摘要

Cerebras不是英伟达的全栈替代者，而是在推理瓶颈上切出裂缝的Option B。 它把整片晶圆做成计算引擎，让大量计算核心无缝互联，把计算、内存和通信拉到同一硅片，减少数据搬运。周楠的边界划得很清楚：“是一些特定 workload 上的挑战者”，但CUDA、网络、软件、供应链和客户信任仍构成英伟达难以复制的系统护城河。
Cerebras从数十亿美元估值跃至上市后一度接近1000亿美元，核心变量是算力需求从训练转向推理。 周楠称目前一半以上GPU需求已用于推理，coding与agent又放大了token消耗，因此low latency、high throughput和更低cost per token开始直接决定产品体验与毛利。2026年1月OpenAI签下至少200亿美元订单，既是性能选择，也是frontier lab降低单一供应商风险的战略配置。
近500亿美元市值之上，周楠给出的乐观上限是5000亿美元，真正需要验证的却是交付而非概念。 Cerebras的wafer方案已经跑通，但客户仍集中于包括G42在内的少数大户；OpenAI订单尚未交付，定制基础设施能否快速、稳定地规模化运营仍是下限。与此同时，英伟达不会静候市场流失，其以200亿美元收购Groq就是推理侧的直接反击。
百度在2017年以约7亿美元估值共同领投Cerebras C轮，押注时公司甚至还没有实体芯片。 百度美研把基于PaddlePaddle、近3亿参数的语言模型跑在模拟器上，并逐项审查良率、液冷、电源、compiler和API；周楠回忆，“当时风险测算的下限基本上都发生了”，流片和系统落地最终延迟约一两年。早期投资人与董事会的耐心，让公司熬过了接近十年的硬件周期。
这笔投资的源头，是百度美研在Deep Speech 2中看见了Scaling Law的经验性萌芽。 当时团队尚未把它写成数学规律，却已形成明确判断：模型更大、数据更多、训练更久、算力更强，效果就持续提升；一套近3亿参数模型用GPU训练要三个多月，迭代一次又是数月。Cerebras宣称可提效“百倍、千倍”，由此击中了真实而迫切的研究痛点。
百度美研既是被遗忘的AI人才高地，也是一次因地缘政治而中断的资本机会。 高峰期约250人的团队后来走出OpenAI、Anthropic、Inflection、Adept及Meta FAIR的创始人、联合创始人或 founding members；百度筹备的独立Growth Fund则把OpenAI、Databricks、Scale AI列入明确投资名单，却因LP退缩未能成立。周楠的“意难平”是：如果这只基金完成，百度本可能成为一批frontier lab与AI基础设施公司的股东。
AI早期投资的非共识窗口已从数年压缩到一两个月，VC因此正变成用大基金“砸winner”的游戏。 周楠认为coding agent、frontier lab和部分infra已经出现飞轮；仍可能保留非共识空间的是Physical AI、推理优化以及agent调度需要的新CPU架构。他判断机器人虽场景更分散，但不像自动驾驶必须达到“99.9%”正确率，其“啊哈时刻可能会比我们想象中早”。

精读

1. Cerebras卖的是一套计算系统，不是一颗替代GPU的芯片

周楠给出的核心定义是wafer-scale architecture：传统晶圆被切成许多芯片，Cerebras则尽量不切，把整片晶圆上的大量计算核心无缝互联，形成巨型AI计算引擎。
这家公司同时覆盖芯片、服务器、液冷、电源、compiler和软件栈；主持人据此修正自己的说法：与其称它为芯片公司，不如说它在寻找“一种新的AI算力方法”。
架构目标不是单纯增加算术单元，而是让计算、内存和通信靠得更近，减少跨芯片及外部HBM的数据搬运；周楠把它比作“一个非常巨大的大脑”。

2. 它挑战的是推理workload，不是英伟达整座生态

十年前百度研究员的起点并非“打败英伟达”，而是避免未来只剩单一供应商；他们认为当时GPU约96%的die area并非为深度学习优化，专用新架构可能更有效。
今天英伟达已是周楠所说的“five trillion dollar company”，护城河也不只在芯片：CUDA、开发者生态、网络、系统软件、客户信任与供应链共同构成全栈优势。
因而周楠只把Cerebras称作“特定workload上的挑战者”：当任务受内存带宽、通信延迟和响应速度限制，尤其在推理中，它可以成为优秀选择；全面替代英伟达则不是当前结论。

3. 从训练到推理，重估Cerebras的变量已经改变

两三年前ChatGPT刚出现时，稀缺资源主要用于提高模型能力，训练仍是算力叙事中心；当时Cerebras只有数十亿美元估值，市场首先押注的仍是英伟达。
周楠称当前一半以上GPU需求已经来自推理，coding与AI agent又让token消耗爆发；推理从模型完成后的附属环节，变成决定用户体验和商业毛利的核心成本。
在这个节点上，Cerebras的low latency、high throughput与推理速度才真正稀缺。周楠把估值跃升称为“水到渠成”，而不是只有市场情绪推动的重估。

4. OpenAI的至少200亿美元订单同时押注性能与供应自主

Sam Altman在2016年便以个人身份投资Cerebras，早于百度2017年的投资；这个时间紧跟OpenAI于2015年底成立，周楠据此判断，他很早便预见到模型公司不能只依赖一种芯片。
2026年1月，OpenAI与Cerebras签下至少200亿美元合同。周楠的解释有两层：算力已是模型继续scale的首要瓶颈，同时任何frontier lab都需要diversified supply与战略自主；他也预见Anthropic等公司会寻找其他或定制化算力方案。
主持人追问这是否构成关联交易，周楠强调早期股份由Sam Altman个人持有、他也不是特别大的股东，因此“不算关联交易”；主持人仍保留了对其多线资本运作的质疑。

5. Cerebras Cloud是在消除采用摩擦，不只是向云业务扩张

早年能购买新训练系统的客户主要是Google、Microsoft、Amazon和百度等大型平台；如今应用公司和更多应用场景增加，硬件部署本身反而成为增长阻力。
周楠把这种阻力称为adoption friction：客户购买全新硬件后，还得部署数据中心并修改软件栈，周期很长。Cerebras Cloud把底层复杂性封装起来，让客户通过API直接接入训练、应用或API服务。
主持人的“阴暗揣测”是，包一层云后底层采用谁的算力可能不再重要；但她也引用Andrew Feldman的强硬表态：“我们会和所有人合作，除了英伟达。”周楠则把云视为算力紧缺时的一站式方案。

6. 5000亿美元是想象空间，客户集中与交付速度决定下限

Cerebras上市后曾接近1000亿美元，目前约500亿美元；周楠表示，如果推理需求持续扩张，公司未来达到5000亿美元，“我是不会吃惊的”。
他给出的下限不是wafer能否工作——这一步已经完成——而是客户能否从G42等少数大户迅速扩散，以及系统能否长期、稳定、规模化地交付和运营。
主持人提醒OpenAI订单尚未交付，不能提前宣布推理市场已经成功。周楠相信现有团队足以完成定制infra，但也承认，接下来必须观察“能够多快去交付这个解决方案”。

7. Wafer Scale用通信效率交换了制造与系统复杂度

传统GPU集群依靠PCIe、NVLink等连接多个独立芯片；Cerebras把计算、内存和网络留在同一硅片，减少跨芯片协作和外部内存搬运，从而降低通信和数据搬运成本。
这也意味着风险不再局限于单颗芯片：晶圆良率、封装、散热、电源、局部短路、compiler映射及整机稳定性必须同时成立，任何一环延迟都会拖住商业化。
节目后记将推理时代概括为异构芯片的机会窗口：Cerebras押注wafer scale，英伟达则以200亿美元收购Groq，并在随后GTC方案中把后者纳入自己的算力平台。

8. 一次失败的搜索公司IPO，把周楠带进了AI投资

加入百度前，周楠在Barclays Capital做投行，并转到香港参与阿里、京东等移动互联网公司上市，也做过一家芯片公司的IPO项目。
真正改变方向的是另一家未能成功上市的搜索公司：它在招股书里讲了AI故事，让周楠第一次感到“这个是future”；那次失败反而为其后来的职业选择铺了路。
听过吴恩达在硅谷的讲座后，周楠对百度产生强烈兴趣。2015年底百度全球招募AI投资人，他投递简历，并于2016年从卖方转入百度美国研究院做早期投资。

9. 百度美研曾同时拥有顶尖人才、GPU预算和研究自由

周楠加入时，百度美国研究院高峰期约有250人，办公地点已在Sunnyvale；他形容那里“每天都非常激动”，研究方向横跨speech、vision、retail、fintech、healthcare和自动驾驶。
吴恩达不仅有强大的人才号召力，也获得了充足GPU预算。周楠认为，他早期公开强调GPU适合训练AI模型，对英伟达建立深度学习认知具有重要作用。
后来走出的研究员成为Inflection、Adept、OpenAI、Anthropic等公司的创始人、联合创始人或早期成员，也有人参与创建Meta FAIR。前同事回忆那是“一堆神仙打架的年代”，人才密度甚至罕见于其他顶尖实验室。

10. Deep Speech 2已经看见Scaling Law，却还没有给它公式

主持人称Dario Amodei是Deep Speech 2一作；周楠确认这篇论文对百度非常重要，并说Greg Diamos也是作者之一。周楠强调，当时百度团队尚未把Scaling Law系统化为数学规律，但已观察到稳定的经验关系。
这条关系是：模型更大、数据更多、训练更久、计算系统更强，模型表现便持续提高。今天被理论化的Scaling Law，在周楠看来正是在这篇论文附近出现了“萌芽”。
这不是事后给旧研究贴标签，而是直接塑造了当年的投资任务：如果AI进步依赖模型、数据与算力同步扩张，就必须找到比既有GPU更适合深度学习的新计算系统。

11. 三个月训练一次模型，让“千倍提效”成为真实需求

当时百度一套语言模型已接近3亿参数，在十年前属于巨大规模；研究员告诉周楠，用GPU完整训练至少要三个多月，调参和迭代也得再等数月。
Cerebras当时提出的卖点是让深度学习训练提效“一千倍”，把数月压缩到数天或数周。即使这仍是模拟结果，它也准确击中了研究员最迫切的痛点。
周楠同时研究Graphcore、Wave Computing及多家ASIC公司；他把ASIC更多视为推理方案，而当时优先级是训练。Wave因团队问题最先淘汰，Graphcore虽能提效，却不如Cerebras路线颠覆。

12. Andrew Feldman不写芯片，却组织起了罕见的芯片团队

Andrew Feldman此前创办SeaMicro并被AMD收购，随后带着近乎原班人马创建Cerebras。公司成立一年多时约有80多人，其中近70人为PhD，累计行业经验达数百年。
主持人提出关键疑虑：Feldman本人并非芯片工程师。周楠的回应是，系统级公司需要产品定义、客户理解和组织能力，而其身边已有多位合作多年的强技术联合创始人。
真正打动周楠的是Feldman的conviction：他不只讲宏大vision，还逐项回答良率、散热、电源、compiler和客户采用问题，并连续四周、每天约两小时给一个“芯片小白”拆解风险。

13. 百度用全球最大级别的语言模型验证了一台尚不存在的机器

百度研究员愿意参加尽调，是因为训练时间过慢已是切身问题。Greg Diamos尤其关键：他曾是英伟达CUDA生态的核心开发者之一，也是Deep Speech 2作者，既理解GPU也理解模型。
当时Cerebras尚未流片，只有simulator。周楠称，百度是唯一能以当时世界上最大的语言模型验证它的公司；团队把基于PaddlePaddle、处于pre-Transformer时代的模型跑上模拟器。
结果只能回答“若良率、compiler、散热和封装均成立，性能会怎样”，不能替代实物测试。周楠未披露具体数据，只说结果“确实非常好”，足以验证架构理念。
这次合作不只服务投资决策：部分百度研究员与Cerebras保持紧密协作，后来还有人加入公司，显示尽调同时成为早期产品与人才连接。

14. 最坏情形被量化后，颠覆性风险才变成可投资风险

周楠邀请斯坦福教授、芯片专家及百度自动驾驶硬件团队审查制造风险。团队估算，一次流片失败可能多耗六个月、增加500万至1000万美元成本，再核对公司现金是否承受得住。
散热方面，Cerebras当时已展示远大于晶圆本体的液冷系统；局部芯片短路则通过软件识别，并把任务重新路由到冗余单元。
软件尽调关注模型如何映射到架构，以及系统怎样连接TensorFlow、Caffe、PyTorch和客户数据中心。周楠认为，没有百度美研的研究员，这部分compiler与API风险“没有办法预测”。

15. 四周尽调后，百度投委会不到两天完成了非共识下注

项目线索来自Coatue创始合伙人Thomas Laffont；他曾研究半导体，在与百度会面时听到团队的算力构想，随即介绍自己早期投资的Cerebras。
周楠用约四周完成十几页中英文investment memo。按其回忆，投委会成员包括Jennifer Li、陆奇和李彦宏，文件发出不到两天便获通过，“无痛秒过”。
吴恩达于2017年4月离开百度，因此未参与投决；投资约在2017年8月至9月完成，百度共同领投C轮。管理层也未要求等流片后再投。
当时估值约7亿美元，已接近独角兽门槛。周楠预计2025年AI训练芯片市场仅220亿美元、Cerebras可取约20%份额，投资回报约3至5倍；他现在评价自己“说错得有多离谱”，因为整个市场远大于预测。

16. 2017至2019年的低谷证明，风险清单不是纸面练习

流片、wafer、compiler等问题接连延期，周楠回忆：“当时风险测算的下限基本上都发生了。”公司最终跨过这些障碍，但过程大约比理想时间晚了一两年。
IPO庆祝会上，早期投资人反复提到那段低谷。周楠认为，早期投资人与三位董事会成员持续支持Feldman，是公司熬过接近十年硬件周期的重要条件。
后续融资也并非一路抢手：公司估值经历约20多亿、40多亿、80多亿美元等阶段，主流一线VC一度因市场不明和wafer scale风险而退缩；G42兼具投资人和客户身份，又带来单一客户风险。

17. 流片慢了一两年，训练市场就被既有集群锁定

主持人提出反事实：如果Cerebras更早流片，给OpenAI送芯片的或许不是黄仁勋，而是Andrew Feldman。周楠承认，“或许这个历史会被更多地改写”。
两人随即共同收回这个浪漫假设：Transformer于2017年出现，而新芯片还需经历制造、规模生产、compiler和交付验证；frontier lab不会把核心训练押在未成熟系统上。
一旦GPU集群和数据中心投资形成，换训练芯片就成为系统性风险。周楠因此认为，与其继续争夺训练市场，Cerebras更应集中吃下推理workload，让客户在新需求中采用新架构。

18. 百度本想把AI投资独立出来，却被地缘政治截断

百度当时的布局不只包括Cerebras，还覆盖自动驾驶、激光雷达、L2/L3芯片及相关软硬件方案；地平线等从百度体系走出的团队也在观察与投资范围内。
周楠参与筹备独立Growth Fund，希望围绕更前沿的AI全栈系统、data warehouse和data engine构建组合。Databricks、Scale AI和OpenAI均进入明确deal list，OpenAI在2017至2018年前后也愿意接受百度投资。
他的态度很明确：如果基金募成，“那是一定会投的”。但地缘政治原因使原本有意参与的LP陆续退缩，基金最终没有成立；周楠把这称为自己长期的“意难平”。
他随后拿着同一thesis拜访Insight Partners、Sequoia和Benchmark，得到的回答却是继续投SaaS、不再承受高风险AI。找不到共识后，他在百度美国投资团队收缩时转入高通创投。

19. Anthropic萌芽时，算力融资比模型想法更难说服市场

周楠回忆，2020年夏天几位曾在百度共事、后来进入OpenAI的研究员致电，兴奋地说GPT-3快训练出来了，“当年在百度想干的那件事儿快要干成了”。
他追问模型是否已达到设想中的泛化程度，对方诚实回答“还没有到，还会胡说八道”。这些研究员又表达了对Sam Altman及安全路线的不信任，并讨论离开OpenAI创办新公司。
周楠给出的建议仍与百度时代相同：必须找到愿意投入巨额资金购买算力的人，而主流VC当时不会轻易出这笔钱。疫情最严重且尚无疫苗，他没有当面拜访；后来Jaan Tallinn以个人身份多次接触并支持团队，故事走向了Anthropic。

20. 百度美研是“黄埔军校”，但没能保住自己提前看见的未来

关于“Dario在百度受到不好对待”的段子，周楠说那只是玩笑，并转述同事的说法：Dario Amodei由Greg Diamos识别并招入百度；他原本是数学、物理和生物背景，并非传统CS或AI科班，内部曾有疑虑，但Greg看中了其模型训练能力与AI构想。周楠同时注明，这只是他听到的内部版本，Dario本人是否如此认可并不确定。
当时研究员可以沿自己的构想做实验、发表paper，氛围“非常自由”。周楠认为，百度是Dario职业生涯中非常重要的一环，而不是一个负面插曲。
面对“起大早、赶晚集”的追问，周楠首先归因于地缘政治：作为中国公司在美国持续做前沿模型研究，本就越来越困难。主持人补充，即使只比较中国模型，百度也非最领先；周楠坦言自己长期在美国，对国内情况不足以细判。
他的宏观概括是，美国更擅长颠覆性架构和原始认知创新，中国则擅长工程追赶与应用落地；主持人提到百度留下的成果包括自动驾驶和昆仑芯，周楠对此表示认可，但那支实验室的人才红利更多扩散到了硅谷。

21. 周楠从端侧AI绕回云端，重新把推理infra放到中心

在百度时期，他的主线是算力、data warehouse、data engine和自动驾驶；进入高通后，约六年重点观察端侧AI、端侧芯片、IoT及机器人。
一个lesson learned是，美国本土硬件和IoT较难快速腾飞，智能家居和早期机器人在中国拥有更多应用场景，因此同类投资在中国更容易跑通。
2022年GPT moment比百度当年的测算早数年到来，他开始把注意力拉回cloud-based infra。2023至2024年，他在高通内部判断enterprise AI会更快采用，并在Cursor爆发前提出coding AI将成为大场景。
大模型时代留下的空白包括RAG、模型deployment、推理与多模态优化。周楠举出一家叫AIG的公司：它于今年3月被Nebius收购，创始人为韩松的学生；周楠在公司刚成立时便接触到它，却因其很快出售而没能投资，这反而说明推理优化与cloud结合的战略价值。

22. 非共识窗口正在消失，Physical AI和CPU仍可能留下裂缝

周楠在2025年2月的私人投资信中列出general-purpose AI agent，包括Manus、Genspark，以及video model、multimodal model、multimodal infra、Figure AI、Physical AI和vertical AI；这些机会从发现到形成共识，往往只剩“一到两个月”。
与此对应，头部基金转向大额追投category winner。周楠举例称Benchmark宣布募一个20亿美元的基金，24小时内便完成募资；Anthropic可能已到约1万亿美元量级，未来达到5000亿美元并不奇怪，因此今年主题是“用大钱去砸winner”。他还举出Fireworks、fal.ai和Baseten等已经形成早期飞轮的infra公司。
主持人追问这是否还是venture capital。周楠称它是“venture capital的变种”：AI仍处于adoption早期，赢家可能借飞轮继续扩张，但集中押注一旦判断失误，也会产生更大的单点风险。
他仍愿意研究Physical AI：机器人任务虽比自动驾驶更多样，却不必都达到自动驾驶“99.9%”的正确率；模型规模扩大后，泛化带来的进步可能突然变陡。随之而来的机会包括low-latency、power-efficient端侧芯片，以及处理agent调度任务、作为推理芯片的新CPU架构。

Clay打造数十亿美元公司的非寻常路径 77.有关智元、觅蜂的愿景与野心，和具身智能的竞速之旅｜与姚卯青的对谈