态。与此同时，晶圆的硅基板上布满了一套支持动态重新配置的片上路由网络（On-chip Fabric）。在晶圆制造完成后的工厂测试阶段，系统的内建自测程序会精确识别出那四十六个带有物理缺陷的微核心位置，然后通过物理熔断或软件配置的方式将这些坏核彻底屏蔽。

随后，片上网络路由会自动调整数据传输的路径，绕过这些受损的核心，将计算任务无缝重定向到相邻的备用正常核心上。对于上层的编译器和运行在其上的深度学习模型而言，它们看到的是一个完全连续、完美无缺的超大型处理器矩阵，那些在物理制造过程中产生的缺陷，已经在底层被巧妙且无声地掩盖了。

事实上，这种利用冗余设计来对抗缺陷的思路在半导体行业并不新鲜，内存颗粒和传统GPU厂商一直在采用类似的方案。例如英伟达的 H100 芯片在设计上实际拥有百余个核心，但在出厂时会允许屏蔽其中部分坏掉的核心以确保良率。Cerebras 真正伟大的工程创新，是首次将这一冗余逻辑从一个几百平方毫米的微型芯片，成功放大到了整整一张十二英寸硅晶圆的宏观尺度上，通过精密的物理层与网络路由设计，将一个看似无解的半导体物理学诅咒，成功转化为了一个可以被精细管理的现代工程问题。

三年隐身与三亿美金：Los Altos 的无声胜利

从二零一六年正式创立，到二零一九年中旬，Cerebras 在长达三年的时间里处于完全的隐身模式（Stealth Mode）。在这期间，他们没有发布过任何产品信息，没有宣布过任何签约客户，也没有在媒体上留下任何蛛丝马迹。然而，在这种外界看似风平浪静的神秘状态下，Cerebras 内部却正经历着多次濒临倒闭的生死考验。

在隐身期内，随着研发团队规模的扩大和实验流片次数的增加，Cerebras 每个月的运营烧钱速度达到了惊人的八百万美元。在每六周召开一次的董事会上，CEO 安德鲁·费尔德曼几乎每一次都要面对神色凝重的投资人们，汇报同一个令人沮丧的消息：我们的芯片在测试中依然无法正常工作。整整三年时间，消耗了将近三亿美元的研发资金，却连一个能送去给客户展示的物理样机都没有做出来。

Cerebras 面临的挑战，远远超出了集成电路设计的范畴。由于整张晶圆级芯片在满载运行时的功耗高达惊人的二十五千瓦（kW）——这几乎相当于一个普通家庭一到两年的总用电量，而且这些能量被高度集中在一块仅有餐盘大小的物理区域内。这在热力学上产生了一个恐怖的热密度，如果不进行极速冷却，芯片在通电的瞬间就会因为局部高温而自我熔毁。

为了解决这个物理难题，Cerebras 不得不跨界去重新发明整个计算机配套系统：他们拉来了航天级的散热工程师，设计了一套能够耐受高压、将冷却液直接泵送到硅片背面的微通道液冷散热系统；他们重新设计了为芯片供电的垂直供电铜柱，以确保电流能够均匀地输送到晶圆的每一个角落；他们甚至还重新设计了专用的服务器机箱结构和高速网络接口。在这个过程中，团队克服的每一个工程难关，最终都转化为其难以被对手模仿的物理壁垒。

二零一九年的夏天，Los Altos 市中心一间临时搭建的办公室里，几位满脸疲惫的 Cerebras 工程师正紧紧盯着电脑屏幕。这一天，是他们将完整组装好的第一代 WSE 芯片与所有散热、供电系统连接后进行上电测试的日子。当系统电源接通，测试算法开始运行，屏幕上的数据指标开始平稳地跳动——这个此前被整个半导体界视为天方夜谭的晶圆级系统，真的平稳地跑了起来。那一刻，整间办公室里一片死寂，半小时内没有任何人说话。因为大家都清楚，他们刚刚完成了一件人类计算机历史上从未有人做成过的壮举。

二零一九年八月，Cerebras 终于昂首走出了隐身模式。在芯片行业的顶级学术盛会 Hot Chips 大会上，他们正式发布了 WSE-1。这颗全球首款商用晶圆级芯片的规格参数在当时看来近乎荒诞：物理面积超过四万五千平方毫米，拥有四十万个专为AI设计的计算核心，以及高达十八G的片上超高速SRAM内存。与之相比，英伟达当时最先进的GPU片上缓存也仅有可怜的几十兆字节。

为了降低客户的使用门槛，Cerebras 并没有单独售卖这颗巨大的芯片，而是将其整体封装进一台名为 CS-1 的AI超级计算机中。这台冰箱大小的机器完美整合了芯片、冷却循环、电力分配及标准以太网接口，客户只需要像普通服务器一样将其推进数据中心的机架，插上电和网线就可以直接使用。同年，Cerebras 顺利完成了两亿七千二百万美元的E轮融资，估值正式突破十亿美元大关，成为芯片领域瞩目的独角兽。

然而，技术的成功并不等于商业的坦途。在二零一九年前后，由大模型驱动的商业AI市场尚未成型，绝大多数企业和开发者都已经习惯了英伟达构建的 CUDA 软件生态。在一个没人看好的冷酷市场中，Cerebras 虽然解决了计算界最难的物理问题，但在最初的几年里，他们的第一代 CS-1 仅卖出了十多台，第二代产品也仅卖出了约三百台。在这段尴尬的时期里，真正挽救了 Cerebras 并证明其技术价值的，是一批来自科学界的特殊客户。

美国能源部（DOE）旗下的阿贡国家实验室（Argonne National Laboratory）率先引入了 Cerebras 的系统，用于对新冠病毒的基因变异序列进行大规模的高性能计算分析，这一研究后来协助获得了高性能计算领域的最高荣誉——戈登贝尔特别奖（Gordon Bell Prize）。紧接着，劳伦斯利弗莫尔国家实验室（LLNL）将 CS-1 用于核聚变过程的复杂物理模拟；国家能源技术实验室（NETL）在对比测试后发现，Cerebras 系统在运行特定物理场模拟算法时，其速度比实验室原有的传统超级计算机集群快了整整五百倍。这些极其严苛、关系到国家前沿科学探索的真实任务，向全世界证明了晶圆级计算绝非实验室里的玩具，而是一个拥有恐怖实战能力的全新算力怪兽。

二零二二年，Cerebras 发布了采用7纳米工艺的第二代 WSE-2 芯片，将计算核心提升至八十五万个。同年，美国计算机历史博物馆正式为 WSE-2 开设了永久展览，并将其冠名为“世界上最大的芯片”。那一刻，距离五位创始人在那块白板前立下盟约，刚好过去了整整七年。

G42 蜜月与地缘风暴：IPO 撤回后的二次资本化

在向商业化市场艰难进军的过程中，Cerebras 在二零二三年迎来了一个让其财务表现发生质变的超级客户——G42（阿布扎比人工智能与云计算技术集团）。G42 背后站着阿联酋政府的雄厚财力支持，同时也是微软在全球范围内的战略合作伙伴。

二零二三年夏天，G42 与 Cerebras 共同宣布了一项名为 Condor Galaxy（神鹰星系）的宏伟合作计划。双方计划利用 Cerebras 的 CS 系统，在全球范围内联合建造一个由多台晶圆级超级计算机组成的高速算力网络。其中，最大的一台超算计划部署高达四个 EFlops（每秒百亿亿次浮点运算）的恐怖AI算力，整个合同的总金额超过了十亿美元。

对于 Cerebras 而言，G42 带来的不仅是真金白银，更是其技术在大规模商业部署中的最佳案例。在此之前，Cerebras 经常被质疑只适合在政府实验室里跑一些奇特的科学模拟，而 G42 却用 Cerebras 的超算网络成功训练出了在全球开源界表现优异的阿拉伯语大语言模型。有了这一背书，Cerebras 的财务报表瞬间变得无比华丽：二零二二年，Cerebras 的全年营收仅为两千四百六十万美元；而到了二零二三年，这一数字陡增至七千八百七十万美元，其中 G42 贡献了超过百分之八十三的份额。进入二零二四年上半年，随着合作的深入，G42 在 Cerebras 总营收中的占比甚至进一步飙升到了惊人的百分之八十七。

然而，这种对单一特定背景客户的极端依赖，很快在风云变幻的国际地缘政治中为 Cerebras 招来了巨大的风暴。二零二四年九月，Cerebras 信心满满地向美国纳斯达克提交了 S-1 招股说明书，正式启动IPO上市进程。然而，当美国外国投资委员会（CFIUS: Committee on Foreign Investment in the United States）看到这家AI芯片新星的绝大部分收入竟然都来自于与中东政府关系微妙的 G42 时，几乎立即以危害国家安全和数据隐私为由，启动了严厉的安全审查。

在无法获得 CFIUS 明确放行信号的尴尬境地下，Cerebras 为了避免被迫终止上市的被动局面，不得不于二零二四年底主动撤回了上市申请。为了打消监管机构的顾虑，G42 做出巨大妥协，将其持有的 Cerebras 股份全部转换为不具备投票权的被动股权，双方的业务合作模式也进行了合规层面的重新定性。最终，在经历了数月极其艰难的谈判与合规整改后，CFIUS 才于二零二五年三月三十一日正式批准了 Cerebras 的上市许可。

虽然这次风波导致 Cerebras 的首次 IPO 计划彻底泡汤，但长达半年的等待期却意外地在私募市场上给予了他们极佳的自我证明机会。由于全球AI算力短缺的状况在二零二五年进一步加剧，Cerebras 在等待上市期间利用私募股权市场连续完成了两轮极具爆发力的巨额融资：

• 二零二五年九月的G轮融资中，他们成功拿到十一亿美元的现金，估值推高至八十一亿美元；
• 紧接着在二零二六年二月的H轮融资中，他们再次斩获十亿美元，估值在短短半年内飙升到了惊人的两百三十亿美元。

通过这两轮在私募市场上的高效资本化，Cerebras 不仅获得了极为充沛的研发与备货资金，也为后续在公开市场的爆发奠定了坚实的估值基石。

平安夜的二十亿惊雷：推理时代下的史诗级联手

二零二五年的十二月二十四日平安夜，对于大多数处于圣诞假期中的硅谷从业者来说，本该是安静祥和的一天。然而，两起几乎在同一时刻对外官宣的重磅消息，却在瞬间引爆了整个半导体与AI基础设施行业，彻底改变了未来的竞争格局。

第一件事，是芯片霸主英伟达宣布与 Cerebras 在推理芯片市场最直接的竞争对手 Groq 签署了一项价值高达两百亿美元的技术授权与资产交易合同。Groq 凭借其研发的语言处理单元（LPU: Language Processing Unit，一种专为大模型推理设计的确定性单线程计算架构）在低延迟推理市场声名大噪，但其架构在面对动态参数和超大尺寸模型时扩展性受限。英伟达此举，意在通过吞食 Groq 巩固其在训练和推理两端的双重霸权。

然而，就在英伟达展现肌肉的同一时刻，第二件更为重磅的消息传来：大模型绝对霸主 OpenAI 宣布与 Cerebras 达成深度战略合作，双方签署了一份总价值同样超过两百亿美元的超大型算力部署主协议。根据协议，OpenAI 将在未来的推理业务中，承诺部署由 Cerebras 提供的初始容量为七百五十兆瓦（MW）的计算力，并允许在二零三十年前逐步扩展至惊人的两吉瓦（GW）。这是人类科技史上迄今为止规模最为庞大的单笔AI推理算力部署合同。

事实上，OpenAI 与 Cerebras 的这场史诗级联手并非空穴来风。OpenAI的创始人萨姆·阿尔特曼（Sam Altman）本身就是 Cerebras 最早期的个人投资人之一。早在二零一七年前后，两家公司的技术团队就经常在一起交流学术想法。他们都坚信一条朴素的真理：随着深度学习模型体积的不断膨胀，传统的芯片互联架构必然会撞上物理极限，只有晶圆级集成的设计才能在终局实现完美的算力匹配。

转机发生在二零二五年夏天。当时，萨姆·阿尔特曼在与 Cerebras 团队交流时明确指出，在过去几年里，OpenAI 的工程精力几乎全部被如何寻找足够的算力来跟上用户增长需求所占据；但随着GPT-5以及后续多模态实时交互模型的开发，OpenAI 内部开始意识到极速推理（High-speed Inference）对于实时语音交互和复杂智能体（Agent）多步推理产品而言，正变得比训练更加具有决定性。

为此，两家公司的工程师迅速展开了密集的联合测试。结果表明，在运行相同的开源和闭源前沿模型时，Cerebras 的晶圆级系统展现出的推理速度，比当时市面上由多张高端GPU拼凑成的集群快了整整十五倍。这一近乎代差的性能表现彻底征服了 OpenAI 的技术团队。在感恩节前夜，双方迅速敲定了投资意向书（Term Sheet），并在短短四周后的平安夜正式签署了最终的 master agreement（主协议）。这种规模的世纪交易能在四周内迅速敲定，在整个硅谷商业史上都是极其罕见的。

OpenAI 做出这一决策的底层逻辑非常清晰：第一是极致的速度，这对于实时语音和代码生成等追求即时反馈的消费级AI产品而言是核心体验；第二则是极其迫切的供应链多元化需求。随着 OpenAI 订阅用户量的爆炸式增长，其在推理端产生的电力和硬件成本已经成为吞噬利润的黑洞，他们迫切需要引入英伟达之外的算力源，以打破单一芯片巨头的定价权。

二零二六年二月，在双方宣布合作后仅几周，Cerebras 就成功完成了与 OpenAI 核心代码生成模型 Codex 的底层集成，并联手向全球开发者推出了经过深度速度优化的 Codex Spark 模型。当开发者第一次体验到在输入代码的瞬间、光标几乎没有任何延迟地生成数百行完美调用图的流畅体验时，Cerebras 芯片那恐怖的内存带宽优势，终于第一次从实验室的报告中走出来，变成了每一个普通人都能真切感知到的技术红利。

Prefill 与 Decode 的博弈：突破实时智能的性能极限

为了真正理解为什么 Cerebras 能在推理时代展现出对传统GPU的压制性优势，我们必须从半导体和算法底层的物理特征来剖析大模型推理的运行机理。

大语言模型的推理过程在计算特征上非常奇特，它在物理上可以被清晰地拆分为两个完全不同的阶段：

• 首Token预填充阶段（Prefill）：在这一阶段，系统需要一次性处理用户输入的所有 Prompt（提示词）文本。由于所有的输入文字都是已知的，计算单元可以并行地对这些文本进行矩阵乘法计算。因此，Prefill 阶段是一个典型的计算密集型（Compute-bound）任务，非常适合拥有海量通用并行算力的传统GPU集群来处理。
• 后续Token生成阶段（Decode）：在这一阶段，大模型需要根据前面的所有上下文，一个词接一个词（Token by Token）地往外吐出答案。在生成第 $N$ 个词时，系统必须依赖第 $N-1$ 个词的计算结果。这意味着，Decode 阶段是一个严格串行且内存带宽受限（Memory-bandwidth bound）的过程。在生成每一个Token的极其微小的毫秒级时间内，芯片都必须将庞大的模型权重参数从内存中完整地读取出来，送入计算单元进行一次计算，然后再将结果写回。在这个过程中，计算核心的大部分时间都在空转，苦苦等待数据从内存中送过来。

这便是著名的“内存墙”（Memory Wall）瓶颈。在传统的GPU架构中，即便是采用了最先进先进封装工艺的 HBM 显存，其与GPU计算核心之间仍然隔着物理上的互联通道，内存带宽受到了极大的限制。而 Cerebras 的晶圆级引擎由于将几百个G的超高速片上SRAM直接印在与计算核心相同的硅片上，其内存带宽达到了惊人的每秒数百太字节（TB/s），是传统GPU的数千倍。这让它在处理需要高频读写内存的 Decode 阶段时，能够像跑车在空旷的高速公路上行驶一样，实现无迟滞的极速生成。

为了将两者的优势发挥到极致，Cerebras 在二零二六年三月与全球最大的云服务商亚马逊 AWS 达成了一项极具开创性的架构合作：双方将 AWS 自研的 Trainium 芯片与 Cerebras 的 CS 系统进行异构级组合。当用户的请求到达时，系统先由 Trainium 芯片发挥其矩阵并行优势，快速完成 Prefill 阶段的提示词处理工作；一旦进入需要极速串行生成的 Decode 阶段，计算任务会被瞬间热切换到 Cerebras 的晶圆级引擎上进行极速的Token生成。这种“强强联合”的异构推理方案，迅速成为了各大超大规模云服务商争相效仿的标准范式。

这种推理速度跨越式的提升，正在以前所未有的方式催生出一批全新的实时智能应用场景：

• IDE 实时调用图生成：在软件开发中，当程序员的鼠标光标悬停在某段复杂代码上时，后端的极速推理模型可以在数十毫秒内快速读懂数十万行的项目上下文，并瞬间在屏幕上绘制出完整的模块依赖和函数调用图。如果响应时间需要五到十秒，开发者会因为等待而打断思路；但如果是瞬时响应，这项功能就会完美融入编码直觉。
• 沉浸式实时 AI 教学：在虚拟黑板前，AI导师可以一边用语音极速讲解复杂的物理公式，一边根据用户的即时追问实时在屏幕上画图解释。这种毫无停顿和迟滞的交互，让AI真正具备了像真人老师一样的陪伴与引导感。
• 实时新药研发AI科学家：在制药企业的闭门讨论会上，AI科学家可以作为一员实时列席会议。在团队成员讨论某个分子靶点假设的同时，AI能够在后台以每秒数千Token的速度快速检索全球最新的海量文献、交叉验证专利冲突并进行分子动力学模拟，在会议讨论的间隙直接给出验证报告并参与发言。

这些让人兴奋的场景，共同指向了AI时代基础设施最核心的变迁：智能体的竞争，正在从单一的“逻辑深度”快速转向“交互速度”。谁能提供更快的响应，谁就能率先拿到进入人类实时物理世界的入场券。

千亿市值的审判：毛利率迷思与硬科技的终极考验

二零二六年五月十四日，在经历了地缘审查撤单、估值暴涨等重重波折后，Cerebras 终于迎来了在纳斯达克挂牌上市的历史性时刻。

在挂牌的前一天晚上，承销商投行给出的官方发行价格区间为每股一百二十美元至一百六十美元。即便是按照区间下限计算，这对于在C轮和D轮早期进入的投资者而言，也已经意味着超过二十五倍的恐怖投资回报。而在IPO当天，当安德鲁·费尔德曼与创始团队成员一起站在纳斯达克的交易大厅里时，屏幕上跳动的开盘询价数字却彻底失去了控制：两百美元、三百美元、三百八十美元……伴随着全球资金对纯粹AI算力标的的疯狂追捧，Cerebras 首日最终收盘于三百一十一美元，较发行价暴涨百分之六十八，盘中市值一度轻松跨过了千亿美元的雄伟门槛。

对于安德鲁·费尔德曼而言，上市绝对不是这场物理学赌局的终点，而是 Cerebras 必须直面资本市场冷酷审判的起点。二零二六年六月二十四日，Cerebras 公布了上市后的第一份季度财报。虽然第一季度的总收入甚至略微超出了华尔街分析师的普遍预期，但财报中披露的第二季度调整后预计毛利率（Gross Margin）仅为百分之三十六至百分之三十八，相比于第一季度的百分之四十七出现了明显的滑坡。

财报发布后，资本市场迅速用脚投票，Cerebras 的股价在当天暴跌百分之十五，甚至在盘中一度跌破了最初的IPO发行价。华尔街的担忧非常现实：晶圆级计算虽然在速度上具有无可比拟的优势，但其冰箱大小的CS系统在实际部署中面临着极高的数据中心改造成本、昂贵的液冷配电支出以及庞大的初期制造成本。这些高昂的物理成本，是否会随着销售规模的扩大而逐步蚕食掉技术领先带来的超额利润空间？

面对市场的疑虑，CEO 安德鲁·费尔德曼在季报沟通会上给予了极为强硬的回应。他向投资者解释称，毛利率的短期波动完全是由于当前全球市场对 Cerebras 极速推理算力的需求过于狂热所致。为了在自建数据中心尚未完全完工的过渡期内，竭尽全力优先满足 OpenAI 等核心战略客户的部署需求，Cerebras 不得不做出一个极端的商业决策：花高价从一些已经买到 CS 设备的早期企业客户手中，将算力资源重新租回来进行统一调度。正是这一特殊的“返租”操作，对毛利率造成了大约十到十五个百分点的暂时性拖累，但这在战略上却确保了 Cerebras 能够牢牢绑定未来最核心的流量入口。

Cerebras 从十年前白板上的几行粉笔字，到今天伫立在纳斯达克千亿市值风暴中心的硬科技巨头，其波澜壮阔的崛起史，恰如其分地印证了人类AI基础设施需求变迁的宏大轨迹。当人们对人工智能的渴求，从最初单纯的“模型参数有多大”演变为“智能体响应有多快”时，传统的计算机体系结构便注定要迎来一场自下而上的物理革命。

在这个算力即权力的黄金时代里，英伟达用密不透风的GPU集群和软件生态铸就了钢铁长城，谷歌与亚马逊在自研定制ASIC的道路上高歌猛进，而 Cerebras 则选择用一整片不经切割的硅晶圆，在硅谷的荒野中开辟出了一条属于物理学疯子的胜利之路。当冰冷的资本市场开始用利润率和毛利指引来对这颗餐盘大小的芯片进行精确审判时，这或许才是一家深科技公司冲破科幻的温室、真正迈向现代商业主流世界的伟大洗礼。