来源：晚点聊LateTalk ·「英伟达挑战者？Cerebras 投资故事」 主持：曼奇 嘉宾：周南（投资人，现任职于高通创投Qualcomm Ventures，Cerebras Systems早期投资人之一，曾在百度硅谷人工智能实验室工作三年）

本文整理自晚点聊LateTalk节目。嘉宾周南拥有十年AI投资经验，经历了从百度美研（AI 1.0时代）到高通创投（端侧AI）再到大模型时代（AI 2.0-3.0）的完整变迁。以下按主题组织，每个主题包含「新的变化」和「嘉宾观点与解释」两个维度，力求让未观看视频的读者快速理解核心内容。

一、Cerebras的晶圆级引擎：颠覆传统芯片架构的激进路线

新的变化

Cerebras Systems于2026年5月中旬IPO，上市后市值一度逼近千亿美元。这家公司的核心创新是Wafer-Scale Engine（WSE，晶圆级引擎）——与传统芯片制造在一片晶圆上做很多小芯片、切开后封装再用PCB/NVLink连接的方式完全不同，它在一整片晶圆上直接构建了一个包含84个芯片无缝互联的超大AI计算引擎。这种架构将计算单元、内存和通信网络集成在同一硅片上，数据无需在芯片之间搬运，也无需从外部HBM（高带宽存储器）向计算单元迁移数据，从而大幅加速计算。

嘉宾观点与解释

周南用了一个通俗的比喻来解释这种架构差异：传统GPU像是"很多很强大的人类脑袋瓜"，但需要靠高速网络协作；而Cerebras是"一个非常巨大的大脑"，尽量让计算和记忆都发生在同一硅片上。这种设计的核心目标是解决"计算单元和内存在同一硅片上靠得更近，从而降低通信和数据搬运成本"——这正是传统CPU/GPU架构最根本的瓶颈。

Cerebras不只是芯片公司，更是完整的系统公司，涵盖芯片、服务器、散热（液冷）、电源以及编译器和软件栈。创始人Andrew Feldman此前创办的Cerebro被AMD收购，他带着原班人马和全新架构愿景创办了Cerebras。创业时约80人的团队中近70人是PhD，工作经验总和达数百年，是周南见过的PhD密度最高的公司。

关于"英伟达挑战者"的定位：周南认为这个定位"非常有意思"但需要精确界定。Cerebras是英伟达在特定workload上的挑战者——尤其在推理场景中，当AI任务受限于内存带宽、通信延迟和推理速度时，它是一个非常优秀的选择。但它不是英伟达全站生态的全面替代者，因为英伟达的护城河不只是芯片本身，而是CUDA库、开发者生态、网络、系统、软件、客户信任和供应链等一整套生态体系。

二、为什么OpenAI签下百亿美元订单：推理爆发与算力供应链多元化

新的变化

2026年1月，OpenAI与Cerebras签下了至少两百亿美元的大合同，并进行了深度架构设计合作。这笔订单标志着顶级AI实验室开始实质性分散算力供应链。与此同时，一个关键转折正在发生：超过一半的GPU需求已经从训练转向推理。随着AI Agent的爆发，推理算力需求大规模爆发，Cerebras在低延迟、高吞吐方面的架构优势变得稀缺且有价值。

嘉宾观点与解释

周南认为OpenAI对Cerebras感兴趣有几个核心原因：

第一，算力稀缺是当前第一大瓶颈。OpenAI不是在找一个"便宜的GPU"，而是模型scaling的核心瓶颈就是算力不足。任何能提供差异化算力的方案都有价值。

第二，任何前沿AI实验室都不能依赖单一算力路线。不管英伟达多强，模型公司都需要diversified的算力——这既是供应链安全的考量，也是战略自主性的考量。不只是OpenAI，DeepMind也在寻找GPU之外的替代方案，每个Frontier Lab都在做这件事。

第三，推理越来越重要，决定用户体验和商业毛利。推理的延迟、吞吐和cost per token优化直接关系到产品体验和利润率。Cerebras在这些方面提供了明显优势。

关于Sam Altman的投资时间点也值得一提：Sam Altman在2016年（OpenAI成立后不久）就以个人身份投资了Cerebras，说明他当时就已经有了对算力市场的前瞻判断——“未来AI模型做得很大、有很大应用场景的时候，你不能只依赖一枚单一的芯片”。

主持人的补充观察：Cerebras上市后的强势上涨，本质上是一些人押注其WSE架构在推理阶段（而非训练阶段）具有独特优势。与此同时，英伟达自身也在快速行动——2025年12月以两百亿美元收购了Groq（主打推理芯片的创业公司），并在2026年3月GTC上将Groq整合进英伟达算力平台。这说明整个行业都在押注推理算力的崛起。

三、Cerebras自建云平台：封装底层复杂系统，降低采用摩擦

新的变化

Cerebras开始构建自己的云平台（Cerebras Cloud），这是一个从纯硬件公司向"硬件+云服务"转型的关键战略。十年前Cerebras的客户只有Google、Microsoft、Amazon、百度等少数能训练大模型的平台；如今客户群体大幅扩展，包括大量应用开发商和模型公司。

嘉宾观点与解释

周南解释了这背后的核心逻辑——“采用摩擦”（adoption friction）。硬件公司最大的挑战在于：让客户购买一套全新的硬件系统、部署到自己的数据中心，还要修改软件栈适配，这个周期非常长。通过自建云，Cerebras可以将整个复杂的底层系统封装起来，客户直接通过API使用，无论是模型训练还是AI应用都能立刻上手。

创始人Andrew Feldman在Bloomberg Tech峰会上强势表态"我们会和所有人合作，除了Nvidia"，表明Cerebras不会在自己的云平台上混用英伟达芯片，坚持以自有架构为核心。

主持人也提出了一个"比较阴暗的揣测"：包了一层云之后，底层用什么算力对客户来说可能不那么重要了，公司可能从云平台获得收入而非真正依赖自家芯片。但Feldman的公开表态至少在侧面回应了这种担忧。

周南的补充：New Cloud（如CoreWeave等新兴云厂商）也有很强的痛点——他们的算力也不够，要服务客户，GPU已经成为很大的constraint。Cerebras在算力成为constraint的情况下做云，既是对业务的延展，也让整个解决方案的整合度更高。对模型公司而言，如果从传统云厂商那里买不到足够算力，Cerebras的"WSE+云"方案就是一个直接可用的推理平台。

四、十年前的种子：百度美研、Deep Speech与Scaling Law的萌芽

新的变化

Cerebras这笔投资的故事要追溯到2016-2017年的百度硅谷人工智能实验室（百度美研）。那是AI 1.0时代的前夜——Transformer还没发布，但百度的Deep Speech论文已经发现了Scaling Law的雏形：模型更大、数据更多、训练更久、算力更强时，模型表现会持续提升。这个朴素的判断直接催生了"寻找比英伟达更适合深度学习的算力系统"的投资方向。

嘉宾观点与解释

周南2016年加入百度美研，当时吴恩达（Andrew Ng）是负责人。百度美研是当时硅谷最强大的AI Lab之一，Andrew的号召力极强，百度是为数不多给充足预算让研究员买GPU训练AI模型的实验室。Andrew也是第一个公开背书"GPU可以大规模用于AI模型训练"的人。

加入百度后，周南花了半年时间系统学习AI训练、架构、数据、算力等知识。当时百度美研有研究员在用英伟达GPU训练三亿参数的语言模型（基于PaddlePaddle自研架构），训练一个模型需要三个多月。如果要调参迭代，就要等好几个月。这种时间紧迫性成为寻找更强算力的直接动力。

关于Scaling Law的起源：百度的Deep Speech论文（Darrell为一作，2015年底发布）已经清楚感受到"模型更大、数据更多、训练更久、算力更强，模型表现持续提升"的规律。当时还没有系统化表达为"Scaling Law"，周南称之为"经验性的直觉"，后来在语言模型时代被更系统地验证和理论化。如果追溯Scaling Law的诞生萌芽，就是这篇Deep Speech论文。

投资起点：当时AI研究员告诉周南的第一个认知就是"不能只依赖英伟达这颗芯片"，因为未来会出现非常大的模型，如果十年后英伟达形成垄断局面就太晚了。而十年前的英伟达GPU并非为深度学习设计——96%的die area是给游戏和图形显卡用的，对非图形模型不是最优解。这个"种子"促使周南从2017年开始满大街寻找与GPU不同的算力系统。

五、投资尽调过程：技术风险拆解与百度研究员的深度参与

新的变化

周南在Cerebras的投资尽调过程极其深入，涵盖硬件风险（良率、散热、电源）、系统风险（编译器、软件栈）、以及模型验证。百度美研的研究员们（包括Greg Diamos，他后来帮英伟达构建CUDA生态，也是Deep Speech论文作者之一）亲自参与技术尽调——这在传统VC投资中极为罕见。值得注意的是，当时Cerebras还只有CPU-level的原型（芯片尚未流片），全世界唯一能在其架构上跑语言模型并给出验证结果的，只有百度一家。

嘉宾观点与解释

周南详细拆解了尽调的几个维度：

技术路线对比：当时考察了三家公司——Graphcore（2024年被软银以5亿美元收购）、Wave Computing（团队有问题，第一个淘汰）和Cerebras。Graphcore能提效但效果不如Cerebras，架构也不如Cerebras颠覆性。Cerebras声称其架构能让深度学习训练提效一千倍（从三个多月缩短到几天几周），这种颠覆性是周南选择投它的核心直觉。

团队信号：创始人Andrew Feldman虽非工程师出身（前公司Cerebro被AMD收购），但身上有几个强信号——身边有跟随多年的强技术CTO、是经验丰富的连续创业者、对客户痛点非常清楚、能清楚解释系统为什么必须存在、对技术路线的风险有极强的Confidence。最关键的是，在Wafer-Scale这种颠覆性技术路线上，Andrew扛住了周南带百度AI研究员做的所有深度尽调——把良率、散热、电源、编译器、客户为什么要买等风险一个一个拆开来耐心讲解，持续四周每天两小时。周南认为"投资不是只投一个愿景，而是要知道风险到底是什么，能不能拆解开来，去抵消这些风险的mitigation战略是什么"。

硬件风险测算：良率风险——如果流片失败，需要多花6个月时间和5-10 million重新流片，公司现金流能否支持（测算结果：可控）。散热风险——Andrew办公室里已经展示了液冷系统原型。电源风险——有软件层面识别短路芯片并切换到正常芯片的方案。这些物理和硬件风险都做了拆解。

系统层面风险（编译器）：由百度美研研究员测算——模型如何映射到Cerebras架构、如何与TensorFlow/PyTorch对接。百度美研当时是唯一能在Cerebras CPU-level上跑语言模型（基于PaddlePaddle架构）并给出验证结果的机构。

投资决策：周南写了十几页的投资备忘录（中英文各一稿），投决会成员包括百度CFO、陆奇和Robin（李彦宏）本人。备忘录发出后不到两天就拍板通过。周南后来感慨：“作为投资人非常幸运，能有这样一个有眼光的投决会，对一个非共识的投资有共识。”

当时估值约700多million，在2016-17年的背景下接近独角兽，“不便宜但值得投”。

六、2017-2019年的至暗时刻：风险测算的下限全部发生

新的变化

投资完成后，Cerebras经历了一段非常艰难的时光——流片推迟、各种风险爆发。周南坦言：“当时对风险测算的下限，基本上都发生了。“流片延迟了一两年。但公司的早期投资人（Benchmark、Foundation Capital、EQT）和董事会展现出了极大的耐心，这在半导体行业极为关键——“想让一个计算芯片取得成功，没有十年的时间很难实现”。

嘉宾观点与解释

周南强调，半导体创业的特殊性在于周期极长。创始人的年纪都不小——Andrew Feldman创业时已四十多岁，技术负责人Gary Lauterbach当时已六十岁（现已退休，有新CTO接任）。但这恰恰是优势：半导体创业者需要十几年的周期经验，需要深厚的业界人脉和对整个生态系统的深刻知识。“经验和年纪在半导体创业中是加分项。”

董事会三个成员（Benchmark、Foundation Capital、EQT）在公司遇到挑战时的耐心支持，是公司能走到今天的重要原因。周南在纽约参加Cerebras IPO庆祝会时，几个早期投资人纷纷发言回忆2017-2019年的艰难时刻，让她非常感动。

两三年前（ChatGPT刚出现时），Cerebras的估值只有数十亿美元。当时的主流VC不敢投——他们对Wafer-Scale架构没有深刻理解，加上ChatGPT moment后训练芯片一边倒都在用英伟达，Cerebras在训练场景下迁移成本高，市场前景不明朗。直到推理需求爆发，Cerebras的价值才被重新发现。

七、百度美研的辉煌与遗憾：地缘政治下的错失机会

新的变化

百度美研是AI人才真正的"黄埔军校”——顶峰时期有250多人，里面的研究员后来成了OpenAI、Anthropic、Meta等Frontier Lab的创始成员或核心骨干。但一个令人扼腕的故事是：百度曾计划成立独立的AI投资基金（Baidu Growth Fund），OpenAI、DataBricks、Scale AI都在投资名单上，但因为地缘政治原因，LP纷纷退出，基金未能成立。

嘉宾观点与解释

百度美研的人才密度：周南回忆，当时百度美研是"一堆神仙打架的年代”，人才密度在Google DeepMind都没有过。相当一部分人是冲着Andrew Ng来的。百度创始团队有钱，发起了研究院让研究员实现AI理想，给了充足的GPU预算，“在世界上可能找不到第二家”。

Darrell（Cerebras创始人）其实是Greg Diamos招进百度的——Greg认识Darrell后觉得他是人才，尽管Darrell的背景是数学、物理和生物，不是计算机科学或AI科班出身。这个发掘故事也说明了当时百度美研对人才的判断力。

错失的Baidu Growth Fund：2018年前后，百度计划成立独立AI基金，布局前沿AI全栈系统。当时周南的备投名单上包括：

  • OpenAI（2017-2018年，当时OpenAI比较艰难，愿意接受百度投资；Sam Altman与百度关系不错，陆奇是他的mentor）
  • DataBricks（作为Data Warehouse和Data Engine）
  • Scale AI（数据标注，2016年Alex Wang刚做出来）
  • 自动驾驶相关硬件和芯片公司

但因为地缘政治原因，LP打退堂鼓，基金没能做起来。周南后来拿着这个投资thesis找遍了美国一线VC（Founders Fund、Sequoia、a16z、Benchmark的Eric），没有一个人认同——当时他们都说要投SaaS，不投高风险的AI。

周南的反思：“如果当时这个基金做起来了，可能百度应该是全世界最牛的AI基金的LP，会是所有这些Foundation Lab的投资人。“她感慨"如果当时我再有些经验就好，可能很多事情就会不一样了。可惜当时太年轻了，没有管理独立基金的能力。”

一个关于Anthropic的故事：2020年夏天，一些从百度离职、后来在OpenAI的研究员给周南打电话说"GPT-3快练出来了”。他们想离开OpenAI（不信任Sam Altman对安全的态度），问周南能不能帮忙做白皮书。周南很诚实地告诉他们：你们要融很多钱买算力，主流VC不会投。当时因为疫情最严重（还没疫苗），周南没有勇气去见面，“所以后面就出现了Anthropic的故事”。后来是Eric Schmidt和Hassan Bismuth等人支持了Anthropic。

八、AI进化速度超预期：从十年预测到两年实现

新的变化

十年前在百度美研，研究员们测算过：要训练出类似GPT这样能力的模型，可能需要将近十年的时间，消耗上亿美金的算力。但实际上GPT-3在2020年就初步成形，ChatGPT在2022年底发布——比预期早了好几年。这种超预期的核心原因是语言模型的泛化能力，是当时没有预料到的。

嘉宾观点与解释

周南认为，语言模型的泛化能力超出了所有人的预期。“当模型越来越大的时候，它的进步程度会呈现一个倒翘起的曲线（加速曲线）——这可能是物理的一个规律。“这种泛化能力使得模型规模带来的能力提升不是线性的，而是加速的。

主持人提出了一个精准的总结：“百度的人十年前低估了语言模型进化的速度，但高估了自动驾驶进化和落地的速度。” 周南部分认同——自动驾驶对准确性要求极高（必须99.9%以上，否则出人命），而且路线辩论（纯视觉vs多传感器、Level 3 vs Level 4）也拖慢了进展。但语言模型的泛化能力是真正的超预期变量。

2020年夏天GPT-3处于post training阶段时（距离ChatGPT发布还有两年），周南的朋友告诉她GPT-3"还会胡说八道”。但仅仅两年后，GPT的aha moment就到来了。

九、AI投资窗口期急剧缩短：非共识到共识的时间压缩

新的变化

当下的AI早期投资变得极其困难——核心原因是"非共识到共识的窗口期越来越短”。十年前投Cerebras到现在上市，是一个漫长的非共识过程；2023年投Anthropic或OpenAI还有几个月的窗口期；但到了2025-2026年，热门赛道的窗口期只有一到两个月，看中后必须立刻下注。这导致VC的形态发生变化——越来越多头部VC开始募集中后期大基金，去砸已经跑出来的category winner。

嘉宾观点与解释

周南分享了她2025年2月写给投资朋友的信中列举的方向：

  • Enterprise AI Agent（如Meta的Genspark）
  • Video Model / Multimodal Model公司
  • Multimodal Infra公司（如Fireworks）
  • Physical AI公司

这些方向给的投资窗口期只有一到两个月。相比之下，2026年比较容易的投资是投晚期——像Coding Agent、Fireworks、一些Infra公司已经有了明显的winner跑出来。

VC形态的演变：Venture Capital的本质是在没有形成共识之前下注。但当非共识到共识的窗口太短，VC就演变成了"融个大基金去投已经跑出来的公司"。比如Venture（指某头部VC）刚宣布要融一个20亿美元的基金，24小时就关闭了募资窗口——一天之内融完。头部VC都在募中后期基金去砸category winner。

周南的判断：如果把AI的时间线拉长，我们现在可能处于第四次、第五次技术变革的早期。虽然已经有明显的winner出现（大家觉得不到十年内都处于AI momentum到来中），但还在adopter早期。在这种早期就有winner出现的情况下，这些winner会越长越大，形成飞轮效应。比如Anthropic现在可能刚到training的估值量级，未来变成trillion级别的公司也不奇怪。“投Anthropic是no brainer。”

十、推理优化：AI商业模式优化的下半场

新的变化

从2025年下半年开始，CoT（Chain of Thought）和AI Agent的爆发让"算力从训练走向推理"的预言真正成为事实。推理成本优化成为AI产业的核心战场——它直接决定了模型应用方的profit margin和终端消费者的token cost。一个标志性事件是Meta在2026年3月收购了推理优化公司SmileAI（音），这家公司刚成立就被收购，说明推理优化赛道的紧迫性。

嘉宾观点与解释

周南将推理优化定义为"AI的business model优化的下半场"。核心逻辑：如果你能把推理成本降下来、token cost降下来，gross profit就会有量级提升。推理优化涵盖模型在应用层面的deployment、inference deployment、动态推理优化等多个方向。

周南去年8月就发现了被Meta收购的那家推理优化公司——创始人是斯坦福教授吴寒松（韩松）的学生，而韩松自己曾创办过深鉴科技（芯片公司）。这类第三方推理优化公司偏系统/软件层，但也可以通过推理性（inference）芯片生成或token生成能力延展到与云结合。

在算力架构层面，主持人补充了一个重要观察：CPU正在出现新的创业机会。在AI工作流程中存在一些调度类型任务，它们并不适合GPU擅长的并行计算，这为新CPU架构做推理芯片留下了空间。周南确认"有一些创业公司已经开始在这个方向发力了"。

整个算力格局的变化可以用"五层蛋糕"来理解（黄仁勋的框架）：最底层是能源，往上是芯片集群，再往上是云和Infra（推理优化的主战场），再往上是模型，最上层是应用。推理优化主要集中在第三层（云和Infra），是最自然与云结合的环节。

十一、具身智能（Physical AI）：下一个"顿悟时刻"可能比预期更早到来

新的变化

Physical AI（具身智能/机器人）被很多人认为可能像十年前的自动驾驶一样。但周南基于语言模型的经验判断：Physical AI的aha moment可能比我们想的要早。虽然现在还有数据瓶颈和软硬件结合的瓶颈，但模型泛化能力的速度会超出预期。这可能是当前尚未形成共识的投资方向。

嘉宾观点与解释

周南给出了三个理由：

第一，Physical AI对准确性的要求比自动驾驶宽容。自动驾驶必须做到99.9%以上（否则出人命），但Physical AI对任务完成度和准确度的要求更灵活，允许一定程度的失败和重试。

第二，模型泛化能力会呈现加速曲线。正如语言模型的泛化能力超出百度美研十年前的预期，Physical AI基于大模型的泛化能力也可能加速到来。

第三，算力层面会有新的创新空间。如果Physical AI落地时机器人身上还挂着传统CPU，“那是非常耗电的一件事情”。需要一个local inference的解决方案，可能会在算力解决方案上出现创新。

周南表示，她会花一些精力去看Physical AI方向，“因为它还没有形成共识”。而投资人的核心价值，就是"在没有形成共识的事情上去形成自己的投资理念和逻辑"。

十二、十年回望：伟大的投资发生在没有形成共识之前

嘉宾观点与解释

周南在Cerebras上市时在社交媒体上写道：“伟大的投资发生在没有形成共识之前。“回顾整个Cerebras的投资历程，从2017年在百度美研发现这家公司，到2026年上市市值逼近千亿美元，正好十年。

这十年的投资主线非常清晰：在百度时期聚焦算力投资（Cerebras）和数据基础设施（DataBricks、Scale AI的thesis）；在高通时期聚焦端侧AI和IoT（发现IoT投资在中国比美国更容易跑通，因为应用场景更多）；GPT moment后"觉醒”，重新抓回cloud-based的Infra投资。

周南对中美AI差异的观察也值得关注：美国在颠覆性创新（架构、原认知）上更有优势，中国在应用和追赶上更有优势。中国有大量AI应用场景（如Vision场景中的摄像头密度），工程能力强，可以迅速追赶和落地。但语言模型的颠覆性创新还是从硅谷开始的。

关于百度为何未能将AI 1.0时代的领先优势延续下去，周南认为地缘政治是最重要的原因。2018年9月之后，中美AI竞争加剧，百度美研的研究员面临压力选择离开。前同事们复盘时常感唏嘘，“但这可能是历史的必然——作为中国公司在美国做AI研发，本身就会遇到很多阻碍。”

结语

这场近100分钟的对话，表面上是在聊Cerebras这家公司的IPO故事，实际上勾勒出了过去十年AI算力发展的完整脉络。几个核心信号值得所有关注AI的人注意：

第一，算力需求的重心已经从训练转向推理。超过一半的GPU需求在推理端，而且这个比例还在上升。CoT和AI Agent的爆发让推理算力成为真正的瓶颈，这正是Cerebras这类异构架构芯片的价值所在。

第二，英伟达的事实垄断正在出现裂痕。OpenAI的百亿美元订单、DeepMind寻找替代方案、英伟达自己收购Groq——每个信号都说明，行业不再愿意接受单一供应商的算力垄断。十年前百度研究员们担心的"英伟达垄断"确实发生了，但变局可能正从推理这个裂缝开始。

第三，非共识投资的窗口期正在急剧缩短。从十年（Cerebras）到几个月（2023年的Anthropic）到一到两个月（2025年的AI Agent赛道），这意味着未来的AI投资可能越来越多地集中在"砸已经跑出来的winner"上，真正的早期非共识投资会越来越难。

第四，Physical AI可能是下一个尚未形成共识的大方向。如果模型泛化能力的加速规律同样适用于具身智能，那么机器人赛道的aha moment可能比自动驾驶更快到来——但它对算力架构的需求也会催生新的芯片和Infra创业机会。

最后，周南关于百度美研的故事提醒我们：在AI的历史中，有些机会的错过不是因为缺乏远见，而是因为时代的constraint。百度美研在2011年就成立了，比几乎所有美国科技巨头都早；它的研究员发现了Scaling Law的雏形，它的投资团队把OpenAI和DataBricks放在了投资名单上。但地缘政治让这个"中国公司在美国做AI"的实验戛然而止。这段历史值得被记住——它不仅解释了百度为何未能成为"全世界最牛的AI基金的LP”，也揭示了AI创新生态中，人才密度、资本耐心和政治环境三者缺一不可的现实。

对于关注AI算力和投资的人来说，下一个值得持续追问的问题是：如果英伟达的垄断会从推理这个裂缝开始瓦解，那么谁会是下一个Cerebras？而在Physical AI这个尚未形成共识的赛道上，是否已经有人种下了十年后才能验证的种子？