Cerebras Systems

Cerebras Systems：用“整片晶圆”挑战GPU的AI芯片企业。

Cerebras Systems 是美国一家极具特色的人工智能芯片和AI计算系统企业。

与 NVIDIA、AMD 等公司把一块晶圆切割成许多独立GPU芯片不同，Cerebras 采取了一条非常激进的技术路线：

直接把几乎整片晶圆做成一个巨大的AI处理器。

这种芯片被称为：

Wafer-Scale Engine，简称 WSE。

这也是 Cerebras 最重要的技术标签。

Cerebras 成立于 2015年，总部位于美国加利福尼亚州 Sunnyvale。创始团队包括 Andrew Feldman、Gary Lauterbach、Michael James、Sean Lie 和 Jean-Philippe Fricker，目前 Andrew Feldman 担任公司CEO。

2026年5月，Cerebras正式登陆纳斯达克，股票代码：

CBRS

公司IPO发行价为每股185美元，IPO募集资金总额约63.8亿美元。

Cerebras目前已经成为全球AI芯片市场中，除传统GPU路线之外最值得关注的计算架构公司之一。

一、Cerebras到底在做什么？

如果简单理解：

NVIDIA的思路是：

很多GPU连接起来 → 组成大型AI集群。

而Cerebras的思路则是：

先把一颗AI处理器做到极大 → 尽量把计算、内存和通信留在一块晶圆内部。

这两种方法实际上代表两种完全不同的AI计算架构。

传统GPU系统通常需要：

GPU

↓

HBM显存

↓

NVLink等高速互联

↓

GPU服务器

↓

大量GPU组成集群

而Cerebras希望减少大量芯片之间的数据搬运，让更多AI计算直接发生在一个巨大的Wafer-Scale Engine内部。

因此Cerebras真正要解决的核心问题并不仅仅是：

计算能力。

而是AI计算中的另一个巨大瓶颈：

Memory Bandwidth——内存带宽。

以及：

Chip-to-Chip Communication——芯片之间的通信。

二、什么是Wafer-Scale Engine？

通常制造CPU或者GPU时，半导体厂首先在一片圆形硅晶圆上制造很多芯片。

随后晶圆会被切割成：

Die——芯粒。

这些Die再经过封装，最终成为CPU、GPU或者AI加速器。

Cerebras做了一件非常不同的事情：

它基本不把晶圆切成许多独立处理器。

而是将整片晶圆设计成一个巨大的AI处理器。

这就是：

Wafer-Scale Engine。

2024年推出的第三代：

WSE-3

面积达到：

46,225平方毫米

拥有：

4万亿个晶体管

以及：

900,000个AI优化计算核心。

WSE-3峰值AI计算能力达到：

125 PFLOPS。

同时芯片内部集成44GB SRAM。

这使WSE-3成为世界上尺寸最大的商业AI处理器之一。

三、为什么要把AI芯片做这么大？

Cerebras认为，现代AI计算中一个非常严重的问题就是：

数据搬运。

GPU本身计算速度很快。

但是AI模型拥有：

• 数十亿参数
• 数百亿参数
• 数千亿参数
• 甚至万亿级参数

大量模型权重和中间数据需要不断在：

GPU

显存

GPU之间

服务器之间

机架之间

进行移动。

数据移动不仅需要时间，而且消耗大量电力。

尤其是在大型语言模型推理过程中，内存带宽经常成为性能瓶颈。

Cerebras的解决方式是：

尽量把计算核心、内存和互联网络放到同一块超大型晶圆上。

这样计算核心之间可以通过晶圆内部高速网络通信，而不必大量依赖外部GPU互联。

这就是Cerebras技术路线的核心。

四、WSE-3：第三代晶圆级AI处理器

WSE-3是Cerebras第三代Wafer-Scale Engine。

主要规格包括：

4万亿晶体管

900,000个AI核心

46,225平方毫米芯片面积

44GB片上SRAM

125 PFLOPS AI计算能力

以及超过：

21 PB/s级内存带宽。

WSE-3采用TSMC 5nm工艺制造。

对AI计算来说，这种设计最大的优势之一就是超高片上带宽。

与GPU系统相比，大量数据可以在晶圆内部直接流动，而不用频繁离开处理器进入外部HBM或者跨GPU传输。

五、一个巨大问题：这么大的芯片出现缺陷怎么办？

这正是晶圆级芯片过去几十年来一直被认为非常困难的原因。

芯片面积越大：

出现制造缺陷的概率越高。

如果传统设计中一整片晶圆只是一颗芯片，那么晶圆上出现一个小缺陷，理论上可能造成整个处理器报废。

Cerebras的重要创新之一，就是：

Fault Tolerance——缺陷容错。

WSE内部设计有备用计算核心和备用通信线路。

如果晶圆上某个区域出现制造缺陷，系统可以：

关闭有问题的核心

然后：

绕过缺陷区域重新建立通信路径。

Cerebras因此不是试图制造一块“完全没有缺陷”的超大芯片，而是：

让芯片能够容忍制造缺陷。

这是Cerebras能够实现晶圆级计算的重要技术基础。

六、CS-3：把WSE-3变成完整AI服务器

WSE-3只是一颗处理器。

真正部署到数据中心，还需要：

• 电源
• 冷却
• 网络
• 存储
• 系统管理
• 软件平台

因此Cerebras推出了：

CS-3

CS-3是一套完整的数据中心AI计算系统。

每套CS-3内部包含一颗WSE-3。

多个CS-3还可以进一步连接起来，组成超大型AI超级计算机。

Cerebras此前通过SwarmX技术，可以连接大量CS-3系统，针对大模型训练建立大规模集群。

CS-3系统可以支持从十亿级参数模型一直扩展到极大型模型。

Cerebras曾表示，配合外部MemoryX系统后，CS-3可以支持最高约：

24万亿参数模型。

七、2026年推出CS-4

2026年8月18日，Cerebras正式发布新一代：

CS-4

这是目前Cerebras最新的重要AI计算平台。

与CS-3不同，CS-4不再只使用一颗Wafer-Scale Engine。

一套CS-4包含：

3颗WSE-3 Turbo处理器。

WSE-3 Turbo仍然拥有：

4万亿晶体管

900,000个AI核心

44GB片上SRAM

但是单片峰值AI计算性能提升到：

250 PFLOPS。

因此整个CS-4可以达到：

750 PFLOPS AI计算能力。

同时拥有约：

129.6 PB/s内存带宽

以及：

160.5 PB/s计算网络带宽。

这已经不是传统意义上的“一块AI加速卡”，而是一套完整的：

Rack-Scale AI Accelerator——机架级AI加速系统。

八、CS-4的Nexus架构

CS-4还引入了Cerebras新的：

Nexus Platform Architecture

也就是机架级模块化设计。

Cerebras把系统分成几个关键部分：

Compute

Power

I/O

并采用更加模块化的方式连接。

其中一个非常有意思的设计叫：

Wafer-Scale Backpack。

每个WSE处理器模块同时集成：

• 电源转换
• 液冷
• 高速I/O
• 控制电子系统

使晶圆级处理器可以更加容易地安装、维护和升级。

Cerebras称，相比上一代系统，新设计减少约50%的部件，并提高自动化制造比例。

这表明Cerebras正在从“证明晶圆级芯片能够运行”，逐渐进入：

如何大规模生产和部署晶圆级AI系统

这个阶段。

九、Direct Wafer Links：晶圆直接连接

随着大模型不断扩大，即使一块晶圆也已经不够。

因此Cerebras需要解决：

Wafer-to-Wafer Communication

也就是不同晶圆之间的通信。

CS-4推出：

Direct Wafer Links

允许不同WSE之间进行低延迟直接连接。

晶圆之间通信延迟最低可以达到大约：

2微秒。

同时CS-4支持标准RoCE v2 RDMA over Ethernet。

这样既可以构建纯Cerebras集群，也可以和其他AI计算平台进行组合。

Cerebras表示，这套架构可以支持超过：

50万亿参数

规模的AI模型。

十、Cerebras正在从“训练芯片”转向“高速推理”

Cerebras早期非常强调：

AI Training——AI训练。

尤其是大型语言模型训练。

但随着ChatGPT和生成式AI普及，AI芯片市场正在发生非常明显的变化：

Inference——推理

正在成为越来越大的市场。

原因很简单。

训练一个模型可能只进行一次或者几次。

但模型上线之后：

每个用户问题都需要一次推理。

几亿用户不断使用AI，就会产生巨大的推理计算需求。

因此从2024年至2026年，Cerebras明显加强了：

Ultra-Fast AI Inference

也就是超高速AI推理。

现在高速推理已经成为Cerebras最重要的商业定位之一。

十一、为什么Token速度如此重要？

大型语言模型回答问题时，是一个Token一个Token生成内容。

例如一个AI系统生成速度可能是：

100 Tokens/s

300 Tokens/s

1,000 Tokens/s

甚至：

3,000 Tokens/s。

传统聊天应用中，100 Tokens/s可能已经足够。

但未来AI应用越来越多地使用：

Reasoning

AI Agents

Code Generation

Tool Use

一个AI Agent为了完成一个任务，内部可能生成数千甚至数万个Token。

这时推理速度会直接决定用户需要等待：

几秒钟

还是：

一分钟。

因此Cerebras提出一个非常明确的观点：

Speed is Productivity。

AI速度越快，可以完成的推理、搜索和工具调用也越多。

这正成为Cerebras和GPU竞争的重要突破口。

十二、CS-4与GPU的竞争

Cerebras表示，在GPT-OSS-120B等模型推理测试中，CS-4可以达到超过：

4,400 Tokens/s per User

并宣称在部分测试条件下，其推理速度最高可以达到GPU系统的：

30倍。

不过需要注意：

这些“30倍”等性能数字主要来自Cerebras自己的测试与比较。

实际AI推理性能会受到：

• 模型大小
• Context Length
• Batch Size
• 精度
• GPU配置
• 软件优化
• 并发用户数量

等多种因素影响。

因此不能简单理解为：

CS-4在所有AI任务中都比NVIDIA GPU快30倍。

更加准确的理解应该是：

Cerebras目前在低延迟大模型Token生成这一特定市场中，正在表现出非常强的竞争力。

十三、Cerebras Cloud

Cerebras并不只是出售硬件。

公司现在越来越重要的一项业务是：

Cerebras Cloud。

开发人员不需要购买CS系统，只需要通过API，就可以调用运行在Cerebras数据中心中的AI模型。

这种商业模式和：

AWS

Azure

Google Cloud

以及其他AI推理平台非常相似。

Cerebras Cloud支持开发者直接调用大语言模型。

其API也提供Python、TypeScript等开发接口。

这使Cerebras的商业模式开始从：

卖AI服务器

转向：

卖AI算力。

这是非常重要的变化。

十四、OpenAI成为Cerebras的重要客户

2026年Cerebras最重要的商业突破之一，是与OpenAI建立大规模合作。

Cerebras披露，与OpenAI签署了一份多年协议，将部署：

750MW

Cerebras晶圆级AI计算基础设施。

协议价值超过：

200亿美元。

部署从2026年开始分阶段进行。

这对于Cerebras意义非常重大。

过去市场对Cerebras最大的疑问之一就是：

技术非常有意思，但真正的大客户在哪里？

OpenAI的大规模采购，使Cerebras开始从实验性AI架构公司转向真正的大规模AI基础设施供应商。

十五、与AWS合作

Cerebras也正在进入Amazon AWS生态。

一个非常值得关注的方向叫：

Disaggregated Inference——分离式推理。

大模型推理可以分成两个重要阶段：

Prefill

和：

Decode。

Prefill负责处理用户输入的Prompt。

Decode负责不断生成新的Token。

不同处理器可能分别擅长不同阶段。

因此AWS和Cerebras提出：

AWS Trainium负责Prefill

然后：

Cerebras WSE负责高速Decode。

这样就不再要求所有AI任务都由同一种芯片完成。

这是一种非常值得关注的新型AI数据中心架构。

十六、与AMD合作

2026年7月，AMD和Cerebras宣布合作开发：

Disaggregated AI Inference

解决方案。

其中：

AMD Instinct / Helios

与：

Cerebras Wafer-Scale Engine

可以组合运行。

AMD系统承担适合大吞吐量处理的工作，而Cerebras负责超低延迟Token生成。

这说明未来AI计算市场可能并不会变成简单的：

NVIDIA GPU vs Cerebras

而更可能形成：

CPU

GPU

AI Accelerator

Wafer-Scale Processor

共同工作的异构计算系统。

十七、Condor Galaxy超级计算机

Cerebras还与阿联酋科技集团：

G42

合作建设：

Condor Galaxy

AI超级计算机网络。

2023年推出的Condor Galaxy 1拥有：

4 ExaFLOPS FP16

计算能力和：

5,400万个AI核心。

随后双方继续建设更多大型Cerebras超级计算平台。

这些项目帮助Cerebras证明：

晶圆级处理器不仅可以单独运行，也可以连接成：

大规模AI超级计算机。

十八、Cerebras的商业化正在加速

2026年第二季度，Cerebras公布GAAP营业收入约：

1.801亿美元

同比增长：

74%。

公司定义的Core Revenue达到：

2.099亿美元

同比增长：

103%。

同期Cerebras Cloud业务收入同比增长接近三倍。

截至2026年6月底，公司已经签约超过：

600MW

数据中心算力容量，并计划在2027年底之前逐步交付。

公司披露的剩余履约义务达到约：

254亿美元。

从这些数据来看，Cerebras已经开始从科研和少量AI超级计算机项目，向大规模AI基础设施供应商转变。

十九、Cerebras最大的优势

Cerebras最大的优势首先是：

完全不同于GPU的计算架构。

它不是试图制造“另一颗GPU”。

而是从根本上重新思考：

AI处理器到底应该有多大？

第二个优势是：

极高的片上内存带宽。

将大量SRAM直接放在晶圆内部，可以降低访问外部内存造成的延迟。

第三个优势是：

超低延迟AI推理。

特别是在大型语言模型Token生成方面，Cerebras已经形成明显的产品定位。

第四个优势是：

不需要完全依赖传统GPU集群架构。

在AI算力需求爆炸增长的情况下，为数据中心提供GPU之外的第二种架构，本身就具有巨大的商业价值。

二十、Cerebras面临的挑战

Cerebras虽然拥有非常独特的技术，但挑战同样巨大。

1. NVIDIA生态

NVIDIA真正强大的地方不仅是GPU。

更重要的是：

CUDA。

经过多年发展，CUDA已经形成：

• 编译器
• 数学库
• 深度学习框架
• 通信库
• 推理框架
• 开发工具
• 大量程序员

组成的完整生态。

Cerebras必须证明自己的软件平台能够让开发人员方便地运行：

PyTorch

Transformers

大语言模型

AI Agents

以及企业AI应用。

2. 制造复杂度

晶圆级芯片本身就是非常复杂的半导体产品。

WSE需要：

先进制程

特殊封装

电源系统

液冷

高速I/O

精密制造

任何一个环节出现问题，都可能影响规模化生产。

随着Cerebras开始建设数百MW数据中心容量：

制造能力和供应链能力

将变得和芯片架构一样重要。

3. 客户集中度

这是Cerebras目前非常值得注意的商业风险。

Cerebras上市文件显示，2025年：

MBZUAI占公司收入约62%。

G42占：

24%。

两者合计占2025年收入约86%。

虽然OpenAI、AWS以及更多企业客户正在加入，但客户集中度仍然是Cerebras需要解决的问题。

4. 数据中心扩张风险

Cerebras已经从芯片公司越来越深入进入：

Cloud Infrastructure

业务。

这意味着公司需要投入大量资金建设：

数据中心

电力基础设施

网络

冷却

服务器

以及长期算力容量。

商业模式会变得更加资本密集。

二十一、Cerebras和NVIDIA最大的区别

理解Cerebras，可以从一个非常简单的问题开始：

为什么GPU要做得那么小？

传统半导体行业认为：

芯片越大，制造缺陷造成的损失越大。

因此最合理的方法一直是：

把晶圆切成很多小芯片。

然后：

把很多小芯片连接起来。

NVIDIA AI集群基本延续了这一思路。

Cerebras却问了另一个问题：

如果我们能够解决晶圆缺陷问题，为什么一定要把晶圆切开？

如果不切开，就可以让几十万个AI核心：

直接通过晶圆内部网络通信。

这正是Cerebras最核心的创新。

二十二、为什么Cerebras值得关注？

Cerebras最重要的地方，并不只是它制造了世界上最大的芯片。

更加重要的是：

它正在挑战计算机行业几十年来关于芯片尺寸的基本假设。

过去计算机的发展方式基本是：

更小的晶体管

↓

更强的单颗芯片

↓

更多芯片

↓

更大的集群。

Cerebras则增加了一条新的路线：

把整片晶圆变成一颗处理器。

当AI模型越来越大以后，计算瓶颈正在从单纯的FLOPS，逐渐转向：

Memory Bandwidth

Interconnect

Latency

Power

Token Generation Speed

而这些恰恰是Wafer-Scale Architecture试图解决的问题。

二十三、未来发展

未来几年，Cerebras最值得关注的方向主要有几个。

第一：

高速AI推理。

随着AI Agent和Reasoning Model发展，Token生成速度会变得越来越重要。

第二：

CS-4大规模部署。

2026年8月刚刚推出的CS-4，将检验Cerebras能否真正把晶圆级AI系统推向Hyperscale数据中心。

第三：

OpenAI项目。

750MW、超过200亿美元的合作如果顺利执行，将彻底改变Cerebras的公司规模。

第四：

异构AI计算。

与AWS Trainium和AMD GPU配合，可能意味着Cerebras未来不一定需要完全替代GPU。

它可以专门负责：

自己最擅长的超高速Token生成。

第五：

下一代WSE。

随着AI芯片竞争继续升级，下一代Wafer-Scale Engine的制程、计算密度、内存容量以及能效，将决定Cerebras能否长期保持技术优势。

结语

Cerebras Systems是今天AI芯片行业中最不寻常的企业之一。

NVIDIA、AMD以及绝大多数半导体公司仍然沿用传统路线：

一片晶圆制造很多芯片。

Cerebras却选择：

把整片晶圆变成一颗巨大的AI处理器。

它的核心技术Wafer-Scale Engine已经发展到第三代，并进一步衍生出CS-3、WSE-3 Turbo和最新的CS-4机架级AI系统。

2026年公司完成NASDAQ上市，与OpenAI签订超过200亿美元的大型算力协议，同时与AWS和AMD建立AI推理合作，这意味着Cerebras正在从一家“有趣的AI芯片初创公司”，逐步进入真正的大型AI基础设施竞争。

未来AI芯片竞争未必只是：

GPU vs GPU。

也可能演变成：

GPU

vs

TPU

vs

专用AI Accelerator

vs

Wafer-Scale Engine。

而Cerebras最大的价值，就在于它证明了一件过去很多工程师认为几乎不可能的事情：

一整片晶圆，也可以成为一颗真正能够商业化运行的AI处理器。