深度｜对话Cerebras CEO：3-5年后我们对Transformer依赖程度将降低，英伟达市占率将降至50-60%

图片来源：20VC with Harry Stebbings

Z Highlights

• 芯片架构设计的首要原则是明确取舍，决定哪些领域我们不追求卓越。

• AI运算需要进行海量级的简单计算。真正的难点在于运算结果和中间结果需要频繁转移。

• 传统芯片尺寸的SRAM根本无法承载完整模型参数，但通过晶圆级集成技术，我们实现了海量SRAM布局，同时获得高速与大容量优势。

• 我们的策略是：对批处理任务优先成本控制，对交互场景则必须追求极致速度

Andrew Feldman是Cerebras的联合创始人兼首席执行官，Cerebras是世界上最快的人工智能推理+训练平台。

本次访谈为他和20VC主播Harry Stebbings探讨AI时代改变芯片构造需求以及行业趋势。

AI对芯片需求的改变

Harry：见到你真是太高兴了。我期待这次对话很久了。Eric经常向我提起你，一直对你赞不绝口，非常感谢你能接受我的访谈。

Andrew：Harry，谢谢邀请。很荣幸能参与这个对话。

Harry：这一定会是场精彩的对话，感觉今天能跟你学到很多。让我们回到2015年，当时你和团队在AI领域看到了什么机遇，促使你们创立了Cerebras公司？

Andrew：我们看到了一种新兴工作负载的崛起——这对计算机架构师而言堪称梦想成真。

我们发现了一个值得解决的新问题，这意味着或许可以为此打造更适配的硬件系统。2015年时，我的联合创始人Gary、Sean、JP和Michael率先预见了AI的兴起。

这预示着计算机将面临全新挑战，AI软件将对底层芯片处理器提出不同以往的需求。我们逐渐确信能够为此设计更优秀的硬件。

当然，我们的预测并非完全准确，这是我职业生涯中第一次严重低估了市场规模。

但我们正确判断了两点：这个领域将产生巨大影响力，并将对处理器提出全新要求。特别是内存带宽和通信架构将面临严峻考验。

基于这些判断，我们毅然投身其中。这九年来的发展确实超乎想象。

Harry：能否请您解释下，AI时代的到来如何改变了芯片需求标准？作为供应商需要提供怎样的解决方案？这又如何影响了Cerebras的芯片设计理念？

Andrew：芯片的本质功能可归结为两点：执行运算和传输数据——这就是芯片的全部使命，过程中偶尔会涉及数据存储。

AI带来的是一组非常特殊的挑战组合：首先，其基础运算其实非常简单，就是矩阵乘法，任何大二电子工程系学生都能设计出FMAC运算单元。

但关键在于，AI运算需要进行海量级的简单计算。真正的难点在于：运算结果和中间结果需要频繁转移。

这些数据需要在内存间来回搬运，需要被拆分后跨GPU传输。我们当时就预见到：这才是核心难题。

如果能攻克这个问题，我们就能打造出更快更节能的AI计算系统。

Harry：关于技术路线的战略选择，我认为有几个关键维度需要考虑：是专注模型微调？专注训练？还是专注推理？而你们选择了三者兼顾。为什么？

我原以为GPU是专为训练优化的架构，并不适合推理任务。一套统一架构真能同时在这三个领域都做到最优吗？

Andrew：芯片架构设计的首要原则是明确取舍——决定哪些领域我们不追求卓越。训练和微调在计算层面有本质区别吗？

答案是否定的，它们的计算需求基本一致。不过推理与训练确实存在差异化要求，尤其是生成式推理在我提到的通信维度上提出了严峻挑战。

想象一下：生成每个词都需要将全部权重参数从内存搬运到计算单元——

对于一个700亿参数的常规模型（每个参数16位），生成单个词就需要移动140GB数据，这种跨内存的数据搬运量极其惊人，其核心瓶颈就是内存带宽。

GPU采用的HBM存储器虽然是卓越的DRAM技术，但存在速度局限。这种高容量缓存在图形计算时代是理想选择，因为那时不需要频繁内存交互。

而SRAM虽然速度极快却容量有限。传统芯片尺寸的SRAM根本无法承载完整模型参数，

但通过晶圆级集成技术，我们实现了海量SRAM布局，同时获得高速与大容量优势。

试想：如果用传统SRAM芯片运行4000亿参数模型，可能需要4000枚芯片协同；

处理DeepSeek671这类模型甚至需要6000-8000枚芯片，这会造成灾难性的管理复杂度。

而通过晶圆级集成，仅需1-10个晶圆就能获得SRAM的全部性能优势，同时确保足够的参数容量。

图片来源：20VC with Harry Stebbings

Cerebras实现技术突破与架构创新

Harry：首先请教个问题：既然HBM存在速度缺陷，为何市场上（包括英伟达40%的推理业务收入）仍普遍采用这种方案？

Andrew：根本原因在于：除非采用晶圆级集成，否则确实没有更好的替代方案。GPU最初是作为图形处理器设计的，这种架构曾是其对抗CPU的优势所在。

但如今专用芯片（如我们的方案）兴起后，昔日的优势反而成了短板——这种市场颠覆往往发生在转瞬之间。 

Harry：以英伟达的市值和黄仁勋的水准，他们肯定清楚这个局限。但他们并不生产存储器。

Andrew：选择确实有限。他们需要采购SK海力士、三星或美光等少数几家存储巨头的产品，这涉及复杂的架构权衡。客观说，这套方案让他们取得了巨大成功。

但相比我们晶圆级集成的方案（目前全球仅我们一家），我们在推理效率上具有显著优势。

Harry：那么LP存储器在这个技术矩阵中处于什么位置？现有方案有HBM、你们的SRAM，以及博通的大规模方案...

Andrew：这个领域本就有多种技术路径。我们的方案与英伟达、TPU或Tranium都不同。

但自8月26日发布推理芯片以来，第三方测试数据显示，我们的方案在多个模型上都保持着最快的推理速度记录。

Harry：关于这种速度优势，您提到晶圆级架构具有唯一性。那么成本方面如何平衡？如此高效的方案是否必然更昂贵？能否说明下成本结构？

Andrew：这并非我们首次应对此类挑战。多年计算机研发经验告诉我们，选择晶圆级方案时必须权衡利弊：

首先我们功耗更低，因为芯片最耗电的环节正是I/O数据传输。频繁的片外数据搬运会大幅增加功耗，而我们的方案能保持数据在硅基片内流动。

其次，晶圆级集成需要攻克业界公认无解的难题，比如良品率。为此我们研发了独创的工艺技术，目前良品率甚至优于制造传统小尺寸芯片的厂商。

Harry：请稍作解释：什么是良品率？为何说它原本无解？

Andrew：晶圆就像12英寸的圆形硅片，芯片如同用饼干模具从中切割出来。但就像烘焙时撒落的巧克力豆——硅片制造中必然存在天然缺陷。

传统做法是：芯片面积越大，碰到缺陷的概率越高，废片率就越大。行业通常采用binning来止损，这被视为不可违背的铁律。

而我们的突破在于：将处理器设计成由数十万个相同tile组成的阵列，配合冗余行列设计。

当某个单元出现缺陷，只需关闭该单元并调用备用单元即可——这种内存制造领域成熟的技术，从未在处理器领域实现过。

正是这种架构创新，让我们成为70年来首个实现完整晶圆交付的企业。要知道，连行业之父Gene Amdahl创立的Trilogy公司都曾在此折戟。

图片来源：20VC with Harry Stebbings

Harry：当您提及'最快'这个标签时，客户最看重的究竟是什么？是绝对速度？能效比？还是成本控制？如何权衡这些要素？

Andrew：这需要场景化思考：如果事关癌症诊断，93%和94%准确率有本质区别，人们愿意付出更高成本和时间等待更精确的结果。

但如果是用LLAMA405B模型来优化LLAMA70B，多等几天也无妨。而在即时交互场景——比如搜索引擎或聊天机器人，45秒的响应时间就足以摧毁用户体验。

Google的Urs Holz早已证明：毫秒级的延迟就会导致用户注意力流失。

因此我们的策略是：对批处理任务优先成本控制，对交互场景则必须追求极致速度——

就像网速提升后Netflix从邮寄DVD转型流媒体那样，速度突破将开启全新的可能性。

Harry：Andrew，我看上去年轻，但其实不年轻了。我还记得百视达呢。

Andrew：没错！让我们回顾这段历史：最早我们要开车去百视达租录像带，

后来Netflix开始邮寄DVD，宽带普及后亚马逊直接成了影视制作公司，速度变革彻底重塑了行业。推理速度的提升同样具有这种颠覆性力量。

训练与推理间的资源分配变革

Harry：我们之前交谈时，您提出过一个关于推理的精辟公式，对我理解这个问题帮助很大。那个公式是什么？

Andrew：这个逻辑框架始于一个基本认知：训练创造AI，而推理消费AI。

要理解推理市场的规模，就需要计算三个变量的乘积：使用AI的人数×使用频率×每次调用消耗的算力。

当前我们正处在罕见的'三增长'时期——用户数量、使用频次、单次算力需求都在同步爆发，这就是市场呈现指数级增长的原因。

Harry：展望未来五年，训练与推理之间的资源分配会如何演变？目前大部分资源都集中在训练领域（虽非全部但占主导），这种格局会有怎样的变化？

Andrew：直到2024年中，我们创造的AI更像是一种新奇事物而非实用工具。但到2024年末，情况开始转变。

Harry：转折点是什么？

Andrew：观察模型发展就明白：ChatGPT并非技术突破，而是界面创新。它降低了使用门槛，但初期人们并不知道如何有效利用——就像获得酷炫玩具。

但现在，如果营销团队每人每天不使用几次大语言模型，那就是失职。这种从'有趣'到'日常工作流必备'的转变，正是去年第四季度开始的深刻变化。

AI不再只是硅谷极客的玩物，而是我父亲、兄弟、医生等普通人的生产力工具——当这个群体开始依赖AI，市场就爆发了。

Harry：但您不觉得我们仍处于非常早期阶段吗？按照您的观点，五年后市场规模会达到现在的多少倍？100倍？1000倍？

Andrew：我认为远超100倍。

Harry：这对基础设施意味着什么？AI产业本就是高能耗领域——消耗巨量电力和水资源（虽然正在改善）。

面对如此饥渴的AI需求，我们的能源体系和数据中心能支撑未来的推理需求吗？

Andrew：首先必须承认AI确实是高耗能产业——这个行业正在消耗巨大的电力资源。

正因如此，我们肩负着创造超额价值的责任：既然消耗如此庞大的能源，就必须用AI攻克疾病治疗、解决重大社会问题来回报社会，这是宏观层面的平衡。

关于基础设施准备度：美国面临特殊困境——我们拥有充足电力，但分布极不合理。尼亚加拉瀑布电力充沛，但光纤网络优越的数据中心理想选址却电力短缺。

更棘手的是地方监管壁垒：在硅谷建设数据中心需要应对地方政府和既得利益集团，这种分散决策模式严重阻碍国家级的电力设施和数据中心建设。

相比之下，德州等放宽监管的地区正吸引大量数据中心投资。

Harry：此前与Grok的Jonathan交流时，他提到当前大量新建数据中心存在'游客式建设'问题——许多设施根本不符合标准，资源配置严重不足。您认同这个判断吗？

Andrew：数据中心本质是电力接入+建筑工程+设计优化的综合体。

虽然当前建设热潮中难免存在投机者，但更要看到行业领军者的实力：

早期布局的比特币矿企（如Terawolf、Crusoe等）已在欧洲等地积累了靠近廉价电力的建设经验，如今他们正主导吉瓦级大型项目。

这些绝非'游客'，而是极具专业度的建设者。当然，现在全球范围内确实有大量专业团队正在建设吉瓦规模的顶级设施。

Harry：随着推理需求激增，如您所说可能超百倍，其成本将如何下降？价格会相应降低100倍吗？会持续遵循摩尔定律吗？

我们该如何看待推理成本的持续下降曲线？

Andrew：推理成本由多个要素构成：首先是数据中心运营成本（电力与空间消耗），其次是硬件成本——通过提升每代芯片性能来降低单位算力成本。

此外还有算法优化空间：当前AI算法效率极低，GPU执行推理时利用率仅5%-7%，意味着93%-95%算力被浪费。

未来我们可以多管齐下：提升芯片能效比、建设更低PUE的数据中心、开发更高效算法——最终实现用更廉价硬件获得更高利用率，在同等功耗下输出更多token。

图片来源：20VC with Harry Stebbings

AI质变的突破点

Harry：您提到算法低效导致芯片利用率低下，这与当前流行的'缩放定律已达极限'论调似乎矛盾？

如果真如您所说存在巨大优化空间，如何理解缩放定律遭遇瓶颈的说法？

Andrew：资深机器学习研究者普遍认同算法存在巨大改进空间。

关于缩放定律是否终结的争议，OpenAI o1项目证明至少在推理领域，增加算力仍能持续提升效果。

当前主流模型已转向MOE，不再对所有token呈现全部参数——这只是优化路径之一。

现有神经网络的全连接架构（所有神经元相互连接）存在大量无效计算，就像为学习某个主题去读50本书，其实只需精读3本核心著作。

我们正在探索稀疏化等技术，Transformer架构绝非终点。

这个快速迭代的行业最令人兴奋之处就在于：算法将不断变得更快速、精准和高效——正因如此我才不愿投身那些九年如一日的传统行业。

Harry：这期对话很特别，多数人认为算力、算法、数据三要素已发展成熟，但您的观点让我看到了令人振奋的新可能。

Andrew：我认为这种观点是错误的。我们远未达到成熟阶段，虽然宣称某个行业仍处早期却基础要素已完备的说法很矛盾。

如果真如他们所说，那未来还能有什么突破？事实上这三要素都处于发展初期。

Harry：让我们逐项分析：五年后用于训练模型的数据中，合成数据与人类生成数据的比例会是多少？合成数据的效用价值能与人类数据媲美吗？

Andrew：以飞行员训练为例：模拟器能生成大量数据，但直线飞行这类简单场景对训练价值有限。

真正需要反复练习的是起降环节，特别是模拟发动机故障等极端情况——这些正是合成数据的价值所在。

无论是自动驾驶还是其他AI领域，我们需要的不是高速公路常规行驶这类易得数据，而是暴雪天气无保护左转这种高危场景的百万种变体。

就像外科医生日常多数是'木工活'，但真正体现其专业水准的恰是处理罕见并发症的能力。

合成数据的作用就是填补这些难以获取但至关重要的训练空白，未来其质量还将大幅提升。

Harry：这个观点太棒了，从消费者预期角度完全说得通。如果在算力、算法和数据这三个维度都取得突破，AI体验会发生什么质变？

Andrew：首先是更快更便宜——这是最直接的答案。其次当技术变得更快更便宜时，总会催生新应用场景。

就像计算机发展史：当算力成本下降后，计算机先是装进汽车，然后塞进口袋，现在连洗碗机和电视都内置强大芯片。

三十年前有人说'电视需要计算机？开玩笑吧？'如今这种Diffusion效应正在AI领域重演。

Harry：这正好印证了 “杰文悖论”和“萨提亚的信念”。

Andrew：知道你们风投圈最爱引经据典——虽然我是英国人，但...

Harry：拜托！不让我引用英国哲学家的话，我这主持人还有什么存在感？'哦天哪，这就是杰文悖论啊！'

Andrew：没错。纵观计算产业发展史，过去50年里从未出现过技术变得更便宜更快反而导致市场缩小的案例，市场永远会指数级扩张。

Harry：绝对如此。从架构角度看，您刚才提到Transformer，我们未来会超越这种架构吗？

Andrew：三年或五年后，我们对Transformer的依赖程度绝不会像现在这么深。百分之百确定。它绝非终极解决方案。为什么？会被什么取代？未来会是什么样？

我也不知道，可能是基于状态的模型，也可能是其他类型的架构。但我确信的是：创新永不停止，而Transformer存在诸多人们急需克服的缺陷。

注意力机制存在二次计算问题，还有许多可以改进的地方。不过就现阶段而言，它确实足够出色。

我们始终选择当下最优秀的工具。当它不再是最优解时，我们会毫不犹豫地转向更好的选择。现在的情况正是如此，涌现了大量创新公司设计模型。

DeepSeek向我们证明：不需要五千人团队和数十亿美元设备，两百名精英配合适量算力就能实现突破。

Harry：DeepSeek令您印象深刻吗？最打动您的是什么？

Andrew：我认为是他们的工程聚焦力。他们目标明确，不沉迷于模型理论层面的炫技，也不纠结是否必须开辟全新路径，而是专注打造更优性能。

从发明创造角度看或许略显平淡，但从工程实现角度堪称典范。他们确实构建了一个在多数场景下表现更优的模型，这非常酷。我欣赏这样的精品工程项目。

至于选择在特朗普就职典礼期间发布涉及的政治因素，那是另一个话题了，我们可以稍后讨论。

Harry：知识蒸馏是错误的吗？

Andrew：不，我不认为知识蒸馏是错的。那么文本摘要是错的吗？如果蒸馏算错，那使用受版权保护的数据更是错上加错，问题在于必须保持逻辑一致性。

Harry：Sam Altman多次参与过我们的讨论，希望他再次做客。我个人认为两者都没错，关键是要保持标准统一。

坦率地说，DeepSeek是开源的。他们所有的创新成果，OpenAI同样可以学习借鉴。

Andrew：听着，很少有开源项目能像这个模型一样产生立竿见影的影响。

它在顶尖技术圈层引发了地震级反响——纵观开源软件史，能在如此短时间内造成这种规模冲击的案例屈指可数。

通常投资这类项目需要长期观察：用户从1万增长到10万，再到百万级才考虑商业化。但这个模型直接引爆行业，实在令人惊讶。

AI行业真正的价值与壁垒在哪

Harry：作为风投，我始终在思考：哪里存在持久且可防御的价值？如何早期布局并长期构建？硬件领域得像Eric Vishria这样的顶尖投资人才敢碰硬件。

但就模型领域而言，面对数量庞大且性能相近的竞争者，你认为还存在投资价值吗？

Andrew：要证明长期价值，既需要立竿见影的成效，更需要持续进化的轨迹。问题在于某些行业里，你可能短暂占据领先地位，但很快会被下一代创新者取代。

在软件领域，这就像与竞争对手的发布周期赛跑。如果你只是领先四个月，别人反超六个月，这种优势几乎没有价值。

但若能常年保持头部地位（即便不是第一，只要稳居前10%），而榜首玩家不断更迭，这种持续力就极具价值。

硅谷许多巨头起初技术并非最顶尖，只是率先达到'足够好用'的临界点，就占据了成熟市场。

不过我们离那个阶段还很远——目前仍处早期，正如你准确指出的：数据、算力、算法都还有巨大提升空间。

Harry：你提到算力和硬件才是价值所在。在当前英伟达垄断下，未来五年硬件和计算领域的价值将如何分配？

Andrew：历史上，资本密集度始终是行业壁垒。芯片制造既依赖稀缺资源又需要尖端技术，成本极其高昂，这与软件公司的运营逻辑天然相悖。

展望未来，基础设施科技领域的常青树往往是系统构建者——思科、瞻博网络历久弥新，芯片制造商更是如此。

苹果和英伟达能跻身全球最有价值公司，正因为它们攻克了最难的事。这正是值得挑战的意义所在。如果事情不够艰难、不够宏大，何必以弱者姿态去撼动巨头？

Harry：很多人认为英伟达的CUDA生态构成护城河。这种防御性在推理场景中真的存在吗？完全不存在。

Andrew：在推理领域根本不存在CUDA锁定效应，完全没有。

用户只需敲击十次键盘，就能从英伟达GPU上的OpenAI切换到Cerebras、Firework服务或其他平台如Together、Perplexity。

真正使用AI的人都清楚这一点。早期确实有过瓦解CUDA生态的尝试——先是谷歌通过TensorFlow，后来Meta通过PyTorch。

如今大多数AI代码都用PyTorch编写，理论上应该能编译后在任何硬件运行。英伟达的护城河不在于此：市场主导地位本身就是护城河，默认解决方案也是护城河。

当整个行业都习惯用你的架构思考AI时，这些才是真正的壁垒。软件编译固然困难，但并非不可攻克。

Harry：我完全同意'领导者身份即护城河'的观点，就像现在人人都知道ChatGPT代表OpenAI一样。

Andrew：看看英特尔吧——在Pat Gelsinger上任前的十年间，他们几乎每个决策都是灾难性的，但至今仍占据x86市场75%-80%份额。

AMD折腾十年才爬到25%-30%。这就是护城河的威力：连犯十年错误才丢失20%市场，简直不可思议。

作为挑战者，我们更要清醒认识这种护城河的实质，因为我们需要搭建的桥梁，正是为了跨越这些特性。

Harry：那么五年后的格局会更像Uber一样占据90%垄断，还是AWS云服务多强并立？

Andrew：我认为会介于两者之间。英伟达目前近乎垄断，但五年后市占率可能降至50%-60%。他们在训练领域无可匹敌，在推理市场也绝不会坐以待毙。

这家缔造了企业史上最辉煌十年（市值从2014年100亿飙升至现今规模）的世界级公司，必将保持重要份额。

Harry：芯片供应商的企业价值会远超模型供应商吗？五年维度来看？如果拉长时间线呢？

Andrew：从短期来看，期权定价中的波动性和不确定性反而会提升期权价值——无论是布莱克-斯科尔斯模型还是其他定价模型都印证这一点。

当前市场给予模型公司超高估值，部分正源于这种极端不确定性和剧烈波动。

但长期随着市场成熟，当模型商业价值和净盈利能力逐渐明晰时，巴菲特的名言就会应验：短期市场是投票机，长期是称重机。

最终公开市场会启动价值重估，投资者将判断谁具备持续增长潜力。

Harry：提到公开市场，你们在行业普遍烧钱的情况下实现正向现金流，秘诀是什么？

Andrew：传统上毛利率反映技术差异化程度。若出现毛利率为负，本质上说明你在销售大宗商品，市场未认可创造的价值。

我们的技术优势支撑了同业难以维持的利润水平。

Harry：G42大单占你们收入很大比重，这是优势还是隐患？

Andrew：两者兼具。就像捕获三个大客户要先搞定第一个，培养战略合作能力也需要学习。与G42的合作让我们积累了三大能力：

1）部署了数十百亿亿次算力（规模仅次于AMD/英伟达）

2）软件在全球顶级AI集群完成实战验证

3）经历产能2倍、5倍级跃升的供应链淬炼

这段合作让团队蜕变得能胜任与超大规模企业、主权机构的合作，虽然中东市场的开拓交了不少学费。

Harry：既然如此，为何选择现在上市？私募市场资金明明很充裕。

Andrew：看看Databricks就明白了，它们获得的估值原本只属于公开市场。如今Anthropic、OpenAI等获得的融资规模，历史上也只会出现在IPO阶段。

Harry：谁都能查阅公开信息，我可不想让人看到我的底牌。

Andrew：我们无所隐瞒。

Harry：但竞争对手会获得信息不对称优势。

Andrew：而我们掌握的是技术不对称优势。成为上市公司需要全方位准备：组织流程必须规范，具备预测能力并接受问责——这种透明度是私募企业无需承担的。

我们认为公开上市具有双重价值：

•成为行业首批上市企业

•符合大客户偏好（美国龙头企业历来倾向与上市公司合作）

这些正是我们选择IPO的核心考量。

Harry：未来24个月能拓展多少个G42级别的客户？推进速度如何？G42订单占比87%，具体规模是？

Andrew：签约时业内预估超10亿美元级别。

Harry：厉害！团队应该击掌相庆了吧？

Andrew：兴奋之余更面临现实挑战： 紧急扩充产能：向十大供应商预警大额订单；

供应链协同：硬件与软件的本质差异在于，产能激增需要整个生态链的深度配合。

Harry：坦白说，芯片交付周期过长是否会导致客户不满？等拿到产品时技术可能已过时。

Andrew：这些挑战对我们和同行而言都是机遇。

成为市场领导者本就不易，但当你落后时——就像恶霸摔倒时人人都想补一脚——英特尔垄断时期结束后就遭遇过这种围剿。

英伟达若出现客户不满，确实会给我们这些竞争者创造机会：当客户拿不到货时，自然会转向测试竞品，这就是突破口。

Harry：现在登录Cerebras官网输入优惠码Harry20即可订购芯片！

Andrew：感谢带货，不过风投业最近可不景气，Harry你还要给孩子买鞋呢。

Harry：我那4亿基金的管理费可够花了——虽然我根本没孩子。

Andrew：2%管理费加20%分成的日子不好过啊。

对中国的看法

Harry：关于硬件复杂性，当前出口管制执行到位吗？比如当初DeepSeek崛起时，所有人都质疑'他们肯定偷了芯片'。你怎么看这种技术封锁政策？

Andrew：实际情况是，他们很可能确实使用了新加坡的芯片。我认为需要分几个层面来看：

1.软硬件合规管理的本质差异

2.硬件（如500磅重的服务器）具有物理可追踪性，可通过使馆人员定期查验

3.软件特别是开源技术的Diffusion则难以管控

4.技术封锁政策的蝴蝶效应

上届政府限制中国获取EDA工具的本意，反而促使美国风投资本涌入深圳EDA创业公司。

这种动态博弈就像试图用手捏住水银——你永远预料不到管控措施会从哪个缝隙产生反作用力。

延缓他国技术发展本就是极其复杂的挑战，过去两年我深刻体会到：即便最善意的政策制定者，也难以准确预测管制措施的连锁反应。

Harry：现任政府是否比上届更支持AI发展？

Andrew：答案显而易见。上届政府与科技巨头对立的立场本身就是失误。此外AI发展已进入新阶段：2021年时AI还令人恐惧，如今风险与收益图谱已更清晰 ；

本届政府设立AI事务专员的举措展现前瞻性，这些因素共同促使环境改善。

Harry：我们是否严重低估了中国的能力？

Andrew：百分之百如此。低估对手是最常见也最明显的判断失误。

我们必须清醒认识到：中国基建投资规模惊人，工程师培养效率远超他国，政府为风投背书+培育科技国家队+通过'双保险战略'让第三世界依赖其技术。

深圳等经济特区的设立堪称神来之笔，他们用政策特区突破体制束缚。

美国在疫苗研发时也效仿过这种灵活机制。

但看看我们的现状：加州高铁沦为笑柄，铁轨标准竟有三种，桥梁公路破败不堪......这就像观看冠军球队的进攻战术，我们不该思考：他们的成功要素是什么？

人才结构有何特别？我们该如何借鉴？我在G42合作伙伴身上看到的拼搏精神，在竞争对手展现的创新能力，都是推动我前进的燃料。

道阻且长，不断前进

Harry：真想和你聊上一整天。现在来个快问快答环节准备好了吗？

Andrew：当然。

Harry：你最坚信但周围人都不信的观点是？

Andrew：中东比大众想象的更接近和平。阿联酋、卡塔尔甚至沙特正在经历惊人转型——这些专注商业的温和派阿拉伯国家是25年前不存在的。

他们正以独特方式融入西方体系，我们距离和平可能比想象中更近。

Harry：英伟达市占率面临的最大低估威胁是？

Andrew：GPU外接内存的基础架构并不适合推理计算。虽然他们仍能保持优势，但这个软肋确实存在且可被攻破——他们自己心知肚明。

Harry：你最疯狂的AI预言？（Anthropic的Dario预测人类能活到150岁）

Andrew：我不认同150岁的说法，也不认为今年90%代码会由机器生成。但我坚信未来1-2年内，AI普及度将比肩手机。

Harry：过去12个月你最后悔的决策？

Andrew：错误分两种：主动犯错或抗拒正确。2016年联合创始人JP提出水冷系统方案时，我极力反对——结果大错特错。

谷歌TPU后来采用水冷设计，英伟达现在也只卖水冷产品。JP是对的。

我每天都要做无数决策，看错人是常事，原以为普通的人才后来大放异彩，看好的聪明人却无法落地项目，但是不敢犯错的人，本就不该做决策。

Harry：作为风投，我从不犯错。

Andrew：风投行业十赌九输——但只要押中一次，所有人都会忘记你的失误。

Harry：要不要签份投资意向书留念？

Andrew：你们这行最妙的就是：平均成功率毫无意义。即便常年失误，只要偶尔押中独角兽就能创造神话。

但CEO不同——我们必须保持较高正确率，不过决策越多，错误自然也越多。

Harry：这已是你的第五次创业，是有受虐倾向吗？说真的Andrew，前四次教训还不够？

Andrew：企业类型决定经验价值： 社交网络适合大学生创业，他们与用户画像高度重合，懂约会社交比懂经营管理更重要，

但涉及制造/供应链/管理数百工程师的硬科技领域，没人会说要找'零经验的工程主管' 。

连续创业者真正的优势在于经历过团队从50人到500人的管理阵痛，见识过供应链崩盘的至暗时刻。这些教科书里学不到的实战经验，才是驾驭复杂企业的关键。

Harry：天真在这里反而是优势对吧？

Andrew：这种论调往往来自咨询顾问：'看啊，我的团队完全没有行业经验，所以绝对客观。'但或许有点行业经验会更好？

Harry：当前AI投资热潮集中在哪些领域？整个技术栈都在烧钱，有些细分赛道简直令人费解。

Andrew：部分源于资本配置需求——某些基金募资太多必须投出去，也有人纯粹害怕错过。

不过确实存在被低估的领域：比如传感器旁运行的毫瓦级推理芯片，虽单个体量小但出货量惊人，将成为机器人技术的基石。

虽然我更钟情数据中心大芯片，但这个细分市场潜力巨大。

Harry：畅想十年后的Cerebras？

Andrew：参照英伟达十年百倍增长，我希望：

•3-5年内技术能解决两大社会难题

•开发出针对百万级患者的治疗方案

•为尚未问世的应用提供推理算力

•让欧美民众无感知地使用我们的技术

Harry：为了这期节目我筹备多年，团队整天催我'快邀请Andrew'。最后还是靠推特喊话才促成。

Andrew：结果40多人质问我'为什么躲着Harry！其实直接联系我就好。今天讨论非常尽兴，你的问题充满洞见。

原视频：Andrew Feldman, Cerebras Co-Founder andCEO: The Al Chip Wars & The Plan to Break Nvidia's Dominance.

https://youtu.be/MW9vwF7TUI8?si=9Vo0q3wZ2NHSiLDG

编译：Yuhan Zhang

文章来自于微信公众号 “Z Potentials”，作者 ：Yuhan Zhang