撕開英偉達的算力圍城

“AI 行業正在使用一個‘錯誤的工具’。”

當 Cerebras 創始人 Andrew Feldman 拋出這個論斷時，英偉達正憑借 GPU 統治著萬億級市場。

Andrew Feldman是否在口出狂言？Cerebras 用一塊餐盤大小、擁有 900,000 個核心的晶圓級引擎 WSE-3，試圖用“一顆芯片即一個集群”的解決方案來回答這個問題。

Cerebras 相信，深度學習的核心瓶頸從未在算力本身，而在于數據跨越芯片邊界時撞上的那堵內存墻。

2026 年 3 月，Oracle 在財報分析師會議上主動提及正在部署 Cerebras 芯片，將其與 Nvidia、AMD 并列為核心加速器供應商，這一“順帶點名”被業內視為 Cerebras 進入超大型企業采購視野的重要信號。

01

叫板英偉達，Cerebras做對了什么？

Cerebras由Andrew Feldman（前SeaMicro聯合創始人，后被AMD收購）于2016年創立。

Cerebras 推出的WSE-3 是迄今規模最大的人工智能芯片，面積達 46,255 平方毫米，集成 4 萬億個晶體管。它憑借 90 萬個 AI 優化內核 提供 125 PFLOPS 的 AI 算力，晶體管數量是英偉達 B200 的 19 倍，算力更是其 28 倍。

同時，WSE-3配備44GB片上SRAM與21PB/s的內存帶寬，徹底打破了傳統內存瓶頸。其晶圓級互聯架構可提供27PB/s的內部帶寬，速度是最新一代NVLink的206倍。

WSE 最多可將 2048 套系統組合在一起，提供 256 EFLOPS 的 AI 算力。AI 開發者可以訓練參數規模高達 24 萬億的模型，而無需處理多 GPU 調度和并行策略帶來的復雜問題。

傳統 GPU（如 B200）必須不斷從片外的 HBM 內存中讀取數據，這受限于 HBM 的帶寬，這也是AI大模型爆發帶動HBM存儲迅速發展的重要原因——通過強化片外存儲的傳輸能力，被動緩解算力與存儲分離帶來的性能瓶頸。

Cerebras 將 44GB 的高速內存直接放在 90 萬個 AI 核心旁邊，無需再通過片外鏈路調取數據，從物理架構上消除數據往返傳輸延遲。

2026 年1 月，Cerebras 與OpenAI 簽署多年合作協議，承諾為 OpenAI 提供 750 兆瓦的推理算力，部署規模將分階段在 2026 至 2028 年間落地，合同總價值逾 100 億美元，被官方稱為“全球最大規模高速AI推理部署”。OpenAI官方公告指出，此次合作的核心目的之一是降低ChatGPT實時響應的推理延遲。

2026 年3 月 13 日，AWS 宣布與 Cerebras 建立多年合作，將 Cerebras CS-3 系統部署于 AWS 數據中心，通過 Amazon Bedrock 提供推理服務。官方新聞稿顯示，這是首次有主流超大規模云平臺在自有數據中心內部署非 GPU AI 加速器。

AWS計算服務副總裁David Brown表示：“這種分離式架構讓每個系統各盡其長，結果將是比今天任何方案都快一個數量級的推理性能。”

行業分析機構 Futurum 在其評析中指出，這一合作“是標志性的新階段——推理架構正在獨立，專用芯片將取代單體 GPU 部署，用于延遲敏感型任務。”

02

用面積換性能，真無敵了嗎？

Artificial Analysis 的測評表示，Cerebras CS-3 在Meta Llama 4 Maverick（400B 參數）模型上達到 2,522 tokens/秒，超過英偉達 Blackwell B200 的1,038 tokens/秒，領先幅度約 2.4 倍。對比Llama 3.1 8B小模型，差距更顯著：Cerebras可達約1,800 t/s，而英偉達H100約為90 t/s，相差約20倍。

按 token 計費的云服務，DeepSeek V3 在Cerebras 上的定價為輸入 $0.20/百萬 tokens、輸出 $0.50/百萬 tokens，綜合價格極具競爭力。截至2025年9月，Cerebras已在北美、歐洲擴建至五個新數據中心，并同步在AWS Marketplace上線，進入企業級采購渠道。

AI 行業正在從“訓練為主”轉向“推理為主””，而推理對延遲極為敏感。ChatGPT 等對話 AI、多步驟智能體（Agentic AI）、實時代碼生成等場景，都對 tokens/秒有嚴苛要求。AI 推理市場規模預計將從 2025 年的 1,062 億美元增長至 2030 年的 2,550 億美元，CAGR 約19%。

這項測評展示了 Cerebras 在推理領域速度與成本上的顯著優勢，但要得出“完全碾壓”的結論還為時過早。

英偉達最強大的武器并非硬件，而是極其成熟的CUDA 生態。開發者在轉向 Cerebras 時需適配專有編譯器，且目前對動態控制流等高級 AI 特性的支持尚不完整，這種遷移成本是企業決策時的核心障礙。全球數以百萬計的AI工程師在CUDA上深度訓練，遷移至Cerebras平臺存在學習成本。分析指出，AWS Bedrock集成的戰略意義之一，正是通過托管服務降低工程師直接接觸底層硬件差異的必要性——如果開發者無需修改代碼就能使用Cerebras，生態差距的影響將大幅減小。

CS-3 單系統功耗高達 50kW，遠超單臺 GPU 服務器。對于空間和電力受限的傳統數據中心來說，部署此類設備面臨物理基礎設施的制約。

同時，在加速數據通信上，英偉達并未坐以待斃。除了 Blackwell 的快速迭代，英偉達還通過收購推理初創公司 Groq 的核心資產，以及推出 NIM 推理微服務來鞏固其在推理市場的地位。

Groq 的芯片為LPU（Language Processing Unit），主要面向LLM 等推理場景，從架構上追求“快速、可預測、低成本”的大模型推理，而不是通用訓練 + 圖形渲染。許多 LLM 推理場景下，單位 token 的計算成本和能耗都顯著低于傳統 GPU 集群（原因是高片上帶寬、少外存訪問、推理專用指令流）。

基于 Tensor Streaming Processor（TSP）架構，硬件盡量去掉緩存、多級亂序等導致不確定性的機制，讓編譯器可以靜態安排每條指令和每一跳數據路徑，實現“流水線裝配線式”的可預測執行。

第一代 LPU 約有 230 MB 片上 SRAM、80 TB/s 內部帶寬，遠高于典型 GPU 的 HBM 外部帶寬（約 8 TB/s 量級），減少訪問外部內存的次數，從而降低時延并提升能效。

對很多企業來說，訓練成本是一次性投入，而推理（每天要跑的token 數）才是真正長期的資本支出，Groq 把長期成本曲線壓低，使得大規模商用 LLM 服務更可持續。對于英偉達來說，收購Groq是在“訓練卡賣一次”的模式之外，增加了英偉達在“長期推理成本優化”的抓手。簡單來說，英偉達能在 TCO 和能效上給出更有競爭力的推理方案，而不僅依賴堆更多 GPU。

03

Cerebras的風險

從產品角度來看，Cerebras選擇將整個300mm晶圓做成一顆芯片，這同時意味著任何一處缺陷都可能導致芯片報廢，Cerebras在良率控制上承擔了極高的制造風險。相對來說，傳統GPU的小芯片可通過“切割丟棄缺陷區”規避。

在商業模式上，Cerebras必須應對客戶集中度風險。

雖然Cerebras官方表示有許多頭部客戶在使用自家產品，如Notion將Cerebras集成為其實時企業搜索功能的底層推理引擎，面向數百萬企業用戶，Cerebras也成為OpenAI最新安全模型的最快推理提供商，使AI安全策略的實時判斷成為可能——在內容審核、文檔分類、智能體護欄等場景，實現了“先審后發”的實時安全檢測。

從營收來看，阿聯酋G42貢獻了2024年H1高達87%的營收。對應一份$14.3億的合同承諾。雖然新合同不斷到來，但若G42出現任何地緣政治變化（美國對阿聯酋AI芯片出口管制趨嚴等），將對營收造成重大沖擊。雖然G42已被移出Cerebras投資者名單，但其仍是最大單一客戶。

從交貨壓力來看，雖然拿下了許多大訂單，但Cerebras的產能卻不一定能到位。隨著OpenAI750MW算力部署、AWS合作相繼到位，Cerebras在2026-2028年間將面臨極大的產能擴張壓力。公司已將Series H資金的重要部分用于美國本土制造產能擴充，但實際交付時間線仍是最大的執行不確定性。

04

想撕開英偉達算力圍城的企業不只Cerebras，“非GPU AI芯片”賽道上還有一家明星企業SambaNova。SambaNova的創新性也是想解決GPU的內存墻問題。但解法截然不同。SambaNova的核心思路是用可重配置的數據流架構（RDU）+三級內存，在標準芯片上實現接近單片大芯片的效率。

三級內存包括SRAM（片上，極速，小容量）、HBM（高帶寬內存，中速大容量）、DDR（低速超大容量）。三級內存使 SambaNova 系統可承載遠超片上SRAM大小的模型（單機架3TB內存），同時通過“算子融合”（operator fusion）減少內核調用次數，大幅降低延遲。測評顯示，SambaNova SN40L在Llama 3.3 70B上相對Nvidia H200實現了低批量9倍、高批量4倍的速度提升，同時能耗效率提升5.6–2.5倍。

SambaNova 的低功耗是其在電力受限數據中心的核心賣點。2021年 — Series D由SoftBank Vision Fund 2領投，估值$50億，但2025年開始出現關于SambaNova尋找買家的新聞，英特爾曾經提出16億美元的收購要約，但后續談判失敗。

曾經站在同一起跑線的兩家企業正面對不同的資本熱情，Cerebras市場估值超200億美元，但SambaNova正在尋找新的融資方。

英偉達的圍城仍在，一名 AI 創業公司 CTO 曾評價三家公司表述最能說明問題：“我們對 SambaNova和 Cerebras 都做了基準測試。兩家在推理速度上都比英偉達快。但我們整個代碼庫都基于 CUDA，工程師都懂 CUDA，云預算已經包含了與英偉達談好的折扣。切換意味著重寫代碼、重新培訓員工、重新談合同——為了大約 30% 的性能提升，這筆賬不合算。”

在贏者通吃的市場里，好10%遠遠不夠——你需要好10倍，并且有清晰的市場采用路徑。