如果您希望可以時常見面，歡迎標星收藏哦~
在前不久剛結束的CES展會上，重磅推出RT50系列顯示卡和GB10超級晶片等產品，引發行業關注。
對此，Cerebras直言不諱的對英偉達評價道：“它不是真正的AI大晶片”。
眾所周知，隨著AI浪潮的興起，晶片成為行業關鍵推手。作為GPU巨頭，英偉達憑藉高效能GPU佔據AI晶片市場的主導地位，跟、AMD等廠商一樣，都是採用將大片晶圓切分成小型晶片的方式，然後將眾多GPU或加速器互聯起來打造成效能強勁的AI處理器叢集。
與此同時，業界還有一種直接在整片晶圓上做AI大晶片架構的廠商。其中，Cerebras就是後者的典型代表之一，旨在以不同設計規範和架構的AI大晶片，領跑“後AI時代”。
英偉達，Not a real big AI chip
首先以晶片巨頭英偉達為例，來看看這種透過小晶片叢集架構來設計AI晶片的方式。
進入AI大模型時代， 因為單晶片算力和記憶體有限，無法承載大模型，單個GPU訓練AI模型早已成為歷史。透過多種互連技術將多顆GPU算力晶片互連在一起提供大規模的算力、記憶體，成為行業趨勢。
在DGX A100情況下，每個節點上8張GPU透過NVLink和NVSwitch互聯，機間直接用200Gbps IB HDR網路互聯；到了DGX H100，英偉達把機內的NVLink擴充套件到機間，增加了NVLink-network Switch，可以搭建256個H100 GPU組成的SuperPod超級計算系統。
可以看到，隨著AI算力需求不斷增長，多GPU並行成為一種趨勢，可以支撐大模型的訓練和推理。
對於多GPU系統而言，一個關鍵的挑戰是如何實現GPU之間的高速資料傳輸和協同工作。然而，傳統的PCIe匯流排由於頻寬限制和延遲問題，已經無法滿足GPU之間通訊的需求。
對此，英偉達推出了NVLink、NVSwitch等互連技術，透過更高的頻寬和更低的延遲，為多GPU系統提供更高的效能和效率，支援GPU 之間的高速資料傳輸和協同工作，提高通訊速度，加速計算過程等。
NVLink用於連線多個GPU之間或連線GPU與其他裝置（如CPU、記憶體等）之間的通訊。它允許GPU之間以點對點方式進行通訊，具有比傳統的 PCIe 匯流排更高的頻寬和更低的延遲，為多GPU系統提供更高的效能和效率。
NVSwitch旨在解決單伺服器中多個GPU之間的全連線問題，允許單個伺服器節點中多達16個GPU實現全互聯，這意味著每個GPU都可以與其他GPU直接通訊，無需透過CPU或其他中介。
NVSwitch全連線拓撲
（圖源：nextplatform）
2022年，英偉達將NVSwitch晶片獨立出來，並製作成NVLink交換機，可以在單個機架內和多個機架間連線成NVLink網路，可以解決GPU之間的高速通訊頻寬和效率問題。
2023年，英偉達生成式AI引擎DGX GH200投入量產，GH200是H200 GPU與Grace CPU的結合體，一個Grace CPU對應一個H200 GPU，GPU與GPU、GPU與CPU之間均採用NVLink4.0連線；
再到新一代AI加速卡GB200，由1個Grace CPU和2個Blackwell GPU組成。在GB200 NVL72整機櫃中，一共包含了72顆Blackwell GPU晶片，18顆NVSwitch晶片，英偉達用了5000根銅纜將所有的GPU都與所有的NVSwitch全部連線起來。
經過多年演進，NVLink技術已升級到第5代。NVLink 5.0以100GB/s的速度在處理器之間移動資料。每個GPU有18個NVLink連線，Blackwell GPU將為其他GPU或Hopper CPU提供每秒1.8TB的總頻寬，這是NVLink 4.0頻寬的兩倍，是行業標準PCIe Gen5匯流排頻寬的14倍。NVSwitch也升級到了第四代，每個NVSwitch支援144個NVLink 埠，無阻塞交換容量為14.4TB/s。
能夠看到，隨著每一代NVLink的更新，其每個GPU的互聯頻寬都是在不斷的提升，其中NVLink之間能夠互聯的GPU數，也從第一代的4路到第四代/第五代的18路。每個NVLink鏈路的速度也由第一代的20Gb/s提升至目前的1800Gb/s。
NVLink和NVSwitch等技術的引入，為GPU叢集和深度學習系統等應用場景帶來了更高的通訊頻寬和更低的延遲，從而提升了系統的整體效能和效率。
在2025年CES上，英偉達新推出GeForce RTX 5090與GB10晶片，代表著英偉達在計算架構和技術路線上的再一次跨越。
Blackwell架構採用了最新一代的CUDA核心和Tensor核心，特別最佳化了AI計算的效率。NVLink72作為一種高速互聯技術，允許多達72個Blackwell GPU 互聯，構建出極為強大的計算叢集。此外，作為叢集的一部分，2592個Grace CPU核心也為GPU提供了強大的協同計算能力，能夠更好地管理和排程任務。
除了傳統的GPU和叢集解決方案，英偉達還推出了AI超級計算機Project DIGITS，Project Digits的核心在於其搭載了英偉達的Grace Blackwell超級晶片（GB10）。
GB10是一款SoC晶片，基於Grace架構CPU和Blackwell GPU的組合，Grace GPU部分基於Arm架構，具有20個高效節能核心，Blackwell GPU部分則支援高達1PFlops(每秒一千萬億次)的FP4 AI效能，可執行2000億引數的大模型。GB10還採用了NVLink-C2C晶片間互聯技術，將GPU與CPU之間的通訊效率提升到新的高度，為本地AI模型的開發、推理和測試提供強大的支援。
據介紹，這臺AI超算還整合了128GB LPDDR5X記憶體和高達4TB的NVMe儲存，使開發人員能夠處理許多要求苛刻的AI工作負載。
除此之外，Project DIGITS還配備了一顆獨立的NVIDIA ConnectX互聯晶片，它可以讓“GB10”超級晶片內部的GPU相容多種不同的互聯技術標準，其中包括NCCL、RDMA、GPUDirect等，從而使得這顆“大核顯”可以被各種開發軟體和AI應用直接訪問，允許使用者執行具有多達4050億個引數的大模型。
這意味著，在分散式系統中，除了單卡和多卡互連外，伺服器之間的多機互聯也可以採用InfiniBand、乙太網、GPUDirect等新的互聯技術。
在硬體和互聯技術之外，英偉達還開發了以CUDA為核心的軟體架構，與其硬體進行配套使用，從而更好地發揮硬體的效能。英偉達憑藉其在系統和網路、硬體和軟體的全方位佈局，使其在AI生態牢牢佔據主導地位。
實際上，行業晶片大廠都在互聯技術上積極佈局。除了英特爾2001年提出的PCIe（PCI-Express）協議，AMD也推出了與英偉達NVLink相似的Infinity Fabric技術。
AMD的AI加速器Instinct MI300X平臺，就是透過第四代Infinity Fabric鏈路將8個完全連線的MI300X GPU OAM模組整合到行業標準OCP設計中，為低延遲AI處理提供高達1.5TB HBM3容量。第四代Infinity Fabric支援每通道高達32Gbps，每鏈路產生128GB/s的雙向頻寬。
與此同時，AMD、博通、思科、Google、惠普、英特爾、Meta和微軟在內的八家公司組建了新的聯盟，為人工智慧資料中心的網路制定了新的互聯技術UALink（Ultra Accelerator Link）。
據瞭解，UALink提議的第一個標準版本UALink 1.0，將連線多達1024個GPU AI加速器，組成一個計算“叢集”，基於包括AMD的Infinity Fabric在內的“開放標準”，UALink 1.0將允許AI加速器所附帶的記憶體之間的直接載入和儲存，共同完成大規模計算任務。
與現有互連規範相比，UALink 1.0總體上將提高速度，同時降低資料傳輸延遲。
UALink聯盟旨在建立一個開放的行業標準，允許多家公司為整個生態系統增加價值，從而避免技術壟斷。
AI晶片，互連挑戰與記憶體瓶頸
從行業大廠推出的一系列GPU和SoC能夠看到，隨著AI大模型對算力基礎設施的要求從單卡拓展到了叢集層面，其AI晶片採用的是將多個小晶片進行叢集和互連的架構，這對大規模卡間互聯的相容性、傳輸效率、時延等指標提出了更高的要求。
GPU叢集的規模和有效算力，很大程度上取決於GPU叢集網路配置和使用的交換機裝置，連線標準的頻寬也限制了計算網路的頻寬。
從PCIe到NVLink、Infinity Fabric再到InfiniBand、乙太網和UALink，儘管這些技術不斷迭代升級，透過高頻寬、低延遲的資料傳輸，實現了GPU或AI伺服器之間的高速互聯，在提升深度學習模型的效率和計算效能方面發揮了重要作用。
但能夠預見到是，隨著未來計算資料的爆炸式增長、神經網路複雜性不斷增加，以及AI技術的加速演進，對更高頻寬的需求還在繼續增長。
互聯技術仍不可避免的成為行業中的瓶頸挑戰，限制了GPU和AI晶片的最大效能釋放。
與互聯技術的滯後相比，儲存技術的瓶頸似乎也是一大關鍵。
眾所周知，馮·諾依曼架構面臨的一個核心挑戰是CPU/GPU等處理器的計算速度與記憶體訪問速度之間的不匹配，尤其是與儲存裝置的速度相比更是天壤之別。這就是業界著名的“記憶體牆”，其不均衡的發展速度對日益增長的高效能運算形成了極大制約，成為訓練大規模AI模型的瓶頸。
當前在AI、機器學習和大資料的推動下，資料量呈現出指數級的增長，儲存技術必須緊隨其後，才能確保資料處理的效率和速度。對於當前的記憶體行業來說，高頻寬記憶體（HBM）已經成為焦點，尤其是在AI大模型訓練和推理所需的GPU晶片中，HBM幾乎已經成為標配。
儘管以HBM為代表的儲存技術帶來了顯著的存算頻寬提升，在一定程度上緩解了頻寬壓力，但並未從根本上改變計算和儲存分離的架構設計。與GPU等計算晶片的快速發展相比，仍面臨記憶體受限、儲存空間的資料吞吐能力容易跟不上計算單元需求量的挑戰。
存算頻寬示意（圖源：Cerebras ）
儲存技術滯後於計算晶片發展的現象，顯然已經成為現代計算系統中的一大瓶頸。儲存技術的滯後會給高效能運算帶來多重挑戰：
計算能力浪費：GPU的強大計算能力無法得到充分利用，儲存瓶頸導致大量的GPU計算資源處於空閒狀態，無法高效地執行任務。這種不匹配導致了系統效能的低效發揮，增加了計算時間和能源消耗。
AI訓練效率下降：在深度學習訓練過程中，大量的資料需要頻繁地在GPU與儲存之間交換。儲存的低速和高延遲直接導致AI訓練過程中資料載入時間過長，從而延長了模型訓練週期。這對於需要快速迭代的AI專案來說，可能會造成較大成本壓力。
大規模資料處理的障礙：隨著大資料的興起，許多AI應用需要處理海量資料。當前儲存技術未能有效支援大規模資料的快速處理和儲存，特別是在多節點分散式計算的場景中，儲存瓶頸往往成為資料流動的最大障礙。
綜合來看，英偉達、AMD等晶片廠商作為AI領域的主導硬體選擇，其強大的平行計算能力為大規模神經網路的訓練提供了極大的幫助。
然而，在AI模型規模持續擴大、推理任務逐漸提升的過程中，GPU架構的侷限性逐漸顯現，大量資料的傳輸和儲存可能成為瓶頸，進而影響AI大模型訓練和推理的速度和效率。
Cerebras：A real big AI chip
面對上述挑戰，Cerebras推出的Wafer-Scale引擎成為了革命性的解決方案。
過去70年中，沒有任何公司成功克服製造大型晶片的複雜性，即便是Intel和Nvidia這樣行業巨頭也未能解決這一挑戰。儘管在與諸多曾嘗試構建大型晶片的專家討論後，許多人認為製造如此大的晶片不可能實現，但Cerebras依然充滿信心。
“晶圓級”引擎，來勢洶洶
2019年，Cerebras公開展示了WSE-1晶片，這一晶片比當時最大的GPU大了56.7倍，包含超過1.2萬億個電晶體，而當時最大的GPU只有211億個電晶體；2022年，在灣區的計算歷史博物館展示了WSE-2晶片，WSE-2將電晶體數量提升到2.6萬億，並在更小的空間和功耗下提供了更強的計算效能，標誌著計算歷史上的一個重要里程碑。
2024年，Cerebras推出的WSE-3包含4萬億個電晶體和90萬個計算核心，其效能可以訓練比OpenAI的GPT-4大13倍的AI模型。
WSE-3與目前行業最新的 GPU 晶片尺寸對比
傳統晶片在晶圓上以網格模式列印，然後切割成數百個小型晶片，而Cerebras的晶圓級整合則跳過了這種切割步驟，直接將整個晶圓設計成一個單一的超大晶片，因此稱為“晶圓級”引擎。該方案透過將海量的計算資源和儲存資源集中在單一的超大規模晶片（晶圓）上，最佳化了資料傳輸路徑，減少了延遲，顯著提高了推理速度。
要理解這種設計的必要性，首先需要了解AI開發中涉及的兩大瓶頸：一是處理數百萬矩陣乘法運算所需的計算能力（FLOPs）；二是透過各種歸一化、SoftMax或ReLU操作在模型連線中更新權重所需的記憶體頻寬。
在計算能力部分，雖然其進步遵循摩爾定律，但記憶體頻寬的提升卻遠遠滯後。例如，英偉達從2020年釋出的A100到2022年的H100，計算能力增加了約6倍，但記憶體頻寬僅增長了1.7倍。
訓練時間的主導因素從計算能力轉向了記憶體頻寬。
同時，由於傳統的處理器晶片內部記憶體有限，無法儲存用於計算的資料。在處理如LLM模型訓練這樣的大規模計算任務時，處理器晶片需要不斷地將資料從晶片外的記憶體中進出。處理器與記憶體晶片之間的通訊速度遠低於處理器計算速度，晶片與晶片之間的通訊速度比晶片內部的通訊慢100倍以上，導致記憶體瓶頸問題。
Cerebras的晶圓級引擎正是為了解決這些瓶頸而設計的。
透過設計更大的晶片，可以增加處理器和本地記憶體晶片的空間，利用成千上萬的矽線實現兩者之間的高速通訊，設計避免了像英偉達、AMD在將多個GPU或處理器連線時面臨的互聯瓶頸和記憶體頻寬問題。
具體來看，在這個超大晶片上，Cerebras將計算單元和記憶體單元高度整合，形成了一個密集的網格結構。
與傳統的馮·諾依曼架構不同，這種存算一體技術將計算單元與儲存單元深度融合，極大地減少了資料在記憶體與處理器之間傳輸的距離和時間，從根本上打破了“儲存牆”問題，極大提升了存算交換效率，使得資料能在極短的時間內完成讀取和計算，從而實現超快推理。
得益於晶片尺寸，對比英偉達H100 GPU，Cerebras WSE-3擁有90萬個計算核心，是H100的52倍，片上記憶體是H100的880倍，記憶體頻寬是其7000倍，而透過WSE-3的片上互聯技術，核心之間的互連頻寬更是做到了214Pbps，是H100系統的3715倍。
Cerebras WSE與英偉達H100存算頻寬對比
諸多優勢加持下，根據Cerebras的資料，其推理服務在執行開源模型Llama 3.1 8B時可以達到1800 token/s的生成速度，而在執行Llama 3.1 70B時也能達到450 token/s。相比之下，英偉達H100 GPU 在這兩個模型上的表現分別為242 token/s和128 token/s。在許多情況下，WSE-3比使用英偉達H100構建的系統快10到20倍。
然而，這麼大尺寸的晶片雖然效能強大，但更容易遭遇缺陷，因為隨著晶片面積增大，良率會指數級下降。因此，儘管較大的晶片通常執行速度更快，早期的微處理器為了維持可接受的製造良率與利潤，通常選擇適中的尺寸。
近年來，隨著製造工藝和光刻裝置的進步，缺陷率得到了控制，且透過標準的記憶體製造工藝，可以繞過有缺陷的部分，確保整體晶片不被一個缺陷影響。Cerebras在其WSE晶片中新增了冗餘核心設計，並透過韌體對映來遮蔽製造缺陷，以防止單一缺陷損壞整個晶片。這與傳統的晶片製造方式不同，後者通常會丟棄有缺陷的晶片。
同時，容錯率的程度可由缺陷發生時損失的晶片面積來衡量。對於多核心晶片而言，核心越小，容錯率越高。如果單個核心足夠小，就有可能製造非常大的晶片。
據瞭解，在決定構建晶圓級晶片之前，Cerebras首先設計了一個非常小的核心。Wafer Scale Engine 3中的每個AI 核心約為0.05mm²，僅為H100 SM 核心大小的約1%。這兩種核心設計均具備容錯能力，這意味著一個WSE 核心的缺陷僅會損失0.05mm²，而H100 則會損失約6mm²。從理論上來看，Cerebras WSE晶片的容錯率比GPU高約100倍，考慮的是缺陷對矽面積的影響。
但僅僅擁有小核心還不夠。Cerebras還開發了一種精密的路由架構，能夠動態重新配置核心之間的連線。當偵測到缺陷時，系統可透過冗餘通訊路徑自動繞過缺陷核心，並利用鄰近核心保持晶片的整體運算能力。
路由架構（圖源：techbang）
該路由系統與小量備用核心協同工作，能夠替換受缺陷影響的核心。與以往需要大規模冗餘的方式不同，Cerebras的架構透過智慧型路由實現了以最少備用核心達成高良率。
在商業模式上，Cerebras的核心產品不是單獨銷售WSE晶片，而是提供與其WSE晶片共同設計和最佳化的整合計算系統。到目前為止，Cerebras 已經推出了三款計算系統：CS-1（針對WSE-1），CS-2（針對WSE-2），以及最新的CS-3（針對WSE-3）。
每個系統都包含一個“引擎塊”，其中包括晶片封裝、供電系統和一個封閉的內部水迴圈，用於冷卻功耗巨大的WSE晶片。此外，所有的冷卻和電源裝置都有冗餘且支援熱插拔。
據瞭解，Cerebras的系統方案具備諸多優勢：
擴充套件能力：Cerebras的計算系統透過其SwarmX（網路通訊）和MemoryX（儲存權重）技術來實現可擴充套件性。SwarmX技術允許最多192臺CS-2系統或2048臺CS-3系統連線在一起，實現幾乎線性效能增益。例如，三倍數量的CS-3系統可以將LLM的訓練速度提升三倍。相比之下，英偉達透過收購Mellanox來連線GPU，但效能增益是次線性的。
此外，MemoryX技術為每個計算系統提供最高1.2TB的儲存空間，允許每個系統儲存24萬億引數，並在訓練期間將所有模型引數儲存在晶片外，同時提供接近晶片內的效能。一個由2048臺CS-3系統組成的叢集可以以256 exaFLOPS的AI計算能力，不到一天的時間就可以完成Llama2-70B模型的訓練。
記憶體和計算解耦：Cerebras的系統允許記憶體和計算能力獨立擴充套件，而GPU的記憶體和計算能力是固定的。比如，英偉達的H100晶片記憶體限制為80GB，GPU叢集需要將LLM分解成多個小部分，在成千上萬的GPU之間分配，增加了模型分佈和管理的複雜性。而Cerebras的單個計算系統可以容納和訓練一個包含數萬億引數的模型，不需要分散式訓練軟體，從而減少了開發過程中97%的程式碼量。
系統效能：Cerebras的計算系統單臺裝置的效能已經超過傳統的GPU機架。2019年釋出的CS-1就比GPU快1萬倍，且比當時全球排名第181的Joule超級計算機快200倍。CS-2於2021年釋出，效能較CS-1提升一倍。而CS-3於2024年推出，效能再翻倍，但功耗和成本未增加。一個CS-3系統的計算能力相當於一整房間伺服器中數十到數百個GPU的總和。48臺CS-3的叢集效能超過了美國的Frontier超級計算機——全球排名第一的超級計算機，但成本便宜了100倍。
AI推理能力：2024年8月，Cerebras為CS-3系統啟用了AI推理功能，成為全球最快的AI推理提供商。一個月後，Groq和SambaNova在推理速度上有所進展，但Cerebras迅速奪回了第一的位置。Cerebras的推理能力比Nvidia H100快20倍，成本僅為其五分之一。對於需要實時或高吞吐量推理的AI產品開發者，Cerebras的低延遲推理能力將尤為重要。
AI大晶片，更適用於大模型推理？
AI推理是指在經過大量資料訓練之後，AI系統利用其模型對新的輸入資料進行判斷、分類或預測的過程。推理速度的快慢直接影響著AI系統的響應能力、使用者體驗，以及AI技術在實時互動應用中的可行性。
當前，儘管大多數AI系統已經可以處理複雜的任務，但推理過程仍然耗時較長。尤其在（NLP）任務中，例如ChatGPT這種大語言模型，系統需要逐字生成回答，這使得實時互動變得緩慢且不流暢。
隨著AI大模型持續發展，行業重點正在從“訓練模型”轉向“模型推理”，意味著對推理基礎設施的需求呈現上升趨勢。例如，無論是OpenAI的o1和o3模型，還是Google的Gemini 2.0 Flash Thinking，均以更高強度的推理策略來提升訓練後結果。
巴克萊研報顯示，AI推理計算需求在快速提升，預計未來其將佔通用AI總計算需求的70%以上，推理計算的需求甚至可以超過訓練計算需求，達到後者的4.5倍。
面對行業趨勢，這家成立於2016年的巨型晶圓級晶片公司，展示了AI推理晶片領域創新的巨大潛力。Cerebras憑藉其超快的推理速度、優異的價效比和獨特的硬體設計，將賦予開發者構建下一代AI應用的能力，這些應用將涉及複雜、多步驟的實時處理任務。
從其財務資料來看，Cerebras呈現出快速增長的態勢。2024年上半年，公司實現銷售額1.364億美元，相比2023年同期的870萬美元增長超過15倍。淨虧損也從7780萬美元收窄至6660萬美元。2023年全年，Cerebras淨虧損1.272億美元，營收7870萬美元。公司預計2024年全年銷售額將達到2.5億美元，較2022年的8300萬美元增長201%。
這種高速增長無疑印證了Cerebras的核心競爭力，同時增強了其尋求上市的吸引力。
從更宏觀的角度來看，Cerebras的IPO反映了AI晶片市場的巨大潛力和激烈競爭。目前，英偉達在這一領域佔據約90%的市場份額，但隨著AI技術的普及和應用場景的拓展，市場對高效能AI晶片的需求正在快速增長。除了Cerebras，包括AMD、英特爾、微軟和谷歌在內的科技巨頭也都在積極佈局AI晶片領域。此外，亞馬遜、谷歌和微軟等雲服務提供商也開始自主開發AI晶片，以減少對第三方供應商的依賴。
高歌猛進背後，Cerebras仍挑戰重重
然而，儘管Cerebras一路高歌猛進，但其業務和技術也存在一些值得關注的風險因素，這也在一定程度上也反映著整個AI大晶片技術架構廠商存在的共性挑戰與隱憂。
存算一體技術：儘管存算一體技術展現出巨大潛力，但其市場化程序仍面臨挑戰。GPU方案在成本和生態成熟度上仍具有一定優勢。因此，存算一體晶片不僅要透過技術升級降低成本，還需透過實際應用培育市場，強化使用者對超快推理的價值認知。
散熱挑戰：當晶片的面積增加，有更多的電流流過電晶體，半導體電阻自然會產生更多的熱量。如果熱量過高，還會分解晶片及其表面的小部件。英偉達的Blackwell GPU資料中心中，都需要巨型的冷卻系統。而Cerebras的巨無霸晶片，更是需要一套龐大的散熱系統。專門的、龐大的散熱系統也意味著，部署晶片需要額外的配套成本。
客戶生態：英偉達的軟體和硬體堆疊在行業中佔據主導地位，並被企業廣泛採用。在生態系統的成熟度、模型支援的廣泛性以及市場認知度方面，英偉達仍然佔據優勢。相比於Cerebra，英偉達擁有更大的使用者群體和更豐富的開發者工具和支援。Futurum Group分析師指出，雖然Cerebras的晶圓級系統能夠以比英偉達更低的成本提供高效能，但關鍵問題是企業是否願意調整其工程流程以適應Cerebras的系統。
客戶集中度高/供應鏈中斷風險：招股說明書顯示，總部位於阿聯酋的AI公司Group 42在2023年貢獻了Cerebras 83%的收入。這種過度依賴單一客戶的情況可能會給公司帶來潛在風險，拓寬客戶基礎、降低對單一客戶的依賴，將是Cerebras必須面對的挑戰。其次，Cerebras的晶片由臺積電生產，公司提醒投資者注意可能的供應鏈中斷風險。
盈利挑戰：儘管Cerebras在技術上處於領先，但其財務狀況卻仍是挑戰。資料顯示，從2022年到2023年，Cerebras累計收入1億美元，但淨虧損則高達3億美元。2024年上半年，儘管收入同比增長1480%，達到了1.364億美元，但淨虧損依舊達到6661萬美元。這表明，儘管收入增長迅猛，Cerebras仍面臨盈利轉化的嚴峻考驗。
市場競爭：隨著人工智慧硬體市場的不斷發展，Cerebras 還將面臨來自專業雲提供商、微軟、AWS 和谷歌等超大規模提供商以及 Groq 等專用推理提供商的競爭。效能、成本和易實施性之間的平衡可能會影響企業採用新推理技術的決策。
在當今快速演變的技術生態系統中，多技術協同升級已成為推動新興技術發展的核心動力。要實現算力的持續增長，GPU、互聯、儲存等技術必須協調發展。雖然GPU技術已取得了顯著進步，但沒有更高效的互聯技術和更快的儲存技術支撐，算力的潛力將無法完全釋放。
對於英偉達等科技巨頭而言，如何繼續推動GPU與其他關鍵技術的協同進化，解決儲存、互聯的瓶頸，將是未來幾年中的主要挑戰。
另一邊，作為一家成立僅8年的初創公司，Cerebras能夠在短時間內發展到挑戰行業巨頭的地步，充分說明了AI技術的巨大潛力和市場的快速變革。如今AI晶片市場的洗牌，不僅是技術的比拼，更是理念和未來願景的對抗。
根據半導體“牧本週期”——晶片型別有規律地在通用和定製之間不斷交替——在某個特定時期內，通用結構最受歡迎，但到達一定階段後，滿足特定需求的專用結構會奮起直追。
當前，英偉達所代表的通用結構時代正處於巔峰。而AI革命為Cerebras等大晶片廠商提供了成為行業領導者的機會，至於該技術路線是否能成為行業主流，還需要靜待市場的檢驗與淬鍊。
半導體精品公眾號推薦
專注半導體領域更多原創內容
關注全球半導體產業動向與趨勢
*免責宣告：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅為了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支援，如果有任何異議，歡迎聯絡半導體行業觀察。
今天是《半導體行業觀察》為您分享的第4022期內容，歡迎關注。
『半導體第一垂直媒體』
實時 專業 原創 深度
公眾號ID：icbank
喜歡我們的內容就點“在看”分享給小夥伴哦
