晶圆级集成（Wafer-Scale Integration）

WSI 的制造流程跳过了传统芯片制造中的切割环节：晶圆制造 → 光刻 → 刻蚀 → 冗余设计 → 测试 → 激光修复 → 整片封装。关键创新在于冗余核心设计和激光修复技术。由于晶圆面积大，制造过程中不可避免地会出现局部缺陷。

Cerebras 在设计阶段预留 10-15% 的冗余核心，在测试阶段通过高精度激光将缺陷区域从电路中隔离，冗余核心自动接管计算任务。这一过程类似于 CPU 的 binning，但规模达到整个晶圆级别，需要数小时的激光操作。

片上互联网络（NoC）采用二维网格拓扑，每行每列有独立路由器，数据可在晶圆级别进行路由，相比传统多芯片方案中的 PCIe/NVLink 通信，延迟降低 10-100 倍。

WSE-3 与 NVIDIA H100 的核心差异在于架构哲学。H100 是 SIMT（单指令多线程）架构，拥有 16,896 个 CUDA 核心、80GB HBM3 显存、3.35 TB/s 内存带宽、700W 功耗。

WSE-3 是 MIMD（多指令多数据）架构，拥有 85 万个 AI 核心、21GB 片上 SRAM、56 TB/s 内存带宽、23kW 功耗。WSE 的核心数多 50 倍，内存带宽高 17 倍，但内存容量仅为 H100 的约 1/4，功耗高 30 倍以上。

WSE 的设计目标不是替代 GPU，而是为大规模分布式训练提供极致内存带宽，其单芯片功耗相当于 30 多台 H100 服务器的功耗，对数据中心冷却和供电基础设施要求极高。

晶圆级芯片的核心应用场景是大模型训练和科学计算。Cerebras 的 CS-3 系统已被用于大语言模型训练、核武器库存管理（与美国桑迪亚国家实验室合作）、分子动力学模拟（与劳伦斯利弗莫尔国家实验室合作，模拟 80 万原子相互作用）等场景。

2024 年 9 月，Cerebras 宣布可将最多 192 台 CS-2 系统互连组成晶圆级集群，构建超过 1360 万核心的 AI 计算系统。Cerebras 还提供 PyTorch 兼容层，开发者可使用熟悉的 API 进行模型训练，底层自动处理空间并行映射和数据分发。

2026 年，Cerebras 开始提供 AI 推理云和训练云服务，允许用户无需购买硬件即可使用 WSE 算力。