Cerebras revela una cartera de pedidos de $25.000 millones y afirma que está superando la Ley de Moore en más del doble cada 18 meses
Entrevista en el podcast All-In con el CEO de Cerebras, Andrew Feldman, y el CEO de Black Forest Labs, Robin Rombach, publicada esta semana
Andrew Feldman, fundador y CEO de Cerebras Systems, reveló que el fabricante de chips de inferencia cuenta actualmente con una cartera de pedidos de $25.000 millones, con hiperescaladores y laboratorios de frontera reservando capacidad años antes de que Cerebras termine de fabricar los chips. "La demanda está superando con creces nuestra capacidad para construir centros de datos y llenarlos con hardware", afirmó Feldman, describiendo una dinámica en la que OpenAI, Anthropic, Google, Microsoft y AWS no están construyendo infraestructura de forma especulativa, sino persiguiendo una demanda que ya está comprometida. Este comentario replantea el actual ciclo de infraestructura de IA no como una apuesta por el uso futuro, sino como una carrera para ponerse al día con los compromisos existentes de los clientes, una distinción relevante para cualquiera que modele la durabilidad del gasto de capital (capex) en el panorama de los hiperescaladores y la "neocloud".
Rompiendo la Ley de Moore: Cerebras reivindica su propia curva de rendimiento
La revelación técnica más concreta de la conversación fue la afirmación de Feldman de que Cerebras ha dejado atrás la cadencia tradicional de la Ley de Moore, que duplica el rendimiento cada 18 meses. "Lo hemos superado con este chip y hemos trazado una trayectoria completamente nueva", dijo Feldman, añadiendo que su expectativa interna es que Cerebras estará "muy por encima del 2x" en ese mismo periodo de 18 meses en el futuro. Atribuyó esta brecha a la madurez arquitectónica: las GPU, basadas en un diseño de hace 20 años, dependen cada vez más de la reducción al siguiente nodo de fabricación para obtener ganancias, mientras que la arquitectura a escala de oblea (wafer-scale) de Cerebras es lo suficientemente joven como para tener un margen sustancial de optimización independiente de las mejoras en el nodo de proceso. Esta es una afirmación que los inversores deben tratar como una declaración de la empresa y no como un punto de referencia auditado, pero es una afirmación específica y falsable que el mercado puede seguir frente a futuros lanzamientos de productos.
Por qué la velocidad de inferencia se está convirtiendo en el cuello de botella, no solo el entrenamiento
Feldman vinculó la ventaja de velocidad de Cerebras directamente con la economía de los modelos de razonamiento, que consumen grandes volúmenes de tokens internamente antes de producir una respuesta. "Es precisamente el hecho de que este razonamiento consume una enorme cantidad de tokens internamente lo que permite que una máquina increíblemente rápida como la nuestra" sea relevante, señaló. El argumento es que, a medida que las cadenas de razonamiento se alargan —Feldman mencionó ejecuciones que se extienden de 24 a 48 horas—, una ventaja de velocidad de 15x se traduce en semanas o meses de tiempo efectivo de "pensamiento" comprimidos en un solo día. Esta es la articulación más clara hasta la fecha de por qué Cerebras cree que su ventaja de hardware se amplía, en lugar de estrecharse, a medida que la industria pasa de la inferencia de una sola pasada al razonamiento agente de varios pasos.
"Token maxing", disciplina empresarial y la señal real en el gasto en IA
Feldman rechazó suavemente la idea de que el uso actual de la IA sea una especulación indisciplinada, estableciendo un paralelo directo con los primeros días de la adopción de AWS en las empresas. "Sin duda hay experimentación, pero eso no significa que el valor neto no sea enorme. Significa que parte de ella no llegará a ninguna parte", dijo, comparando la fase actual con los compradores que recorren todos los pasillos de un Costco recién inaugurado antes de aprender a comprar estratégicamente. Argumentó que las empresas están pasando del "token maxing" (maximización de tokens) sin restricciones hacia una asignación disciplinada —utilizando modelos de código abierto más baratos para tareas de menor riesgo y reservando modelos de frontera para problemas complejos—, lo cual considera una prueba de que el mercado está madurando, no sobrecalentándose.
El código abierto y la soberanía emergen como una línea de negocio estructural para Cerebras
Feldman fue directo sobre un cambio en la demanda de los clientes hacia opciones de despliegue de código abierto y soberanas, impulsado por las preocupaciones sobre la fuga de datos y la exposición regulatoria en sectores como las finanzas y la salud. "En EE. UU. necesitamos más modelos de código abierto nacionales. Tenemos que darle al mundo una opción. Si quieren ejecutar código abierto ahora mismo, es OSS 120B o modelos chinos", dijo, refiriéndose al lanzamiento de pesos abiertos de OpenAI como un paso en la dirección correcta, pero insuficiente. El posicionamiento de Cerebras se beneficia de esta tendencia: la empresa afirmó que actualmente ejecuta GLM, Kimi y la familia de modelos Qwen junto con los modelos cerrados de OpenAI y modelos personalizados creados por clientes como GSK y las entidades con sede en los EAU, G42 y MBZUAI. Feldman señaló que Nvidia ha evitado en gran medida impulsar sus propios modelos de código abierto de manera agresiva porque hacerlo los pondría en competencia directa con los mismos laboratorios —OpenAI, Anthropic, xAI— que compran sus chips, una dinámica que deja espacio para un actor de infraestructura más neutral como Cerebras para atender esa demanda.
Sobre el episodio de divulgación gubernamental de Anthropic, Feldman se pone del lado de la precaución
Al ser preguntado por la controversia en torno a la coordinación de Anthropic con el gobierno para el lanzamiento de un modelo, Feldman se mostró medido pero partidario del enfoque precautorio, independientemente de la política. "En un momento en que un modelo es lo suficientemente creativo en su pensamiento como para representar una amenaza significativa, que el gobierno diga que le gustaría que lo lanzaran por etapas no me parece irrazonable", afirmó, comparándolo con los procesos de revisión de seguridad por fases utilizados para los productos farmacéuticos. Citó una conversación con Nikesh Arora, de Palo Alto Networks, quien supuestamente le dijo que el modelo "aniquiló" las defensas de software de seguridad existentes, forzando un ciclo de parches de seis semanas. El punto más amplio de Feldman —que la polarización política está degradando la capacidad de la industria para razonar claramente sobre las compensaciones legítimas de seguridad— es un dato notable para los inversores que intentan medir el riesgo regulatorio de cara a la próxima generación de lanzamientos de frontera.
Feldman declara que la AGI ya se ha logrado y replantea el debate hacia el despliegue
En uno de los momentos más citables, Feldman afirmó claramente que la inteligencia artificial general (AGI) ya ha llegado, al menos bajo cualquier estándar que se hubiera utilizado para definirla hace una década o dos. "Ya hemos llegado. Solo que no la hemos desplegado completamente", dijo, argumentando que los puntos de referencia más antiguos, como la prueba de Turing, han sido "superados por completo". Esta es una escalada notable por parte de un ejecutivo de chips en lugar de un CEO de laboratorio, y señala que los proveedores de infraestructura —que tienen visibilidad de la capacidad real de los modelos a través de las cargas de trabajo de sus clientes— ahora se sienten cómodos haciendo afirmaciones sobre la AGI públicamente, desplazando el debate de "¿hemos llegado?" a "¿qué tan rápido puede distribuirse y organizarse?".
Black Forest Labs: Robin Rombach sobre la convergencia de modelos de imagen, video y robótica
La segunda mitad de la conversación se centró en el cofundador y CEO de Black Forest Labs, Robin Rombach, cuya empresa cuenta ya con más de 100 empleados y ha cerrado una nueva ronda de financiación tras su trabajo en el modelo de código abierto Flux. Rombach, quien anteriormente ayudó a construir Stable Diffusion e inventó el algoritmo de difusión latente que subyace a la mayoría de los sistemas modernos de imagen y video generativos, presentó una hoja de ruta que se extiende mucho más allá de la generación de contenido, hacia la robótica. "Estamos entrando en un nuevo paradigma que combina esto con algo llamado predicción de acciones, de modo que realmente puedes usar el mismo modelo para hacer imágenes, videos, audio y predecir acciones, lo que significa que finalmente puedes desplegarlo en un robot en el mundo real", dijo. Esta es la revelación más trascendental de Black Forest Labs en la entrevista: la empresa está posicionando explícitamente su arquitectura multimodal como un puente hacia la IA física y la robótica, no solo hacia la generación de medios, una dirección estratégica que amplía su mercado direccionable mucho más allá de las herramientas creativas.
La asociación con Scorsese: ¿Qué implica realmente?
Rombach confirmó y detalló una colaboración con el director Martin Scorsese, describiendo sesiones en las que Scorsese utilizó los modelos de Black Forest Labs para visualizar una escena —supuestamente un pueblo en Europa del Este— para un posible proyecto futuro. "Sacar la imagen mental de algo de tu cabeza y comunicarla de forma visual, haciendo estas imágenes o una serie de imágenes, es algo que simplemente facilita la comunicación y la transmisión de una idea de lo que realmente tienes en la cabeza", dijo Rombach, transmitiendo el planteamiento del propio Scorsese. Es importante destacar que Rombach tuvo cuidado de moderar las expectativas de que el video generativo esté cerca de producir largometrajes terminados con calidad de director. "No estoy seguro de que ese sea el objetivo final", dijo sobre las películas generadas totalmente por IA, argumentando en cambio que el valor a corto plazo se concentra en la ideación de preproducción, el guion gráfico y los flujos de trabajo iterativos con humanos en el proceso, en lugar de reemplazar la producción por completo. Ese es un planteamiento significativamente más conservador que algunas de las narrativas más promocionales que circulan en torno al video generativo, y es un control útil para los inversores que intentan dimensionar la oportunidad comercial a corto plazo frente a la de largo plazo.
Estrategia de licenciamiento de PI: Black Forest Labs se posiciona como infraestructura neutral
Sobre la cuestión de cómo deberían abordar las herramientas generativas los principales titulares de propiedad intelectual como Disney, Rombach dijo que Black Forest Labs ya bloquea la generación de ciertos personajes con derechos de autor en sus herramientas públicas y, por otro lado, desarrolla modelos personalizados directamente con los titulares de PI, construidos sobre arquitecturas de código abierto o propietarias según las necesidades del cliente. No mencionó socios de estudio específicos más allá de confirmar la colaboración con Scorsese, pero el enfoque sugiere que la empresa está tratando de construir un negocio de licenciamiento y modelos personalizados junto a sus herramientas de consumo de código abierto, una estrategia de doble vía similar a la que describió Cerebras con sus despliegues soberanos y empresariales. Rombach también señaló el auge de las películas de fans asistidas por IA, como el contenido no oficial de Star Wars que atrae millones de visitas en YouTube, como una vista previa de cómo los estudios podrían eventualmente monetizar la creatividad de los fans a través de licencias en lugar de una restricción general.
Donde la tecnología todavía se queda corta
Rombach fue franco sobre las limitaciones actuales, señalando que la producción cinematográfica de alta gama sigue siendo uno de los casos de uso más exigentes y que el control robótico totalmente autónomo y basado en instrucciones (prompts) aún no es alcanzable. "Uno querría llegar a un punto en el que pudiera dar instrucciones a un robot en contexto, como se puede hacer con un modelo de lenguaje; aún no estamos ahí", dijo, explicando que los despliegues actuales requieren varias horas de datos de ajuste fino por robot y tarea, en lugar del tipo de generalización "zero-shot" a la que aspira la industria. Esa brecha entre la ambición y la capacidad actual es un contrapeso útil a las narrativas robóticas más agresivas que se impulsan en otras partes del mercado, y sugiere que el despliegue comercial real de estos modelos mundiales multimodales en la robótica física es todavía una apuesta en una etapa más temprana que el negocio de generación de imágenes y video, que ya está produciendo ingresos a través de licencias y trabajo de personalización empresarial.