在四个月前完成11亿美元融资后,芯片初创公司Cerebras Systems今天宣布从许多相同投资者那里再次筹集了10亿美元资金。
Tiger Global领投了这轮H轮融资,参与投资的还包括AMD、富达管理公司、Atreides Management、Alpha Wave Global、Altimeter、Coatue、1789 Capital等多家机构。Cerebras目前估值达到230亿美元。
此次融资是在该公司据报道与OpenAI签署了一份价值超过100亿美元的人工智能硬件供应合同几周后进行的。Cerebras制造了一款名为WSE-3的AI芯片,包含4万亿个晶体管,比英伟达Blackwell B200显卡多19倍。该处理器约一半的表面积专门用于承载44GB的SRAM内存池。
Cerebras表示,使用一个大芯片而不是多个较小的显卡可以提高效率。WSE-3的大内存池使其能够运行许多AI模型,而无需将数据移动到片外HBM内存。这避免了与独立内存模块之间数据流传输相关的处理延迟,从而加快了处理速度。
芯片制造商历史上不制造晶圆尺寸处理器的原因是它们难以制造。芯片越大,其晶体管包含缺陷的可能性就越大。理论上,即使是单个缺陷也可能使处理器无法运行。
Cerebras通过将WSE-3分成900,000个核心来解决这一挑战。如果一个晶体管包含制造缺陷,只有宿主核心受到影响,其他电路可以绕过它路由数据。这种架构防止局部制造缺陷导致整个处理器短路。
该公司将WSE-3作为名为CS-3的水冷系统的一部分出货,提供125千万亿次浮点运算性能。据Cerebras称,客户可以将2,048台CS-3设备连接成一个集群,总计算能力达到256百万亿次浮点运算。这足以训练一个拥有24万亿参数的大语言模型。
Cerebras于2024年9月申请首次公开募股。该公司当时披露,2024年前六个月收入为1.364亿美元,比去年同期增长十倍以上。Cerebras的亏损从7780万美元收窄至6660万美元。
该芯片制造商去年撤回了IPO申请,因为确定该文件"已经过时,不再反映我们业务的当前状态"。据Cerebras称,此举的动机之一是其2025年收入大幅增长。据报道,该公司计划重新提交IPO文件,目标是最快在第二季度上市。
Q&A
Q1:Cerebras的WSE-3芯片有什么特别之处?
A:WSE-3是一款晶圆级AI芯片,包含4万亿个晶体管,比英伟达Blackwell B200显卡多19倍。约一半表面积用于承载44GB的SRAM内存池,可以运行AI模型而无需将数据移至片外内存,从而避免处理延迟,提高运算效率。
Q2:为什么以前芯片厂商不制造晶圆尺寸的处理器?
A:主要是因为制造困难。芯片越大,晶体管包含缺陷的可能性越高,理论上单个缺陷就能使整个处理器无法运行。Cerebras通过将芯片分成900,000个核心来解决这个问题,单个核心缺陷不会影响整体运行。
Q3:Cerebras目前的商业表现如何?
A:公司估值已达230亿美元,据报道与OpenAI签署了超过100亿美元的硬件供应合同。2024年前六个月收入1.364亿美元,同比增长十倍以上,亏损从7780万美元收窄至6660万美元。公司计划最快在2025年第二季度重新申请IPO。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。