中国建投原创文章
中国建投直接投资部
作者：乔林
本文3383字，阅读时间8分钟
近两个月来，全球投资界最热门的概念之一，莫过于“HBM”（高带宽内存芯片）。AI大模型的训练和推理都高度依赖HBM，英伟达CEO黄仁勋曾公开表示，当前最主要的供应链瓶颈正是HBM内存，其次才是台积电的CoWoS先进封装产能。这也解释了为何全球HBM龙头企业SK海力士在短短两年多时间内市值增长十倍。
然而，一家名为Cerebras的年轻公司近日宣称，大模型不再需要HBM了。
这家公司并非空口无凭。5月14日，Cerebras在纳斯达克上市，当日市值逼近千亿美元。历史上，仅有Meta等少数顶级科技企业曾取得这般成绩，Cerebras也成为2019年Uber上市以来最大的科技IPO。值得注意的是，小特朗普和OpenAI CEO奥特曼都是其重要投资人。
那么，Cerebras究竟做了些什么？本文尝试用通俗易懂的方式，拆解这一技术领域，帮助读者理解其背后的逻辑与影响。
一
为什么HBM对于大模型推理和训练如此重要？
先来理解HBM的重要性，才能看清Cerebras带来的变化。
可以做一个简化的比喻：大模型的训练，好比一群建筑工人在有限的市中心空地上（GPU）盖楼房（大模型），同时需要持续不断地将建筑材料（数据）运送到现场。AI服务器面临的核心难题在于，GPU计算速度太快，而数据传输速度跟不上，导致GPU经常处于“等数据”的状态。
理想情况下，如果所有材料都能堆在工人手边，效率自然最高。但问题在于，芯片面积有限，无法容纳那么多数据缓存。目前的做法是，在芯片内部设置高速SRAM（静态随机存储器）作为临时堆放点，工人可以自行取用。但SRAM容量太小，只能存放极少数据。于是，又在芯片旁边划出一小块空地，建一个临时仓库（DRAM，动态随机存储器），并雇佣搬运工不停地在仓库和工地之间运输数据。
过去十余年，这一领域的技术突破主要围绕如何提升数据传输效率展开。解决方案主要有两条：一是把仓库“叠起来”，工程师们发明了堆叠技术，将多层DRAM堆叠在一起，即HBM，并用数千个微米级的TSV（硅通孔）垂直连接，实现多层仓库之间的快速运输；二是多雇佣搬运工，建立多个数据传输通道，形成高带宽。
这些步骤看似简单，但实际在芯片纳米尺度上存在大量技术难关，例如通孔不能有气泡、数千条线路高速传输时互不干扰、堆叠导致散热难度指数级上升、堆叠层数越多良率下降越快等。三星和SK海力士联合研发4年才做出首个HBM样品，这也是两家公司占据全球近80%市场份额、建立深厚技术壁垒的原因。当前主流AI芯片的架构，本质上就是一块GPU周围堆叠一圈HBM，后者向前者不断输送数据。
而Cerebras提出，不再需要HBM了。
二
Cerebras做了什么？
既然现有AI芯片的核心工作围绕数据传输展开，Cerebras的解决方案是：别传输了，把数据全部放在计算核心旁边。回到上面的比喻，就是成倍扩大建设用地，把所有材料都堆在楼下，自然就不再需要仓库（HBM）了。SRAM的特点是紧挨计算核心，传输速度极快，但面积数倍于DRAM。那么，把芯片做大，多用SRAM，问题不就解决了吗？
事情并没有这么简单。
如果如此容易，Cerebras就不会成为破局者。近几十年来，芯片工艺的发展路径一直是朝着“小芯片拼装”（chiplet）模式演进：在一大块晶圆上制造出几百块图案完全相同的小芯片，然后切割成独立的小芯片。这样做的根本原因在于，晶圆不可能完美无瑕。
整个晶圆制造过程需要数千道工序、历时数月，即便在洁净度极高的先进晶圆厂，也无法做到零缺陷。任何微尘、材料缺陷、光刻误差都可能导致芯片失效。如果一整块晶圆就是一个芯片，那么任何一点瑕疵就会导致整颗芯片报废，且芯片面积越大，良率下降越快。而采用小芯片拼装工艺，即使部分芯片损坏，其余芯片仍然可以独立使用。
而Cerebras的方案恰恰相反：严格来说，是以一整块矩形晶圆为一颗芯片，将大量大容量超高速SRAM直接做到晶圆上，而它服务的核心既不是GPU也不是CPU，而是一种定制的数据流处理器。通俗理解就是：把无数个极小的、高度定制化的处理器，以GPU的超大规模并行方式，密密麻麻地平铺在一整块晶圆上，让大量SRAM紧挨着这些处理器运送数据，从而彻底解决传统AI芯片的数据传输瓶颈。
Cerebras推出的WSE芯片与目前最大的GPU芯片对比
资料来源：Cerebras招股说明书
三
Cerebras的芯片有哪些开创性突破？
首先，如何解决大晶圆不可避免的缺陷问题？Cerebras的答案是“冗余设计+可绕行互联”。简单来说，在大晶圆上预留大量冗余计算核心和冗余通信路径，如果某一小块出现故障，系统会自动绕行。这是其芯片能够实现商业化量产的核心原因。
其次，Cerebras的芯片架构在制造上面临诸多技术挑战。例如光刻机的曝光限制——由于光罩尺寸有限，如此大的芯片无法一次曝光完成，需要通过晶圆拼接曝光，不同区域之间要实现纳米级精确对齐。
再如供电和散热问题：一整片晶圆的电压和电流波动巨大且分布不均，晶圆中心容易形成热岛，导致性能下降和时钟不稳定。Cerebras采用了特殊液冷方案和分布式功耗管理等措施来应对。尽管Cerebras是一家芯片设计公司，但为了解决这些困难，它需要联合晶圆制造厂商台积电提供一整套成熟解决方案。
Cerebras的成就并不在于“做大芯片”这个想法，而在于“让超大芯片还能稳定工作”。其WSE芯片已经迭代三代，成功销售给美国国家实验室、全球超算中心、OpenAI、亚马逊云服务、阿斯利康、阿联酋AI中心等多个政府机构和大型企业。由于极低的延迟特性，该芯片在AI推理领域相比传统AI芯片具有明显优势。
四
Cerebras会动摇谁的根基？
熟悉芯片行业生态的人可能会产生疑问：Cerebras是否会动摇英伟达+SK海力士+三星+美光这一产业路线的龙头企业？毕竟，它不再需要GPU和HBM，而且商业化路径已经跑通。
从当前行业现状来看，二者并未形成直接竞争，也不存在替代的可能性。
Cerebras芯片单颗成本远高于英伟达AI芯片，受限于制造成本高昂、良率偏低、量产规模有限，在相当长一段时间内只能定位高端市场，服务对成本敏感度较低、对推理速度要求较高的客户。
同时，其采用全新软件架构，而当前AI行业基本已通用CUDA生态和英伟达工具链，二者开发者生态差异巨大，客户迁移成本极高。此外，由于其散热要求高，Cerebras芯片需要配备特殊液冷、供电、机架和互连系统，相当于构建一个全新的数据中心。这些因素都决定了Cerebras芯片现阶段难以全面铺开。
可以认为，Cerebras的目标并非通用GPU市场。从其优劣势来看，它更像是AI时代的超级计算机路线，在部分应用场景中可以最大化其优势。
短期来看，资本市场目前也验证了这一判断：Cerebras上市后，英伟达、SK海力士等“GPU+HBM”传统技术路线的龙头企业，股价基本未受到明显影响。现在谈“颠覆”为时尚早，顶多可以视作“将传统的以GPU+HBM为唯一解决方案的AI生态，撕开了一个裂缝”。至于这一“裂缝”后续如何演化，值得投资者持续关注和思考。
五
对投资人的启示
从投资视角看，Cerebras更值得关注的，或许是其背后所反映的产业趋势变化。
第一，HBM产业链仍大有可为。 尽管Cerebras现阶段并未动摇传统英伟达生态在AI训练推理中的主导地位，但这并不意味着HBM路线没有更大发展空间。一种可能的趋势是，AI芯片路线开始分化为两条：一条是英伟达代表的GPU+HBM路线，另一条是更大SRAM、更少数据搬运的大系统路线。
第二，推理市场值得更多关注。 Cerebras之所以获得资本市场认可，核心在于它没有与英伟达在大模型训练领域正面竞争，而是主打大规模、极致速度的推理。当前训练市场格局基本固化，但推理市场才刚刚起步。随着智能体（Agent）、长文本、实时语音和多模态应用的爆发，推理算力的消耗将呈指数级增长。未来在算力芯片、中间件、网络优化乃至边缘算力等领域的投资，可以更多关注“推理能效比”和“低延迟”方面的绝对优势。
第三，芯片设计公司的系统级交付能力日益重要。 Cerebras销售的并非一块块可以插入别人服务器的芯片，而是集成了散热、供电、组网甚至自身云服务的整体硬件超算系统。纯芯片设计初创公司的生存空间正被龙头企业挤压，未来评估芯片或硬件项目时，应重点考察其“系统级交付”能力，而非仅仅关注跑分性能。创始人需要围绕软硬一体化系统如何降低客户部署门槛、如何兼容PyTorch等软件生态进行清晰论述，这往往是硬件估值的溢价来源。
第四，先进封装的重要性持续提升。 Cerebras的芯片对晶圆级封装提出了大量新的技术要求。先进封装已不再是简单的“后道工艺”，而是开始成为“决定芯片架构边界”的核心能力。封装正在成为系统设计的一部分，逐步摆脱其“低附加值”的传统定位。在高密度互联、热管理等子领域，新兴企业可能面临广阔的增长空间，“芯片设计”与“封装设计”的融合或许才刚刚开始。
Cerebras的成功，为AI芯片领域提供了一条全新的技术路径。虽然短期内它难以撼动现有巨头的主导地位，但对于科技行业观察者和投资者而言，理解其技术创新思路以及背后的产业演进趋势，有助于更清晰地把握未来算力基础设施的演进脉络。
图片来源：unsplash.com/pexels.com
