-
日期: 2026-05-14 | 来源: 腾讯科技 | 有0人参与评论 | 字体: 小 中 大
在良率上，Cerebras 对外宣称做到了 100%。可如果仔细研究其S1文件和公开的信息和资料，它实际上只是改变了良率本身的计算方式。
换句话说，他重新定义了芯片良率。
传统芯片的良率算的是一颗die是否如预期完整可用，只要落上一个致命缺陷，整颗芯片就会被报废或降级出售。Cerebras把良率的定义换了一种计算方式：整片晶圆能否通过冗余核心和片上网络绕过缺陷，最终凑出一个逻辑上完整的计算系统。根据S-1文件的描述：这是从 memory 行业借来的思路，DRAM/SRAM实际上就是靠冗余Row/column 把良率做到接近100%，Cerebras 也把这套做法搬到逻辑芯片上。
这倒不能说他完全是在偷换良率的概念，真要实现如此大面积上的系统可用性也很不容易。靠着片内互连和结构上的取巧，Cerebras实现了某种工程上的突破和产品层面的平衡。但说到底，它和传统 GPU 良率口径不在同一个度量衡里，并不能直接横向比较。
从Cerebras的视角来看，除了WSE， 还有一个显着特点，也是其多次强调的创新突破之处，那就是片内带宽极高。根据其公开说法，片上 NoC 带宽达到Pbps量级。
但如果仔细研究就会发现，只要数据需要离开晶圆，还是要面对其他 AI芯片面临的问题，片（卡）间带宽的瓶颈同样会出现，片内和片间互连的量级差大约在 100 倍以上。
我们分析，正是这种“内快外慢”的结构决定了WSE的“转向”故事。
二、训练梦碎，推理找到了新机会
Cerebras 最早瞄准的是训练。站在今天回看，这件事没做成。
训练市场有三个绕不过去的约束。硬件：大模型训练拼的不是单芯片算力，是外部内存与外部互连，权重、梯度、optimizer state、activation 都要在大规模系统里高效搬运，而WSE恰恰在片外 I/O 互连上是短板。
软件：Nvidia 的真正壁垒在 GPU+CUDA+NCCL+NVLink+NVSwitch+HBM+服务器+云厂商部署+开发者生态共同搭出的整套系统，这种壁垒不是单点技术领先就能撼动。训练场景的客户基本上主要为全球大模型的头部玩家了，他们当下最大的战略任务是“留在牌桌上、争最快迭代”，没有人会用如此巨大的机会成本去赌一颗非Nvidia的训练芯片。
Cerebras当年为训练配了SwarmX和MemoryX，这其实一定程度上是借用了AMD的既有成果，挂在 WSE外面解决内存与扩展。但实际部署中这套配套基本没被认真用起来，根源还是那句话，WSE 的技术亮点在片内，AI 系统的真实瓶颈在系统，在模型如此规模化的今天，片间与片外的瓶颈，直接限制了系统的效能，进一步限制了应用场景。
它还押过一个更大的赌注：非结构化权重稀疏，理论上 8:1 任意稀疏可以拿到接近 8 倍的有效算力，在产品定义与设计上，要在AI计算的泛化意义上来实现，那是非常难的。但在实际上，大模型最后没走这条路，业界主流是 MoE、低精度量化（FP8/FP4/MXFP）、attention 优化。Cerebras 在硬件上尝试去做一个很难的特性，但这个特性没有成为模型演进的主路线。- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见