上市半年股价暴跌77%，英伟达“挑战者”Cerebras怎么了？

本文来自微信公众号： 硅基观察Pro ，作者：硅基君谁能想到，曾被寄予厚望、号称挑战英伟达的Cerebras，上市仅仅半年，股价就跌去了近八成。2026年5月14日，Cerebras上市首日股价一度冲至386.34美元。

而截至11月6日收盘，股价只剩89.68美元，较高点暴跌76.8%。更让人意外的是，Cerebras的业绩并不差。从2025年第四季度到今年第二季度，公司营收同比增速分别达到110.3%、94.4%和74%。

虽然增速有所放缓，但仍然保持着较高的增长水平。不过，在这份增长背后，Cerebras的商业模式正在发生一场深刻变化。去年第二季度，Cerebras云及其他服务收入占比只有32%，到今年第二季度已经提升至70%，成为公司最主要的收入来源。

与此同时，硬件业务收入却连续两个季度环比下滑。换句话说，曾经靠卖芯片挑战英伟达的Cerebras，如今越来越像一家AI云服务商。这也带来了一个值得思考的问题：一家拥有全球领先推理性能的芯片公司，为什么越来越依赖云服务赚钱？

答案可能恰恰藏在Cerebras最引以为傲的技术优势里。Cerebras几乎做到极致的Token生成速度，始终无法转化为同等幅度的商业价值。而转向云服务，虽然降低了客户使用门槛，却也让Cerebras承担起更加沉重的资本投入。

当技术优势难以转化为定价权，收入增长又依赖巨额资本投入，投资者自然开始重新审视Cerebras的商业价值。/01/不卖芯片，开始卖云了与其说Cerebras是一家芯片公司，倒不如说是一家AI云公司。

今年第二季度，Cerebras云及其他服务收入达到1.26亿美元，同比增长281%，收入占比高达70%。要知道，去年同期这个比例还只有32%。短短一年时间，云服务已经成为Cerebras最主要的收入来源。

相比之下，曾经作为核心业务的硬件销售，却出现了下滑。从2025年第四季度到2026年第二季度，Cerebras核心硬件收入从1.22亿美元降至1.12亿美元，再降至8214万美元，连续两个季度环比下降。

为什么会出现这种变化？一个重要原因是，相比卖硬件，云服务更容易打开市场。在第二季度财报电话会上，Cerebras首席财务官Bob Komin透露，部分硬件客户的采购和交付，正在受到数据中心建设进度的影响。

说白了，客户购买Cerebras的芯片，还得解决机房、电力、冷却等一系列基础设施问题。不仅前期投入大，建设周期也长。但对于大量AI应用公司而言，比起一台昂贵的超级计算机，它们更希望随时能够调用的高速推理能力。

Cerebras也发现了这一商机。今年8月，CEO Andrew Feldman在采访中透露，公司最初搭建云平台，只是为了方便潜在客户体验芯片性能。没想到，随着需求不断增长，这项原本用于展示产品的服务，逐渐发展成了一门真正的生意。

如今，Cerebras甚至开始主动将硬件产能向云业务倾斜。今年一季度财报电话会上，管理层明确表示，未来几个季度硬件收入预计会下降，因为新生产的大部分设备，将优先部署到自有云平台，用于履行大型客户合同。

从客户拓展来看，这种模式已经开始取得成效。第二季度，Cerebras与AI编程公司Cognition、Lovable签署新的云容量协议，金融信息平台AlphaSense、制药巨头GSK等也成为其客户。

这意味着，Cerebras正在摆脱过去依赖少数大型硬件订单的模式，转而通过云服务覆盖更广泛的AI应用市场。但问题来了，云服务虽然打开了更大的市场，却也让Cerebras变成了一门更重的生意。

过去卖硬件，设备采购和数据中心建设主要由客户承担。现在经营云平台，Cerebras则需要提前投入大量资金，采购计算设备、建设算力基础设施，再通过未来的服务收入慢慢收回投资。这种变化，已经反映在财报上。

今年上半年，Cerebras资本开支达到5.49亿美元，同比增长近两倍，其中大部分用于采购云服务所需的计算设备。随着投入不断扩大，公司上半年自由现金流净流出达到5.96亿美元，接近去年同期的两倍。

仅第二季度，自由现金流就净流出4.77亿美元，相当于同期营收的2.65倍。也就是说，Cerebras每实现1美元收入，同期就有约2.65美元的自由现金流流出。与此同时，云业务扩张也开始挤压利润率。

第二季度，Cerebras整体核心毛利率从上一季度的46.5%下降至40.6%。为了满足客户需求，公司甚至需要从客户手中租回设备，由此产生的额外成本，拉低了约5个百分点的毛利率。这也暴露出Cerebras云业务扩张背后的另一面：收入增长很快，但为了支撑这种增长，公司需要持续投入巨额资金，盈利能力也面临压力。

当然，重资本投入本身并不可怕，关键在于能否赚到足够的回报。但这恰恰是Cerebras面临的最大问题，芯片性能领先，无法转化为同等程度的定价权。/02/技术领先，却换不来定价权Cerebras最大的商业困境在于，芯片性能上的巨大优势，很难转化为同等程度的商业价值。

说得直白一点，即使Cerebras的芯片比英伟达快十几倍，客户也未必愿意为此支付更高的价格。Cerebras的核心优势来自晶圆级芯片架构。通过将大量计算核心和高速存储集成在一整片晶圆上，大幅减少数据搬运，从而实现极高的Token生成速度。

根据招股书披露的2026年4月测试数据，在特定条件下运行Llama 3.3 70B模型，Cerebras每秒可以生成2457个Token，而采用英伟达GPU的对比云服务只有164个，前者接近后者的15倍。

但问题在于，在AI推理场景下，只有生成Token快远远不够。对于批量数据处理、离线内容生成等场景，企业更关心整体吞吐量和单位成本，而不是单纯的生成速度。即便是当下最热门的AI编程，也不是Token生成越快，任务就完成得越快。

一个编程Agent除了生成代码，还需要读取文件、调用工具、运行测试，并根据结果反复修改。这些环节同样需要消耗大量时间。这意味着，即便Cerebras将Token生成速度提高十几倍，整个任务的完成效率也未必能提升同样的幅度。

这就带来了一个尴尬的问题，虽然Cerebras在技术上领先十几倍，但能为客户创造的实际价值，可能远没有这么大。这一点，也能从Cerebras的公开报价中看出端倪。以GPT-OSS-120B模型为例，Cerebras公布的输出价格为每百万Token 0.75美元，标称生成速度约为每秒3000个Token。

而同样主打高速推理的GroqCloud，输出价格为每百万Token 0.60美元，标称速度约为每秒500个Token。虽然两家平台并非严格同条件测试，但Cerebras的标称速度高出数倍，输出Token单价却只高出25%。

这至少说明，极致的速度优势，并不能换来同等幅度的价格溢价。除了定价能力，Cerebras还面临着另一个挑战：存储容量。为了追求极致速度，Cerebras采用大量片上SRAM。这种存储器速度极快，但占用芯片面积较大。

以第三代晶圆级芯片WSE-3为例，相比上一代，其晶体管数量增长超过50%，片上存储容量却仅从40GB增加至44GB。与此同时，大模型参数规模和上下文长度还在持续增长。当单片晶圆无法容纳整个模型，就需要多片晶圆协同计算。

虽然Cerebras能够通过模型分层和流水线技术解决这一问题，但也意味着需要投入更多设备，并承担更复杂的系统部署和调度成本。换句话说，Cerebras虽然在单芯片性能上取得了巨大突破，但要将这种优势转化为整套算力系统的成本优势，仍然存在不小的挑战。

除了自身技术路线面临的挑战，Cerebras还要面对一个更棘手的对手：英伟达。今年1月，英伟达披露，通过软件优化，同一套Blackwell GPU平台运行DeepSeek-R1模型时，单卡吞吐量在三个月内最高提升了2.8倍。

这意味着，即便不更换硬件，英伟达也能持续提高GPU的推理效率，缩小与Cerebras之间的性能差距。更重要的是，相比Cerebras的专用架构，GPU还有一个明显优势：通用性。对于已经投入巨资采购英伟达GPU的企业而言，同一套设备既能训练模型，也能执行推理，还能适应不同的模型架构。

相比之下，Cerebras主要针对特定计算场景优化，客户不仅需要考虑额外的部署和适配成本，还要承担未来模型变化、设备利用率不足等风险。这让Cerebras陷入一个尴尬的局面：它需要依靠极致性能证明自己的价值，但英伟达只要持续提高GPU的推理效率，就可能不断压缩客户愿意为速度支付的溢价。

如今转向云服务，虽然降低了客户使用门槛，却没有从根本上改变这笔商业账。固然，Cerebras已经制造出全球最快的AI推理芯片之一，但距离证明这是一门足够赚钱的生意，还有很长的路要走。

/03/总结过去常说，一招鲜，吃遍天。但在如今的AI算力市场，这套逻辑似乎越来越难成立。原因很简单，AI模型既要训练，又要推理；不同应用有的追求极致速度，有的更看重吞吐量和成本。需求越来越多样化，单一性能再突出，也很难通吃整个市场。

事实上，专用AI芯片早就经历过类似的困境。英国Graphcore曾凭借独特的芯片架构挑战英伟达，估值一度达到27.7亿美元。但到了2022年，公司年收入仅有270万美元，最终被软银收购。

另一家AI芯片公司Wave Computing，也曾凭借专用数据流架构获得资本青睐，却在2020年申请破产重组。这些公司的经历说明，技术上的领先，并不意味着商业上的成功。真正的难题，是如何把性能优势转化为足够广泛的客户需求，并从中赚到钱。

如今，Cerebras也站在了同样的十字路口。它已经证明了自己有能力造出全球速度领先的AI芯片，但能否把这种技术优势转化为持续增长的收入和稳定的利润，仍然是个未知数。而这道题，可能比造出世界上最快的AI芯片还要难。