一盘大棋：Cerebras IPO、AI 推理速度革命与芯片供应链的范式转移
1. Cerebras：餐盘大小的芯片与十年过夜成功
Cerebras 的核心理念简单到危险：不把晶圆切成小块再封装成 GPU/CPU，而是把整片晶圆（通常刻几十个芯片）当作一颗芯片来设计。WSE-3 拥有 4 万亿晶体管，是地球上最大的单一处理器。
这个想法听起来很美，但实现它意味着面对一系列工程学上的"硬问题"：如何提高一整片晶圆的良率（一颗缺陷就报废整片）？如何给餐盘大小的芯片供电和散热？如何在数千个连接点上维持信号完整性？
Foundation Capital 的 Steve Vassallo 将 Cerebras 描述为"五家创业公司合体"——良率、供电、散热、信号连续性、系统集成，五个问题 stacked（叠加），任何一个失败就等于全盘皆输。正如他所说：
"Andrew's a very good negotiator, but he's also learned that he can't negotiate with the second law of thermodynamics."— Steve Vassallo, Foundation Capital
而 Andrew Feldman 本人则淡然地说，在硬件行业如果有人告诉你这是一条直线，你可以直接认定他在撒谎。第一代芯片是"高级原型"，第二代才能消除工程问题，第三代才真正起飞。WSE-3 就是他们的第三代。
2. "没人关心你有多快"——从无人问津到一夜成名
Benchmark 的 Eric Vishria 回忆起 2016 年第一次见 Andrew 的场景：团队页非常出色，第三页 slide 写着一句极其挑衅的话——
"GPUs actually suck for deep learning. They just happen to be 100 times better than CPUs."— Andrew Feldman 的 2016 Series A 路演 slide
"那一刻一个灯泡亮了起来，"Vishria 说。"当然，为什么图形处理器会是深度学习的最佳方案？"他坦言，自己当时对硬件有多难"极其天真"——"In venture, it's very useful to be naive."
Series A 异常顺利：打了 8 个电话，拿了 8 个 term sheet。但 2020 到 2023 年是一个漫长的"黑洞期"：芯片造出来了，速度极快，但 AI 被认为"有趣却没用"。直到 2025 年 ChatGPT 引爆了推理需求，当模型变得足够聪明以至于真正有用时，速度才变成了价值。Feldman 总结道：
"Nobody cares about how fast you are when it's a novelty. But starting with GPT in 2025, the models got so darn smart they became useful. And suddenly everybody wanted to use AI."— Andrew Feldman
3. 速度溢价：6 倍价格换 2 倍速度？用户说 Yes
Semi Analysis 的 Doug O'Laughlin 提供了一个数据驱动的视角。他们的团队在 4 月的 AI 支出达到了 $1000 万年化运营率，其中 80% 花在了 Opus 4.6 Fast Mode 上——一个价格为标准模式 6 倍、速度提升约 2 倍的产品。
这违背了"人们会选择最聪明模型"的理性假设。TBPN 主持人给出了一系列类比：如果两个能力相同的员工一个速度快 5 倍，在组织内创造的价值是数量级的差异；电商页面延迟每 100 毫秒可能损失 1% 的转化率；当你能一次读完一整页维基百科而非逐字等待流式输出时，体验的本质已经变了。
Feldman 把快速推理比作宽带替代拨号上网：现在给你多少钱你愿意换回拨号？每月 $1000？$1500？答案是"多少钱都不行"。他相信快速推理将以同样的方式成为整个市场的标准。
4. SRAM 天花板与"模型联邦"
Doug O'Laughlin 也指出了 Cerebras 面临的核心技术风险：SRAM（片上静态随机存储器）缩放已接近物理极限。WSE-2 有 40 GB 片上内存，WSE-3 仅提升到 44 GB——一个制程节点的迭代只带来了 10% 的增长。对于万亿参数级别的模型，单晶圆的内存远远不够。
但 Feldman 提出了一个有趣的概念——"模型联邦"（confederacy of models）：在未来的 agentic 工作流中，最大的模型（"高级副总裁"级别）负责战略决策和任务委派，而 Cerebras 上的快速小模型负责执行高度并行化的子任务。这不是替代 GPU 的关系，而是互补——就像 CPU 和 GPU 最终在数据中心中共存一样。
Doug 对此给出了一个经典的半分析式总结：
"When it first started, was like, oh, yeah. What are you going to do? 1% of a very large market? But now that we're here, not ironically, 1% of a very large market works."— Doug O'Laughlin
5. CUDA 锁定被高估了吗？
Feldman 用三个反例论证了 CUDA 生态锁定的说法可能被夸大：Gemini 3 在 TPU 上训练，Anthropic 的模型在 Tranium 上训练，Cerebras 负责 Codex 5.3 Spark 的推理——三者全部零 CUDA。他指出，"一些最好的、最有意思的模型，都是在没有 CUDA 的情况下做出来的。"
这一观点的背景是 AI 芯片领域的"disaggregation"趋势：transformer 架构的不同部分（prefill、decode、attention）正在被拆分到不同的专用硬件上运行。Groq LPU 可以接在 NVIDIA GV200 机架后面处理 decode；Cerebras 则更适合作为"孤岛"——一切在片内完成，极快但不易互联。
作者概括：在模型架构本身仍在快速演化的阶段，任何"最优硬件组合"的判断都存在巨大的不确定性。Cerebras 不需要在每一个维度上击败 NVIDIA，它只需要拥有一个足够大的细分市场。
6. Kevin Warsh 与美联储的 stagflation 考验
同日新闻：Kevin Warsh 以 54-45 的票数被确认为第 17 任美联储主席——这是自 1977 年参议院确认成为法定要求以来的最窄票差。仅有一名民主党人（宾夕法尼亚州的 John Fetterman）投了赞成票。
Warsh 接手的是一手极其棘手的牌：美国正面临 stagflation（经济停滞 + 通胀）的阴影。在这种环境中，降息会恶化通胀，加息会恶化停滞——任何操作都是取舍。与此同时，特朗普公开要求降息，对美联储独立性的攻击也前所未有地公开化。
Jerome Powell 拒绝离开美联储理事会。他计划继续留在理事会，"你得把我拖出去"——Powell 以此回应特朗普要求他离开的压力。主持人的评论是：Powell 可能不是"史上最佳"美联储主席（他没有面对 Bernanke 所面对的 2008 年级别危机），但他的两届任期各获至少 80 票确认，在两党中拥有一些独特的公信力。
7. Netflix 广告：从"绝不做广告"到自建技术栈
Amy Reinhard 掌管 Netflix 广告业务两年半。她回忆说，Netflix 不做广告曾经是一个"战略性赌注"——2021-22 年内部讨论引入广告时，公司内部充满了"焦虑"（angst），因为这代表了战略和文化上的巨大转变。
最初与 Microsoft 合作快速启动，但 18 个月前 Netflix 决定自建广告技术栈。一年前正式上线——Reinhard 说她自己需要不断提醒自己，这个技术栈"才一岁"。
关键的差异化策略是低广告负载和低频次——优先保证会员体验。内容策略上，Netflix 既有像 Shonda Rhimes 这样从广播电视时代过来的编剧（她们天然会在剧本中写广告断点），也有流媒体原生创作者——Netflix 的 AI 系统需要找到"自然断点"，确保广告不会出现在台词中间。
一个有趣的旁注：当被问及游戏内广告何时上线时，Reinhard 的回答是"我们还没想过，未来 2-3 年的路线图已经被基础功能填满了"——但她补充道："I've learned to never say never at Netflix."
8. GC vs a16z：VC 广告战与投资组合重叠的讽刺
General Catalyst 发布了一支 30 秒广告：一只 AI 机器狗 "Woof AI" 失控破坏办公室，演员扮演的 GC 对这笔投资说"我们有很高的责任标准"。这支广告被广泛解读为对 a16z 投资风格的直接讽刺——Marc Andreessen 连发约 45 条引用推文回应。
讽刺之处在于投资组合的重叠程度。TBPN 主持人指出：GC 和 a16z 共同投资了 Calc AI、Polymarket、Anduril 等几乎所有当前最具争议的科技公司。他们在 cap table 上"几乎总是牵着手"。
主持人的评论是："这对整个行业不利"——两个平台级基金互相进行 ad hominem 攻击，是"从自己的玻璃城堡里扔石头"。更聪明的策略是将"反派"设定为停滞（stagnation）、NIMBYism 或地缘竞争的威胁——这是整个行业可以团结面对的对手。
9. Agent 可观测性与"AGI = 循环次数"
Raindrop 的 CTO Ben Hylak 带来了一个务实而深刻的视角。Raindrop 做的是 agent 生产环境的自愈：当 agent 出问题时，自动检测并修复。当天他们发布了 braindrop.ai/workshop——一个免费开源的本地 trace 查看器。
Hylak 指出了一个看似显而易见但被长期忽视的问题：编码 agent（如 Claude Code）看不到自己的 trace，所以遇到错误只能"瞎编"解决方案。他提出了一个重新定义 AGI 的工程视角：
"A lot of 'do we have AGI or not' is how many loops in a row can you do before things just end catastrophically."— Ben Hylak, Raindrop CTO
一个循环可能完美执行，但多个循环叠加后错误累积，最终导致灾难性失败。AGI 在这个视⻆下不是一个"智能"的定义问题，而是一个工程可靠性问题。Hylak 的另一个观察是：公司正在被迫将产品 API 化（如 PhotoShop 的 MCP 集成），但如果没人触碰你的 UI，你在用户面前的触点就消失了——这和星巴克不想让你不下载 App 就点单是同一个逻辑。
10. AI 泡沫 vs 工业革命
Doug O'Laughlin 对 AI 是否处于泡沫的判断出奇的微妙。他从多个维度提供了证据：
首先，"真正的顶部特征是每个人都在喊 bullish"——而现在远非如此，许多聪明人仍在喊"这是泡沫"。其次，公开市场的估值水平看起来仍然合理：Google、Amazon、Apple 的 PE 倍数没有像 1999 年那样失控。第三，Lab 公司的营收倍数比 .com 时代的峰值低 1-2 个数量级。
但更深层的论点是 Doug 对 AI 本质的判断。他认为这可能比互联网更大——不是一个量级的优化，而是对社会基础设施本身的改写。他甚至提出了一个令人不安的设想：GDP 这个 1930 年代发明的统计概念，可能根本无法衡量 AI 时代的产出——"GDP might be broken as a concept."
TBPN 主持人补充了一个关键的区分：互联网泡沫时期，基础设施（互联网本身）还在建设中；而 AI 是叠加在已建成互联网上的"加速层"——它让已有的一切更快、更智能。因为底层基础设施已经存在，扩散速度将远超互联网。
11. 芯片供应链、空间数据中心与"工作负载驱动"的投资哲学
Doug 对 TSMC 供应链的分析揭示了 AI 芯片短缺的另一个维度：清洁室是长周期资产（从决定到投产需 3 年），TSMC 不可能两年前就确信今天的市场需求。市场上每一寸未被使用的清洁室都在被抢购——从旧电力芯片厂到显示面板厂。
关于空间数据中心，Feldman 的判断是"8-12 年"，而非"3-5 年"——但这不代表不该做。Cerebras 的大芯片在太空有独特优势（跨芯片通信需求更少），但核心约束不在芯片上。
Steve Vassallo 提供了一个"工作负载驱动"的投资框架：当一种计算工作负载出现阶跃式增长时（PC 时代的串行编程 → x86；图形时代的并行浮点运算 → GPU），总会产生专为该工作负载优化的新硬件架构。AI 大规模矩阵乘法正是这样一次阶跃——这正是 Cerebras 10 年前下注的核心逻辑。
一个有趣的历史连线：Solana 创始人 Anatoly Yakovenko 选择 Foundation Capital 的原因之一，正是因为他们投了 Cerebras。"你们认真对待硬问题"——分布式系统、低延迟计算、密码学，吸引的是同一类工程师。
12. Figure 机器人争议与 Wix 的 SaaSpocalypse
节目中穿插讨论了 Figure 的 24 小时连续自主运行直播——Brett Adcock 声称机器人 100% 自主、零遥操作、3 秒/包裹已达人类水平。但社区质疑跨体伸臂动作可能是 VR 遥操作数据训练的策略表现，而非真正的"自主"。主持人评论：即使存在遥操作成分，这个 demo 仍然令人印象深刻；但更根本的问题是——人形真的是包裹分拣的最佳形态吗？现有的专用分拣机已经运转了几十年。
另一个信号：Wix 股价从 ZIRP 时代的 $300 跌至 $52，在 vibe coding 工具的冲击下持续承压。Squarespace 在 2024 年 10 月被私有化——时机极其不幸，恰好在 AI 可以"一句话生成网站"之前。