DruckFin

Cerebras Systems 專訪：執行長揭露 250 億美元 AI 訂單積壓，並解析為何 AI 泡沫論是個迷思

2026 年 6 月 4 日 - Bloomberg Tech 2026，舊金山

史上最大半導體 IPO 與解決 75 年來的晶片難題

Tom Giles：Andrew，就在兩週前，你們舉辦了一場盛大的活動。

Andrew Feldman：沒錯，這是今年迄今規模最大的 IPO。

Tom Giles：這是史上規模最大的半導體 IPO。如果我的計算沒錯，你在這個產業待了很久。我也觀察這個產業很久了，我們很少見到晶片相關的新創公司，能成功上市的更是鳳毛麟角。AI 是如何改變這一點的？

Andrew Feldman：首先，製造晶片真的非常困難。所以我們這一代人，要麼已經老了，要麼已經不在了。對我們來說，晶片製造並不便宜。這就是我們打造的產品 [Andrew Feldman 向觀眾展示巨大的 Cerebras Wafer-Scale Engine 晶片]。這是史上製造過最大的晶片。謝謝大家，大家在為大晶片鼓掌，這還真是少見。為了讓它運作，我投入了 5 億美元和十年的光陰。而我們得到的成果，是史上運算速度最快的 AI 處理器。我們解決了電腦產業懸而未決 75 年的難題，也就是如何製造一顆「大晶片」。我們解決了它，並交付了產品，我們當時引以為傲。我們在 2019 年 8 月宣布了這項成果，但當時根本沒人在乎。真的沒人在乎。世界花了點時間才跟上腳步。

Andrew Feldman：從 2025 年開始，AI 模型變得足夠聰明，人們開始真正使用 AI。一旦人們開始使用 AI，速度就變得至關重要。我們使用 AI 的方式主要是透過「推論」（inference）。而我們所做的是全球最快的推論，不是快一點點，而是快了 15 倍以上。這就是為什麼我們能走到今天這一步，並在兩週前成功上市。

推論解構與 AWS 合作夥伴關係

Tom Giles：在此之前，你們贏得了一些極具指標性的客戶，包括 AWS。我認為這種關係非常引人入勝，因為它完美體現了你們處理推論的方式，也就是將流程「解構」（disintegrate），對吧？由 AWS 的 Trainium 處理一部分，然後由你們負責推論中的解碼（decode）部分。請談談這一點，更重要的是，這如何成為你們與其他超大規模雲端供應商（hyperscalers）合作的藍圖？

Andrew Feldman：我們在過去 90 天表現相當亮眼。我們與 OpenAI 簽署了一份超過 200 億美元的承諾性「照付不議」（take-or-pay）合約。45 天後，我們又與 AWS 簽署了大單。作為一名電腦架構師，大多數情況下，我們試圖審視問題並思考什麼才是合適的機器。我們應該自行設計機器嗎？我們能使用別人的機器嗎？我們在 2015 年和 2016 年看到了新工作負載的興起。我們認為，這種工作負載將消耗大量的運算資源。這種新型 AI 將消耗驚人的運算量。當時我們做了兩項反向操作的賭注：第一，我們將為此打造專用晶片；第二，我們不會製造看起來像 GPU 的東西。我們將從零開始，打造完全不同的東西。

Andrew Feldman：當時，人們認為這兩項決定都很瘋狂，但結果證明我們並沒有「死掉」，對吧？現在，快轉十年，由於 AI 從 2025 年左右開始變得非常聰明，能夠處理重要任務，目前對推論的需求極大。我們使用它的頻率越來越高。所以，我們再次審視了這項工作。推論問題的本質是什麼？它由兩部分組成：第一部分稱為處理提示詞（prompt）。別被騙了，我們只是無緣無故發明了複雜的名字，這其實很神奇。我們姑且稱之為「預填充」（pre-fill），這其實就只是在處理提示詞。第二部分是生成答案。所以你處理提示詞，然後生成答案。我們稱第一部分為 pre-fill，第二部分為 decode。

Andrew Feldman：事實證明，這兩者的運算特性截然不同。因此我們心想，有些機器在 pre-fill 方面比我們更強。這是一個可並行化的問題，其本質與 decode 完全不同，後者是一個嚴格的序列問題。我們帶著這個觀察結果去找 AWS，並說：「我們可以使用你們的 Trainium 晶片來處理 pre-fill，並使用我們的大晶片來處理 decode。」我們最終得到的解決方案非常出色。它受到了熱烈歡迎。我們現在正致力於將這種模式推廣開來，即在問題的一部分使用別人的晶片，在另一部分使用我們的晶片，對象涵蓋整個社群，包括除 Nvidia 以外的所有超大規模雲端供應商。也就是除了他們之外的所有人。

專用晶片與通用晶片的對決

Tom Giles：我想稍後再回到這一點。我們談到了解構，但在晶片製造中，通用化以及擺脫解構式方法難道不是必然的趨勢嗎？這其中難道沒有某種不可避免性？如果真是這樣，會發生什麼事？

Andrew Feldman：不。我認為專用晶片與通用晶片的對決是一場非常有趣的戰役。無論是在非洲大草原上，還是小公司對抗大公司，決定專用晶片能否勝過通用晶片的關鍵，在於「資源景觀」（resource landscape）的形狀。如果專用晶片瞄準的資源脈絡非常巨大，專用晶片就能徹底擊潰對手並勝出；如果資源景觀是由許多零散的小型資源區塊組成，通用晶片就會勝出。

Andrew Feldman：那麼 x86 在哪裡勝出？在充滿各種不同用例的景觀中。GPU 在哪裡勝出？它在離散圖形處理上勝出，那是一個單一的離散工作負載。x86 機器在哪裡勝出？無處不在。為什麼它沒有在手機上勝出？因為 ARM 打造了一種 100% 專注於電池續航和極低功耗的產品。這就是兩個專用晶片徹底擊敗通用晶片的例子。在其他情況下，資源景觀不足以支撐專用晶片。包括我在內的業界人士都曾嘗試打造專用晶片，但沒有足夠的資源讓我們生存。所以我們只能吃一點點，最後在通用晶片搶走所有資源時餓死。因此，我們在 2015 年看到的是，AI 的興起將創造出如此巨大的運算需求，以至於由專用晶片來服務是最好的選擇。這就是其中一個致勝的觀察。

AI 是泡沫嗎？250 億美元的訂單積壓

Tom Giles：你提到的另一個大客戶 OpenAI，其結構非常獨特。我們看到 OpenAI 和其他大型語言模型（LLM）公司，因為你提到的這種隨處可見的巨大需求，被迫在融資和支付運算合約的方式上變得越來越有創意。目前已有數千億美元投入其中。你是否擔心他們產生營收並籌集所需資金以履行義務的能力？換個方式問，你認為現在有 AI 泡沫嗎？領頭羊能持續前進嗎？這種成長是可持續的嗎？用戶需求會足夠快地顯現嗎？

Andrew Feldman：你知道，我們都經歷過這些。這不是我們第一次參加這種「牛仔競技」。不年輕的一個少數優勢就是，這不是你的第一次。我認為歷史上的泡沫特徵在於「如果你蓋好了，他們就會來」的觀念。我在觀眾席中認出了一些人，他們在 90 年代末與我一起建設數據網路設備時就在那裡，當時人們投入大量光纖，假設需求會隨之而來。經濟學家喜歡回到鐵路時代，引用 1870 年代的類比，原因我不清楚。那時候也是「如果你蓋好了，他們就會來」。

Andrew Feldman：現在 AI 的不尋常之處在於，建設者的進度遠遠落後於需求，這簡直荒謬。我們有超過 250 億美元的需求積壓，我們所有人——無論是我們、AMD 還是 Nvidia——都無法跟上終端用戶推動的需求。在很多方面，這與泡沫恰恰相反。我們在追趕客戶，而客戶的需求正以軟體的速度前進，我們卻是以房地產和數據中心的速度在移動。所以我們是落後的。

數據中心限制與社區關係

Tom Giles：請多談談這一點。你曾與 Bloomberg Intelligence 的同事進行過播客訪談，當時你提到，如果現在有什麼限制因素，那就是對數據中心的存取權。我們在全國各地，特別是在選舉年，看到了很多阻力，很多人反對「不要在我家後院」（NIMBY）。你們是如何應對的？

Andrew Feldman：這是兩回事。首先，我們所有人都受到數據中心的限制。現在，如果你跟我們談，我們有雲端服務，但我們受限於數據中心的部署階段。每個人都受限於數據中心的部署。這是第一點。第二，這是一個獨立的問題，那就是為什麼世界對我們感到憤怒？他們憤怒是因為我們過去表現得很愚蠢。不是我們特別愚蠢，而是整個產業。我們本可以走進這些社區，成為好鄰居。我們本可以透過這些社區的流程和地方政府來獲得批准與支持。我們本可以成為好鄰居。我們本可以支付足夠的費用來開發這些數據中心，讓當地社區永遠不必負擔一毛錢。

Andrew Feldman：我們本可以分享一個 150 到 200 兆瓦的數據中心（這並不算巨大）如何在施工期間創造數千個就業機會。我們本可以分享，例如，我們在大型數據中心使用的水比一家小餐廳還少。你知道嗎？在整個美國，數據中心消耗的水量比加州的杏仁種植者還少。不是少一兩倍，而是杏仁消耗的水量是數據中心的 5 到 7 倍。所以，我們當時只顧著向前衝，或許是因為我們這個產業的人智商較低，更擅長與機器對話而非與人溝通，我們衝得太快，卻沒有考慮到我們將數據中心置入的社區。

Andrew Feldman：微軟的 Brad Smith 站出來為所有人發出了行動呼籲。這只是常識。它有五個深思熟慮的支柱，歸根結底就是：把他們當作你的鄰居。你完全可以進入一個社區並建造數據中心，而社區也會歡迎你。你可以創造就業機會，稅基也會大幅增加。我們現場有重型設備，我們甚至可以為學校建造一個棒球場。作為一個社區，我們本可以做得更好，但我們搞砸了。我們沒有贏得社區的支持。

Tom Giles：那你會採取什麼不同的做法？

Andrew Feldman：我不是數據中心開發商，我是買家。因此，我們在擁有數據中心的社區中積極參與當地事務。我們與當地的商會互動，並盡我們所能與社區溝通。我們也選擇了位於偏遠鄉村地區的數據中心。你偶爾會聽到美國電力不足的說法，那不是真的。我們有充足的電力，只是它們不在人口稠密區附近。所以取得電力的成本稍微高一點。我們的電力來自西德州、猶他州鄉村，以及路易斯安那州沒人想住的地方。我們的電力來自尼加拉瀑布。加拿大擁有的電力多到用不完。他們不僅有水力，還有天然氣。所以你必須去電力所在的地方。我認為你必須思考如何透過光纖電纜輸出結果（tokens）。你必須鋪設這些電纜。但我不認為這是一個二選一的問題。我們整個產業在走進社區並成為好鄰居這件事上，做得太差了。

客戶集中度與 G42 及 OpenAI 的擴展

Tom Giles：觀察你們的客戶群，我們看到你們與 G42 的早期關鍵關係，這顯示你們需要多元化客戶群。你們已經透過 Meta 和 AWS 做到了。我們應該關注哪些下一個重大勝利？這還需要多久才能實現？

Andrew Feldman：這很有趣，我從未想過。當然，在私人領域，沒人會說「你有一個大客戶，這很糟糕」。我們將佔據你們營收的很大比例，這會計入我們所有的製造產能。因此，在 2023 年底，我們與阿拉伯聯合大公國的 AI 領軍企業 G42 簽署了一份 10 億美元的合約。他們是全球首批行動者之一。當我們進入市場籌集資金時，人們說：「你只有一個大客戶。」後來我們贏得了 OpenAI，他們簽署了一份超過 200 億美元的合約。人們又說：「現在你依然只有一個大客戶。」我過去有一個，現在還是有一個，只是規模大了 20 倍。這是矽谷歷史上最大的交易之一。接著，我們又贏得了 AWS。

Andrew Feldman：我認為事實是這樣的：首先，這個產業將會出現非常、非常大的客戶。Nvidia 上季營收約 680 億美元，其中四個客戶就佔了一半。這就是我們所處的世界。因此，將會出現極端的客戶集中化。而且其中一些客戶實際上服務了數百個其他客戶。例如，G42 是阿聯酋生態系統的雲端平台。那裡有阿布達比的大學，有杜拜的石油公司。有數百個不同的用戶，但他們匯聚在一個點上，成為一個客戶。同樣地，當我們將產品賣給 OpenAI 時，我們實際上賣給了誰？我們賣給的是數十億正在使用這些運算資源的個人用戶。

速度作為護城河與 Token 經濟的 Costco 時代

Tom Giles：我想了解一下，OpenAI 剛剛推出了一個基於 Cerebras 的模型。有哪些初步的學習心得？有哪些收穫？在效能方面，例如每秒 Token 數或其他指標，你們可以分享哪些數據？

Andrew Feldman：我們知道——Google 在 2009 年就展示過——有一篇有趣的論文指出，即使是獲取答案的時間發生極小的變化，也會影響你對服務的滿意度。慢了幾毫秒，就會對你停留的時間、使用的頻率產生顯著影響，即使你可能沒有意識到。我們知道這一點。如果你想一下，你會問：慢速搜尋的市場有多大？為什麼？對吧？撥接上網的市場有多大？如果我要拆掉你的寬頻，要付多少錢？一個月一千美元。你想要家裡有慢速網路嗎？不。AI 也會是一樣的。沒人想要慢速的 AI。

Andrew Feldman：如果你要等八秒鐘網站才能載入，你會瘋掉。所以，一旦一項技術融入我們每天所做的事情中，你使用它的速度就變得至關重要。當你的速度快這麼多時，你在所做的一切事情中都能感受到。Open Coder 的設計者 Peter Steinberger 說，使用我們的服務就像給了他雷神之鎚。他說這就是身為一名擁有我們這種速度的程式設計師的感覺。因此，你的用戶會更有生產力。他們在一小時內能完成更多工作。這種優勢會隨著時間推移而疊加並擴大。這就是速度一直以來帶來的價值。

Tom Giles：目前市場上似乎正在建立一種價格敏感度。我們之前聽說過「Token 最大化」（token maxing），但現在我們聽到的是計量和限制。這是否真實？它是否普遍？它是否正在改變採用的步伐？

Andrew Feldman：我要暴露一下年齡了。我還記得第一家 Costco 倉儲式商店來到帕羅奧圖（Palo Alto）的時候。它在紅木城（Redwood City）開幕，我母親逛 Costco 的方式就像逛 Safeway 一樣。她會走遍每一個過道。如你所知，在 Costco 這樣做是個嚴重的錯誤，因為你可能會犯兩次錯誤，每次 19 美元，最後你莫名其妙地買了一大桶美乃滋，雖然你當下覺得這是個好主意。兩三年後，沒人會那樣逛 Costco 了。你會直接走到後面拿便宜的烤雞，對照清單，去拿那一大盒杯子蛋糕，因為孩子要過生日了。你徹底改變了購物方式。

Andrew Feldman：這就是現在 Token 正在發生的事情。起初，大家覺得「嘿，盡情用吧」。然後微軟有一天醒來說：「Token 很貴，等等，我們不能讓每個人都隨心所欲地使用 Anthropic。」這觀察多麼奇怪。我們還讓誰隨心所欲地使用資源？這從一開始就很愚蠢。當然，你必須在組織內分配資源。有些人的工作你應該全力支持，因為他們在各方面都極具生產力；而對其他人，你必須進行計量。這就是世界運作的方式，對吧？你處理每個問題都需要 Spark、GPT-4 或最高階的模型嗎？你知道，你不需要開法拉利去雜貨店買東西。使用成本較低的開源模型即可。所以我們正在學習如何像在 Costco 購物一樣。我們現在擁有了這種豐沛的資源，我們正在學習如何不買那桶 18 美元的美乃滋。我們只需要退一步，告訴自己：「好的，我們在這裡使用昂貴的模型，在那裡使用開源模型。」這就是我們將要走的路。我認為這就是你現在看到正在極速發生的學習過程。

Cerebras Systems 深度剖析

晶圓級架構與實體護城河

在高效能運算領域，人工智慧（AI）的推論與訓練受限於「記憶體牆」（memory wall）問題，即資料在記憶體庫與運算處理器之間傳輸時所耗費的時間與能源。目前市場主流架構是透過高速光纖網路與高頻寬記憶體（HBM），將離散的圖形處理器（GPU）串聯起來解決此問題。Cerebras Systems 則完全繞過了這一實體瓶頸。透過使用一整片 46,225 平方毫米的矽晶圓，其「晶圓級引擎」（Wafer-Scale Engine, WSE）能作為單一且連續的處理器運作。現行的 WSE-3 具備 4 兆個電晶體與 90 萬個 AI 優化核心。然而，其真正的架構利器在於晶片上 44 GB 的靜態隨機存取記憶體（SRAM）。藉由將模型權重直接儲存在晶圓上，Cerebras 實現了每秒 21 PB 的記憶體頻寬。與現有旗艦處理器相比，WSE-3 擁有數量龐大的運算核心與倍增的記憶體頻寬。這種結構性差異使超大規模參數模型能直接在單一系統上執行，無需承受晶片間通訊的延遲代價，進而在關鍵推論工作負載中，於每秒生成 Token 數（tokens-per-second）的吞吐量上展現顯著優勢。

商業模式與營收變現

Cerebras 採取混合式變現結構，正積極從資本密集的硬體銷售轉向利潤率更高的公用事業模式。過去，其營收幾乎完全依賴向主權實體與國家實驗室銷售 CS-3 超級運算系統。如今，商業模式正走向分歧。公司透過離散硬體部署獲取前期資金，同時透過支援與維護合約獲取經常性收入，這類合約通常每年可帶來硬體初始價格 15% 至 20% 的收益。此外，Cerebras 正透過其「AI Model Studio」積極轉向「人工智慧即服務」（AI-as-a-Service）模式。此雲端推論與訓練應用程式介面（API）讓企業無需承擔高昂的前期資本支出，即可存取晶圓級運算能力。同時，該公司也正將其專有的軟體堆疊作為獨立的企業產品進行授權。此策略轉型旨在平滑半導體硬體銷售固有的週期性，並推動毛利率從直接硬體部署的 40% 至 45% 基線進一步提升。

客戶集中度與需求催化劑

分析 Cerebras 時最關鍵的指標在於其極高的客戶集中度。在公開上市前，該公司幾乎是阿拉伯聯合大公國的專屬硬體供應商。G42 與穆罕默德·本·扎耶德人工智慧大學（Mohamed bin Zayed University of Artificial Intelligence）曾佔其總營收的 86%，這種依賴性帶來了深遠的地緣政治與監管風險。然而，隨著 OpenAI 於 2025 年底簽署一份價值超過 200 億美元、為期數年的運算合約，並輔以 10 億美元的營運資金貸款，商業敘事發生了實質性轉變。此交易從根本上改變了公司的發展軌跡，獲得了全球最嚴苛基礎模型開發商的技術背書。此外，Amazon Web Services（AWS）也承諾於 2026 年下半年在其資料中心部署 Cerebras 硬體。儘管合約積壓訂單提供了前所未有的營收可見度，但這實質上是將主權客戶集中轉變為企業客戶集中。若該核心客戶調整其運算策略、將推論工作負載轉為內部開發，或轉回使用傳統 GPU，Cerebras 將面臨嚴重的營收減損風險。

供應鏈架構與晶圓代工依賴

在架構差異化的背後，隱藏著脆弱的供應鏈依賴。Cerebras 是純粹的無晶圓廠（fabless）半導體設計公司，完全依賴台積電（TSMC）進行晶圓製造。WSE-3 採用 5 奈米製程節點，下一代 WSE-4 則預計採用 3 奈米製程。與擁有龐大採購規模與優先產能分配權的科技巨頭不同，Cerebras 在代工廠的總產量中僅佔極小比例。公司並未與代工廠簽署長期供應或產能分配協議。任何晶圓分配中斷、不利的價格調整，或台灣的地緣政治摩擦，都將立即削弱公司履行龐大商業積壓訂單的能力。此外，晶圓級製造的物理特性帶來了極其特殊的良率挑戰。由於沒有矽晶圓能完全零瑕疵，Cerebras 的工程師透過在晶圓表面蝕刻冗餘運算核心，並利用軟體路由繞過物理缺陷來解決此問題。雖然這種優雅的解決方案克服了良率難題，但它需要高度專業化的製造與封裝技術，嚴重限制了替代供應來源的選擇空間。

競爭格局與生態系動態

人工智慧加速器市場預計在 2026 年將超過 2,000 億美元，目前處於 Nvidia 的絕對霸權之下。Nvidia 佔據約 80% 的資料中心加速器市場，憑藉其專有軟體平台帶來的十多年開發者黏著度，構築了穩固的地位。AMD 則是主要的商用替代方案，憑藉 Instinct 加速器系列取得 5% 至 7% 的市佔率。然而，商用晶片真正的長期威脅來自雲端服務供應商（Hyperscalers）本身。Google 的 TPU、Amazon 的 Trainium，以及與 Broadcom 和 Marvell 合作設計的專有晶片，正吸收大量的內部工作負載。在獨立新創生態系中，2025 年 12 月 Nvidia 以 200 億美元收購 Groq，導致競爭動態發生結構性重組。Groq 同樣依賴 SRAM 來最大化推論速度，曾是 Cerebras 在延遲敏感型工作負載上的直接競爭對手。隨著 Groq 被納入主導生態系，Cerebras 成為目前資本最雄厚的獨立高頻寬架構供應商，但仍面臨 SambaNova 與 Tenstorrent 等專業硬體挑戰者的持續壓力。

新產品驅動力與未來軌跡

未來的成長引擎高度依賴 WSE-4 架構的成功部署。轉向 3 奈米製程將使 Cerebras 能在單一晶圓上封裝更多電晶體，同時降低每個 Token 生成的功耗並擴大原始運算規模。此外，公司正積極整合機架級的晶片直連液冷系統，考量到整片晶圓在峰值負載下產生的巨大熱密度，這是必要的物理進化。除了原始矽晶片的執行力外，成長的主要催化劑在於軟體層。公司的編譯器軟體必須證明其能無縫導入開源模型與主流框架，且無需開發者大幅修改程式碼。即將到來的 AWS 部署成功與否，將是檢驗此點的試金石。如果企業開發者能像在傳統叢集上一樣，輕鬆地將超大規模參數模型部署到託管的 Cerebras 實例上，其目標市場將成功從菁英研究實驗室擴展至主流企業部署。

管理層業績紀錄

由執行長 Andrew Feldman 與技術長 Sean Lie 領軍的經營團隊，在半導體架構領域擁有卓越的營運背景。團隊曾創立伺服器基礎設施公司 SeaMicro 並出售給 AMD，在高效能運算設計領域建立了深厚的信譽。他們在 Cerebras 的任期定義於執行一項被半導體業界普遍認為「物理上不可能」的工程願景。成功管理晶圓級晶片的熱膨脹、電力傳輸與缺陷路由，是一項客觀上極為艱鉅的工程成就。此外，管理層在 2025 年底展現了出色的策略敏捷性。面對首次公開募股（IPO）前夕，因中東營收曝險而產生的生存性監管障礙，領導層積極轉向並確保了具有變革意義的 OpenAI 合約，成功降低了 2026 年 IPO 的風險。然而，作為上市公司將面臨全新的需求。從純研發轉向大規模全球部署、複雜的供應鏈管理以及每季的財務執行，將嚴格考驗執行團隊的營運能力。

總結評分

Cerebras Systems 代表了 AI 矽晶片領域中最具膽識的架構變革。透過正面迎擊「記憶體牆」問題，晶圓級範式在處理業界最嚴苛的推論工作負載時，展現了吞吐量與延遲方面的顯著優勢。與頂尖基礎模型開發商簽署龐大的多年期積壓訂單，為其底層技術提供了無與倫比的驗證，並確保了未來幾年營收加速成長的明確路徑。

反之，伴隨此成長態勢的結構性風險同樣嚴峻。其商業基礎僅是將主權依賴轉變為企業集中，使公司高度暴露於單一關鍵客戶的策略意圖之下。再加上對外部晶圓代工產能的無避險依賴、尚在發展中的軟體生態系，以及擁有無限資本且剛收購了推論競爭對手的強大對手，公司幾乎沒有執行錯誤的空間。公司必須完美跨越從利基硬體供應商到大規模企業公用事業的鴻溝，才能證明其當前的市場定位合理。