誰也沒料到，AI芯片賽道的大變局，來得這么快。

去年這個時候，英偉達還因為DeepSeek引發股價大跌，而當時英偉達和特斯拉Dojo對手、AI芯片巨頭Cerebras緊急撤回IPO。

如今，情況發生巨變，AI Agent導致推理算力需求猛增、英偉達壟斷加劇、OpenAI到處尋找新的AI算力芯片，而搶到OpenAI大單的Cerebras成為了其中的受益者。

4月18日消息，今晨，Cerebras Systems Inc.正式向美國證券交易委員會（SEC）提交最新一版IPO招股書，股票代碼為“CBRS”，重啟納斯達克IPO上市之路。

摩根士丹利成為主承銷商。

花旗、巴克萊、瑞銀投資銀行、瑞穗、TD COWEN、WEDBUSH SECURITIES等一堆大投行上陣，護著Cerebras上市。

招股書顯示，2024年，Cerebras公司還處于巨額虧損4.85億美元的規模。而如今，拿到OpenAI超400億美元訂單之后，Cerebras馬上起死回生——2025年，Cerebras營收達到5.1億美元，同比增幅接近76%；同期凈利潤8790萬美元。

如今，Cerebras公司估值已經超過350億美元（約合人民幣2300億元），有望成為今年美國AI、芯片半導體、科技三大領域的最大規模IPO上市項目之一。

對于資本市場來說，“黃仁勛勁敵”、“英偉達最大對手”這個title太誘人了，Cerebras要贏麻了。

馬斯克曾重金收購，

如今卻成OpenAI的“最強算力靠山”

Cerebras公司的故事非常長、非常有趣。

在聊Cerebras公司之前，我們先普及一下為什么其AI芯片產品做的這么大。

這是Cerebras晶圓級引擎3（WSE-3）芯片，是全球最大、速度最快的AI芯片。

該芯片于2024年3月發布，用于訓練大規模生成式AI模型。

它采用臺積電5nm技術制造，擁有4萬億個晶體管、90萬個AI核心，可提供125 petaflops的性能，專門用于驅動Cerebras CS-3超級計算機。

和英偉達GPU相比，Cerebras為什么要做這么大？主要原因在于適配芯片迭代和數據中心發展。

在芯片設計行業里面有個概念叫PPA——功率（Power）、性能（Performance）和面積（Area）三個指標的首字母縮寫，這三個指標是數字IC設計的核心要素，也是與“摩爾定律”一同驅動芯片硬件迭代的重要指標。

數據中心里面則有三要素——叫計算、存儲和網絡，這是服務器和數據中心當中的核心三大件。

而在常規的芯片生產流程中，一個晶圓會在光刻后被切割成許多小裸片（Die）并且進行單獨封裝，每片裸片在單獨封裝后成為一顆完整的芯片。

芯片算力的提升方式，是依靠增加芯片面積，所以芯片廠商都在不斷努力增加芯片面積、增加更多性能、電力供應，以塞更多的晶體管。

但目前算力芯片的單Die尺寸大約是26x33=858平方毫米，也就是接近曝光窗大小，但是芯片的最大尺寸無法突破曝光窗的大小。

而Cerebras通過“晶圓級芯片”這種3D堆疊+Chiplet的大芯片方式，直接把互聯、計算都放在了同一款芯片節點上，解決很多算力不足、摩爾定律失效等問題。

這是清華大學集成電路學院胡楊教授的PPT，介紹晶圓級芯片和相關架構技術。

在晶圓級芯片中，顯存、計算、互聯帶寬都在制造層面解決，用面積換工藝制程，從而解決摩爾定律放緩、工藝節點讓算力提升不足的問題。

散熱、計算、基板、供電等層面，晶圓級芯片通過縱向方式、擴大面積解決此問題，以最大算力密度實現大模型推理。

總結來說：Cerebras 的 WSE-3 架構旨在最大限度地減少數據通信開銷，并最大限度地提高可用內存，以適應越來越大的模型推理和顯存需求，這與英偉達更傳統的（盡管是高性能的）基于 GPU 的設計形成對比，后者將計算和內存耦合在每個 GPU 上，并依賴于 GPU 之間的外部互連。

1、逐層執行和解耦內存使 Cerebras 的晶圓級引擎能夠處理龐大的模型，而不受通常 GPU 內存限制的影響。

2、晶圓上的芯片間互連繞過了多 GPU 設置中的許多延遲瓶頸，簡化了數據傳輸。

3、晶圓上數千個核心的純數據級并行性使得編程模型（一次一層）更加簡單，而無須像GPU那樣頻繁地使用流水線并行或模型并行策略。

由此而來，其WSE-3芯片體積是當前最大GPU的56倍，單位計算功耗卻遠低于同類產品，同時推理和訓練速度比競品快20倍以上。

而且，盡管晶圓級芯片單卡成本高，但總集群需要的計算互聯更少、計算卡更少，所以成本比GPU低很多。據估算，在特定的大模型推理場景下，Cerebras芯片的單位任務成本比GPU低30%–80%，但顯存要比DGX H100高1900倍、AI算力提升8倍等。

所以，這就是Cerebras比較成功的地方。

它不僅能夠形成萬卡算力集群，而且成本比GPU低、推理算力還適配當前主流大模型。Cerebras也是英偉達在AI推理算力層面的最大對手，或許也是老黃200億美元收購Groq的原因之一。

招股書顯示，Cerebras成立于2016年，總部坐落于加州森尼韋爾市，截至去年12月31日，員工總數僅708人。

這是Cerebras公司聯合創始人兼CEO安德魯·費爾德曼（Andrew Feldman），他在芯片行業擁有深厚的經驗和履歷：

• Cerebras Systems - 創始人兼首席執行官（2016 年至今）
• AMD - 公司副總裁兼總經理（2012 年至 2014 年）
• SeaMicro - 首席執行官（2007 年至 2012 年），隨后以 3.55 億美元出售給AMD。
• Crosslink Capital - 駐場企業家（2007 年 3 月至 2007 年 11 月）
• 美國風險投資公司- 駐場企業家（2007 年 5 月至 2007 年 10 月）
• Force10 Networks - 市場營銷和產品管理副總裁（2003 年至 2006 年）
• Riverstone Networks - 企業營銷和企業發展副總裁（2000 年至 2003 年）
• Cabletron - 高級市場總監（1998 年至 2000 年）
• 分子應用集團- 銷售和市場營銷副總裁（1991 年至 1993 年）

費爾德曼此前透露，早在2018年，特斯拉首席執行官埃隆·馬斯克就曾提出全資收購Cerebras的意向。

招股文件公示的投資方名單中，包括阿爾法波浪資本、標桿資本、日蝕風投、富達投資、基石資本等知名機構，企業官網同時標注，OpenAI首席執行官山姆·奧特曼（Sam Altman）亦是其個人投資方。

OpenAI、亞馬遜、甲骨文排隊買英偉達勁敵

招股書顯示，2025年收入當中，硬件占比70%以上，高達3.6億美元；算力云及其他軟件服務收入占比約30%。

事實上，OpenAI、亞馬遜、甲骨文等巨頭都非?？春肅erebras公司，尤其是英偉達收購Groq之后，奧特曼就押注了Cerebras。

OpenAI：今年1月，Cerebras宣布計劃在2028年前向OpenAI提供高達750兆瓦的計算能力。Cerebras表示，該交易價值超過200億美元。合同規定，Cerebras將在2026年至2028年間每年提供250兆瓦的計算能力。而且，OpenAI與Cerebras擴大合作關系的價值超過200億美元，合計要超過400億美元。

OpenAI還可以通過Cerebras在2030年前額外購買1.25吉瓦的計算能力。去年12月，Cerebras向OpenAI發行了認股權證，允許其購買至多3340萬股無投票權的N類股票。今年1月，Cerebras從OpenAI獲得了一筆10億美元的貸款，年利率為6%，用于建設數據中心基礎設施并提供服務，這是雙方更廣泛協議的一部分。Cerebras可以現金償還貸款，也可以通過交付產品或服務來償還。只有當OpenAI從Cerebras購買2吉瓦的計算能力時，該認股權證才能完全生效。

Cerebras表示，OpenAI聯盟“將在未來幾年內為我們帶來相當可觀的預期收入”。與此同時，如果這家芯片制造商未能按時提供計算能力，或者其服務低于特定標準，OpenAI有權終止與Cerebras的部分或全部協議。

亞馬遜：今年3月，Cerebras與亞馬遜簽署了一項協議。這將使基于 Cerebras 芯片的云服務成為可能，并使這家商業公司能夠購買價值約2.7億美元的Cerebras N類股票。

甲骨文：在Oracle 3月份的財報電話會議上，首席執行官Clay Magouyrk提到，這家數據庫和云計算公司提供來自Cerebras和其他供應商的芯片。但當時，甲骨文的價目表中并未提及Cerebras。周五提交的文件也沒有提及與甲骨文的任何業務往來。

財報顯示，Cerebras首次嘗試在 2024 年上市時，曾有一家公司表示，微軟總部位于阿聯酋的G42公司（由G42投資）貢獻了該公司當年上半年87%的收入。

但如今，到2025年，Cerebras公司24%的收入將來自G42。但另一家客戶，同樣位于阿聯酋的公共機構——穆罕默德·本·扎耶德人工智能大學，在2025年貢獻了該公司62%的收入。

截至去年12月31日，Cerebras剩余履約義務為246億美元，預計將在2026年和2027年確認其中15%的金額。

總結

2018年馬斯克收購Cerebras未果后，果斷讓特斯拉另起爐灶布局Dojo。

2021年，馬斯克就讓特斯拉的人做類似Cerebras的晶圓級芯片路線。

看似是“退而求其次”，實則特斯拉Dojo精準踩中了AI算力的核心痛點——實用與成本的平衡。

但特斯拉Dojo的技術路線和Cerebras不一樣。是通過采用Chiplet路線，在晶圓尺寸的基板上集成了25顆專有的D1芯粒（裸Die）。

D1芯粒在645平方毫米的芯片上放置了500億個晶體管，單個Dojo擁有9Petaflops的算力，以及每秒36TB的帶寬。

而特斯拉的Dojo系統開始專門針對全自動駕駛（FSD）模型的訓練需求而定制，希望用10個機柜組成1套ExaPOD超算系統，能夠提供1.1EFlops的計算性能——成本大大降低。

如今，Dojo AI5回片之后，要做的則是大模型、太空算力這些新項目。

但是，Dojo曾停下來了近一年，團隊解散、項目停擺——所以本質上，Cerebras這種晶圓級芯片路線依然存在巨大問題：

1、制造成本高：相比傳統GPU計算單卡30萬美元的成本，單個WSE-3制造成本就要高達250萬美元、整個機架要高達500萬美元，核心還是在于需要另開一條產品線去制造量產，無法規?；慨a。

所以，臺積電、三星量產Cerebras都需要排隊和時間，而且因為很多互聯導線穿插Die之間，良率是否更高，外界依然未知，沒有可行性證據。

2、雖然說躲開了工藝節點，但未來三年內，不排除AI大模型行業會發生什么變化，芯片迭代需要三年、模型迭代就一周。

所以，未來Cerebras這類晶圓級芯片的銷售會變得更難——畢竟傳統GPGPU產業鏈成熟，有更大的規?；慨a銷售機會。

前兩天，黃仁勛的判斷一語中的：摩爾定律死了。

制程迭代的性能差距，被嚴重高估。從Hopper到 Blackwell，制程帶來的硬件性能提升僅有 75%，而架構、算法、互聯優化帶來的能效提升達到50倍。

芯片半導體工藝只是底層基礎，計算架構、軟件生態、算法創新、高速互聯，才是決定AI算力上限的核心因素。單純依靠先進制程封鎖，無法限制AI發展，反而會倒逼對方探索差異化技術路線。

所以，黃仁勛已經不再追制程、追單卡性能領先，而是追集群系統級效能提升：從 Hopper 架構到 Blackwell 架構，算力能效提升10至20倍，部分場景甚至達到30至50倍。

而Cerebras的堅守固然值得敬佩，其晶圓級芯片路線試圖跳出傳統GPU的框架，卻終究沒能繞開行業的現實壁壘：

高昂的制造成本、難以規模化的量產難題、未知的良率風險，再加上黃仁勛拋出的“架構與算法才是算力核心”的觀點，更讓這條路線的未來蒙上了一層迷霧。

它躲開了工藝節點的束縛，卻沒能建立起成熟的產業鏈生態，面對傳統GPGPU的成熟布局和英偉達的戰略轉型，僅憑硬件性能的差異化，很難在激烈的競爭中站穩腳跟。

這場AI算力路線發展，沒有絕對完美的技術路線，只有適配時代需求的選擇。

未來，AI算力的競爭只會愈發激烈。

無論是堅守差異化路線的Cerebras，還是務實調整的Dojo，唯有正視自身短板、緊跟行業趨勢，才能在這場算力革命中占據一席之地。

而這，也正是整個AI芯片行業需要思考的核心命題。