（原标题：大芯片开yun体育网，两条道路）

淌若您但愿不错常常碰头，宽宥标星保藏哦~

在前不久刚终端的CES展会上，英伟达重磅推出RT50系列显卡和GB10超等芯片等家具，激刊行业温雅。

对此，Cerebras指天画地的对英伟达评价说念：“它不是着实的AI大芯片”。

人所共知，跟着AI波浪的兴起，芯片成为行业要道推手。行为GPU巨头，英伟达凭借高性能GPU占据AI芯片市集的主导地位，跟英特尔、AMD等厂商雷同，齐是袭取将大片晶圆切分红微型芯片的形式，然后将繁多GPU或加快器互联起来打形成性能苍劲的AI处理器集群。

与此同期，业界还有一种成功在整片晶圆上作念AI大芯片架构的厂商。其中，Cerebras就是后者的典型代表之一，旨在以不同联想法式和架构的AI大芯片，领跑“后AI时期”。

英伟达，Not a real big AI chip

动身点以芯片巨头英伟达为例，来望望这种通过小芯片集群架构来联想AI芯片的形式。

进入AI大模子时期， 因为单芯片算力和内存有限，无法承载大模子，单个GPU老师AI模子早已成为历史。通过多种互连本事将多颗GPU算力芯片互连在一齐提供大限度的算力、内存，成为行业趋势。

在DGX A100情况下，每个节点上8张GPU通过NVLink和NVSwitch互联，机间成功用200Gbps IB HDR网罗互联；到了DGX H100，英伟达把机内的NVLink推广到机间，加多了NVLink-network Switch，不错搭建256个H100 GPU构成的SuperPod超等诡计系统。

不错看到，跟着AI算力需求持续增长，多GPU并行成为一种趋势，不错撑抓大模子的老师和推理。

关于多GPU系统而言，一个要道的挑战是怎样杀青GPU之间的高速数据传输和协同职责。然而，传统的PCIe总线由于带宽为止和蔓延问题，照旧无法得志GPU之间通讯的需求。

对此，英伟达推出了NVLink、NVSwitch等互连本事，通过更高的带宽和更低的蔓延，为多GPU系统提供更高的性能和效果，支抓GPU 之间的高速数据传输和协同职责，提高通讯速率，加快诡计过程等。

NVLink用于蚁合多个GPU之间或蚁合GPU与其他开拓（如CPU、内存等）之间的通讯。它允许GPU之间以点对点形式进行通讯，具有比传统的 PCIe 总线更高的带宽和更低的蔓延，为多GPU系统提供更高的性能和效果。

NVSwitch旨在处分单处事器中多个GPU之间的全蚁合问题，允许单个处事器节点中多达16个GPU杀青全互联，这意味着每个GPU齐不错与其他GPU成功通讯，无需通过CPU或其他中介。

NVSwitch全蚁合拓扑

（图源：nextplatform）

2022年，英伟达将NVSwitch芯片孤苦出来，并制作成NVLink交换机，不错在单个机架内和多个机架间蚁合成NVLink网罗，不错处分GPU之间的高速通讯带宽和效果问题。

2023年，英伟达生成式AI引擎DGX GH200插足量产，GH200是H200 GPU与Grace CPU的相接体，一个Grace CPU对应一个H200 GPU，GPU与GPU、GPU与CPU之间均袭取NVLink4.0蚁合；

再到新一代AI加快卡GB200，由1个Grace CPU和2个Blackwell GPU构成。在GB200 NVL72整机柜中，一共包含了72颗Blackwell GPU芯片，18颗NVSwitch芯片，英伟达用了5000根铜缆将统共的GPU齐与统共的NVSwitch全部蚁合起来。

经过多年演进，NVLink本事已升级到第5代。NVLink 5.0以100GB/s的速率在处理器之间迁徙数据。每个GPU有18个NVLink蚁合，Blackwell GPU将为其他GPU或Hopper CPU提供每秒1.8TB的总带宽，这是NVLink 4.0带宽的两倍，是行业规律PCIe Gen5总线带宽的14倍。NVSwitch也升级到了第四代，每个NVSwitch支抓144个NVLink 端口，无阻碍交换容量为14.4TB/s。

有时看到，跟着每一代NVLink的更新，其每个GPU的互联带宽齐是在持续的普及，其中NVLink之间有时互联的GPU数，也从第一代的4路到第四代/第五代的18路。每个NVLink链路的速率也由第一代的20Gb/s普及至咫尺的1800Gb/s。

NVLink和NVSwitch等本事的引入，为GPU集群和深度学习系统等应用场景带来了更高的通讯带宽和更低的蔓延，从而普及了系统的合座性能和效果。

在2025年CES上，英伟达新推出GeForce RTX 5090与GB10芯片，代表着英伟达在诡计架构和本事道路上的再一次跨越。

Blackwell架构袭取了最新一代的CUDA中枢和Tensor中枢，突出优化了AI诡计的效果。NVLink72行为一种高速互联本事，允很多达72个Blackwell GPU 互联，构建出极为雄伟的诡计集群。此外，行为集群的一部分，2592个Grace CPU中枢也为GPU提供了雄伟的协同诡计能力，有时更好地持续和调理任务。

除了传统的GPU和集群处分有诡计，英伟达还推出了AI超等诡计机Project DIGITS，Project Digits的中枢在于其搭载了英伟达的Grace Blackwell超等芯片（GB10）。

GB10是一款SoC芯片，基于Grace架构CPU和Blackwell GPU的组合，Grace GPU部分基于Arm架构，具有20个高效节能中枢，Blackwell GPU部分则支抓高达1PFlops(每秒一千万亿次)的FP4 AI性能，可运行2000亿参数的大模子。GB10还袭取了NVLink-C2C芯片间互联本事，将GPU与CPU之间的通讯效果普及到新的高度，为土产货AI模子的开发、推理和测试提供雄伟的支抓。

据先容，这台AI超算还集成了128GB LPDDR5X内存和高达4TB的NVMe存储，使开发东说念主员有时处理很多条件暴虐的AI职责负载。

除此除外，Project DIGITS还配备了一颗孤苦的NVIDIA ConnectX互联芯片，它不错让“GB10”超等芯片里面的GPU兼容多种不同的互联本事规律，其中包括NCCL、RDMA、GPUDirect等，从而使得这颗“大核显”不错被各式开发软件和AI应用成功拜访，允许用户运行具有多达4050亿个参数的大模子。

这意味着，在分散式系统中，除了单卡和多卡互连外，处事器之间的多机互联也不错袭取InfiniBand、以太网、GPUDirect等新的互联本事。

在硬件和互联本事除外，英伟达还开发了以CUDA为中枢的软件架构，与其硬件进行配套使用，从而更好地证明硬件的性能。英伟达凭借其在系统和网罗、硬件和软件的全办法布局，使其在AI生态紧紧占据主导地位。

实质上，行业芯片大厂齐在互联本事上积极布局。除了英特尔2001年提议的PCIe（PCI-Express）合同，AMD也推出了与英伟达NVLink相似的Infinity Fabric本事。

AMD的AI加快器Instinct MI300X平台，就是通过第四代Infinity Fabric链路将8个完满蚁合的MI300X GPU OAM模块集成到行业规律OCP联想中，为低蔓延AI处理提供高达1.5TB HBM3容量。第四代Infinity Fabric支抓每通说念高达32Gbps，每链路产生128GB/s的双向带宽。

与此同期，AMD、博通、念念科、Google、惠普、英特尔、Meta和微软在内的八家公司组建了新的定约，为东说念主工智能数据中心的网罗制定了新的互联本事UALink（Ultra Accelerator Link）。

据了解，UALink提议的第一个规律版块UALink 1.0，将蚁合多达1024个GPU AI加快器，构成一个诡计“集群”，基于包括AMD的Infinity Fabric在内的“盛开规律”，UALink 1.0将允许AI加快器所附带的内存之间的成功加载和存储，共同完成大限度诡计任务。

与现存互连法式比拟，UALink 1.0总体上将提高速率，同期裁汰数据传输蔓延。

UALink定约旨在创建一个盛开的行业规律，允很多家公司为统共这个词生态系统增涨价值，从而幸免本事把持。

AI芯片，互连挑战与内存瓶颈

从行业大厂推出的一系列GPU和SoC有时看到，跟着AI大模子对算力基础设施的条件从单卡拓展到了集群层面，其AI芯片袭取的是将多个小芯片进行集群和互连的架构，这对大限度卡间互联的兼容性、传输效果、时延等议论提议了更高的条件。

GPU集群的限度和有用算力，很大程度上取决于GPU集群网罗设立和使用的交换机开拓，蚁合规律的带宽也为止了诡计网罗的带宽。

从PCIe到NVLink、Infinity Fabric再到InfiniBand、以太网和UALink，尽管这些本事持续迭代升级，通过高带宽、低蔓延的数据传输，杀青了GPU或AI处事器之间的高速互联，在普及深度学习模子的效果和诡计性能方面证明了迫切作用。

但有时料料想是，跟着异日诡计数据的爆炸式增长、神经网罗复杂性持续加多，以及AI本事的加快演进，对更高带宽的需求还在链接增长。

互联本事仍不成幸免的成为行业中的瓶颈挑战，为止了GPU和AI芯片的最大性能开释。

与互联本事的滞后比拟，存储本事的瓶颈似乎亦然一大约道。

人所共知，冯·诺依曼架构濒临的一个中枢挑战是CPU/GPU等处理器的诡计速率与内存拜访速率之间的不匹配，尤其是与存储开拓的速率比拟更是一丈差九尺。这就是业界着名的“内存墙”，其不平衡的发展速率对日益增长的高性能诡计形成了极大制约，成为老师大限度AI模子的瓶颈。

现时在AI、机器学习和大数据的鼓舞下，数据量呈现出指数级的增长，存储本事必须紧随后来，才能确保数据处理的效果和速率。关于现时的内存行业来说，高带宽内存（HBM）照旧成为焦点，尤其是在AI大模子老师和推理所需的GPU芯片中，HBM险些照旧成为标配。

尽管以HBM为代表的存储本事带来了权臣的存算带宽普及，在一定程度上缓解了带宽压力，但并未从根柢上改变诡计和存储分离的架构联想。与GPU等诡计芯片的快速发展比拟，仍濒临内存受限、存储空间的数据蒙胧能力容易跟不上诡计单位需求量的挑战。

存算带宽暗示（图源：Cerebras ）

存储本事滞后于诡计芯片发展的风光，通晓照旧成为当代诡计系统中的一大瓶颈。存储本事的滞后会给高性能诡计带来多重挑战：

诡计能力铺张：GPU的雄伟诡计能力无法得到充分应用，存储瓶颈导致大齐的GPU诡计资源处于优游状态，无法高效地推论任务。这种不匹配导致了系统性能的低效证明，加多了诡计时刻和能源耗尽。

AI老师效果下落：在深度学习老师过程中，大齐的数据需要通常地在GPU与存储之间交换。存储的低速和高蔓延成功导致AI老师过程中数据加载时刻过长，从而延长了模子老师周期。这关于需要快速迭代的AI名目来说，可能会形成较大资本压力。

大限度数据处理的拦阻：跟着大数据的兴起，很多AI应用需要处理海量数据。现时存储本事未能有用支抓大限度数据的快速处理和存储，突出是在多节点分散式诡计的场景中，存储瓶颈往往成为数据流动的最大拦阻。

详细来看，英伟达、AMD等芯片厂商行为AI界限的主导硬件采选，其雄伟的并行诡计能力为大限度神经网罗的老师提供了极大的匡助。

然而，在AI模子限度抓续扩大、推理任务冉冉普及的过程中，GPU架构的局限性冉冉表示，大齐数据的传输和存储可能成为瓶颈，进而影响AI大模子老师和推理的速率和效果。

Cerebras：A real big AI chip

面对上述挑战，Cerebras推出的Wafer-Scale引擎成为了创新性的处分有诡计。

当年70年中，莫得任何公司收效克服制造大型芯片的复杂性，即即是Intel和Nvidia这样行业巨头也未能处分这一挑战。尽管在与诸多曾尝试构建大型芯片的内行参谋后，很多东说念主觉得制造如斯大的芯片不成能杀青，但Cerebras依然充满信心。

“晶圆级”引擎，来势汹汹

2019年，Cerebras公开展示了WSE-1芯片，这一芯片比其时最大的GPU大了56.7倍，包含卓越1.2万亿个晶体管，而其时最大的GPU惟有211亿个晶体管；2022年，在湾区的诡计历史博物馆展示了WSE-2芯片，WSE-2将晶体管数目普及到2.6万亿，并在更小的空间和功耗下提供了更强的诡计性能，标记着诡计历史上的一个迫切里程碑。

2024年，Cerebras推出的WSE-3包含4万亿个晶体管和90万个诡计中枢，其性能不错老师比OpenAI的GPT-4大13倍的AI模子。

WSE-3与咫尺行业最新的 GPU 芯片尺寸对比

传统芯片在晶圆上以网格模式打印，然后切割成数百个微型芯片，而Cerebras的晶圆级集成则跳过了这种切割表情，成功将统共这个词晶圆联想成一个单一的超大芯片，因此称为“晶圆级”引擎。该有诡计通过将海量的诡计资源和存储资源蚁合在单一的超大限度芯片（晶圆）上，优化了数据传输旅途，减少了蔓延，权臣提高了推理速率。

要矫健这种联想的必要性，动身点需要了解AI开发中波及的两大瓶颈：一是处理数百万矩阵乘法运算所需的诡计能力（FLOPs）；二是通过各式归一化、SoftMax或ReLU操作在模子聚聚会更新权重所需的内存带宽。

在诡计能力部分，诚然其越过罢免摩尔定律，但内存带宽的普及却远远滞后。举例，英伟达从2020年发布的A100到2022年的H100，诡计能力加多了约6倍，但内存带宽仅增长了1.7倍。

老师时刻的主导身分从诡计能力转向了内存带宽。

同期，由于传统的处理器芯片里面内存有限，无法存储用于诡计的数据。在处理如LLM模子老师这样的大限度诡计任务时，处理器芯片需要持续地将数据从芯片外的内存中出入。处理器与内存芯片之间的通讯速率远低于处理器诡计速率，芯片与芯片之间的通讯速率比芯片里面的通讯慢100倍以上，导致内存瓶颈问题。

Cerebras的晶圆级引擎恰是为了处分这些瓶颈而联想的。

通过联想更大的芯片，不错加多处理器和土产货内存芯片的空间，应用千千万万的硅线杀青两者之间的高速通讯，联想幸免了像英伟达、AMD在将多个GPU或处理器蚁合时濒临的互联瓶颈和内存带宽问题。

具体来看，在这个超大芯片上，Cerebras将诡计单位和内存单位高度集成，形成了一个密集的网格结构。

与传统的冯·诺依曼架构不同，这种存算一体本事将诡计单位与存储单位深度会通，极地面减少了数据在内存与处理器之间传输的距离和时刻，从根柢上突破了“存储墙”问题，极大普及了存算交换效果，使得数据能在极短的时刻内完成读取和诡计，从而杀青超快推理。

收货于芯片尺寸，对比英伟达H100 GPU，Cerebras WSE-3领有90万个诡计中枢，是H100的52倍，片上内存是H100的880倍，内存带宽是其7000倍，而通过WSE-3的片上互联本事，中枢之间的互连带宽更是作念到了214Pbps，是H100系统的3715倍。

Cerebras WSE与英伟达H100存算带宽对比

诸多上风加抓下，字据Cerebras的数据，其推理处事在运行开源模子Llama 3.1 8B时不错达到1800 token/s的生成速率，而在运行Llama 3.1 70B时也能达到450 token/s。比拟之下，英伟达H100 GPU 在这两个模子上的推崇分歧为242 token/s和128 token/s。在许厚情况下，WSE-3比使用英伟达H100构建的系统快10到20倍。

然而，这样大尺寸的芯片诚然性能雄伟，但更容易遇到转折，因为跟着芯单方面积增大，良率会指数级下落。因此，尽管较大的芯片平常运行速率更快，早期的微处理器为了看守可接受的制造良率与利润，平常采选适中的尺寸。

频年来，跟着制造工艺和光刻开拓的越过，转折率得到了限制，且通过规律的内存制造工艺，不错绕过有转折的部分，确保合座芯片不被一个转折影响。Cerebras在其WSE芯片中添加了冗余中枢联想，并通过固件映射来屏蔽制造转折，以推辞单一转折损坏统共这个词芯片。这与传统的芯片制造形式不同，后者平常会丢弃有转折的芯片。

同期，容错率的程度可由转折发生时损失的芯单方面积来臆测。关于多中枢芯片而言，中枢越小，容错率越高。淌若单个中枢实足小，就有可能制造相等大的芯片。

据了解，在决定构建晶圆级芯片之前，Cerebras动身点联想了一个相等小的中枢。Wafer Scale Engine 3中的每个AI 中枢约为0.05mm2，仅为H100 SM 中枢大小的约1%。这两种中枢联想均具备容错能力，这意味着一个WSE 中枢的转折仅会损失0.05mm2，而H100 则会损背信6mm2。从表面上来看，Cerebras WSE芯片的容错率比GPU高约100倍，筹商的是转折对硅面积的影响。

但只是领有小中枢还不够。Cerebras还开发了一种精密的路由架构，有时动态再行设立中枢之间的蚁合。当侦测到转折时，系统可透过冗余通讯旅途自动绕过转折中枢，并应用旁边中枢保抓芯片的合座运算能力。

路由架构（图源：techbang）

该路由系统与小量备用中枢协同职责，有时替换受转折影响的中枢。与以往需要大限度冗余的形式不同，Cerebras的架构透过忠良型路由杀青了以最少备用中枢达成高良率。

在生意模式上，Cerebras的中枢家具不是单独销售WSE芯片，而是提供与其WSE芯片共同联想和优化的集成诡计系统。到咫尺为止，Cerebras 照旧推出了三款诡计系统：CS-1（针对WSE-1），CS-2（针对WSE-2），以及最新的CS-3（针对WSE-3）。

每个系统齐包含一个“引擎块”，其中包括芯片封装、供电系统和一个闭塞的里面水轮回，用于冷却功耗巨大的WSE芯片。此外，统共的冷却和电源开拓齐有冗余且支抓热插拔。

据了解，Cerebras的系统有诡计具备诸多上风：

推广能力：Cerebras的诡计系统通过其SwarmX（网罗通讯）和MemoryX（存储权重）本事来杀青可推广性。SwarmX本事允许最多192台CS-2系统或2048台CS-3系统蚁合在一齐，杀青险些线性性能增益。举例，三倍数目的CS-3系统不错将LLM的老师速率普及三倍。比拟之下，英伟达通过收购Mellanox来蚁合GPU，但性能增益是次线性的。

此外，MemoryX本事为每个诡计系统提供最高1.2TB的存储空间，允许每个系统存储24万亿参数，并在老师期间将统共模子参数存储在芯片外，同期提供接近芯片内的性能。一个由2048台CS-3系统构成的集群不错以256 exaFLOPS的AI诡计能力，不到一天的时刻就不错完成Llama2-70B模子的老师。

内存和诡计解耦：Cerebras的系统允许内存和诡计能力孤苦推广，而GPU的内存和诡计能力是固定的。比如，英伟达的H100芯片内存为止为80GB，GPU集群需要将LLM见识成多个小部分，在千千万万的GPU之间分拨，加多了模子分散和持续的复杂性。而Cerebras的单个诡计系统不错容纳和老师一个包含数万亿参数的模子，不需要分散式老师软件，从而减少了开发过程中97%的代码量。

系统性能：Cerebras的诡计系统单台开拓的性能照旧卓越传统的GPU机架。2019年发布的CS-1就比GPU快1万倍，且比其时人人排行第181的Joule超等诡计机快200倍。CS-2于2021年发布，性能较CS-1普及一倍。而CS-3于2024年推出，性能再翻倍，但功耗和资本未加多。一个CS-3系统的诡计能力颠倒于一整房间处事器中数十到数百个GPU的总数。48台CS-3的集群性能卓越了好意思国的Frontier超等诡计机——人人排行第一的超等诡计机，但资本低廉了100倍。

AI推理能力：2024年8月，Cerebras为CS-3系统启用了AI推理功能，成为人人最快的AI推理提供商。一个月后，Groq和SambaNova在推理速率上有所进展，但Cerebras飞快夺回了第一的位置。Cerebras的推理能力比Nvidia H100快20倍，资本仅为其五分之一。关于需要及时或高蒙胧量推理的AI家具开发者，Cerebras的低蔓延推理能力将尤为迫切。

AI大芯片，更适用于大模子推理？

AI推理是指在经过大齐数据老师之后，AI系统应用其模子对新的输入数据进行判断、分类或预测的过程。推理速率的快慢成功影响着AI系统的响应能力、用户体验，以及AI本事在及时交互应用中的可行性。

现时，尽管大多数AI系统照旧不错处理复杂的任务，但推理过程仍然耗时较长。尤其在当然话语处理（NLP）任务中，举例ChatGPT这种谎言语模子，系统需要逐字生成回应，这使得及时交互变得逍遥且不教授。

跟着AI大模子抓续发展，行业重心正在从“老师模子”转向“模子推理”，意味着对推理基础设施的需求呈现高潮趋势。举例，不管是OpenAI的o1和o3模子，照旧Google的Gemini 2.0 Flash Thinking，均以更高强度的推理战术来普及老师后终结。

巴克莱研报骄矜，AI推理诡计需求在快速普及，瞻望异日其将占通用AI合诡计需求的70%以上，推理诡计的需求甚而不错卓越老师诡计需求，达到后者的4.5倍。

面对行业趋势，这家建立于2016年的巨型晶圆级芯片公司，展示了AI推理芯片界限创新的巨大后劲。Cerebras凭借其超快的推理速率、优异的性价比和独有的硬件联想，将赋予开发者构建下一代AI应用的能力，这些应用将波及复杂、多表情的及时处理任务。

从其财务数据来看，Cerebras呈现出快速增长的态势。2024年上半年，公司杀青销售额1.364亿好意思元，比拟2023年同期的870万好意思元增长卓越15倍。净亏本也从7780万好意思元收窄至6660万好意思元。2023年全年，Cerebras净亏本1.272亿好意思元，营收7870万好意思元。公司瞻望2024年全年销售额将达到2.5亿好意思元，较2022年的8300万好意思元增长201%。

这种高速增长无疑印证了Cerebras的中枢竞争力，同期增强了其寻求上市的勾引力。

从更宏不雅的角度来看，Cerebras的IPO反应了AI芯片市集的巨大后劲和强烈竞争。咫尺，英伟达在这一界限占据约90%的市集份额，但跟着AI本事的普及和应用场景的拓展，市集对高性能AI芯片的需求正在快速增长。除了Cerebras，包括AMD、英特尔、微软和谷歌在内的科技巨头也齐在积极布局AI芯片界限。此外，亚马逊、谷歌和微软等云处事提供商也运转自主开发AI芯片，以减少对第三方供应商的依赖。

呼吁大进背后，Cerebras仍挑战重重

然而，尽管Cerebras一齐呼吁大进，但其业务和本事也存在一些值得温雅的风险身分，这也在一定程度上也反应着统共这个词AI大芯片本事架构厂商存在的共性挑战与隐忧。

存算一体本事：尽管存算一体本事展现出巨大后劲，但其市集化进度仍濒临挑战。GPU有诡计在资本和生态熟练度上仍具有一定上风。因此，存算一体芯片不仅要通过本事升级裁汰资本，还需通过实质应用栽植市集，强化用户对超快推理的价值融会。

散热挑战：当芯片的面积加多，有更多的电流流过晶体管，半导体电阻当然会产生更多的热量。淌若热量过高，还会见识芯片过火名义的小部件。英伟达的Blackwell GPU数据中心中，齐需要巨型的冷却系统。而Cerebras的巨无霸芯片，更是需要一套庞杂的散热系统。有利的、庞杂的散热系统也意味着，部署芯片需要额外的配套资本。

客户生态：英伟达的软件和硬件堆栈在行业中占据主导地位，并被企业庸俗袭取。在生态系统的熟练度、模子支抓的庸俗性以及市集融会度方面，英伟达仍然占据上风。比拟于Cerebra，英伟达领有更大的用户群体和更丰富的开发者器具和支抓。Futurum Group分析师指出，诚然Cerebras的晶圆级系统有时以比英伟达更低的资本提供高性能，但要道问题是企业是否甘心休养其工程经过以相宜Cerebras的系统。

客户蚁合度高/供应链中断风险：招股证明书骄矜，总部位于阿联酋的AI公司Group 42在2023年孝顺了Cerebras 83%的收入。这种过度依赖单一客户的情况可能会给公司带来潜在风险，拓宽客户基础、裁汰对单一客户的依赖，将是Cerebras必须面对的挑战。其次，Cerebras的芯片由台积电坐蓐，公司教唆投资者谨防可能的供应链中断风险。

盈利挑战：尽管Cerebras在本事上处于最初，但其财务气象却仍是挑战。数据骄矜，从2022年到2023年，Cerebras累计收入1亿好意思元，但净亏本则高达3亿好意思元。2024年上半年，尽管收入同比增长1480%，达到了1.364亿好意思元，但净亏本依旧达到6661万好意思元。这标明，尽管收入增长迅猛，Cerebras仍濒临盈利转变的严峻考验。

市集竞争：跟着东说念主工智能硬件市集的持续发展，Cerebras 还将濒临来自专科云提供商、微软、AWS 和谷歌等超大限度提供商以及 Groq 等专用推理提供商的竞争。性能、资本和易实施性之间的平衡可能会影响企业袭取新推理本事的决策。

在咫尺快速演变的本事生态系统中，多本事协同升级已成为鼓舞新兴本事发展的中枢能源。要杀青算力的抓续增长，GPU、互联、存储等本事必须合营发展。诚然GPU本事已得到了权臣越过，但莫得更高效的互联本事和更快的存储本事撑抓，算力的后劲将无法完满开释。

关于英伟达等科技巨头而言，怎样链接鼓舞GPU与其他要道本事的协同进化，处分存储、互联的瓶颈，将是异日几年中的主要挑战。

另一边，行为一家建立仅8年的初创公司，Cerebras有时在短时刻内发展到挑战行业巨头的地步，充分证明了AI本事的巨大后劲和市集的快速变革。如今AI芯片市集的洗牌，不仅是本事的比拼，更是理念和异日愿景的回击。

字据半导体“牧本周期”——芯片类型有司法地在通用和定制之间不断瓜代——在某个特定时期内，通用结构最受宽宥，但到达一定阶段后，得志特定需求的专用结构会振奋为雄。

现时，英伟达所代表的通用结构时期正处于巅峰。而AI创新为Cerebras等大芯片厂商提供了成为行业带领者的契机，至于该本事道路是否能成为行业主流，还需要静待市集的磨真金不怕火与淬真金不怕火。

半导体佳构公众号推选

专注半导体界限更多原创内容

温雅人人半导体产业动向与趋势

*免责声明：本文由作家原创。著述内容系作家个东说念主不雅点，半导体行业不雅察转载仅为了传达一种不同的不雅点，不代表半导体行业不雅察对该不雅点赞同或支抓，淌若有任何异议，宽宥筹商半导体行业不雅察。

今天是《半导体行业不雅察》为您共享的第4022期内容，宽宥温雅。

『半导体第一垂直媒体』

及时 专科 原创 深度

公众号ID：icbank

心爱咱们的内容就点“在看”共享给小伙伴哦开yun体育网