---
author: Money or Life 美股频道
date: '2026-04-30'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=BfvjifiLjLE
speaker: Money or Life 美股频道
tags:
  - wafer-scale-integration
  - ai-chip-architecture
  - inference-optimization
  - memory-bandwidth
  - ipo-analysis
title: Cerebras IPO深度解析：晶圆级芯片如何挑战AI算力格局？
summary: 本文深入分析即将上市的芯片公司Cerebras，探讨其晶圆级芯片技术路线（WSE-3/4）如何挑战英伟达GPU的AI算力霸主地位。通过技术剖析，阐述Cerebras在大芯片良率、散热、供电等方面的工程突破，并对比其与英伟达GPU、Groq LPU在推理场景的优劣。同时，详细解读S1招股书揭示的营收结构、客户集中度、与OpenAI的200亿合作，以及公司面临的机遇与风险，为投资者提供全面视角。
insight: ''
draft: true
series: ''
category: ai-ml
area: tech-engineering
project: []
people: []
companies_orgs:
  - Cerebras
  - Nvidia
  - Groq
  - OpenAI
  - TSMC
  - G42
  - MBZUAI
products_models:
  - WSE-3
  - WSE-4
  - H100
  - B200
  - LPU
  - GPT-5.3-Codex-Spark
  - Llama
media_books: []
status: evergreen
---
大家好，欢迎来到Money or Life美股频道，我是Ace。今天我将和大家一起学习一家即将上市的芯片公司——**Cerebras**，其上市代码为**CBRS**。该公司在本月17日提交了**S1注册文件**，正式开启IPO流程，预计上市时间是5月中旬。上一轮这家公司的估值是230亿美元，而目前预计上市的估值已达350亿美元。在视频结尾，我将告诉大家Ace是否会选择投资Cerebras。

如果你喜欢我的深度分析，请订阅我的Money or Life美股频道，并考虑加入我的**Patreon会员社群**，其中“交易更新”级别可免费试用7天。感谢你们，我们现在开始今天的视频。

视频将分为两个主要部分。第一部分偏重技术，是我的个人深度分析，因为我认为如果不理解Cerebras的技术，仅凭财务报表无法决定是否投资。在此技术分析的基础上，第二部分是财务篇，我将为大家解读**S1招股书**的核心信息。

第一大部分又分为六个小部分，将介绍**Cerebras创始团队**、**AI芯片技术路线**、**晶圆与芯片的关系**，以及**为什么只有Cerebras做成了晶圆级大芯片**、它的**应用场合与场景**。最后，我将从**芯片封装**的角度，探讨Cerebras的下一代旗舰产品**WSE-4**。

第二部分的S1上市文件解读则分为三个小部分：**营收客户结构与OpenAI的特殊关系**、**毛利率、净利率与研发费用**，以及**投资机会与风险**。结合以上分析，我会在视频的最后告诉大家Ace的个人投资计划。

### 创始团队：十年磨一剑的硅谷老兵

Cerebras的五位联合创始人，在创立Cerebras之前已共事近十年，这种在硅谷较为罕见的老团队组合，正是他们能够将**晶圆级芯片**这一被业界搁置几十年的难题真正落地商业化的原因。其中，我认为团队里有两人非常突出。

首先是**Andre Felddman**，公司的**CEO**。他于2007年创立的**SeaMicro**被**AMD**以3.3亿美元收购。Philman经常对外接受各种访谈，是公司的绝对核心。他有一句被广泛引用的话：“我们想做的不仅仅是赚钱，而是希望21世纪芯片实力能有我们的篇章。”这句话反映了他做这件事的深层动机。

另一位关键人物是其中最年轻的**Sean**（首席技术官，Chief Technology Officer: 负责公司技术愿景与研发策略），他目前担任**Cerebras的CTO**和**首席硬件架构师**。他不仅年轻，技术也最硬，目前负责公司第三代产品**WSE-3**的硬件结构，以及未来第四代**WSE-4**的设计，都由他主导。毫无疑问，他是Cerebras未来十年技术路线的掌舵人。

### AI芯片技术路线与巨头之争

简单了解了公司的创始团队，接下来我们开始科普，先从**AI芯片技术路线**说起。很多人一说到AI芯片，第一反应是**英伟达**。但实际上，除了英伟达的**GPU**路线之外，还有一些公司走着完全不同的道路。

**AI芯片主要技术路线（除英伟达GPU外）**：
*   **英伟达/AMD**：GPU路线
*   **谷歌**：**TPU**（Tensor Processing Unit: 谷歌专为机器学习工作负载设计的ASIC）路线
*   **Cerebras**：**WSE晶圆级芯片**路线
*   **Groq**：**LPU**（Language Processing Unit: Groq专为低延迟AI推理设计的专用芯片）路线（已被英伟达收购）
*   **SambaNova**：**RDU**（Reconfigurable Dataflow Unit: SambaNova设计的用于AI训练和推理的专用处理器）路线

今天我们的视频主角是Cerebras，所以这里我将聚焦一点，把它和**英伟达的GPU**以及被英伟达收购的**Groq LPU**进行比较。我们先看一眼这三家的定位再深入细节。

首先看**英伟达的GPU**，我们都知道它是通用并行的代表产品，包括之前的**H100**和现在的**B200**。因为它是通用型芯片，所以什么都能做，训练和推理通吃，并且积累了20年的**CUDA**（Compute Unified Device Architecture: 英伟达开发的并行计算平台和编程模型）生态，目前是市场上绝对的霸主。

接下来是**Groq的LPU**，全称叫做**Language Processing Unit**。它的核心特征是确定性的流水线，专门为**低延迟推理**而设计，目标是把**首个Token用时**（Time to First Token, TTFT: 用户从发送请求到接收到模型生成的第一个词元所经历的初始等待时间）压到极致。

最右边的是**Cerebras WSE-3**，这是世界上最大的单颗芯片，整片晶圆就是一粒芯片，它的细节我们将在视频接下来多次提到。

了解了大概，我们再来看几个关键的规格差异。

**AI芯片关键规格对比**：
*   **片上内存**：
    *   **H100**：几乎没有片上内存，主要依靠外部的**HBM**（High Bandwidth Memory: 一种高带宽的DRAM内存技术，通常堆叠在处理器旁边）。
    *   **Groq LPU**：单卡有**230MB**的片上**SRAM**（Static Random-Access Memory: 静态随机存取存储器，速度快但容量小，成本高）。
    *   **Cerebras WSE-3**：直接达到了**44GB**的片上SRAM内存。
*   **内存带宽**：
    *   **H100**：**3.35TB/秒**。
    *   **Groq**：由于片上SRAM架构，延迟很低。
    *   **Cerebras**：高达**21PB/秒**，是H100的几千倍。
*   **核心数**：
    *   **H100**：约**17000个CUDA核**。
    *   **Groq**：使用单一确定流水线。
    *   **Cerebras**：在一颗芯片上集成了接近**90万个AI核**。
*   **功耗**：
    *   **H100**：单卡**700W**。
    *   **Cerebras**：整套系统约**2.3KW**。单看单套系统，Cerebras堪称耗电怪兽。

### 晶圆级大芯片：Cerebras的独特路径

了解了芯片技术路线，这还只是皮毛。接下来我们要学习为什么Cerebras要走自己的这条**大芯片路线**，这需要从理解**晶圆与芯片的大小关系**开始入手。

**晶圆**是从单晶硅锭切割下来的圆形薄片，其直径几十年来一直在变大。现在现代先进工艺主流的5纳米、3纳米等GPU、CPU、HBM都是在直径为**12英寸（或300毫米）**的晶圆上制作的，也就是示意图中左侧圆形的这个部分。

在芯片制造工艺中，**光刻机**非常重要。但光刻机一次最多只能曝光26x33毫米的区域，所以单次曝光的芯片面积不可能超过**858平方毫米**。很多芯片实际产品基本上都是贴着这个天花板，例如英伟达的H100芯片就是26x31毫米，比26x33毫米的天花板小那么一点点，也就是示意图中绿色左上角较小的长方形部分。

按照传统的做法，光刻机一次曝光区域叫做一个**die**（裸片: 芯片制造过程中从晶圆上切割下来的单个芯片单元）。但Cerebras让**台积电**像印84个普通芯片一样，在晶圆上印84个相同的die，然后用额外的光刻步骤，在本来要聚合的位置上去走线，连接这84个die。有超过**100万根线**跨越die的边界，形成一个互联。从软件的视角看，这84个die其实不存在，**整片晶圆就是一颗芯片**。

理解了以上，我们再回头来看Cerebras芯片的大小。晶圆是圆的，但芯片必须做成方的。所以Cerebras芯片的实际尺寸是刚才提到的目前常用的300毫米直径圆形晶圆里能够塞下的最大正方形，也就是示意图中**215x215毫米**的淡蓝色巨大正方形部分。它占了整个圆形晶圆65%的面积，大约是普通**GPU die**（例如英伟达绿色小方形）一块的**56倍**大小。

我将真实世界的Cerebras大芯片和英伟达B200芯片的对比图放在一起，你们就能明白我刚才示意图表达的含义了。

### 为什么Cerebras能做成晶圆级芯片？

肯定有朋友会问，为什么过去40年没有人去做这个**大芯片**，而现在Cerebras去做了，并且看起来做成了，还要上市了呢？

实际上，**晶圆级集成**并非新概念。**Trilogy Systems**公司早在1980年代就尝试过，烧了几亿美元，动用了设计IBM系统的顶级架构师，最终还是失败了。阻碍其成功的从来不是单一难题，而是一组复杂问题，包括**良率**、**热膨胀**、**供电**、**散热**。任何一个问题解决不了，这个芯片都无法做出来。

所以，Cerebras并非发明了颠覆性的物理原理，而是用现代的工艺攻破了这些难题。其中，前四个是工程突破，而第五个则是时代背景的红利。

1.  **廉价冗余解决良率问题**：Cerebras的芯片每个**AI核**都非常小。如果出现一个缺陷，仅废掉0.05平方毫米的硅。在5纳米工艺下，整片晶圆约有46个缺陷。但由于核太小，Cerebras能够产生90多万个核，激活其中90万个就够用了，可以达到93%的硅利用率。因此，这一点缺陷不算什么，通过冗余即可解决。
2.  **定制柔性连接器解决热膨胀问题**：普通的GPU在65度温度下会变形位移约16微米。而Cerebras这种超大芯片，其位移可能高达100多微米，是标准方案预期的5-7倍。Cerebras为此做了一种自定义的连接器，专门吸收这种超大位移，从而解决了热膨胀问题。
3.  **垂直供电解决供电问题**：Cerebras的芯片因尺寸过大，电流也极大，无法像传统**PCB**（Printed Circuit Board: 印刷电路板）那样横向送电。因此，它抛弃了传统的横向供电方式，设计了从晶圆背面直供电的方案。电流从芯片正下方直接穿过PCB，灌入硅片。这套垂直供电系统在普通芯片上并非必要，但在晶圆级芯片上是唯一的选择。
4.  **定制液冷解决散热问题**：Cerebras芯片拥有2.3KW的超高功率，需要专门的散热系统。公司为此配备了专门设计的**微通道液冷**，冷却液直接流进晶圆背面，以毫米级的精度带走热量。因此，Cerebras必须以**整机销售**的形式交付，不能仅仅只卖一颗芯片，也无法与其他整机供应商进行整合。
5.  **商业需求：大模型瓶颈推动**：以前没有真正能够“吃下”这么大算力的负载。而现在，**大语言模型**（Large Language Model: 基于海量文本训练的 AI 系统）的瓶颈是内存。GPU集群跑大模型时，很多时间都在等待数据从**HBM高带宽内存**加载。现在Cerebras芯片可以将整个模型塞进片上**SRAM**产品，从根源上消除了这个瓶颈。晶圆级架构才第一次有了真正的非它不可的应用场景。

### Cerebras WSE-3：推理场景的独特优势

看了以上内容，大家可能对Cerebras这家公司有了“不错，挺有意思”的想法。但仔细想想，Cerebras的**WSE-3**这个超大芯片适合什么场景呢？特别是现在和**英伟达的GPU**，以及被英伟达直接收购的**Groq LPU**相比，它有什么优缺点，到底有没有需求呢？

为了回答这些问题，我们先要进一步理解Cerebras最新一代晶圆级芯片WSE-3的纸面参数。

**Cerebras WSE-3与英伟达B200关键参数对比**：
*   **内存**：
    *   **B200**：使用**HBM3e**（HBM的最新迭代版本，提供更高的带宽和容量），即片外内存，内存芯片堆叠在GPU旁边。
    *   **Cerebras**：使用**片上SRAM**，完全没有片外内存。
*   **带宽**：
    *   **B200**：HBM带宽是**8TB/秒**。
    *   **Cerebras**：片上SRAM的带宽是B200的几千倍。
*   **容量**：
    *   **B200**：单卡有**192GB**的HBM内存。
    *   **Cerebras**：整个系统只有**44GB**的SRAM。

这个差别很重要。**SRAM**和**HBM**的内存路线各有优缺点，目前看来很难两全。

Cerebras官网自己大方地宣布，其第三代芯片**整机CS3**与英伟达的B200相比，速度快了**21倍**，耗电还少**三分之一**。这是否夸大其词呢？我们可以看看**GPT 5.3 Codex Spark**这个模型。这是**OpenAI**专门为**实时交互编程**设计并量身打造的模型，也是OpenAI历史上第一个不在英伟达上跑的GPT模型，于今年2月发布。OpenAI从官方展示的demo中可以看到，使用Spark模型做一个贪吃蛇游戏，它几秒就做好了；而左边使用了其他方案，即使在做好之后很久，仍需二三十秒才能完成同样任务。这就是使用Cerebras芯片的速度优势。

有了以上的铺垫，我们很容易得出适用场景的结论：**推理**才是Cerebras大展拳脚的地方。像OpenAI的**o3 DeepSeq r1 Cloud with Thinking**这类**思维链推理**（Chain-of-Thought Reasoning: 一种在生成最终答案前，模型会先产生一系列中间推理步骤，模仿人类思维过程的AI技术）的工作负载，模型在回答问题前需要先思考并生成大量中间的**token**（词元: 在自然语言处理中，表示文本的最小有意义单元，可以是单词、子词或字符）。Cerebras因其极快的推理速度，非常适合做这类工作。

### Groq LPU与Cerebras WSE-3的推理速度差异

有朋友可能会问，那么被**英伟达收购的Groq**和**Cerebras芯片**都使用**SRAM片上内存**，它们有什么不同呢？答案是它们都很适用于推理，都很快，但是“具体怎么快”有所不同。

为了理解这个比较，我们需要进一步理解**延迟**（Latency: 从发送请求到系统交付最终响应所需的时间）这个概念。芯片的速度很快，其性能有两个重要的维度：**吞吐量**（Throughput: 单位时间内系统处理的数据量）和延迟。

**延迟Latency**：它指的是完成单个请求所需的时间，从出发请求的那一刻起，直到系统交付最终响应为止。这里就涉及几个概念：
*   **首个Token延迟**（Time to First Token, **TTFT**）：代表用户从发送请求到接收到模型生成的第一个token所经历的初始等待时间。
*   **输出Token间延迟**（Time Between Output Tokens, **TBOT**）：量化了在首个token生成之后，后续连续生成token之间的时间间隔。
*   **端到端延迟**（End-to-End Latency）：即TTFT加上TBOT的总和。

**Groq的LPU**选择将很多小芯片串成长流水线，而**Cerebras**选择做一个特别大的芯片。两家都用片上**SRAM**解决内存带宽问题，但路径不同。

**Groq的LPU**利用编译器把整个执行图提前调度到时钟周期级别，运行时零协调即可开始，这使得**TTFT**非常低。每颗LPU都是一个简单的、确定的流水线，启动快。但是，单颗**230MB SRAM**太小，所以它需要数百颗LPU串联大量管理器，这导致长流水线会拖慢持续的吞吐。

而**Cerebras片上SRAM**是超大内存集中在一颗大芯片上，所以它强调的是**持续token生成的速度**。它的优势会随输出长度而线性放大，也就是说，与Groq LPU首个token延迟极低不同，Cerebras是**端到端总的延迟时间极低**。

说白了，**输出越长，Cerebras大芯片的威力就显现得越明显**。所以相比较之下：
*   **Groq的LPU**：适合**实时语音对话、实时翻译**这种对初次响应极其敏感的应用场景。一旦你的第一个token输出慢了，用户就可能流失。
*   **Cerebras的大芯片**：适合**输出本身很长**的应用场景，包括**思维链推理**以及**Agentic推理工作流**（Agentic Workflow: 一种AI工作流范式，强调AI代理通过自主规划、执行、反思来完成复杂任务，通常涉及多步骤的推理和工具使用）。

### Cerebras训练场景的局限性

刚才说的是推理属于Cerebras的强项，而视频开头我提到，Cerebras可以明确用在训练上的，只是它仅仅适合**单台机器装下一个完整模型**这个比较窄的场景，最多就是少数几台机器，而不是很多台机器并联。为什么呢？

看完这张图，大家就能明白Cerebras一个非常关键的限制。
*   **模式A（模型小于44GB）**：当模型小于**44GB**时，整个模型相当于直接“住”在**WSE-3**这个超大芯片上。核心读权重的**die宽**是**21PB/米**。这种情况下，Cerebras速度没有对手。所以像跑**Llama7B**、**Llama13B**这种小模型，Cerebras是最佳选择。
*   **模式B（模型大于44GB）**：问题是，有商业价值的模型基本上都比较大，都超过了44GB内存的需求。例如，**Llama70B**是140GB，**Llama405B**是810GB。这个时候，Cerebras必须切换到模式B，叫做**Width Streaming**。它是把完整模型放在外置的模块中，然后把外置的**MemoryX**（Cerebras的外部存储解决方案）存处理，需要时一层一层流式传输到WSE-3。

而**英伟达**走的路线我们知道是完全相反的。它用**NVLink**（Nvidia开发的GPU间高速互联技术）高速互联加上大容量外置**HBM高带宽内存**，让GPU之间通过NVLink高带宽通信，等于把大模型推理这件事用标准化来解决了。

所以结论就是，Cerebras跑小模型很划算，很好。但如果要用Cerebras的话，你可能会想到Cerebras的模型是多少台？多则几十台**CS3主机**串联。部署成本比英伟达高很多，根本不划算，不会有人用。这就是为什么**OpenAI**和Cerebras的合作里，第一个落地的产品是我们提到的**Codex Spark**，它是一个小模型，而不是**GPT-5.3完整版**。

在计算上，Cerebras真正的护城河只在模型小于**70B**时。Cerebras可能适合很多科研机构、医疗机构、小型AI团队特定训练模型且没有顶级**GPU工程团队资源**这种场景。但是，很多其他场景就没有那么管用了。

### 从封装看未来：Cerebras WSE-4的挑战

以上我们已经很好地了解了芯片的路线、为什么Cerebras能够做出大芯片，以及这颗大芯片的优缺点。那么下一个问题就是它的未来在哪里呢？

接下来，视频将是第一大部分的最后一点科普内容，从芯片的**封装**（Packaging: 将半导体芯片与外部世界连接起来，并提供保护和散热的工艺）来看Cerebras下一代产品**WSE-4**。

我们经常听到一个说法：当今全世界最先进的AI芯片基本上都是**台积电**（TSMC: 台湾积体电路制造公司，全球最大的专业集成电路代工制造商）造的。但你可能不知道，台积电目前有五种主流的封装技术，它们对应着完全不同的产品定位。

**台积电主流封装技术**：
*   **INFO**（Integrated Fan-Out: 集成扇出型封装，一种晶圆级封装技术，用于移动SoC等）。这种工艺主要服务于**移动SoC**（System on Chip: 片上系统，将计算机或其他电子系统所需的所有组件集成到单个芯片上），例如苹果的**A系列芯片**。
*   **CoWoS**（Chip on Wafer on Substrate: 芯片-晶圆-基板封装技术）。又分为**CoWoS-S**或**CoWoS-L**。它通过一个硅中介层把**GPU**和**HBM**连接起来。英伟达H100用的就是这个工艺，也是当今AI GPU最主流的封装。CoWoS-L是CoWoS-S的一个升级版。
*   **SoIC**（System on Integrated Chips: 集成芯片系统，一种3D垂直堆叠技术）。例如**AMD的MS300系列**，就是用这个工艺把它的CPU和GPU融合在了一起。
*   **SoW**（System on Wafer: 晶圆级系统，直接将整个系统构建在单个晶圆上的技术）。这是今天的主角Cerebras使用的封装技术。它是一个**晶圆级别的封装技术**，目前全球只有Cerebras这一家公司在用这个工艺量产芯片。

有了这些基础知识，我们就可以学习**System on Wafer (SoW)**这个封装路线未来会如何演进。

这一页讲的就是Cerebras的封装路线图。左边是现在的**WSE-3**，用的是**SOP-P**（System on Wafer-P: 台积电的一种晶圆级封装工艺）。从2020年量产至今，Cerebras的三代产品都用的SOP-P这个工艺。但前面的内容我们也看到了，SOP-P封装工艺下的Cerebras芯片有一个明显的局限，就是它**44GB的片上内存**不够装超大的模型。

那怎么办？右边就是一个推测（请注意，这并不是台积电官方的封装路线，而是业界的推测）：**Cerebras下一代芯片WSE**有可能会升级到**System on Wafer-P加上HBM**的形式。这是台积电在2025年正式公布的下一代晶圆级封装的一个推测，计划在未来两到三年去量产。它的关键变化是，可能在System on Wafer之上，用**3D垂直堆叠技术**将**HBM4**加进去。说白了，就是在晶圆级芯片内部已经有SRAM的基础上，再加HBM内存。

而刚才我一直强调System on Wafer-P，因为还有一个晶圆级别封装版本，来自台积电的同一个公司，叫做**System on Wafer-X**。它们两个都是台积电专有的工艺，但客户群不同。后者System on Wafer-X是英伟达未来路线的一个可能性，也就是把目前英伟达主要使用的**CoWoS封装技术**放大到晶圆级。

这里我给出的结论就是，Cerebras基于**System on Wafer-P加上HBM**的未来封装技术所产生的下一代芯片**WSE-4**，必须要按时做出来。否则，公司将进一步失去生存空间，甚至有可能倒闭。

以上内容很长，感谢大家坚持到这里。接下来我就进入视频第二个大部分，Ace将S1招股书最重要的内容呈现给大家。

### S1招股书核心解读：营收与客户结构

最直观的营收方面，**Cerebras**在**2025年**做到了**5.1亿美元**的营收，同比增长了**76%**。这里我依然拿**Groq**来做对比，因为Groq在2025年也做到了大约5亿美元，两家几乎打成营收的平手。我们知道Groq是以200亿美元左右被英伟达收购的，所以其估值也有了。

从趋势看，Cerebras的营收从**2022年的2400多万**，涨到**2023年的7000多万**，再到**2024年的2.9亿**，最后到**2025年的5.1亿**，三年涨了20倍，而且每一年都是比较稳定的表现，兑现了自己的承诺。

Groq这边则有些“拉胯”，因为他们本来说2025年要做到十几二十亿美元的营收，可实际上只做到了5亿。几个月后，创始人**Jonathan Ross**就把公司的**IP**（Intellectual Property: 知识产权）整个资产以200亿美元打包卖给了**英伟达**。那么Groq作为一家独立公司的叙事基本上就结束了。所以英伟达收购Groq，我相信一部分原因也是要强调推理路线，同时与像Cerebras这样强调推理芯片的公司进行竞争。

目前Cerebras的IPO估值接近**350亿**，而Groq是200亿左右。因为两家公司营收差不多，所以很自然地，Cerebras的市销率肯定要高一些。

但Cerebras这条增长曲线的背后藏着一个IPO投资人必须看清的分析，就是它的**客户结构**。

**Cerebras客户结构分析**：
*   **2024年**：Cerebras的总营收中高达**85%**来自同一家公司——阿联酋的**G42**。这是一个让**CFIUS**（Committee on Foreign Investment in the United States: 美国外国投资委员会，负责审查外国投资是否威胁美国国家安全的机构）看不下去的集中度。这也集中导致了2024年公司首次IPO流产。
*   **2025年**：新冒出的最大客户叫做**MBZUAI**（Mohamed bin Zayed University of Artificial Intelligence: 穆罕默德·本·扎耶德人工智能大学，由阿联酋政府创办）。这家公司占了**62%**的营收。如果你查一查就知道，G42和这所大学是关联方。

也就是说，Cerebras实际上是把单一对G42的依赖，拆分成了对于两家阿联酋公司关联方的依赖。G42和这所大学加在一起，目前仍然占**86%**。

营收账款集中度就更夸张了。2025年，这所大学一家就占了Cerebras营收账款的**78%**。这就意味着，任何一笔款项收不回来，那么资金流就要出大问题。所以，表面上过去一两年客户分散了，实际上集中度一点没变。这是IPO投资人必须想清楚的风险。

客户结构中确实是阿联酋的客户占主导，那么股东结构呢？S1文件披露的超过5%持股的股东一共有5家：
*   **Benchmark**
*   **Eclipse**
*   **Foundation Capital**

这三家是顶级的**VC**（Venture Capital: 风险投资），而且都拿到了Cerebras的董事席位。
*   **Fidelity**：在G轮融资时大举入场7亿美元，H轮又追加1亿美元，这是典型的**pre-IPO锚定投资人**。
*   **Alpha Wave**：实际上它也属于中东资本，但没有绝对控股权。

### OpenAI的合作：机遇与风险并存

**Cerebras**这家公司之所以能从之前的200多亿估值一下子涨到现在IPO接近**350亿**，最核心的变化就一个：**25年底到26年初到现在，Cerebras确定了和OpenAI的合作**。两家公司总合同价值超过**200亿美元**。

让我们看几个关键的数字：
1.  **200亿美元的合同总价值**：这是Cerebras当年营收的40倍。
2.  **OpenAI承诺部署750兆瓦的推理算力**：在**2026年到2028年**这两年间分批次交付。
3.  **OpenAI给Cerebras提供了10亿美元的运营贷款**：年利息6%，2032年到期。Cerebras可以用现金还，也可以用算力服务去抵债。
4.  **Cerebras给了OpenAI一份认股权证**（Warrant: 一种金融衍生品，赋予持有人在特定时间内以特定价格购买公司股票的权利）：标的3300多万股，行权价0.00001美元，几乎就是不要钱。这相当于把公司大约**13%到17%的股份几乎免费给了OpenAI**。当然也不是完全免费，也就是说Cerebras表示“OpenAI你来买我的产品，作为一些回扣，我把我的股份送一些给你。”

这份认股权证也不是一次性的，而是分三段，按里程碑解锁。第一段比较好理解，我不赘述。其中第二段占总共的17%，需要Cerebras市值持续3天或以上达到400亿美元。现在它的上市价格目标是350亿，说不定第一天就到400亿了，所以这个目标很近，不遥远。

而第三段占总数70%的大头，只有当OpenAI完成部署两级瓦容量采购时，才会全部归属（vested: 指认股权或其他权益的持有者在满足特定条件后，正式获得所有权或行使权利的过程）和行权。也就是说，只有OpenAI真的把200亿美元订单全部都花完，给到了Cerebras作为它的营收，这所有的股份才会完全落到OpenAI的手上。

这是一种**成败一体的资本绑定**，意味着OpenAI需要Cerebras成功，而Cerebras也需要让OpenAI满意。这就是为什么市场愿意给Cerebras 350亿的估值，远远大于几个月前它最后一轮融资200多亿的估值。只是我在视频最后也会提到，这其实既是机遇，但更多的是风险，因为毕竟OpenAI是一个很大的公司，它应该这样做太多了，它和太多公司有这样的协议。所以我觉得这反而是让我不放心的地方。

### 损益表分析：毛利率、研发与亏损

了解了以上公司的情况，接下来再来看公司的**损益表**，分为四个角度去看。营收已经说过了，这里简单说一下它的细分。其中，公司的**硬件营收**在2025年占**70%**，**云服务**占剩下的**30%**。要知道Cerebras这家公司在6个月前刚刚开了自己的**云数据中心**，也就是说它基本上是在卖硬件，也作为像**CoreWeave**以及**Nebius**这样的公司去卖云计算、云推理能力。

除了营收，我们再重点看**毛利率**、**净利率**和**研发费用**这三项。

**损益表关键指标**：
*   **总成本**（Total Cost of Revenue）：2025年Cerebras的营收5.1亿，成本花了3.1亿，所以**毛利率**就是**39%**。这个毛利率相当低，要知道**英伟达**现在的毛利率是70%以上，所以Cerebras 39%的毛利率肯定是很低了。
    *   **毛利率低的原因**：
        *   做晶圆级芯片本身造价高，尚未能打下成本。
        *   可能给**OpenAI**、**G42**这些客户的定价低于公开市场，通过打折换取营收。
        *   **台积电**的5纳米**System on Wafer**封装工艺产能有限，导致付给台积电的钱也要多一点，总和起来压低了毛利率。
*   **研发投入**（Research and Development）：2025年Cerebras投入**2.43亿美元**做研发，占整个营收接近50%。而目前它的净利率只有10%几。所以现在Cerebras很明确，它需要大量投入研发下一代产品**WSE-4**。一旦研发跟不上，公司就可能走下坡路甚至破产。
*   **盈利能力**：2025年**经营性亏损**（Loss from Operation）是1亿多美元。但是因为它有一些其他的收益（Other Income）高达3.91亿美元。我要特别强调，这3.91亿美元是一次性的，来自G42所谓的**forward company**，是一个**forward contract liability extinguishment gain**。翻译成白话，G42本来早在2024年承诺要花3亿多美元买Cerebras的股票，结果2025年因为审查不通过，这笔钱就反向冲回了，所以只是一个财务上的处理。实际上，公司过去几年都还是亏钱的，没有办法赚钱。

### 投资Cerebras：机遇与风险并存

视频的最后，我为大家总结一下投资Cerebras最大的三个**机遇**和三个**风险**。

**投资Cerebras的机遇**：
1.  **推理与Agentic Reasoning的结构性增长赛道**：这是Cerebras的重点市场，也是很多投资者看好Cerebras的地方之一。
2.  **晶圆级加上全片上SRAM的独家技术路线**：之前**特斯拉的Dojo**已经退出了，其他新的进入者还需要追好几年。因此，在这个细分技术上，Cerebras目前没有对手。
3.  **OpenAI的合作**：既是机会也是风险。首先看机会，OpenAI给了Cerebras一份**成败一体的绑定**，有200亿合同。

**投资Cerebras的风险**：
1.  **OpenAI大合同的双刃剑**：200亿合同能否最终交付仍有问号。OpenAI拥有选择权，如果中间出了什么岔子，触发了一些条款，它撤出了，那对于Cerebras在没有其他大客户的前提下，将是灾灭性的打击。
2.  **客户集中度高**：尽管表面上客户有所分散，但实际上主要依赖阿联酋关联方，集中度风险依然显著。
3.  **英伟达System on Wafer-X的竞争与WSE-4的挑战**：英伟达未来几年将使用新的封装技术System on Wafer-X。Cerebras必须用下一代产品**WSE-4**按时反击，否则其处境将非常艰难。

总结下来，Cerebras它不是稳定的，它是**高Beta的主题投资**（High Beta Thematic Investment: 指投资于预期增长速度快、波动性大，并与特定行业趋势或主题紧密相关的公司或资产）。买它本质上是在赌两件事情：
1.  **AI会确定性地大规模迁移到推理以及Agentic Reasoning**。
2.  **Cerebras能够在2027年之前，把下一个芯片版本WSE-4做出来**。

这两者不可或缺其一。如果两个条件都满足，股价带来不错回报的概率还是有的。那么我自己打算投入不超过5%的仓位去打新，或者根据IPO当天的价格来视情况买入。如果买入之后出现像之前**Circle**那样的牛市冲高行情，我肯定会进行**止盈的波段操作**。但是我也做好了被套的准备，如果被套住了，我已经决定不会加仓，耐心持有。

屏幕前的朋友们，经过Ace以上这么久的分享，你如何看待Cerebras的仓位呢？这家公司你将如何去投资它？请在评论区告诉我。

今天超级硬核的视频就到这里，希望我的分享能够让大家更加了解Cerebras，了解芯片产业。不要忘了订阅我的YouTube频道，也请大家考虑通过视频下方的链接免费试用7天Ace的Patreon会员社群。感谢大家，我们下期节目，再见！