摘要

Cerebras 融资 10亿美元，创下该类别历史最大规模和最高估值，由 Fidelity（“投资界的牛津或剑桥”）领投，Tiger Global、Valor 和 1789 参投，Feldman 表示 Cerebras 仍计划上市：“我们仍然完全打算上市。” Feldman 称，这轮融资之所以能够完成，是因为 Cerebras 有毛利率，而同期寻求融资的竞争对手毛利率为负；他认为 S-1 显示，阿联酋可能在 2024年上半年贡献了约 75-80% 的收入，订单之大甚至“吞噬了我们全部的制造产能”。
Nvidia 正显露出一家担心增长的巨头才会有的迹象：“更多使用资产负债表，少用技术”——通过买下业务而不是赢得业务（正如 Cisco 在 1992-2001年所做的那样），在客户还拿不到 B200 之前就“掠夺式预告” B300，并对“规模巨大的”现场故障率保持沉默。对 OpenAI 的 1000亿美元投资“就是设计成没人能看懂……这根本不是一个可分析的东西”，除了 Nvidia 借此锁定 OpenAI 部分需求之外，几乎无法解读。
芯片按两年折旧在经验事实上是错的：“两年折旧”与现实不符。 H100 过了两年仍在赚钱，A100 已经用了三到四年，“可能长达五到六年”。真正决定折旧的变量是代际提升；在同口径比较下（8-bit 对 8-bit），Feldman 估计每个有意义的世代提升约为 2-2.5x，因为对 GPU 架构上的推理而言，瓶颈是内存带宽，而不是算力。
即使买方也无法知道需求会有多大——客户向 Cerebras 要求的每秒查询数在 500万到4000万之间，Harry 指出这相差了一个数量级——因此应把超级大单看成对未来的期权，把“未来五年最高 1000亿美元”理解为“营销史上最伟大的免责措辞”。他仍可能低估需求的概率是：“100%。我一直都错。”
Mag7 集中的风险不在估值（Nvidia 4.5万亿美元：“可能还低了”），而在被错误定价的分散化：标普“不是全球经济指数——它是 7家公司占 30% 或 50% 的指数”，持有人因此承担了从未主动选择的行业风险。 “金融市场中的风险，来自人们从根本上低估风险。”
能源稀缺叙事“完全错误”：“我们有充足的电力，只是它在错误的地方。” 西得州天然气和纽约州北部水电远离人口、建筑和光纤；核电是合理方案，但并非不可替代。相较于中国的中央规划，美国碎片化的审批制度才是真正短板——当地消防条例曾让 Samsung 得州晶圆厂延误 8-10个月。
对扩散速度的逆向判断：Groq 的 Jonathan Ross 预测 5年内出现 AI 劳动力短缺，“完全错误——15年后可能是真的”；AlphaFold 虽然赢得诺贝尔奖，但“说出一款由它带来的药，一款也没有”。只有当社会围绕 AI 重新组织起来，生产率才会跃升——电力和电动机的历史已经说明这一点；如果 AI 只是替代 Google，生产率不会出现同等规模的变化。

精读

1. 融资 10亿美元：Fidelity 的背书，以及毛利率买来的入场券

Feldman 称，这是 Cerebras 所属类别有史以来最大、估值最高的一轮融资，由 Fidelity 领投——“投资界的牛津或剑桥……他们选择领投一轮融资，会给华尔街带来很大信心”——共同领投方是“那些条约国家”（很可能指 Atreides），Tiger Global、Valor 和 1789 参投。Harry 还引用 HubSpot CEO 的说法佐证：在 IPO 前和 IPO 时都能拿到 Fidelity，所携带的信号价值，是风险投资人普遍低估的。
为什么不直接上市？“我们仍然完全打算上市”——只要“能非常快地完成，而且不会分散精力”，上市前融资就是标准做法。这轮融资之所以能够以更高估值、从更好的投资人那里拿到更多资金，原因在于“我们有毛利率，而其他正在找钱的人毛利率为负”。毛利率是“从一个想法走向一家真正公司”极其重要的一环。
这笔弹药将用于扩充制造能力、增加数据中心（今年已在美国新增 5座）以及推进“更多大想法”；他同时讽刺竞争对手：“从 8-bit 降到 4-bit 所实现的假想收益，无法带我们抵达 AI 的应许之地。”

2. 看清小字：超级大单是对未来的期权

Feldman 拆解 headline 数字：“最高”是“营销史上最伟大的免责措辞——未来五年最高 1000亿美元……可能是 300亿美元、120亿美元，也可能是 400亿美元，不会更大。”而且没人审计这些承诺：“8个月过去了，有没有人拿出一张小表格——9个项目加 1座工厂？谁来追究任何人的责任？没人。”
这些公告真正释放的信号，是需求大到买方无法准确规划。客户向 Cerebras 要求的每秒查询数在 500万到4000万之间，Harry 指出这相差了一个数量级，因为“6、8、12个月之后，所有人都不确定。变化太快，规模太大”。正确的理解方式，是把它们看成对未来产能的付费期权——“如果未来朝不利于你的方向发展，你损失的就是期权费”。在这种环境下做规划“极其残酷”：面对 5年、7年的数据中心承诺，需要的是“规则不断变化下的良好规划”，而不只是良好规划。他仍在低估需求的概率是“100%”；至于 OpenAI 估值何时变得可以想象，答案是“前一天”。
需求的有力证据来自海湾地区：Feldman 认为，S-1 显示阿联酋可能在 2024年上半年贡献了约 75-80% 的收入，订单大到“吞噬了我们全部的制造产能”——“你可以在硅谷做 20年或 30年的职业销售，却从没见过一笔 5亿美元的订单”。他们“大胆，而且足够早”。
Harry 追问：面对最大客户所在地区，你难道不是必须说些好话？“问题问得公平。我作为一个犹太人，在我们还没有做成任何生意之前，就去那里谈生意。”随后他给出一个快速的逆向判断：我们有生之年中东会实现和平，依据是阿联酋证明了温和路线能够带来回报——“我们忙着建设，没空仇恨……我们太忙于建设了。”

3. Nvidia 正显露出一家担心增长的巨头才有的迹象

被问到 Nvidia 是否坚不可摧（Groq 的 Jonathan Ross 告诉 Harry，Nvidia 5年内能达到 10万亿美元），Feldman 回答：“那我希望他一直做多 Nvidia。”他的判断是：“我们看到了一些大公司开始担心增长时会做的事情——更多使用资产负债表，少用技术。”公司会“开始买业务，而不是赢得业务”，就像 Cisco 在 1992-2001年前后所做的那样。
第二个迹象是“掠夺式预告”：“在任何人拿到 B200 之前先宣布 B300，在 B200 技术上还没完成之前就开始谈 Rubin”，与此同时，绝口不提“产品的现场故障率，而且故障率规模巨大”。目的就是让买家等待，而不是选择“更好且已经存在”的技术。
对 OpenAI 的 1000亿美元交易“就是设计成没人能看懂……金额上限明确、期限未指定、估值没有给出——这根本不是一个可分析的东西”，唯一明确的是：“Nvidia 选择通过投资 OpenAI，试图锁定其部分需求。”
说到毛利率，Nvidia 的毛利率“处于硬件公司历史最高水平之一”——整体为 78%，高端芯片“可能达到 85%”——这正是 AWS 自研 Trainium（听起来像“cranium”）的原因。怨气还会累积：“Intel 摔倒时，突然从各个角落冒出来、落井下石的人多得惊人。”

4. 芯片按两年折旧在经验事实上是错的

人们在 H100 上获得价值的时间已经超过两年，A100 也是如此——“更接近 3年或 4年，而且可能长达 5年或 6年”。因此：“如果你说它们按两年折旧，那在经验事实上就是错的。”
真正的问题是：“未来世代比当前世代快多少。”只有当替代芯片在每瓦性能上快到足以让同一个 50MW 外壳赚到更多钱时，淘汰一块已经完全折旧的芯片才有意义。如果行业不再交付非凡的代际提升，“它们就会使用更久。折旧期也会拉长。”
撇开营销、做一点工程层面的深挖后，真实的代际提升“可能是每个有意义的世代 2-2.5x”，而且要同口径比较（8-bit 对 8-bit）。如果“内存带宽没有提升超过 2x，你就无法用上更多算力”，更多 flops 只会被浪费。对推理而言，内存带宽“是 GPU 架构的根本限制”。

5. 晶圆级芯片下注：听起来显而易见，却 75年无人解决

内存的取舍是：SRAM 速度极快，但容量很小；HBM（一种 DRAM）容量大，但速度慢。GPU 选择 HBM，是因为图形处理很少频繁访问内存。Cerebras 的做法是制造一块“餐盘大小的芯片”，把高速 SRAM 塞到极限，用巨大的硅面积突破 SRAM 的容量限制。一块普通尺寸的 SRAM 芯片运行万亿参数模型，需要“四五千块芯片，简直是一团乱。”
Harry 反问：这不是显而易见吗？“确实如此，不是吗？”但在计算机 75年的历史中，没有人制造出超过约 840mm² 的芯片：Gene Amdahl 失败了，IBM 失败了，TI 失败了；“我们做到之后，Elon 也在 Dojo 上尝试过，但他们失败了。”
这场赌注一度濒临死亡：从 2017年到 2019年初，约 15个月里他们始终造不出一块可用芯片，每月烧掉 600-700万美元，每次尝试后都进行正式的失败分析。第一片晶圆终于运行起来时，创始人盯着设备看了半小时：“我们刚刚解决了一个 75年来这个行业最聪明的人都没能解决的问题。”
训练和推理谁更快？“不，我们两者都更快。”但训练意味着要移植以 GPU 为中心的配方；推理则不同，“没人关心 CUDA，甚至没人关心 PyTorch……他们要的是一个 API。从基于 GPU 的 OpenAI OSS 120B 方案迁移到我们的方案，真的只需要 10次击键。”再加上推理用户远多于训练用户，这就是推理更适合率先抢占市场的原因。

6. 电动机的教训：不重组，就没有生产率跃升

Feldman 提到了很可能是 Robert Solow 在 1988年提出的悖论——“除了生产率统计数据，到处都是计算机”——以及 Paul David 的《计算机与电动机》：电力从 1880年起被制造业采用，却几乎没有带来任何变化，直到车间围绕电力重新组织起来，生产率才跃升；90年代中期计算机联网后也是如此。“如果你像使用 Google 一样使用 OpenAI，只会看到非常有限的提升……如果我们围绕 AI 重新组织自己，就会看到巨大的生产率增长。”
人口代际差异也说明了这一点，与 Sam Altman 的判断相呼应：年长用户把 ChatGPT 当作 Google 的替代品；年轻用户则把它当作“生活的操作系统”来使用。这种消费模式此前从未存在，生产率跃升将从这里发生。“我知道的是，这种转型需要时间。”
推理增长本身由 3个变量相乘：用户数 × 使用频率 × 每次使用的算力。“问题在于这 3个变量都在快速增长，结果会产生一些让人头脑发麻的影响……我们一开始就知道这一点，但它仍然让人倒吸一口气。”

7. 扩散很慢：没有劳动力短缺，AlphaFold 带来的药在哪里？

Ross 预测，AI 将在 5年内制造大规模劳动力短缺。Feldman 回应：“完全错误。经济失调不可能在非常短的时间内解决。15年后可能是真的。”AI 会“逐步啃进”经济体系。
他的证据是 AlphaFold：它解决了化学领域最难的开放问题之一，并让发明者获得诺贝尔奖——“说出一款由它带来的药，一款也没有。”至于理论上会被取代的 X 射线晶体学家？“对他们的需求反而更多了。”
真正会改变的是教育：“自 Alexander the Great 接受 Aristotle 训练以来，我们教育孩子的方式几乎没变。”AI 可以把一个学生的错误模式与数千名其他学生进行比对，再开出能够修补特定知识漏洞的练习册。咨询公司和银行的入门级工作也会变化——“擅长做表格、撰写他人研究的摘要：AI 会做得更好。”而 Feldman 一直认为，让 22岁的人做这些本来就是对人才的糟糕使用。

8. “我们有充足的电力，只是它在错误的地方”

稀缺叙事“完全错误”：西得州有大量天然气，纽约州北部有大量水电，只是它们不在人员、建筑或电信光纤所在的地方。问题是错配，不是供应。核电在数十年维度上是“非常合理且具成本效益的策略”，但并非不可替代；加拿大的水力资源可能提供“全世界最便宜的电力”，芬兰和冰岛则拥有地热能。
中国“长期、深入地思考过电力基础设施”，并进行战略规划；美国“分散式政府结构让我们留下了一套拼接式电力基础设施”。当地消防条例曾迫使 Samsung 重新设计得州晶圆厂，让一个数十亿美元项目延误 8-10个月。
政治评分方面：“拜登政府被误导且充满恐惧”；总体而言，特朗普可能更有帮助，因为他身边聚集了聪明的 AI 人才，也放松了一些令人痛苦的监管。对于美中竞争叙事，他不接受简单的竞赛框架——“军备竞赛当然没有帮助美国或俄罗斯中的任何一方”——但现实政治是：“他们更擅长制造无人机，也更擅长制造机器人”，北京还为 AI 基金的亏损提供了兜底。Feldman 在 2019年、出口管制出台前，曾因担心技术用途而放弃一笔大型中国交易。
与电力消耗相伴而来的责任是：“如果我们要消耗这么多电力，交付价值的责任就在我们身上。”这些价值可以是药物、医疗和延长寿命。至于可能由 Ghibli 图片带来的算力需求？“一个市场需要大量坏想法，才能筛出少数好想法。”混乱本身就是机制；政府资金和审批便利应当导向真正重要的项目。

9. Mag7：风险在于被错误定价的分散化，而非估值过高

集中风险“不在于它们值这么多钱——我认为它们值这么多钱，是因为未来经济会奖励它们”。真正危险的是认知模型错配：“人们仍然把标普看作全球经济指数，但它不是，它是 7家公司占 30% 或 50% 的指数。”持有人“以为自己已经分散投资，实际上高度依赖一个非常狭窄的行业”。
贯穿本期节目的风险框架是：“金融市场中的风险，来自人们从根本上低估风险。当风险被正确计价时，你的结果就不会令人意外。”
说到 Nvidia 的 4.5万亿美元估值：“21世纪第一个 25年最伟大的公司……我不知道 4万亿美元是否正确，但一个非常大的数字——可能还低了——是正确的。”他不会选择公开市场股票——“你可以在好公司上亏钱，也可以在烂公司上赚钱，这对我来说无法接受”——而押注最大的巨头，在这件事上“没有 alpha”。
这轮繁荣能否持续？外推存在边界：“如果 Nvidia 继续按当前增速增长，11年后地球上的每个人都为它工作——自己算一算。”但一个围绕 AI 重组、且 AI 占比更高的经济体“不仅可能，而且几乎确定会出现”。

10. 瓶颈——以及投资人会在哪些地方输掉衬衫

首先是专业人才：大学“培养不出足够多”的 AI 从业者，美国移民政策的挑战“没有帮助”；Feldman 主张打通 J-1 到 H-1B 的路径，并称美国必须认真对待移民人才，而大学则“缺算力”。这正是他不担心人才争夺推高薪酬的原因：“没有公司会因为给杰出人才太多钱而破产。想破产，就给平庸的人太多钱。”毕竟，美国曾给 Charlie Sheen 每集 250万美元的片酬。
物理瓶颈包括：TSMC 和 Samsung 无法足够快地建设各自 300-500亿美元的晶圆厂，限制了所有人的芯片供应，并使成本居高不下。至于承诺中的吉瓦级数据中心？“所有人都在承诺。它们在哪里？还没建起来。”Elon 可以在 6-8个月内完成建设，“世界其他地方要 1年半，甚至更久”。
华尔街喜欢数据中心，因为它“看起来像债券……你能拿到一个投资级租户”；CoreWeave 的金融工程展示了这条路径。但“建数据中心并不适合所有人”：最好的建设成本是每兆瓦 800万美元；“如果你花 1200万或 1400万美元，这就是你亏钱的方式”，而且还会叠加电力接入、审批、成本控制和租户问题。
对于 OpenAI 或 Anthropic 自研芯片（Ross 认为肯定会发生），他的判断是：“软件公司造芯片失败，有着悠久的历史。”微软规模的公司也失败过；Google 是最成功的案例，但“他们已经做了 10年”。成功案例通常来自收购，如 Apple 收购 PA Semi、Amazon 收购 Annapurna。OpenAI 多年来托管在 Azure 上，Anthropic 同时依赖 AWS 和 Google，如今都没有实现垂直整合。“造芯片是 MBA 的噩梦。”Intel 在 2000-2010年拥有全球最好的架构师和晶圆厂，却“完全无法造出可用的手机芯片”；ARM 赢下了本世纪最大的算力市场。硅片“不是 25岁 CEO 应该涉足的领域”。真正投入不足的环节是数据清洗和数据管道——“许多 AI 项目失败……是因为数据一团糟”。数据供应商（Surge、Mercor、Invisible、Turing、Handshake）构成了一个“非常有意思的市场”：它们现在显然重要，但这种需求是否持久、机器能否把这些工作做得和人一样好，“可能有两种走向”。
对于芯片行业整体，Feldman 不接受 90%垄断的判断：Intel 曾主导 x86，但在手机市场占有率为零；Broadcom 则主导交换芯片。他不认为市场最终会集中到 1家或 2家公司手中。
说到主权 AI，他认为 Mistral 的主权战略，加上 Cerebras 通过其所谓地球上最快的硬件提供推理服务，会让其潜在的 Le Chat 产品极具吸引力；除此之外，欧洲真正做有趣工作的 AI 实验室太少。

AI 代理的未来｜Jesse Zhang 访谈 Google 第三部：AI 公司。Google 的 AI 布局几乎无可挑剔……它能赢下 AI 吗？（音频）