Cerebras meldet Auftragsbestand von 25 Milliarden Dollar und verspricht Leistungssprung, der das Mooresche Gesetz in den Schatten stellt
Podcast-Interview der „All-In“-Reihe mit Cerebras-CEO Andrew Feldman und Black Forest Labs-CEO Robin Rombach in dieser Woche veröffentlicht
Andrew Feldman, Gründer und CEO von Cerebras Systems, gab bekannt, dass der Hersteller von Inference-Chips derzeit auf einem Auftragsbestand von 25 Milliarden Dollar sitzt. Hyperscaler und führende Forschungslabore buchen Kapazitäten bereits Jahre im Voraus, noch bevor Cerebras die Chips überhaupt fertiggestellt hat. „Die Nachfrage übersteigt unsere Fähigkeit, Rechenzentren zu bauen und sie mit Hardware zu bestücken, bei weitem“, so Feldman. Er beschrieb eine Dynamik, in der Unternehmen wie OpenAI, Anthropic, Google, Microsoft und AWS keine spekulative Infrastruktur aufbauen, sondern einer bereits fest gebuchten Nachfrage hinterherlaufen. Diese Aussage rückt den aktuellen KI-Infrastrukturzyklus in ein neues Licht: Er ist weniger eine Wette auf die zukünftige Nutzung, sondern vielmehr ein Wettlauf, um bestehende Kundenverpflichtungen zu erfüllen – eine Unterscheidung, die für die Bewertung der Nachhaltigkeit von Investitionsausgaben (Capex) im Hyperscaler- und Neocloud-Sektor von zentraler Bedeutung ist.
Jenseits des Mooreschen Gesetzes: Cerebras beansprucht eigene Leistungskurve
Die konkretste technische Enthüllung im Gespräch war Feldmans Behauptung, dass Cerebras die traditionelle Taktung des Mooreschen Gesetzes, die eine Verdoppelung der Leistung alle 18 Monate vorsieht, hinter sich gelassen habe. „Wir haben das mit diesem Chip pulverisiert und eine völlig neue Flugbahn eingeschlagen“, sagte Feldman. Er fügte hinzu, seine interne Erwartung sei, dass Cerebras in diesem Zeitraum von 18 Monaten künftig „weit über dem Faktor 2“ liegen werde. Er führte diesen Vorsprung auf die architektonische Reife zurück: GPUs, die auf einem 20 Jahre alten Design basieren, seien zunehmend davon abhängig, auf den nächsten Fertigungsknoten zu schrumpfen, um Leistungssteigerungen zu erzielen. Die Wafer-Scale-Architektur von Cerebras hingegen sei noch jung genug, um unabhängig von Prozessverbesserungen erhebliche Optimierungspotenziale zu bieten. Investoren sollten diese Aussage eher als Unternehmensbehauptung denn als auditierten Benchmark betrachten, doch es ist eine spezifische, überprüfbare Angabe, an der der Markt zukünftige Produkteinführungen messen kann.
Warum Inference-Geschwindigkeit zum Engpass wird – nicht nur das Training
Feldman verknüpfte den Geschwindigkeitsvorteil von Cerebras direkt mit der Ökonomie von Reasoning-Modellen, die intern große Mengen an Tokens verbrauchen, bevor sie eine Antwort generieren. „Genau die Tatsache, dass dieses logische Schlussfolgern intern eine enorme Menge an Tokens verschlingt, macht eine blitzschnelle Maschine wie unsere so relevant“, erklärte er. Das Argument: Wenn Reasoning-Ketten länger werden – Feldman verwies auf Prozesse, die 24 bis 48 Stunden dauern –, summiert sich ein 15-facher Geschwindigkeitsvorteil zu Wochen oder Monaten an effektiver „Denkzeit“, die auf einen einzigen Tag komprimiert wird. Dies ist die bislang klarste Erläuterung dafür, warum Cerebras davon überzeugt ist, dass sein Hardware-Vorteil wächst, während die Industrie von der einfachen Inference zur mehrstufigen agentischen Logik übergeht.
Token-Maximierung, Disziplin und das wahre Signal bei KI-Ausgaben
Feldman widersprach der Ansicht, die aktuelle KI-Nutzung sei undisziplinierte Spekulation, und zog eine Parallele zur frühen Phase der AWS-Einführung in Unternehmen. „Natürlich gibt es Experimente, aber das bedeutet nicht, dass der Nettonutzen nicht enorm ist. Es bedeutet nur, dass ein Teil davon ins Leere laufen wird“, sagte er und verglich die aktuelle Phase mit Kunden, die jeden Gang eines neu eröffneten Costco erkunden, bevor sie lernen, strategisch einzukaufen. Er argumentierte, dass Unternehmen nun von einer unkontrollierten „Token-Maximierung“ zu einer disziplinierten Allokation übergehen – indem sie günstigere Open-Source-Modelle für weniger kritische Aufgaben nutzen und Spitzenmodelle für komplexe Probleme reservieren. Dies wertet er als Zeichen eines reifenden, nicht überhitzten Marktes.
Open Source und Souveränität als strategisches Geschäftsfeld für Cerebras
Feldman äußerte sich direkt zu einer Verschiebung der Kundennachfrage hin zu Open-Source- und souveränen Bereitstellungsoptionen, getrieben durch Sorgen vor Datenabfluss und regulatorische Risiken in Branchen wie Finanzen und Gesundheitswesen. „In den USA brauchen wir mehr heimische Open-Source-Modelle. Wir müssen der Welt eine Wahl geben. Wer jetzt Open Source nutzen will, greift zu OSS 120B oder chinesischen Modellen“, sagte er. Er bezeichnete die Veröffentlichung von Modellen mit offenen Gewichten durch OpenAI als Schritt in die richtige Richtung, der jedoch nicht ausreiche. Die Positionierung von Cerebras profitiert von diesem Trend: Das Unternehmen gab an, derzeit GLM, Kimi und die Qwen-Modellfamilie neben den geschlossenen Modellen von OpenAI sowie kundenspezifischen Lösungen für Klienten wie GSK und die in den VAE ansässigen G42 und MBZUAI zu betreiben. Feldman merkte an, dass Nvidia davon absehe, eigene Open-Source-Modelle aggressiv zu bewerben, da dies das Unternehmen in direkte Konkurrenz zu jenen Laboren – OpenAI, Anthropic, xAI – bringen würde, die seine Chips kaufen. Diese Dynamik schaffe Raum für einen neutralen Infrastrukturanbieter wie Cerebras.
Zur Offenlegungspflicht von Anthropic: Feldman plädiert für Vorsicht
Auf die Kontroverse um die Abstimmung von Anthropic mit der Regierung bei der Einführung eines Modells angesprochen, reagierte Feldman abwägend, unterstützte jedoch den vorsorglichen Ansatz, unabhängig von politischen Erwägungen. „In einer Zeit, in der ein Modell in seinem Denken so kreativ ist, dass es eine ernsthafte Bedrohung darstellt, erscheint es mir nicht unvernünftig, wenn die Regierung eine schrittweise Einführung fordert“, sagte er und verglich dies mit den Sicherheitsprüfungsverfahren in der Pharmaindustrie. Er zitierte ein Gespräch mit Nikesh Arora von Palo Alto Networks, der ihm berichtet habe, das Modell habe bestehende Sicherheitssoftware „ausgehebelt“, was einen sechswöchigen Patch-Zyklus erzwungen habe. Feldmans Kernaussage – dass die politische Polarisierung die Fähigkeit der Industrie beeinträchtige, klar über legitime Sicherheitsabwägungen zu debattieren – ist ein wichtiger Datenpunkt für Investoren, die das regulatorische Risiko vor der nächsten Generation von Modellveröffentlichungen einschätzen wollen.
Feldman erklärt AGI für erreicht und verlagert die Debatte auf die Implementierung
In einem der prägnantesten Momente stellte Feldman klar, dass die künstliche allgemeine Intelligenz (AGI) bereits erreicht sei – zumindest nach jedem Standard, der vor zehn oder zwanzig Jahren zur Definition herangezogen worden wäre. „Wir haben sie erreicht. Wir haben sie nur noch nicht vollständig implementiert“, sagte er und argumentierte, dass ältere Benchmarks wie der Turing-Test „hinweggefegt“ worden seien. Dies ist eine bemerkenswerte Eskalation der Rhetorik durch einen Chip-Manager, die signalisiert, dass Infrastrukturanbieter – die durch die Arbeitslasten ihrer Kunden Einblick in die tatsächliche Leistungsfähigkeit der Modelle haben – nun bereit sind, AGI-Ansprüche öffentlich zu formulieren. Die Debatte verschiebt sich damit von der Frage „Sind wir schon da?“ hin zu „Wie schnell lässt sie sich verteilen und organisieren?“
Black Forest Labs: Robin Rombach über die Konvergenz von Bild-, Video- und Robotik-Modellen
Die zweite Hälfte des Gesprächs widmete sich Robin Rombach, Mitgründer und CEO von Black Forest Labs. Das Unternehmen zählt mittlerweile über 100 Mitarbeiter und hat nach der Arbeit am Open-Source-Modell Flux eine neue Finanzierungsrunde abgeschlossen. Rombach, der zuvor an der Entwicklung von Stable Diffusion beteiligt war und den Latent-Diffusion-Algorithmus erfand, der den meisten modernen generativen Bild- und Videosystemen zugrunde liegt, skizzierte eine Roadmap, die weit über die Content-Generierung hinaus bis in die Robotik reicht. „Wir treten in ein neues Paradigma ein, das dies mit der sogenannten Aktionsvorhersage kombiniert. Man kann dasselbe Modell nutzen, um Bilder, Videos und Audio zu erstellen sowie Handlungen vorherzusagen – was bedeutet, dass man es letztlich auf einem Roboter in der realen Welt einsetzen kann“, sagte er. Dies ist die weitreichendste Enthüllung von Black Forest Labs im Interview: Das Unternehmen positioniert seine multimodale Architektur explizit als Brücke zur physischen KI und Robotik, was den adressierbaren Markt weit über kreative Werkzeuge hinaus erweitert.
Die Partnerschaft mit Scorsese: Was sie tatsächlich beinhaltet
Rombach bestätigte und detaillierte eine Zusammenarbeit mit Regisseur Martin Scorsese. Er beschrieb Sitzungen, in denen Scorsese die Modelle von Black Forest Labs nutzte, um eine Szene – Berichten zufolge ein Dorf in Osteuropa – für ein potenzielles zukünftiges Projekt zu visualisieren. „Das mentale Bild aus dem Kopf zu bekommen und es visuell zu kommunizieren, indem man diese Bilder oder Bildserien erstellt, macht es einfacher, eine Idee zu vermitteln“, so Rombach unter Bezugnahme auf Scorseses eigene Sichtweise. Wichtig war Rombach jedoch die Dämpfung der Erwartung, dass generative Videos kurz davor stünden, fertige Spielfilme in Regiequalität zu produzieren. „Ich bin mir nicht sicher, ob das das ultimative Ziel ist“, sagte er über vollständig KI-generierte Filme. Er argumentierte stattdessen, dass der kurzfristige Wert in der Pre-Production, im Storyboarding und in iterativen, menschlich gesteuerten Workflows liege, statt die Produktion komplett zu ersetzen. Dies ist eine deutlich konservativere Einschätzung als viele der werblichen Narrative, die derzeit kursieren, und eine nützliche Orientierungshilfe für Investoren, die die kurzfristigen Geschäftschancen von den langfristigen abgrenzen wollen.
IP-Lizenzierungsstrategie: Black Forest Labs als neutrale Infrastruktur
Zur Frage, wie große Inhaber geistigen Eigentums (IP) wie Disney mit generativen Werkzeugen umgehen sollten, erklärte Rombach, dass Black Forest Labs die Generierung bestimmter urheberrechtlich geschützter Charaktere auf seinen öffentlichen Tools bereits blockiere. Parallel dazu entwickle das Unternehmen maßgeschneiderte Modelle direkt mit IP-Inhabern, basierend auf Open-Source- oder proprietären Architekturen, je nach Bedarf des Kunden. Er nannte keine spezifischen Studio-Partner außer der Scorsese-Kooperation, doch die Strategie deutet darauf hin, dass das Unternehmen neben seinen Open-Source-Tools ein Lizenz- und Custom-Modell-Geschäft aufbauen will – ein zweigleisiger Ansatz, ähnlich wie bei Cerebras mit seinen souveränen Enterprise-Lösungen. Rombach verwies zudem auf den Aufstieg von KI-gestützten Fan-Filmen, etwa inoffizielle Star-Wars-Inhalte mit Millionen von YouTube-Aufrufen, als Vorschau darauf, wie Studios die Kreativität von Fans künftig durch Lizenzierung statt durch pauschale Verbote monetarisieren könnten.
Wo die Technologie noch an ihre Grenzen stößt
Rombach äußerte sich offen zu den aktuellen Einschränkungen. Er merkte an, dass die High-End-Filmproduktion nach wie vor eine der anspruchsvollsten Anwendungen bleibe und eine vollständig autonome, prompt-gesteuerte Robotersteuerung noch nicht erreichbar sei. „Man möchte an einen Punkt gelangen, an dem man einen Roboter im Kontext steuern kann, so wie es bei einem Sprachmodell möglich ist – da sind wir noch nicht“, sagte er. Aktuelle Implementierungen erforderten noch mehrere Stunden an Fine-Tuning-Daten pro Roboter und Aufgabe, anstatt der vom Markt angestrebten „Zero-Shot“-Generalisierung. Diese Lücke zwischen Ambition und aktueller Leistungsfähigkeit ist ein nützliches Gegengewicht zu den aggressiveren Robotik-Narrativen an anderer Stelle und deutet darauf hin, dass der tatsächliche kommerzielle Einsatz dieser multimodalen Weltmodelle in der physischen Robotik noch ein frühes Stadium darstellt – im Gegensatz zum Bild- und Videogenerierungsgeschäft, das bereits Umsätze durch Lizenzierung und Enterprise-Anpassungen generiert.