造出最大芯片的公司 拿下今年全球最大IPO 首日漲70%
在良率上，Cerebras 對外宣稱做到了 100%。可如果仔細研究其S1文件和公開的信息和資料，它實際上只是改變了良率本身的計算方式。
換句話說，他重新定義了芯片良率。
傳統芯片的良率算的是壹顆die是否如預期完整可用，只要落上壹個致命缺陷，整顆芯片就會被報廢或降級出售。Cerebras把良率的定義換了壹種計算方式：整片晶圓能否通過冗余核心和片上網絡繞過缺陷，最終湊出壹個邏輯上完整的計算系統。根據S-1文件的描述：這是從 memory 行業借來的思路，DRAM/SRAM實際上就是靠冗余Row/column 把良率做到接近100%，Cerebras 也把這套做法搬到邏輯芯片上。
這倒不能說他完全是在偷換良率的概念，真要實現如此大面積上的系統可用性也很不容易。靠著片內互連和結構上的取巧，Cerebras實現了某種工程上的突破和產品層面的平衡。但說到底，它和傳統 GPU 良率口徑不在同壹個度量衡裡，並不能直接橫向比較。
從Cerebras的視角來看，除了WSE， 還有壹個顯著特點，也是其多次強調的創新突破之處，那就是片內帶寬極高。根據其公開說法，片上 NoC 帶寬達到Pbps量級。
但如果仔細研究就會發現，只要數據需要離開晶圓，還是要面對其他 AI芯片面臨的問題，片（卡）間帶寬的瓶頸同樣會出現，片內和片間互連的量級差大約在 100 倍以上。
我們分析，正是這種“內快外慢”的結構決定了WSE的“轉向”故事。
贰、訓練夢碎，推理找到了新機會
Cerebras 最早瞄准的是訓練。站在今天回看，這件事沒做成。
訓練市場有叁個繞不過去的約束。硬件：大模型訓練拼的不是單芯片算力，是外部內存與外部互連，權重、梯度、optimizer state、activation 都要在大規模系統裡高效搬運，而WSE恰恰在片外 I/O 互連上是短板。
軟件：Nvidia 的真正壁壘在 GPU+CUDA+NCCL+NVLink+NVSwitch+HBM+服務器+雲廠商部署+開發者生態共同搭出的整套系統，這種壁壘不是單點技術領先就能撼動。訓練場景的客戶基本上主要為全球大模型的頭部玩家了，他們當下最大的戰略任務是“留在牌桌上、爭最快迭代”，沒有人會用如此巨大的機會成本去賭壹顆非Nvidia的訓練芯片。
Cerebras當年為訓練配了SwarmX和MemoryX，這其實壹定程度上是借用了AMD的既有成果，掛在 WSE外面解決內存與擴展。但實際部署中這套配套基本沒被認真用起來，根源還是那句話，WSE 的技術亮點在片內，AI 系統的真實瓶頸在系統，在模型如此規模化的今天，片間與片外的瓶頸，直接限制了系統的效能，進壹步限制了應用場景。
它還押過壹個更大的賭注：非結構化權重稀疏，理論上 8:1 任意稀疏可以拿到接近 8 倍的有效算力，在產品定義與設計上，要在AI計算的泛化意義上來實現，那是非常難的。但在實際上，大模型最後沒走這條路，業界主流是 MoE、低精度量化（FP8/FP4/MXFP）、attention 優化。Cerebras 在硬件上嘗試去做壹個很難的特性，但這個特性沒有成為模型演進的主路線。
[物價飛漲的時候 這樣省錢購物很爽]
還沒人說話啊，我想來說幾句
換句話說，他重新定義了芯片良率。
傳統芯片的良率算的是壹顆die是否如預期完整可用，只要落上壹個致命缺陷，整顆芯片就會被報廢或降級出售。Cerebras把良率的定義換了壹種計算方式：整片晶圓能否通過冗余核心和片上網絡繞過缺陷，最終湊出壹個邏輯上完整的計算系統。根據S-1文件的描述：這是從 memory 行業借來的思路，DRAM/SRAM實際上就是靠冗余Row/column 把良率做到接近100%，Cerebras 也把這套做法搬到邏輯芯片上。
這倒不能說他完全是在偷換良率的概念，真要實現如此大面積上的系統可用性也很不容易。靠著片內互連和結構上的取巧，Cerebras實現了某種工程上的突破和產品層面的平衡。但說到底，它和傳統 GPU 良率口徑不在同壹個度量衡裡，並不能直接橫向比較。
從Cerebras的視角來看，除了WSE， 還有壹個顯著特點，也是其多次強調的創新突破之處，那就是片內帶寬極高。根據其公開說法，片上 NoC 帶寬達到Pbps量級。
但如果仔細研究就會發現，只要數據需要離開晶圓，還是要面對其他 AI芯片面臨的問題，片（卡）間帶寬的瓶頸同樣會出現，片內和片間互連的量級差大約在 100 倍以上。
我們分析，正是這種“內快外慢”的結構決定了WSE的“轉向”故事。
贰、訓練夢碎，推理找到了新機會
Cerebras 最早瞄准的是訓練。站在今天回看，這件事沒做成。
訓練市場有叁個繞不過去的約束。硬件：大模型訓練拼的不是單芯片算力，是外部內存與外部互連，權重、梯度、optimizer state、activation 都要在大規模系統裡高效搬運，而WSE恰恰在片外 I/O 互連上是短板。
軟件：Nvidia 的真正壁壘在 GPU+CUDA+NCCL+NVLink+NVSwitch+HBM+服務器+雲廠商部署+開發者生態共同搭出的整套系統，這種壁壘不是單點技術領先就能撼動。訓練場景的客戶基本上主要為全球大模型的頭部玩家了，他們當下最大的戰略任務是“留在牌桌上、爭最快迭代”，沒有人會用如此巨大的機會成本去賭壹顆非Nvidia的訓練芯片。
Cerebras當年為訓練配了SwarmX和MemoryX，這其實壹定程度上是借用了AMD的既有成果，掛在 WSE外面解決內存與擴展。但實際部署中這套配套基本沒被認真用起來，根源還是那句話，WSE 的技術亮點在片內，AI 系統的真實瓶頸在系統，在模型如此規模化的今天，片間與片外的瓶頸，直接限制了系統的效能，進壹步限制了應用場景。
它還押過壹個更大的賭注：非結構化權重稀疏，理論上 8:1 任意稀疏可以拿到接近 8 倍的有效算力，在產品定義與設計上，要在AI計算的泛化意義上來實現，那是非常難的。但在實際上，大模型最後沒走這條路，業界主流是 MoE、低精度量化（FP8/FP4/MXFP）、attention 優化。Cerebras 在硬件上嘗試去做壹個很難的特性，但這個特性沒有成為模型演進的主路線。
[物價飛漲的時候 這樣省錢購物很爽]
| 分享: |
| 注： | 在此頁閱讀全文 |
| 延伸閱讀 |
推薦: