Cerebras IPO 深度解析：晶圆级芯片如何挑战 NVIDIA 的 AI 霸权

2026 年 5 月，Cerebras Systems 正式向 SEC 提交了 IPO 申请。如果一切顺利，这将成为 2026 年全球最大的科技 IPO，甚至可能超越 Arm 和 Snowflake 的上市记录。

Cerebras 是谁？ 一家成立于 2016 年的 AI 芯片公司，创始人 Andrew Feldman 曾是 SeaMicro（后被 AMD 收购）的 CEO。Cerebras 的技术路线在芯片行业独一无二——它不走 NVIDIA GPU 的多芯片并行路线，而是制造整片晶圆大小的单颗芯片（晶圆级芯片，Wafer-Scale Engine）。

为什么资本市场如此关注？ 三个原因：

第一，OpenAI 的紧密合作。Cerebras 是 OpenAI 除 NVIDIA 之外最大的算力供应商之一。据报道，OpenAI 在训练最新模型时，同时使用 NVIDIA H100 集群和 Cerebras WSE-3 集群。这给了 Cerebras 行业顶级的信用背书。

第二，AI 算力需求爆炸。全球 AI 算力需求正在以每年 10 倍的速度增长。NVIDIA 的 GPU 供不应求，交付周期长达 6-12 个月。Cerebras 的 WSE-3 提供了一种替代方案，而且在某些大模型训练场景下，性能优于同等规模的 GPU 集群。

第三，估值预期极高。Cerebras 的最新一轮私募融资估值为 70-80 亿美元，但 IPO 市场可能给出 120-150 亿美元 的估值。如果实现，这将是 AI 基础设施领域近三年来最大规模的上市事件。

本文将回答一个核心问题：Cerebras 的技术到底有什么特别？它真的能挑战 NVIDIA 的霸权吗？还是又一个被高估的 AI 概念股？

要理解 Cerebras 的价值，必须先理解它的核心技术——晶圆级芯片（Wafer-Scale Engine, WSE）。

2.1 什么是晶圆级芯片？

传统芯片制造的流程是：在一块 12 英寸晶圆上制造数百颗小芯片（die），然后切割（dicing）、封装、测试。每颗芯片独立工作，通过 PCIe/NVLink 等总线互联。

Cerebras 的做法完全不同：它不切割晶圆——整片晶圆就是一颗芯片。这意味着芯片的面积不是 200-800 mm²（NVIDIA H100 GPU 约 814 mm²），而是 46,225 mm²——相当于 57 块 H100 GPU 的面积。

2.2 WSE-3 技术参数

参数	WSE-3	NVIDIA H100	差距
芯片面积	46,225 mm²	814 mm²	57 倍
晶体管数量	4 万亿	800 亿	50 倍
AI 核心数	900,000	16,896 (Tensor Core)	53 倍
片上内存	44 GB SRAM	80/141 GB HBM3	结构不同
内存带宽	21.6 TB/s	3.35/4.8 TB/s	6 倍
制程	TSMC 5nm	TSMC 4N	相近

2.3 WSE-3 的核心优势

优势一：超低延迟通信。在 GPU 集群中，不同 GPU 之间的通信需要通过 NVLink/InfiniBand，延迟通常在 1-10 微秒。而 WSE-3 的 90 万个 AI 核心全部在同一颗芯片上，通过片上网络（on-chip network）通信，延迟不到 100 纳秒——比 GPU 集群快 10-100 倍。

这在大模型训练中是决定性优势。因为 Transformer 模型的 All-Reduce 操作（所有 GPU 之间同步梯度）是通信密集型的。通信越快，训练效率越高。

优势二：编程简化。在 GPU 集群上训练大模型，需要处理复杂的分布式策略——数据并行、张量并行、流水线并行——每种策略都有不同的通信模式和内存管理。Cerebras 的 WSE-3 由于所有核心在同一个芯片上，开发者只需要写单设备代码，编译器自动处理核心间通信。

优势三：内存带宽。WSE-3 的 21.6 TB/s 片上内存带宽是 H100 的 6 倍。这意味着在内存密集型任务（如大模型推理）中，WSE-3 的数据供给能力远超 GPU。

2.4 WSE-3 的核心劣势

劣势一：良率问题。一整片晶圆作为一颗芯片，意味着晶圆上任何一个瑕疵都会导致整颗芯片报废。Cerebras 通过冗余核心设计解决这个问题——WSE-3 有约 8％ 的冗余核心，当制造过程中某些核心损坏时，自动切换到冗余核心。但这种方案的成本远高于传统芯片。

劣势二：无法灵活扩展。GPU 的优势在于按需组合——你可以买 1 块、10 块、1000 块。但 WSE-3 的最小单位就是一整个系统（通常包含 4-16 块 WSE）。对于中小型企业来说，入门门槛太高。

劣势三：生态薄弱。CUDA 有数百万开发者、数万篇教程、所有主流框架的原生支持（PyTorch、TensorFlow、JAX）。Cerebras 的软件栈虽然支持 PyTorch，但需要专门的编译器，很多自定义算子需要手动移植。

2.5 Cerebras 编程模型对比代码

Cerebras 的核心编程优势在于：开发者不需要处理分布式并行策略。所有 90 万个核心在同一个芯片上，编译器自动处理核心间通信和内存管理。

下面是NVIDIA GPU 集群与 Cerebras WSE-3 的训练代码对比：

import torch
import torch.distributed as dist
from torch.nn.parallel import DistributedDataParallel as DDP

class DistributedLLMTrainer:
    def __init__(self, model, world_size, rank):
        # 初始化分布式环境（NCCL 后端）
        dist.init_process_group(backend='nccl', rank=rank, world_size=world_size)
        self.device = torch.device(f'cuda:{rank}')
        
        # 张量并行：将模型切分到多张 GPU
        self.model = self._apply_tensor_parallel(model)
        self.model = DDP(self.model.to(self.device), device_ids=[rank])
        
        self.grad_accum_steps = 4
        self.scaler = torch.cuda.amp.GradScaler()
    
    def _apply_tensor_parallel(self, model):
        """将模型按层切分到多张 GPU（张量并行）"""
        for name, module in model.named_modules():
            if isinstance(module, torch.nn.Linear):
                chunk_size = module.weight.size(0) // self.world_size
                module.weight.data = torch.chunk(
                    module.weight.data, self.world_size, dim=0
                )[self.rank]
        return model
    
    def train_step(self, batch):
        """单步训练：包含 All-Reduce 梯度同步"""
        with torch.cuda.amp.autocast():
            output = self.model(batch['input_ids'])
            loss = self.criterion(output, batch['labels'])
        
        self.scaler.scale(loss / self.grad_accum_steps).backward()
        
        # All-Reduce 同步梯度（通信瓶颈所在）
        for param in self.model.parameters():
            if param.grad is not None:
                dist.all_reduce(param.grad, op=dist.ReduceOp.SUM)
        
        self.scaler.step(self.optimizer)
        self.optimizer.zero_grad()

import torch
from cerebras_pytorch import CSModel, CSDevice

# 无需分布式初始化 —— 整片晶圆就是一个「设备」
# 无需张量并行 —— 90 万核心全部在芯片上
# 无需 All-Reduce —— 核心间通信由片上网络处理

class CerebrasLLMTrainer:
    def __init__(self, model):
        # 直接加载到 Cerebras 设备
        self.device = CSDevice()
        self.model = CSModel(model)  # 编译器自动切分到 90 万核心
        self.model.to(self.device)
        
        self.optimizer = torch.optim.AdamW(
            self.model.parameters(), lr=1e-4, weight_decay=1e-2
        )
    
    def train_step(self, batch):
        """单步训练：无需 All-Reduce，无需梯度同步"""
        output = self.model(batch['input_ids'])
        loss = self.criterion(output, batch['labels'])
        
        loss.backward()  # 无 All-Reduce 开销
        self.optimizer.step()
        self.optimizer.zero_grad()

Cerebras 的商业模式经历了重要转变——从卖硬件到卖算力服务。

3.1 从硬件销售到云服务

早期模式（2020-2023）：销售 CS-2 系统（基于 WSE-2 芯片的完整 AI 计算系统）。每套系统售价约 200-300 万美元，客户包括国家级实验室、制药公司、金融机构。

当前模式（2024-2026）：运营 Cerebras Cloud，以算力租赁的形式提供服务。客户不需要购买硬件，只需按使用量付费。这与 NVIDIA DGX Cloud 和 AWS Trainium 的云服务模式类似。

3.2 收入结构

根据 IPO 招股书披露：

• 2024 年营收：约 1.2 亿美元（同比增长 250％）
• 2025 年预计营收：约 2.5-3 亿美元
• 毛利率：约 55-60％（硬件销售）/ 65-70％（云服务）
• 净亏损：约 2 亿美元（2024 年）

关键客户集中度：据报道，OpenAI 贡献了 Cerebras 超过 40％ 的营收。这是一个双刃剑——一方面证明了 Cerebras 的技术实力，另一方面也意味着客户集中风险极高。

3.3 竞争定位

维度	Cerebras	NVIDIA	Groq	Google TPU
核心产品	WSE-3 晶圆级芯片	H100/B200 GPU	LPU 推理芯片	TPU v5p
主要场景	大模型训练	训练+推理	推理	训练+推理
定价模式	云服务租赁	硬件+云服务	云服务	仅 Google Cloud
目标客户	AI 研究实验室	全行业	推理需求企业	Google Cloud 用户
生态成熟度	中等	极高	低	高

Cerebras 的战略选择很聪明：不正面攻击 NVIDIA 的全场景覆盖，而是专注于大模型训练这一高价值、高壁垒的细分市场。在这个领域，WSE-3 的通信优势最能发挥。

3.4 Cerebras Cloud 定价模型估算

基于公开信息，我们可以估算 Cerebras Cloud 的定价模型：

规格	每小时费用	月度费用（7×24）	适用场景
单 WSE-3 实例	$8-12	$5,800-8,600	中等模型训练
4 WSE-3 实例	$28-40	$20,000-29,000	大型模型训练
16 WSE-3 实例	$100-140	$72,000-100,000	超大模型训练

对比 NVIDIA H100 云实例：单张 H100 约 $2-4/小时，但训练同等规模的大模型需要 64-128 张 H100，总体费用约 $128-512/小时——与 4-16 块 WSE-3 实例相当。但 WSE-3 的通信效率更高，训练时间可能缩短 10-30％。

AI 芯片市场正在经历前所未有的竞争。让我们从技术维度对比四大主流方案。

4.1 架构对比

架构特征	Cerebras WSE-3	NVIDIA H100	Groq LPU	Google TPU v5p
架构类型	晶圆级（整片晶圆）	GPU（独立芯片）	LPU（独立芯片）	TPU（独立芯片）
核心数量	900,000	16,896 (Tensor Core)	~数百个	~数千个
互联方式	片上网络	NVLink/InfiniBand	芯片间链路	ICI/DCN
编程模型	专用编译器	CUDA	Groq 编译器	XLA/JAX
内存架构	44GB SRAM（片上）	80/141GB HBM3	本地 SRAM	HBM2e

4.2 性能对比（大模型训练场景）

指标	WSE-3（4 芯片）	H100（128 卡）	LPU（128 卡）	TPU v5p（256 卡）
Llama-2-70B 训练速度	1.0x（基准）	0.8-1.0x	N/A（仅推理）	0.7-0.9x
通信延迟	< 100ns	1-5μs	1-3μs	0.5-2μs
扩展效率（128→512 卡）	~90％	~75-85％	N/A	~80-90％
能效比（TFLOPS/W）	~15	~10	~12	~13

4.3 推理场景对比

指标	WSE-3	H100	Groq LPU	TPU v5p
Llama-2-70B 推理延迟	5-8ms	10-15ms	2-4ms	8-12ms
吞吐量（tokens/s）	500-800	300-500	1000-1500	400-600
单用户延迟	中等	中等	极低	中等
批量推理效率	高	高	低	高

关键洞察：

• Groq LPU 在单用户低延迟推理上遥遥领先——这是 Groq 的核心卖点
• WSE-3 在大模型训练上最有优势，通信延迟极低
• NVIDIA H100 是最均衡的选择——训练和推理都不错，且有 CUDA 生态加持
• TPU v5p 在Google Cloud 生态内表现优异，但通用性最弱

但技术对比只是一个维度。生态、价格、可用性往往比纯技术性能更重要。这就是 NVIDIA 能够统治 AI 芯片市场的根本原因。

Cerebras 的 IPO 估值预期在 120-150 亿美元。这看似惊人，但从多个维度分析，并非完全没有道理。

5.1 可比公司分析

公司	上市时间	IPO 估值	业务	营收（上市时）
Cerebras	2026	120-150 亿	AI 芯片	~1.2 亿
Arm	2023	545 亿	CPU IP	27 亿
Snowflake	2020	330 亿	数据云	2.6 亿
Databricks	（未上市）	430 亿（最新估值）	数据+AI	~15 亿
Scale AI	（未上市）	138 亿（最新估值）	AI 数据标注	~2 亿

关键对比：Cerebras 的营收规模（1.2 亿）远小于 Arm（27 亿），但市场给予的溢价反映了AI 芯片赛道的稀缺性和增长预期。

5.2 估值驱动因素

因素一：AI 算力市场规模。据预测，全球 AI 芯片市场规模将在 2027 年达到 1500-2000 亿美元。NVIDIA 目前占据 80-85％ 的市场份额。如果 Cerebras 能拿到 3-5％ 的份额，就是 45-100 亿美元 的年收入——这是 120-150 亿估值的基础逻辑。

因素二：OpenAI 合作溢价。作为 OpenAI 的核心算力供应商，Cerebras 间接受益于 OpenAI 的增长。如果 OpenAI 的 GPT-5/GPT-6 训练继续依赖 Cerebras 芯片，这为 Cerebras 提供了可预测的收入增长。

因素三：稀缺性溢价。在 AI 芯片领域，能真正在训练场景上挑战 NVIDIA 的公司屈指可数。Cerebras 是唯一已经大规模部署晶圆级芯片的公司。这种稀缺性给了市场溢价空间。

5.3 估值风险分析

风险一：营收倍数过高。以 150 亿估值和 1.2 亿营收计算，P/S（市销率）高达 125x。即使考虑到高速增长，这个倍数也远超行业平均水平（AI 芯片行业平均 P/S 约 20-40x）。

风险二：客户集中度过高。OpenAI 占比超 40％ 的营收意味着，如果 OpenAI 转向其他供应商（如 AMD、Google TPU 或自研芯片），Cerebras 的营收将大幅缩水。

风险三：技术替代风险。NVIDIA 的 B200 Ultra 和 Rubin 架构正在快速迭代。如果下一代 GPU 在通信效率上大幅缩小与 WSE-3 的差距，Cerebras 的技术优势将被削弱。

站在 2026 年中，我们可以对 AI 芯片市场的未来做出一些有依据的预判。

6.1 NVIDIA 的护城河有多深？

NVIDIA 的市场份额（80-85％）看似不可撼动，但历史告诉我们——技术平台的垄断终将被打破。

NVIDIA 的护城河由三层组成：

第一层：硬件性能。H100/B200 GPU 在通用性上仍然是最好的选择——支持训练、推理、图形处理、科学计算。但单一场景的专精芯片（如 WSE-3 之于训练、Groq 之于推理）可以在特定场景上超越通用 GPU。

第二层：CUDA 生态。这是 NVIDIA 最深的护城河。全球有超过 400 万 CUDA 开发者，数万篇技术文档，所有主流 AI 框架的原生支持。要替代 CUDA，不是造出一块更好的芯片，而是重建一个生态。

第三层：规模经济。NVIDIA 的采购规模使得它能以最低成本获得 TSMC 的最先进产能。同时，量产规模摊薄了研发和制造成本，使得 NVIDIA 能维持较高的毛利率（70-75％）。

6.2 未来竞争格局预判

2027-2028 年预判：

NVIDIA 仍将是市场领导者，但份额可能从 85％ 降至 70-75％。B200 Ultra 和 Rubin 架构将继续巩固其在通用 AI 计算领域的地位。

Cerebras 将在大模型训练细分市场获得 5-8％ 的份额。晶圆级芯片的通信优势在万亿参数模型时代更加突出。但生态薄弱将限制其在中小企业市场的扩展。

Groq 将在低延迟推理细分市场获得 3-5％ 的份额。其 LPU 架构在单用户延迟上的优势是不可替代的。但 Groq 需要解决编程模型生态的问题。

Google TPU 将在 Google Cloud 生态内继续增长，但外部市场拓展有限。Google 可能将 TPU 作为 Gemini 系列模型训练的专属算力。

AMD MI300/MI400 将在 NVIDIA 的替代品市场获得 8-12％ 的份额。ROCm 生态的逐步完善将降低 AMD 的迁移门槛。

6.3 国产芯片的变量

华为昇腾 910B/910C 正在快速追赶。在美国出口管制的背景下，中国 AI 芯片市场正在加速国产替代。如果昇腾系列在 2027-2028 年达到 H100 级别的性能，将重塑全球 AI 芯片市场格局。

寒武纪、壁仞科技等国产 AI 芯片公司也在加速发展。虽然短期内无法在高端训练芯片上与国际巨头竞争，但在边缘推理、专用加速等领域已经具备一定的竞争力。

6.4 AI 芯片市场投资评估框架

评估 AI 芯片公司投资价值的核心框架：

评估维度	关键指标	权重	Cerebras 评分
技术壁垒	专利数量、性能领先度	25％	8/10
生态成熟度	开发者数量、框架支持	25％	4/10
市场空间	TAM、SAM、SOM	20％	9/10
客户结构	Top 客户占比、续约率	15％	5/10
财务健康	营收增长、毛利率、现金流	15％	6/10
综合评分		100％	6.6/10

综合评分 6.6/10：技术领先、市场空间大，但生态薄弱、客户集中度高是主要短板。

如果你是一个 AI 创业者或技术决策者，面对如此多的芯片选择，该如何决策？

7.1 选芯片的决策框架

第一步：明确你的核心工作负载

• 以大模型训练为主 → 考虑 NVIDIA H100/B200 或 Cerebras WSE-3
• 以低延迟推理为主 → 考虑 Groq LPU 或 NVIDIA L40S
• 以批量推理为主 → 考虑 NVIDIA H100 或 Google TPU
• 以边缘部署为主 → 考虑 NVIDIA Jetson 或 高通 Cloud AI

第二步：评估你的团队技术栈

• 熟悉 CUDA → 首选 NVIDIA，迁移成本最低
• 熟悉 JAX → Google TPU 是自然选择
• 愿意尝试新工具 → 可以考虑 Cerebras 或 Groq

第三步：计算总体拥有成本（TCO）

不要只看芯片单价，要考虑全生命周期成本：

• 硬件成本：芯片/系统采购费用
• 电力成本：AI 芯片是电老虎，H100 满载功耗约 700W
• 运维成本：集群管理、故障处理、软件维护
• 人才成本：CUDA 工程师年薪 30-80 万美元，Groq/Cerebras 工程师更稀缺

7.2 云 vs 自建的选择

云租赁的优势：

• 零前期投资，按需付费
• 弹性扩展，不需要预测长期需求
• 免运维，云厂商负责硬件维护

自建集群的优势：

• 长期成本更低（如果使用率 > 70％）
• 数据安全，模型和数据不出本地
• 定制优化，可以针对特定工作负载深度调优

混合策略（推荐）：将日常推理放在自建集群上，将突发性训练任务外包给云服务。这是目前最经济高效的策略。

7.3 芯片选型决策代码示例

下面是一个简化的芯片选型决策函数，可以根据你的工作负载特征推荐最合适的芯片：

from dataclasses import dataclass

@dataclass
class ChipRequirement:
    """你的芯片需求"""
    workload: str        # "training" | "inference" | "both"
    model_size: str      # "small"(<1B) | "medium"(1-70B) | "large"(>70B)
    latency_target: str  # "low"(<5ms) | "medium"(5-20ms) | "high"(>20ms)
    budget_monthly: int  # 月度预算（美元）
    team_expertise: str  # "cuda" | "jax" | "open"
    data_privacy: str    # "cloud_ok" | "on_prem_required"

def recommend_chip(req: ChipRequirement) -> dict:
    """根据需求推荐 AI 芯片"""
    recommendations = []
    
    # 规则 1：训练优先
    if req.workload == "training" and req.model_size == "large":
        if req.team_expertise == "cuda":
            recommendations.append({
                "chip": "NVIDIA H100/B200",
                "reason": "CUDA 生态成熟，大模型训练最佳",
                "cost_estimate": "$10,000-50,000/月"
            })
        elif req.budget_monthly < 30000:
            recommendations.append({
                "chip": "Cerebras WSE-3",
                "reason": "通信延迟极低，训练效率高",
                "cost_estimate": "$5,800-29,000/月"
            })
    
    # 规则 2：推理优先
    if req.workload == "inference" and req.latency_target == "low":
        recommendations.append({
            "chip": "Groq LPU",
            "reason": "单用户延迟全球最低（2-4ms）",
            "cost_estimate": "$2,000-8,000/月"
        })
    
    # 规则 3：隐私要求
    if req.data_privacy == "on_prem_required":
        recommendations.append({
            "chip": "NVIDIA L40S",
            "reason": "支持本地部署，推理性价比高",
            "cost_estimate": "硬件采购 $10,000-20,000/卡"
        })
    
    return recommendations

# 使用示例
req = ChipRequirement(
    workload="training", model_size="large",
    latency_target="medium", budget_monthly=25000,
    team_expertise="open", data_privacy="cloud_ok"
)
result = recommend_chip(req)
for r in result:
    print(f"推荐: {r['chip']} — {r['reason']}")

在分析了技术、商业、市场之后，我想提出几个可能不太主流但值得思考的观点。

观点一：NVIDIA 不会被打败，但会被蚕食

NVIDIA 的真正护城河不是芯片，是 CUDA。只要 CUDA 生态还在，NVIDIA 就不可能被完全替代。但 CUDA 也在被蚕食——PyTorch 的编译优化层（TorchInductor）、OpenAI 的 Triton 编译器、Google 的 XLA，都在降低对 CUDA 的依赖。

终局预判：NVIDIA 的市场份额会从 85％ 降至 50-60％，但绝对收入仍会增长——因为整个 AI 芯片市场在快速膨胀。NVIDIA 会变成一个「高端通用芯片」供应商，而非「唯一选择」。

观点二：专用芯片（ASIC）才是真正的颠覆者

GPU 是通用计算设备，就像 CPU 一样——什么都能做，但什么都不是最优。ASIC（专用集成电路） 才是极致性能的载体。

Cerebras 的 WSE-3 本质上就是一个 AI 训练 ASIC。Groq 的 LPU 本质上是一个 AI 推理 ASIC。当 AI 工作负载变得足够标准化（主要是 Transformer 架构），ASIC 的性能优势将超过 GPU 的通用性优势。

终局预判：到 2030 年，ASIC 将占据 AI 芯片市场的 30-40％，而 GPU 降至 40-50％。但不会有一家 ASIC 公司像 NVIDIA 一样垄断市场——因为 ASIC 的碎片化（不同 ASIC 针对不同场景）是结构性的。

观点三：算力民主化是不可逆的趋势

AI 算力的获取成本正在快速下降。五年前，训练一个 GPT-3 级别的模型需要数千万美元的算力投入。今天，一个创业公司可以在 RunPod 或 Lambda Labs 上以每月几千美元的价格租用 H100 集群。

Cerebras 的云服务、Groq 的 API、Google 的 TPU Pod，都在让高端算力变得更加触手可及。

终局预判：算力将变成一种「商品」（commodity），就像云计算在 2010 年代做的那样。届时，芯片公司的竞争将从硬件性能转向服务质量和生态整合。

观点四：IPO 不是终点，是生存战的开始

Cerebras 的 IPO 只是故事的第一章。上市后，它将面临季度财报压力、股东回报要求、竞争对手的正面攻击。NVIDIA 的 Jensen Huang 花了 20 年才把 NVIDIA 打造成 AI 芯片霸主。Cerebras 的 Andrew Feldman 也需要同等的时间和耐心。

但有一件事是确定的：AI 算力市场足够大——大到容得下多个赢家。NVIDIA 不会输，Cerebras 有机会，Groq 有空间，国产芯片也有舞台。

这场战争的赢家不是「替代 NVIDIA 的公司」，而是「在 NVIDIA 的阴影下找到自身独特价值的公司」。

Cerebras 的 IPO 不仅仅是一家公司的上市事件，它是 AI 芯片市场从 NVIDIA 一家独大走向多元化竞争的标志性时刻。

关键要点回顾

技术层面：Cerebras 的 WSE-3 在大模型训练上具有独特的通信优势，但生态薄弱和良率挑战是真实存在的风险。

商业层面：Cerebras 的营收增速惊人（250％ YoY），但客户集中度过高（OpenAI 占 40％+）和持续亏损是不容忽视的隐忧。

市场层面：AI 芯片市场正在快速扩容，NVIDIA 的份额将被逐步蚕食但不会被颠覆。Cerebras、Groq、AMD 将在各自的优势领域获得有意义的份额。

投资层面：Cerebras 的 IPO 估值（120-150 亿美元）已经 pricing in 了极度乐观的增长预期。短期投资者需要警惕回调风险，长期投资者需要关注执行能力和生态建设。

给读者的一句话

AI 芯片的竞争不是一场零和游戏。随着 AI 应用的爆发式增长，算力需求正在超越任何单一供应商的供给能力。Cerebras 的 IPO 告诉我们：市场正在从「选择哪家芯片」转向「如何组合多家芯片」。

未来的赢家不是替代 NVIDIA 的公司，而是在 AI 算力拼图上找到自己独特位置的公司。

Cerebras 找到了它的位置——大模型训练的低延迟通信专精者。

接下来，轮到谁？