过去几年✿★ღ★，AI 芯片行业有一个很有意思的现象✿★ღ★，很多公司最初讲的故事✿★ღ★，和后来真正活下来的原因✿★ღ★，并不完全一致✿★ღ★。

　　5月14日✿★ღ★，Cerebras以每股185美元定价✿★ღ★，募资约55.5亿美元零刺青✿★ღ★，对应市值398.17亿美元✿★ღ★。成为2026年迄今全球规模最大的IPO✿★ღ★。上市首日暴涨近70%✿★ღ★。

　　他讲的故事是✿★ღ★：一颗刷新世界纪录的大芯片✿★ღ★、一份超过200亿美元的OpenAI 合同✿★ღ★、一个超过两亿美金的GAAP净利润✿★ღ★。

　　但如果把 Cerebras 的故事拆分成两层✿★ღ★：一层是技术与产品的真实位置零刺青✿★ღ★，一层是IPO招股书里写在白纸黑字上的另一面✿★ღ★，这个故事可能会给资本市场留下更多的未完待续✿★ღ★。

　　业内一直对Cerebras的Wafer-Scale存在着质疑✿★ღ★，在硬件上主要围绕工程实现和良率展开的✿★ღ★。

　　WSE涉及的版图设计✿★ღ★、片上互联✿★ღ★、缺陷绕行✿★ღ★、PVT 一致性✿★ღ★、散热零刺青✿★ღ★、供电✿★ღ★、封装long8✿★ღ★，每一项都是工程上的硬骨头✿★ღ★。客观地说✿★ღ★，Cerebras把这些骨头啃下来了✿★ღ★，这本身就是一项很强的工程成果✿★ღ★，确实是实现了工程意义上的突破✿★ღ★。

　　在良率上✿★ღ★，Cerebras 对外宣称做到了 100%✿★ღ★。可如果仔细研究其S1文件和公开的信息和资料✿★ღ★，它实际上只是改变了良率本身的计算方式✿★ღ★。

　　传统芯片的良率算的是一颗die是否如预期完整可用✿★ღ★，只要落上一个致命缺陷✿★ღ★，整颗芯片就会被报废或降级出售✿★ღ★。Cerebras把良率的定义换了一种计算方式✿★ღ★：整片晶圆能否通过冗余核心和片上网络绕过缺陷✿★ღ★，最终凑出一个逻辑上完整的计算系统✿★ღ★。根据S-1文件的描述✿★ღ★：这是从 memory 行业借来的思路✿★ღ★，DRAM/SRAM实际上就是靠冗余Row/column 把良率做到接近100%✿★ღ★，Cerebras 也把这套做法搬到逻辑芯片上✿★ღ★。

　　这倒不能说他完全是在偷换良率的概念✿★ღ★，真要实现如此大面积上的系统可用性也很不容易零刺青✿★ღ★。靠着片内互连和结构上的取巧✿★ღ★，Cerebras实现了某种工程上的突破和产品层面的平衡✿★ღ★。但说到底✿★ღ★，它和传统 GPU 良率口径不在同一个度量衡里✿★ღ★，并不能直接横向比较✿★ღ★。

　　从Cerebras的视角来看✿★ღ★，除了WSE✿★ღ★， 还有一个显著特点✿★ღ★，也是其多次强调的创新突破之处✿★ღ★，那就是片内带宽极高long8唯一官方网站登录✿★ღ★。根据其公开说法✿★ღ★，片上 NoC 带宽达到Pbps量级✿★ღ★。

　　但如果仔细研究就会发现✿★ღ★，只要数据需要离开晶圆✿★ღ★，还是要面对其他 AI芯片面临的问题✿★ღ★，片（卡）间带宽的瓶颈同样会出现✿★ღ★，片内和片间互连的量级差大约在 100 倍以上✿★ღ★。

　　训练市场有三个绕不过去的约束✿★ღ★。硬件✿★ღ★：大模型训练拼的不是单芯片算力✿★ღ★，是外部内存与外部互连✿★ღ★，权重✿★ღ★、梯度✿★ღ★、optimizer state✿★ღ★、activation 都要在大规模系统里高效搬运✿★ღ★，而WSE恰恰在片外 I/O 互连上是短板✿★ღ★。

　　软件✿★ღ★：Nvidia 的真正壁垒在 GPU+CUDA+NCCL+NVLink+NVSwitch+HBM+服务器+云厂商部署+开发者生态共同搭出的整套系统✿★ღ★，这种壁垒不是单点技术领先就能撼动✿★ღ★。训练场景的客户基本上主要为全球大模型的头部玩家了✿★ღ★，他们当下最大的战略任务是“留在牌桌上✿★ღ★、争最快迭代”✿★ღ★，没有人会用如此巨大的机会成本去赌一颗非Nvidia的训练芯片✿★ღ★。

　　Cerebras当年为训练配了SwarmX和MemoryX龙8国际✿★ღ★。✿★ღ★，这其实一定程度上是借用了AMD的既有成果✿★ღ★，挂在 WSE外面解决内存与扩展✿★ღ★。但实际部署中这套配套基本没被认真用起来✿★ღ★，根源还是那句话✿★ღ★，WSE 的技术亮点在片内✿★ღ★，AI 系统的真实瓶颈在系统✿★ღ★，在模型如此规模化的今天✿★ღ★，片间与片外的瓶颈✿★ღ★，直接限制了系统的效能✿★ღ★，进一步限制了应用场景✿★ღ★。

　　它还押过一个更大的赌注✿★ღ★：非结构化权重稀疏✿★ღ★，理论上 8:1 任意稀疏可以拿到接近 8 倍的有效算力✿★ღ★，在产品定义与设计上✿★ღ★，要在AI计算的泛化意义上来实现✿★ღ★，那是非常难的✿★ღ★。但在实际上✿★ღ★，大模型最后没走这条路✿★ღ★，业界主流是 MoE✿★ღ★、低精度量化（FP8/FP4/MXFP）✿★ღ★、attention 优化✿★ღ★。Cerebras 在硬件上尝试去做一个很难的特性✿★ღ★，但这个特性没有成为模型演进的主路线✿★ღ★。

　　这也再次证明✿★ღ★，AI芯片产品经理要对AI模型有很深刻的理解和预判能力✿★ღ★，不然的话✿★ღ★，产品定义和设计✿★ღ★，就会面临极高的风险✿★ღ★。

　　推理和训练的系统约束完全不同✿★ღ★，推理和场景有关龙8游戏官方网站✿★ღ★，✿★ღ★，其计算模式可以解耦✿★ღ★。Cerebras 把推理任务做成一条流水线✿★ღ★：把整个大模型按层切成几段✿★ღ★，分别放到一片或多片 WSE 上✿★ღ★；推理时数据像在工厂传送带上一样零刺青✿★ღ★，从第一片 WSE 流到下一片✿★ღ★，每片只负责自己那一段计算✿★ღ★。

　　这套办法之所以能在 WSE 上跑通✿★ღ★，关键在于一个细节✿★ღ★，串接片与片之间需要传输的✿★ღ★，只是这一步算出来的中间结果（activation）✿★ღ★，数据量相对较小✿★ღ★；而真正吃内存的部分（模型权重✿★ღ★、用户对话过程中累积的 KV cache）则被锁在每一片 WSE内部✿★ღ★，不需要反复跨片搬运✿★ღ★。

　　这恰好绕开了 WSE 最大的短板✿★ღ★，片外 I/O 不够快（只是相对于片间来说✿★ღ★，和其他 AI芯片其实也在同一个数量级上）✿★ღ★。对追求高 token 吞吐的推理场景✿★ღ★，这条路线的工程意义是真实的✿★ღ★：Cerebras Inference在公开 benchmark上跑出了比主流GPU方案快约15倍的token速度✿★ღ★。

　　模型大小✿★ღ★、结构✿★ღ★、KV cache 需求差异极大✿★ღ★，再加上 SRAM 容量✿★ღ★、片外 I/O 这些底层约束✿★ღ★，WSE 只能在“特定模型 + 特定适配”的场景下打出最强表现✿★ღ★。它的最优市场策略✿★ღ★，就应该是找到最通用的模型✿★ღ★、量最大的HyperScaler客户零刺青✿★ღ★，针对其计算系统进行软硬件的适配与优化✿★ღ★，这也就意味着long8唯一官方网站登录✿★ღ★，从经济意义上来看✿★ღ★，它必须挑客户✿★ღ★。

　　到这里✿★ღ★，技术故事讲完了✿★ღ★。一颗工程上有真本事的大芯片✿★ღ★，从训练市场退了出来✿★ღ★，在推理市场找到了一条高吞吐路径✿★ღ★，但这条路径必须靠少数大客户和深度适配才能走通✿★ღ★。

　　2026 年 1 月✿★ღ★，Cerebras 公开宣布与 OpenAI 的多年合同✿★ღ★，金额“超过 200 亿美元”✿★ღ★，部署 750MW 高速 AI 推理算力✿★ღ★，双方共同设计未来模型与硬件✿★ღ★。这是 Cerebras IPO路演中很重的一句线文件中long8唯一官方网站登录✿★ღ★，这句话却成为了一组互相咬合的合同条款✿★ღ★，需要拼起来才能看到全貌✿★ღ★。

　　第三笔✿★ღ★：Co-design义务 + 排他条款✿★ღ★。MRA还包含一定排他性安排✿★ღ★，限制Cerebras向OpenAI的部分特定竞争对手提供某些产品和服务long8唯一官方网站登录✿★ღ★。这意味着✿★ღ★，Cerebras在获得OpenAI大单的同时long8唯一官方网站登录✿★ღ★，也在一定程度上让渡了部分潜在客户空间✿★ღ★。

　　GAAP 净利润 +$237.8M✿★ღ★，这看上去Cerebras已经实现盈利✿★ღ★。但仔细研究S-1文件给出的完整解释会发现✿★ღ★，其中包含了一笔一次性 +$363.3M的一次性会计重估✿★ღ★。剔除这笔会计重估和股权激励✿★ღ★，Non-GAAP 净亏损$75.7M✿★ღ★，同比扩大约 $54M✿★ღ★。2024 年 +$452M的经营现金流主要靠客户预付款（G42✿★ღ★、MBZUAI 提前付款 $640M）✿★ღ★，2025 年因为预付款消化反转成了-$10M✿★ღ★。

　　再看毛利率✿★ღ★，从2024年的42.3%降到2025年的39.0%✿★ღ★，其在MD&A里提到云业务占比上升✿★ღ★，与数据中心成本相关的项目也稀释了毛利✿★ღ★，与此同时✿★ღ★，未来还将出现客户认股权证冲减收入✿★ღ★。换句线%的毛利率✿★ღ★，毛的有点毛骨悚然✿★ღ★：上市后✿★ღ★，OpenAI 和AWS的认股权证所带来的的影响一旦从 2026 年 Q1 开始确认✿★ღ★，毛利率算起来就更低了✿★ღ★。

　　S-1中附注的Note 5里明确写到✿★ღ★：G42和MBZUAI在ASC 850下被认定为相互的关联方✿★ღ★。也就是说✿★ღ★，Cerebras在2024和2025两年里✿★ღ★，几乎全部收入都来自一组在会计上可以视为“同一客户阵营”的阿布扎比实体✿★ღ★。应收账款来看集中度更夸张——2024 年末G42占91%的应收账款零刺青✿★ღ★，2025 年末MBZUAI占 77.9%✿★ღ★。

　　Wafer-Scale Engine算是过去十年最有辨识度的AI芯片项目✿★ღ★，后期重新定位的“超高速推理”作为产品定位也跑出了市场——OpenAI 的 Codex-Spark 模型在 2026 年 2 月已经跑在了Cerebras上对外服务✿★ღ★。在Nvidia锁死训练侧✿★ღ★、推理侧仍存在多种架构机会的当下✿★ღ★，在全球资本市场为AI产业疯狂砸钱的当下✿★ღ★，Cerebras选择此时上市✿★ღ★，也是煞费苦心✿★ღ★。

　　问号三✿★ღ★：客户结构能不能从“主权 AI 项目承包商”切换为“AI推理基础设施公司”？2024–2025 两年 86%–85% 的收入来自互为关联方的 G42 + MBZUAI 组合✿★ღ★，收入集中度太高✿★ღ★。这种集中度在传统工业品业务里可以被解释为早期单点突破零刺青✿★ღ★，但对一家标榜为世界顶级AI芯片公司来说✿★ღ★，它意味着估值锚是不稳定的✿★ღ★。OpenAI 的引入能否在2026–2027年真正稀释这种集中度✿★ღ★，要看后续的实际收入分布——而不是合同金额和市场叙事✿★ღ★。

　　问号四✿★ღ★：WSE-4 能不能补齐架构层面的短板？当前 WSE-3 有三个工程缺口✿★ღ★：缺乏 FP8 / MXFP / FP4 等低精度浮点支持✿★ღ★、片外和片间互连的带宽极度不带等远不够支撑大模型 KV Cache✿★ღ★、以及其核心粒度太小给编译器和数据映射带来高复杂度✿★ღ★。Cerebras 自己也承认推理经济性高度依赖片上 SRAM✿★ღ★。如果 WSE-4 不完成数量级别的改善✿★ღ★，超高速推理的故事就不那么完备✿★ღ★。产品层面客观地说✿★ღ★，在芯片硬件既定的情况下✿★ღ★，软件无法进行数量级别地优化系统能力long8唯一官方网站登录✿★ღ★，毛利率的改善必须靠硬件架构层面实打实地获取✿★ღ★！

　　问号五✿★ღ★：这套“认股权证（Warrant）换订单”的模式✿★ღ★，二级市场愿不愿意买单？Meta 接受过 AMD 的Warrant✿★ღ★，AWS也拿了Cerebras的Warrant✿★ღ★，OpenAI 拿了Cerebras 更激进的Warrant✿★ღ★，国内已上市和正在IPO的几家AI芯片公司也在用各自版本的客户股权激励换订单✿★ღ★。